퓨리오사AI 백준호, 서울대→AMD→삼성 거쳐 NPU로 승부

고민은 길지 않아도 결은 남습니다

AI 반도체는 요란한 뉴스보다 조용한 이력서가 더 많은 걸 말해줄 때가 있습니다. 실무로 다져진 몇 년의 시간, 한 줄의 학위, 그리고 ‘언제 어떤 선택을 했는가’ 같은 결들이죠. 최근 국내 팹리스 가운데 유독 눈길을 끄는 이름이 있습니다. 바로 퓨리오사AI 백준호 대표입니다. 많은 분들이 “해외 빅테크와 맞붙을 기술력, 정말 가능할까?”를 묻습니다. 경쟁이 치열한 만큼 선택과 집중, 그리고 타이밍이 중요합니다. 커리어의 궤적을 따라가 보면 그 답이 보입니다. 전공의 뿌리, GPU와 메모리의 현장, 그리고 2017년 ‘NPU’라는 기회 포착까지 이어지는 흐름 말입니다. 이 글은 퓨리오사AI 백준호 대표의 학력과 경력을 촘촘히 정리해, 투자·커리어·산업 관점에서 무엇을 배울 수 있는지 짧지 않게 짚어봅니다. 개인적으로도 반도체·AI 스타트업을 인터뷰 준비하면서 “실무-연구-창업”이 한 줄로 이어지는 드문 사례라는 인상을 강하게 받았습니다. 그 인상에 근거해 정리했습니다.

프로필 한눈에: 퓨리오사AI 백준호 대표의 핵심 이력

핵심만 빠르게 보려면 연표가 가장 정확합니다. 아래 표는 전공·직무·전환의 타이밍을 중심으로 구성했습니다. 창업까지의 누적 산업 경험은 약 7년(2010~2016년)이며, 창업 이후 대표로서의 리더십은 2017년부터 현재까지 8년+ 트랙 레코드로 이어지고 있습니다.

기간	조직/소속	역할/핵심 경험
학부~대학원	서울대학교 전기공학부 → 조지아공과대학교(학사·석사)	반도체·컴퓨터 아키텍처 기초, 알고리즘·시스템 최적화 기반
2010~2013	AMD GPU 사업부	소프트웨어 엔지니어, GPU 연산 소프트웨어/툴체인·성능 최적화
2013~2016	삼성전자 메모리사업부	하드웨어 엔지니어, 메모리 아키텍처·제어·신뢰성/효율성 개선
2017~현재	퓨리오사AI	공동 창업자·대표, AI 연산 최적화 NPU 개발 및 생태계 확장

누적 실무 기간(창업 전): 약 7년
NPU 창업 리더십: 2017년부터 현재
전공-현장-창업의 연계성: GPU(연산) + 메모리(대역폭/효율) → NPU(추론/학습)

퓨리오사AI 공식 홈페이지 보기

학력의 결: 서울대에서 조지아텍까지, 왜 이 조합이 강한가

서울대 전기공학부에서 출발해 조지아공대에서 학·석사를 잇는 트랙은 반도체 설계와 컴퓨팅 시스템을 깊고 넓게 다지는 구성입니다. 전기·전자 전공에서 회로·디지털 로직·신호처리의 뿌리를 잡았고, 대학원 과정에서 컴퓨터 아키텍처·컴파일·알고리즘 최적화 같은 소프트웨어-하드웨어 연계를 촘촘히 겹친 셈입니다. NPU라는 영역은 수학적 연산(행렬·텐서), 메모리 계층(캐시·DRAM·온칩 버퍼), 그리고 컴파일러/런타임이 교차하는 곳입니다. 학부에서 다진 회로 감각과 대학원에서 얻은 시스템적 시야가 합쳐져, 하드웨어 설계만이 아니라 모델-런타임-툴체인까지 “엔드 투 엔드” 관점으로 사고할 수 있게 해줍니다. 개인적으로 엔지니어 인터뷰를 준비할 때, 이런 커리큘럼 조합을 가진 분들이 프로파일러나 커스텀 커널 최적화 같은 난이도 높은 과제를 빠르게 이해하는 모습을 자주 봤습니다. 결국 학력은 ‘스펙’보다 ‘시야’를 결정합니다. 백준호 대표의 학력 라인은 AI 반도체가 요구하는 수학·시스템·실행환경의 교집합을 선명하게 커버합니다. 퓨리오사AI가 NPU를 설계할 때, 연산 유닛의 효율·메모리 트래픽·컴파일 패스까지 통합적으로 선택할 수 있는 배경이 됩니다.

현장의 깊이: AMD GPU와 삼성 메모리, 무엇을 남겼나

GPU 소프트웨어 최적화 경험은 NPU에 어떻게 이어질까?

2010~2013년 AMD GPU 사업부에서의 소프트웨어 엔지니어링은 대규모 병렬 연산, 스케줄링, 커널 최적화의 실제 전장을 경험하게 합니다. 특히 GPU는 대역폭과 병렬화가 성능을 좌우하므로, 커널당 연산량과 메모리 접근 패턴을 조정해 와트당 성능을 끌어올리는 감각을 몸으로 익히게 되죠. 이 경험은 NPU에서도 핵심입니다. 연산 유닛이 바뀌어도 병목은 대체로 메모리와 데이터 이동에 생기니까요. 2013~2016년 삼성전자 메모리사업부에서의 하드웨어 엔지니어링은 반대로 ‘데이터가 어디에서, 얼마나, 어떤 지연으로 오는가’를 회로와 공정, 제어 관점에서 보게 합니다. 결과적으로 GPU 소프트웨어와 메모리 하드웨어의 양쪽을 모두 경험했다는 점은, NPU의 연산-메모리-컴파일러 설계를 현실적으로 결합하는 데 강한 기반이 됩니다. 제 경험상, 이런 커리어 조합을 가진 리더는 제품 로드맵을 짤 때 ‘스펙의 높이’보다 ‘시스템의 균형’에 더 민감합니다. 숫자로 요약하면, 창업 전 7년의 현장 경험 중 약 43%는 연산 소프트웨어(AMD 3년), 약 57%는 메모리 하드웨어(삼성 4년)에 투입되었습니다. 균형이 하드웨어 쪽으로 약간 더 기울어 있지만, 연산 최적화의 내공도 충분히 쌓였다고 평가할 수 있습니다. 이 균형은 NPU의 실제 성능을 결정짓는 ‘데이터 이동 최소화’ 전략과도 맞물립니다.

창업과 방향: 왜 NPU였고, 무엇을 목표로 삼았나

“스타트업의 민첩성과 창의력으로 글로벌 대기업과 경쟁 가능한 AI 연산 최적화 NPU를 만들자.”

2017년은 AI 추론 수요가 본격적으로 폭증하던 초입이었습니다. GPU의 범용성과 생태계가 강점이지만, 추론 워크로드는 전용 설계의 효율이 빛나기 시작한 시점이기도 했죠. 퓨리오사AI는 여기에서 ‘전력당 성능’과 ‘총소유비용’을 내세운 NPU 전략을 취했습니다. 즉, 동일 전력에서 더 많은 추론을 처리하거나, 동일 처리량을 더 작은 전력·더 낮은 비용으로 달성하자는 명료한 가치 제안입니다. 하드웨어만으로 승부가 끝나지 않는다는 것도 초기에 명확히 했습니다. 컴파일러·런타임·드라이버·프레임워크 호환을 포함한 소프트웨어 스택, 그리고 실제 고객 워크로드를 빠르게 온보딩하는 솔루션 역량이 같이 커져야 합니다. 이 지점에서 GPU 소프트웨어와 메모리 하드웨어 경험이 모두 작동합니다. 모델의 연산 그래프를 어떻게 분해하고, 텐서 이동을 어디까지 줄이며, 메모리 계층을 어떻게 배치할지에 대한 의사결정이 전 과정에서 일관되게 유지되기 때문입니다. 결과적으로 퓨리오사AI의 지향점은 ‘현실적인 고성능’입니다. 최대치 스펙의 화려함보다, 실제 데이터센터나 엣지에서 유지·운영 비용까지 고려하는 효율이 핵심 지표로 자리합니다. 경쟁 환경이 팽팽해질수록 고객이 보는 숫자는 결국 처리량 대비 비용, 레이턴시 안정성, 드라이버 호환성과 같은 일상적 지표들입니다.

비교로 보는 강점: 퓨리오사AI 백준호의 커리어 시그니처

국내 AI 반도체 리더들과 무엇이 닮고, 무엇이 다른가

공통점: 하드웨어·소프트웨어 경계를 넘나드는 설계 관점, 그리고 데이터 이동 최소화에 대한 집착
차별점: GPU(연산 SW)와 메모리(HW)라는 서로 다른 현장을 연속적으로 경험한 뒤, NPU로 수렴시켰다는 커리어의 흐름
의미: 모델·런타임·메모리 계층을 하나의 지도 위에서 함께 최적화하는 리더십

투자자의 눈으로 보면, 이 조합은 리스크 관리에도 유리합니다. 초기 제품군에서 생길 수 있는 병목(예: 특정 연산자의 처리 불균형, 메모리 핫스폿)을 하드웨어만 고치거나 소프트웨어만 다듬는 방식이 아니라, 시스템 전체에서 재설계할 수 있기 때문입니다. 제품 수정을 한 번 덜 하거나, 출시 시점을 몇 달 앞당기는 차이가 누적되면 기업 가치에 큰 영향을 줍니다.

숫자로 정리하는 커리어 포인트

현장 경력 비중: 소프트웨어 3년(약 43%) + 하드웨어 4년(약 57%)
창업 시점 기준 누적 실무: 7년
대표 재임: 2017년~현재, 8년+
핵심 역량 키워드: NPU, AI 반도체, 연산·메모리·컴파일러 통합 최적화

현업·취업·창업 관점의 인사이트

커리어 설계: 전공→현장→문제 정의의 ‘한 줄’ 만들기

학력은 전공의 결을, 실무는 문제의 냄새를 익히게 해줍니다. 그리고 창업은 그 문제를 직접 풀겠다는 선언입니다. 퓨리오사AI 백준호 대표의 여정은 이 세 가지가 한 줄로 연결된 사례입니다. 실무에서 GPU와 메모리를 모두 만져본 경험은, NPU라는 문제를 정의할 때 솔루션의 경계가 어디까지인지 빠르게 그리게 해줍니다. 저는 기술 리서치를 할 때, “나의 다음 3년은 어떤 병목을 없앨 것인가?”라는 질문을 메모해 둡니다. 병목을 정확히 말할 수 있으면, 해야 할 공부와 옮겨야 할 현장이 또렷해집니다. 커리어의 좌표를 정교하게 찍는 방법이죠. 이 글을 읽는 분들께도 권합니다. 자신의 3년짜리 병목 문장을 먼저 써보세요.

학생·주니어: 컴퓨터 아키텍처·병렬 프로그래밍·메모리 시스템을 균형 있게 학습
미드·시니어: 실제 워크로드의 프로파일링·온칩 버퍼링·연산자 커널 개선 경험 축적
창업·리더십: 제품 로드맵·툴체인·고객 온보딩을 묶는 실행 체계 설계

결론 | 퓨리오사AI 백준호, ‘현실적인 고성능’을 설계하는 법

푸시 로직보다 중요한 건 균형 감각입니다. 퓨리오사AI 백준호 대표의 커리어는 학력(기초)→GPU SW(연산)→메모리 HW(대역폭)→NPU 창업(통합)의 순서로 균형을 맞춘 사례입니다. 스펙 경쟁을 넘어 실제 고객의 워크로드를 더 싸고 빠르게 처리하겠다는 ‘현실적인 고성능’의 미학이 읽힙니다. 실질적인 팁을 남기자면, 자신의 커리어를 기술 트리로 그려보세요. 연산·메모리·컴파일러 중 약한 고리를 다음 분기의 학습·프로젝트로 채우는 식입니다. 그리고 시장의 언어(전력당 성능, 레이턴시, 총소유비용)를 숫자로 익히면, 어떤 제품을 만들든 방향을 잃지 않습니다. 마지막으로, 인물과 회사에 대한 최신 정보는 공식 채널을 통해 확인하면서 노이즈를 줄이세요. 작은 습관이 큰 오차를 막아줍니다. 정답은 보통, 오래 들여다본 사람이 먼저 찾습니다.

자주 묻는 질문(FAQ)

퓨리오사AI 백준호의 대표 키워드는 무엇인가?

핵심 키워드는 퓨리오사AI 백준호, AI 반도체, NPU입니다. 연산·메모리·컴파일러의 통합 최적화에 강점이 있으며, 창업 전 7년의 현장 경험과 2017년 이후 8년+의 리더십이 한 줄로 이어진 점이 특징입니다.

AMD와 삼성 경력이 NPU 개발에 실제로 어떤 도움이 되나?

GPU 소프트웨어 최적화는 대규모 병렬 연산과 커널·메모리 접근 패턴을 다룹니다. 메모리 하드웨어 경험은 대역폭·지연·신뢰성의 현실을 알려줍니다. NPU 설계에서 이 두 영역의 감각이 합쳐지면, 연산 배치와 데이터 이동을 동시에 최적화할 수 있습니다.