2나노 도전한 애플 A20칩, 성능은?

A20 Pro는 전작보다 CPU가 약 24~33% 빨라졌고 GPU와 지속 성능은 조건에 따라 최대 40% 높아졌다. 특정 로컬 LLM 테스트에서는 답변 생성 속도가 두 배 이상 빨라졌지만, 이미지 생성에서는 같은 폭의 차이가 나지 않았다.

A20 Pro CPU는 24~33%, 로컬 LLM 답변 속도는 두 배 이상 빨라졌다

아이폰 17 Pro와 아이폰 18 Pro에 같은 로컬 AI 모델을 설치하고 서버 연결 없이 기기 내부에서 답변을 만들게 했다. 영상 속 실험에서 아이폰 18 Pro는 답변을 두 배 이상 빠르게 생성했다. 그러나 이 결과를 A20 Pro의 모든 작업이 두 배 빨라졌다는 뜻으로 받아들이면 안 된다.

CPU 벤치마크의 상승 폭은 20~30%대다. Tom's Guide 실측에서 아이폰 18 Pro의 Geekbench 6 싱글코어는 4,735점, 멀티코어는 12,800점이었다. 아이폰 17 Pro보다 각각 약 24%, 28% 높다. Geekbench 7에서는 4,022점과 11,543점으로 각각 약 28%, 33% 올랐다.

Geekbench 7 멀티코어 점수는 기본 M3를 넣은 2023년형 맥북 프로와 비슷한 수준이었다. 아이폰은 매체가 직접 측정한 단일 결과이고 맥북은 사용자 결과를 모은 값이라 조건은 다르다. 아이폰 전체 성능이 M3 맥북 프로와 같다는 뜻도 아니다. CPU 점수가 같은 벤치마크에서 비교할 수준까지 올랐다는 의미다.

로컬 AI에서 두 배 차이가 난 이유는 CPU만이 아니다

AI가 문장을 만드는 일도 숫자 계산이다. 다만 모든 계산을 CPU 하나가 맡지 않는다. CPU는 앱과 작업의 흐름을 제어하고, GPU는 비슷한 계산을 한꺼번에 처리하며, Neural Engine은 지원되는 머신러닝 연산을 맡는다.

A20 Pro는 이 역할 분담을 더 촘촘하게 만들었다. 6코어 CPU에 Neural Accelerator를 넣었고, 7코어 GPU에도 AI 연산을 위한 가속기를 배치했다. Neural Engine은 기존 16코어 구성에서 듀얼 16코어 구조로 늘어 총 32코어가 됐다. Apple은 온디바이스 AI 연산 능력이 A19 Pro의 두 배라고 설명한다.

작은 AI 계산을 할 때마다 CPU에서 다른 장치로 작업을 넘기고 결과를 기다리면 전환 비용이 생긴다. CPU와 GPU 내부의 가속기는 각 장치가 맡은 작업 가운데 지원되는 AI 연산을 장치 안에서 바로 처리하게 한다. 큰 병렬 계산은 GPU와 Neural Engine이 맡고, 작은 계산은 각 장치 안에서 바로 처리하는 구조다.

이 설계는 영상의 로컬 LLM에서 CPU 벤치마크보다 큰 성능 차이가 나타난 배경 중 하나다. 같은 모델을 실행해도 어떤 연산을 어느 장치에 배치하느냐에 따라 결과가 달라진다.

50% 늘어난 메모리 대역폭이 답변 생성 속도를 높인다

A20 Pro의 메모리 대역폭은 A19 Pro보다 50% 늘었다. 저장공간이나 메모리 용량이 50% 커졌다는 뜻이 아니다. 같은 시간에 연산 장치로 옮길 수 있는 데이터의 양이 늘었다는 의미다.

로컬 LLM은 모델의 수많은 가중치를 메모리에서 반복해서 읽는다. 연산 장치가 빨라도 필요한 데이터가 늦게 도착하면 장치는 기다려야 한다. 메모리 대역폭이 넓어지면 이 대기 시간을 줄일 수 있다.

질문을 처음 읽는 단계와 답변 토큰을 하나씩 만드는 단계의 병목도 다르다. 입력한 문장을 처리할 때는 여러 토큰을 묶어 계산할 수 있어 병렬 연산 능력이 중요하다. 답변을 만들기 시작하면 다음 토큰을 고를 때마다 모델 가중치를 계속 가져와야 한다. 이 단계에서는 연산 성능뿐 아니라 메모리가 데이터를 얼마나 빨리 공급하는지가 생성 속도를 제한한다.

영상에서 같은 로컬 LLM의 답변 생성 속도가 두 배 이상 빨라진 결과는 듀얼 Neural Engine 하나로 설명되지 않는다. CPU·GPU 가속기, 50% 넓어진 메모리 대역폭, 실행 엔진이 연산을 배분하는 방식이 함께 만든 결과로 봐야 한다.

이미지 생성에서는 두 배 차이가 나지 않았다

로컬 LLM을 시험한 아이폰에서 이미지 생성도 실행했다. 생성할 장면을 미리 입력하고 이미지 한 장을 만든 뒤 저장한 다음 곧바로 다음 장을 만드는 방식으로 20장 이상을 연속 생성했다. 20장을 만드는 데 약 11분이 걸렸다.

하지만 이미지 생성에서는 로컬 LLM 답변만큼 큰 세대 차이가 나오지 않았다. 두 작업이 모두 AI라는 이름으로 묶여도 내부에서 쓰는 연산과 데이터 이동의 비중은 다르기 때문이다.

언어 모델의 토큰 생성처럼 같은 가중치를 반복해서 가져오는 작업은 메모리 대역폭 증가의 효과를 크게 받을 수 있다. 이미지 생성은 모델과 앱에 따라 한 번 가져온 데이터로 더 많은 계산을 수행한다. 이 경우 GPU 연산 능력과 앱의 실행 방식이 전체 속도를 더 크게 좌우한다.

새 가속기를 앱이 쓰지 못하면 체감 차이도 줄어든다

하드웨어에 AI 가속기가 있다고 모든 앱이 자동으로 같은 폭만큼 빨라지지는 않는다. 앱이 어떤 계산을 CPU·GPU·Neural Engine에 맡길지 정하고, iOS와 실행 엔진이 그 경로를 지원해야 한다.

새 가속기에 맞춘 최적화가 더해지면 같은 아이폰에서도 속도가 더 올라갈 수 있다. 반대로 메모리에서 데이터를 가져오는 속도가 병목인 작업이라면 계산 장치만 빠르게 만드는 것으로는 부족하다. 같은 데이터를 반복해서 가져오지 않도록 모델과 실행 엔진을 조정해야 한다.

초기 측정치는 현재 버전의 앱과 실행 엔진에서 나온 성능을 보여준다. 실제 앱의 체감 속도는 개발자가 새 연산 경로와 메모리 구조를 얼마나 활용하느냐에 따라 달라진다. 출시 직후보다 앱 업데이트가 쌓인 뒤 성능이 달라질 수 있는 이유다.

2nm 공정은 새 패키징·냉각과 함께 지속 성능을 높인다

A20 Pro는 Apple의 첫 아이폰용 2nm 칩이다. TSMC N2는 기존 FinFET 대신 나노시트 트랜지스터를 사용한다. 게이트가 전류 통로를 여러 면에서 감싸 같은 속도에서 전력 사용을 줄이거나 같은 전력에서 속도를 높일 여지를 만든다.

TSMC가 N2 공정 전체에 제시한 목표는 N3E보다 같은 전력에서 10~15% 빠르거나, 같은 속도에서 전력을 25~30% 줄이는 것이다. 칩 밀도는 15% 이상 높아진다. 이 수치는 A20 Pro 완제품의 직접 측정값이 아니라 공정 플랫폼의 기준이다. A20 Pro의 실제 성능 상승 폭에는 Apple이 설계한 CPU·GPU·Neural Engine과 메모리 구조의 영향도 함께 반영된다.

공정이 전력을 줄여도 열을 밖으로 빼지 못하면 장시간 성능은 떨어진다. Apple은 A20 Pro의 실리콘 다이와 메모리를 옆으로 배치해 메모리를 열 전달 경로에서 분리하고, 연산 칩이 차세대 베이퍼 챔버에 직접 닿게 만들었다. M 시리즈에서 착안한 패키징이다.

아이폰 18 Pro의 베이퍼 챔버 면적은 전작의 3배다. Apple은 새 재료와 냉각 구조를 합쳐 지속 성능이 최대 40% 높아졌다고 밝혔다. 짧은 벤치마크에서 최고점을 한 번 찍는 것보다 게임과 로컬 AI를 오래 실행할 때 속도가 덜 떨어지는 변화다.

A20 Pro는 장시간 온디바이스 작업을 고려한 설계다

A20 Pro의 성능을 하나의 숫자로 요약하면 중요한 변화가 사라진다. CPU는 약 24~33% 빨라졌고, GPU와 지속 성능은 최대 40% 높아졌다. 온디바이스 AI 연산 능력은 Apple 발표 기준 두 배가 됐고, 영상의 특정 로컬 LLM 테스트에서도 답변 속도가 두 배 이상 빨라졌다.

그러나 이미지 생성에서는 같은 폭의 차이가 없었다. A20 Pro가 모든 AI를 두 배 빠르게 만드는 칩은 아니다. 작업이 메모리 대역폭에 민감한지, GPU 계산량이 큰지, 앱이 새 가속기를 지원하는지에 따라 체감 차이는 달라진다.

A20 Pro의 진짜 변화는 2nm라는 숫자보다 휴대폰에서 AI 작업을 오래 수행하도록 설계한 데 있다. 계산 장치를 늘리고, 메모리 대역폭을 늘리고, 칩에서 나온 열을 더 넓은 냉각 장치로 빼낸다. 로컬 LLM, 고성능 게임, 장시간 영상·이미지 처리에서 성능 향상이 크게 나타날 수 있는 이유다.

자주 묻는 질문