AI 컴퓨트 병목 정리: EUV 노광기 대수가 2030년 데이터센터 규모를 결정한다

핵심 메시지

• 빅테크 네 곳의 올해 설비투자 전망치만 6천억 달러 규모이고 공급망 전체로는 1조 달러에 가까운데, 이 돈의 상당 부분은 올해가 아니라 2027~2029년에 켜질 설비의 선불금이다.
• 병목은 계속 이동해 왔다. 예전에는 CoWoS 패키징, 지난해는 전력과 데이터센터였지만 이제는 리드타임이 가장 긴 반도체 제조 자체로 넘어왔다.
• 1기가와트 규모의 최신 칩을 만들려면 EUV 노광 약 200만 패스가 필요하고, 이는 노광기 3.5대에 해당한다. 2030년까지 누적 700대를 가정해도 연 200기가와트가 이론적 상한이다.
• 성능이 빠르게 오르는데도 구형 GPU 가격이 떨어지지 않는 이유는, 칩 값을 정하는 것이 신형 칩과의 비교가 아니라 오늘의 모델이 그 칩에서 뽑아내는 가치이기 때문이다.
• AI 도달 시점이 빠르면 미국이, 늦으면 공급망을 국산화하는 중국이 유리하다는 것이 대담의 결론에 가까운 구도다.

쉽게 이해하기

세미애널리시스를 이끄는 딜런 파텔이 드워케시 파텔의 팟캐스트에 나와 AI 컴퓨트 확장을 가로막는 병목을 층층이 뜯어봤다. 출발점은 숫자다. 아마존·메타·구글·마이크로소프트 네 곳의 올해 설비투자 전망치가 6천억 달러이고, 공급망 전체를 더하면 1조 달러 규모에 이른다. 다만 이 돈이 전부 올해 켜지는 컴퓨트로 바뀌는 것은 아니다. 구글의 1,800억 달러 가운데 상당액은 2028~2029년에 쓸 터빈 예약금, 2027년에 완공될 데이터센터 공사비, 전력 구매계약 선급금처럼 미래를 위해 미리 잠가두는 비용이다.

수요 쪽에서는 앤트로픽과 오픈AI가 압도적인 큰손이다. 컴퓨트를 빌리는 값이 1기가와트당 연 100억~130억 달러 수준인데, 두 회사는 지금 2~2.5기가와트 남짓에서 출발해 연말까지 5~6기가와트로 올라가려 한다. 파텔은 앤트로픽이 매출 성장분만 감당하려 해도 추론용으로 4기가와트를 더 붙여야 한다고 계산한다. 초기에 보수적으로 계약했던 앤트로픽은 뒤늦게 물량을 구하느라 이전이라면 쓰지 않았을 사업자에게 가거나, 아마존·구글·마이크로소프트가 자사 플랫폼에서 모델을 서빙하고 수익을 나누는 방식으로 우회한다. 반대로 공격적으로 계약을 뿌려둔 오픈AI는 자금 조달에 성공하면서 결과적으로 유리한 자리에 섰다.

가장 흥미로운 대목은 GPU 감가상각 논쟁이다. 성능이 2년마다 서너 배씩 오르니 구형 칩값이 급락해야 정상이라는 주장에 대해, 파텔은 실제로는 H100이 3년 전보다 지금 더 비싸다고 반박한다. 칩의 가격을 정하는 것은 신형 칩과의 성능비가 아니라 '오늘 이 칩에서 뽑아낼 수 있는 가치'인데, 같은 H100 위에서 돌아가는 모델이 예전보다 훨씬 저렴하면서도 훨씬 쓸모 있어졌기 때문이다. 공급이 빠듯한 세상에서는 일찍 장기계약을 잠근 쪽이 구조적인 마진 우위를 갖는다.

그렇다면 무엇이 확장을 막는가. 파텔은 전력이나 데이터센터가 아니라 반도체 제조라고 못박는다. 데이터센터는 1년 안에, 아마존은 8개월 만에도 짓지만 팹은 2~3년이 걸리고 장비 리드타임은 더 길다. 게다가 과거처럼 모바일·PC용 생산능력을 AI로 돌려쓸 여지도 이제 거의 사라졌다. 최종 한계선은 세계에서 가장 복잡한 기계를 만드는 ASML이다. 대당 3억~4억 달러인 EUV 노광기를 지금은 연 70대, 내년 80대, 공격적으로 늘려도 2030년에 100여 대를 만든다.

이 숫자를 컴퓨트로 환산하면 그림이 선명해진다. 최신 칩으로 1기가와트를 채우려면 3나노 웨이퍼 약 5만 5천 장, 5나노 6천 장, DRAM 17만 장이 필요하고 여기에 필요한 EUV 노광은 약 200만 패스다. 시간당 75장을 처리하는 장비 가동률을 감안하면 3.5대면 1기가와트를 감당한다. 이미 깔린 250~300대에 앞으로의 생산을 더해 2030년 누적 700대를 가정하면 연간 200기가와트가 상한이다. 샘 올트먼이 말하는 연 52기가와트는 그 4분의 1이니 불가능한 숫자는 아니지만, 여러 기업이 각자 원하는 물량을 모두 합치면 공급망이 감당하지 못한다는 것이 파텔의 진단이다.

주요 인사이트

• 한국 독자에게 직접 와닿는 대목은 메모리다. HBM은 같은 웨이퍼 면적에서 일반 DRAM보다 비트 수가 3~4배 적어, AI 수요가 늘수록 범용 메모리 공급을 잠식한다. 대담에서는 메모리 업체들이 가격을 크게 올리며 장기계약을 맺고 있고 스마트폰 같은 소비자 기기가 그 부담을 떠안는 구도가 이미 시작됐다고 본다.
• 구형 공정으로 우회하면 되지 않느냐는 질문에 대한 답이 인상적이다. 칩 성능 차이는 연산량만이 아니라 통신 계층에서 벌어진다. 칩 내부는 초당 수십 테라바이트, 랙 안은 수 테라바이트, 랙 밖은 수백 기가바이트로 한 단계씩 느려지므로, 같은 8비트 연산을 쓰는 모델에서도 세대 간 실측 추론 성능 차이가 연산 성능비보다 훨씬 크게 벌어진다.
• 연구 자원 배분에 대한 설명도 실무적이다. 같은 성능을 내는 비용은 매년 10배씩 싸지므로, 컴퓨트를 사전학습에 몰아넣기보다 연구에 배분하는 편이 복리로 유리하다. 큰 모델은 강화학습 롤아웃 비용이 비례해 커지기 때문에, 하드웨어와 무관하게 작은 모델을 빨리 학습시켜 연구에 되먹이는 쪽이 대체로 이긴다는 것이다.
• 휴머노이드가 늘어나면 지능이 오히려 더 중앙집중화된다는 전망도 눈여겨볼 만하다. 배치 처리를 할 수 있는 클라우드에 계획과 장기 판단을 맡기고 로봇에는 즉각적인 힘·무게 판단만 남기는 편이 효율적이며, 로봇에 최신 칩을 넣을수록 데이터센터용 물량이 줄어드는 상충 관계도 있다.

자주 묻는 질문

관련 AI 소식