728x90
안녕하십니까,
부매경입니다.
로이터가 지난 7월 7일(현지시간), 딥시크가 엔비디아·화웨이 의존에서 벗어나기 위해 추론 특화 자체 AI 칩 개발에 착수했다고 단독 보도했습니다. 아직 초기 단계이지만, 오늘은 딥시크 AI 칩 개발 소식과 함께 왜 요즘 빅테크들이 너나없이 '자체 칩'으로 가는지 한번 알아보도록 하겠습니다.
딥시크 AI 칩 개발 소식
- 로이터 보도(2026.7.7) 기준, 딥시크는 약 1년 전부터 자체 AI 칩 개발을 시작한 것으로 알려짐. 아직 초기 단계.
- 이 칩은 신규 모델을 새로 학습(training)시키기 위한 것이 아니라, 이미 학습이 끝난 모델이 답을 생성하는 추론(inference) 단계에 특화된 반도체.
- 반도체 설계업체·파운드리·메모리 기업들과 협의를 진행 중.
- 최근 수개월간 공개 채용공고 없이 비공개로 칩 설계 엔지니어를 채용해온 것으로 파악.
- 파운드리 파트너 확정, 프로토타입, 벤치마크 결과는 아직 공개되지 않음. "개발 착수/추진" 단계이지 완성된 제품은 아님.
- 이와 별도로 약 70억 달러(기업가치 520억~590억 달러) 규모 첫 외부 투자 유치도 추진 중. 투자가 성사되면 칩 개발을 포함한 AI 인프라 투자가 핵심 우선순위가 될 전망.
- 배경에는 미국의 대중(對中) 반도체 수출 규제로 엔비디아 최신 칩 구매가 제한된 상황, 그리고 현재 의존 중인 화웨이 어센드(Ascend) 칩에서도 독립하려는 목적이 있음.
탈엔비디아 흐름, 딥시크만의 이야기가 아니다
딥시크의 움직임은 독립적인 사건이 아니라, 이미 앞서 움직이고 있는 빅테크들의 '탈(脫) 엔비디아' 큰 흐름의 연장선으로 볼 수 있습니다.
- 구글 TPU(Ironwood/TPU v7): 구글이 "추론 우선"을 표방한 첫 TPU. 2026년 4월 22일 정식 출시(GA). 칩당 4.6페타플롭스 연산력, 192GB HBM3e 메모리(대역폭 7.4TB/s), 9,216개 칩을 묶은 슈퍼포드 기준 42.5엑사플롭스. 앤트로픽이 최대 100만 개 칩·1기가와트 이상 용량 도입을 결정, 1단계로 Ironwood 40만 개(완제품 랙 기준 약 100억 달러 규모)를 확보.
- 아마존 Trainium/Inferentia: 학습용 Trainium, 추론용 Inferentia를 함께 운영. 최신 Trainium3(2025년 12월 출시)는 칩당 144GB HBM3e, 144개 칩 묶음 울트라서버 기준 362 MXFP8 페타플롭스. 3세대 누적 배치량 140만 개 이상, 앤트로픽 클로드는 Trainium2 칩 100만 개 이상에서 구동 중. 메타도 도입 발표. 차세대 Trainium4는 FP4 연산 6배, FP8 연산 3배, 메모리 대역폭 4배를 목표로 개발 중.
- 메타 MTIA: 2년 내 4세대(300/400/450/500) 순차 출시라는 이례적으로 빠른 개발 속도. MTIA 300은 랭킹·추천 시스템 학습용으로 이미 양산 중, MTIA 400은 2026년 내 데이터센터 배치 목표, MTIA 450·500은 생성형 AI 추론에 주력하도록 설계돼 2027년 초 대량 배치 예정. 브로드컴과 공동 개발.
- 퀄컴 AI200/AI250: 2025년 10월 28일 공개된 데이터센터용 추론 전용 가속기. AI200은 2026년, AI250은 2027년 출시 예정. 스마트폰용 Hexagon NPU를 데이터센터용으로 확장한 설계. 사우디아라비아 국영 AI기업 후메인(Humain)이 20억 달러 규모 도입을 약속.
공통점은 명확합니다. 엔비디아 GPU에 대한 의존을 줄이고, 자사(또는 고객사) 워크로드에 맞춘 전용 칩으로 비용·전력 효율을 높이려 한다는 점입니다.
학습(Training)과 추론(Inference)의 차이
딥시크를 비롯한 여러 기업이 왜 "추론 전용" 칩을 따로 만드는지 이해하려면, 먼저 학습과 추론의 차이를 알아야 합니다.
- 학습(Training): 대규모 데이터셋으로 모델의 수십~수천억 개 파라미터를 조정해나가는 1회성·고강도 연산 과정. 수천 개의 GPU·TPU를 고대역폭 네트워크로 묶어 몇 주~몇 달간 쉬지 않고 돌림. 예를 들어 GPT-4 학습에는 A100 GPU 약 2만5000개가 투입됐고, 컴퓨팅 비용만 약 7800만 달러가 소요된 것으로 알려짐.
- 추론(Inference): 이미 학습된 모델에 새 입력값을 넣어 결과를 뽑아내는 순방향 연산(forward pass)만 수행. 역전파(backpropagation) 과정이 없어 요구 연산량이 학습보다 훨씬 적고, 단일 GPU나 CPU로도 처리 가능한 경우가 많음.
- 다만 서비스 규모가 커지면 추론은 "1회성"이 아니라 수백만~수십억 건의 요청을 실시간·저지연으로 끊임없이 처리해야 하는 연산으로 바뀜. 이 단계에서는 순수 연산 성능보다 비용 효율, 전력 효율, 응답 지연시간(latency), 안정성이 더 중요해짐. 이것이 추론 전용 칩이 따로 필요한 핵심 이유.
- 실제로 AI 인프라 지출 구조를 보면, 추론이 전체 AI 컴퓨팅 지출의 60~80%를 차지하며, 서비스 배포 후 몇 개월 안에 누적 추론 비용이 학습 비용을 넘어서는 경우가 대부분.
범용 GPU와 추론 전용 칩(ASIC) 비교
- GPU는 학습·추론·그래픽처리 등 다양한 연산에 두루 쓸 수 있는 범용 설계라 유연성은 높지만, 쓰지 않는 범용 제어회로 때문에 전력 손실이 큼.
- 추론 전용 ASIC은 특정 정밀도(INT8·INT4·FP8 등)와 특정 모델 구조에 맞춰 회로를 단순화해 와트당 연산량(TOPS/W)을 크게 높이는 설계.
- 실측 비교에서 INT8/FP8 추론 전용 ASIC은 엔비디아 H100 대비 고정 워크로드 기준 3~10배 더 전력 효율적인 것으로 나타남.
- 다만 이런 효율은 해당 ASIC이 설계된 특정 워크로드·모델 구조에서만 나타나며, 대상 모델이 크게 바뀌면 새 설계 세대가 필요할 수 있다는 트레이드오프가 있음.
| 구분 | 범용 GPU | 추론 전용 칩(ASIC) |
|---|---|---|
| 용도 | 학습·추론·그래픽처리 등 범용 연산 | 특정 모델의 추론(서비스 응답 생성)에 특화 |
| 강점 | 다양한 모델·작업에 두루 활용 가능 | 대상 워크로드에서 압도적 효율 |
| 비용 | 상대적으로 높음 | 단위 연산당 비용 절감 (구글 TPU v5 약 70% 절감 사례) |
| 전력 | 범용 회로로 손실 큼 | H100 대비 3~10배 효율적(고정 워크로드 기준) |
| 유연성 | 높음 | 낮음 (모델 구조 변경 시 재설계 필요) |
왜 다들 자체 칩을 만드나
- 엔비디아 가격·공급 종속 탈피: 컴퓨팅 관련 비용이 AI 기업 운영비의 절반 이상을 차지하는 경우가 많아, 추론 비용을 낮추는 자체 칩은 곧바로 수익성 개선으로 이어짐. 동시에 미국의 수출 규제, 공급 부족, 가격 협상력 문제에서도 벗어날 수 있음. 딥시크의 경우 미국의 대중 반도체 수출 규제로 엔비디아 최신 칩 구매가 제한되고 있으며, 현재 의존 중인 화웨이 어센드 칩에서도 독립하려는 목적이 있음.
- 자사 워크로드 최적화: 자체 칩은 자사 AI 모델의 연산 패턴에 맞춰 회로를 최적화하기 때문에, 동일 성능을 범용 GPU보다 낮은 전력·낮은 비용으로 낼 수 있음. 구글은 TPU v5가 범용 GPU 대비 단위 연산 비용을 70% 절감한다고, 아마존은 Trainium3가 범용 GPU 대비 전력 소비를 3분의 1 수준으로 줄인다고 밝힌 바 있음.
자체 칩 개발의 한계
자체 칩이 만능은 아닙니다. 넘어야 할 장벽도 분명히 존재합니다.
- 개발비·시간: 경쟁력 있는 AI 칩 설계는 통상 수년이 걸리고 막대한 자본이 필요. 설계부터 테이프아웃, 양산까지 통상 1년을 훌쩍 넘는 시간이 걸린다는 지적이 있어, 단기간에 경쟁력을 갖추기는 어려움.
- 엔비디아 CUDA 생태계 장벽: 엔비디아의 진짜 경쟁력은 하드웨어가 아니라 20년간 쌓아온 CUDA 소프트웨어 생태계. 전 세계 약 400만 명의 개발자가 CUDA에 익숙하고, 파이토치(PyTorch)·텐서플로(TensorFlow) 등 주요 AI 프레임워크가 CUDA에 최적화돼 있어, 새 칩이 나와도 개발자들의 전환 비용(학습·재작성 비용)이 매우 큼.
- 인재 확보 난이도: 반도체 설계·검증·소프트웨어 인력 수요가 폭증하면서 인재 확보 경쟁이 치열해졌고, 채용 비용 상승과 개발 지연으로 이어짐. 딥시크도 공개 채용 대신 비공개로 엔지니어를 영입하는 방식을 택함.
- 파운드리·HBM 접근 제약(딥시크 특화 리스크): 미국의 대중 수출 규제로 중국 칩 설계사는 최첨단 해외 파운드리(TSMC 등 최선단 공정) 이용이 제한돼 있고, 별도 규제로 고대역폭메모리(HBM) 확보도 어려운 상황. 설계가 완료돼도 실제 첨단 공정으로 양산하기까지 난관이 남아있음.
- 유연성 저하 트레이드오프: ASIC은 특정 모델·정밀도에 맞춰 설계되므로, 대상 AI 모델 구조가 크게 바뀌면 기존 칩의 효율이 떨어지고 재설계(신규 세대 개발)가 필요할 수 있음. GPU 대비 ASIC의 근본적 약점.
AI 추론 칩 시장 규모와 관련 기업
- 리서치앤마켓 집계 기준, AI 추론 칩 시장은 2025년 177.3억 달러에서 2026년 205.1억 달러로 성장하고, 2030년에는 369.7억 달러(2026~2030년 연평균성장률 15.9%)에 이를 것으로 전망.
- 빅테크의 AI 인프라 투자도 급증 중. 2026년 마이크로소프트·알파벳(구글)·아마존·메타·오라클 등 주요 빅테크의 설비투자(CAPEX)는 약 6500억~7250억 달러 규모로, 전년 대비 약 77~80% 증가할 전망이며, 대부분 AI 인프라(자체 칩 포함)에 투입.
관련 기업은 아래와 같습니다.
- SK하이닉스: 엔비디아 AI GPU에 탑재되는 HBM(고대역폭메모리) 최대 공급사. HBM3E 시장에서 사실상 독보적 지위를 확보하고 있으며, 차세대 HBM4 시장에서도 약 70% 점유율이 예상돼 자체 AI 칩이든 범용 GPU든 첨단 메모리 수요 확대의 수혜 후보로 꼽힘.
- 삼성전자: 메모리(HBM4)·파운드리 두 사업을 모두 보유해 "메모리-파운드리 턴키 솔루션"으로 HBM4 시장을 공략 중. 2026년 HBM 매출 24조원(점유율 29% 추정)으로 SK하이닉스를 추격.
- 브로드컴(미국): 구글 TPU(Ironwood), 메타 MTIA의 공동 설계·완제품 랙 제작 파트너로, 엔비디아 외 빅테크 커스텀 AI 칩 프로젝트 대부분에 관여.
- TSMC(대만): 구글·아마존·메타·퀄컴 등 자체 AI 칩을 표방하는 빅테크 대부분이 실제 생산은 TSMC 최선단 파운드리 공정에 위탁하고 있어, '탈 엔비디아'가 진행돼도 TSMC 의존은 오히려 커지는 구조.
기업별 구체적인 주가 흐름과 대장주 분석은 자매 블로그 thema-stock에서 별도로 다룰 예정입니다.
딥시크의 자체 AI 칩은 아직 설계·협의 단계로, 실제 양산까지는 CUDA 생태계 장벽과 파운드리·HBM 접근 제약 등 넘어야 할 산이 많아 보입니다. 다만 구글·아마존·메타·퀄컴이 이미 보여주듯, '탈 엔비디아'는 이제 거스르기 어려운 하나의 큰 흐름으로 자리잡고 있습니다.
이상입니다. 감사합니다.
320x100