빅테크는 왜 원전을 찾아 나섰을까: AI 데이터센터 전력난과 GPU의 비밀
AI 데이터센터 전력 부족이 빅테크의 경쟁 방식을 바꾸고 있습니다.
얼마 전까지만 해도 AI 기업의 가장 큰 고민은 더 뛰어난 알고리즘과 더 많은 GPU를 확보하는 것이었습니다. 하지만 이제는 막대한 비용을 들여 GPU를 사놓고도, 이를 가동할 전기를 구하지 못할 수 있다는 새로운 문제가 등장했습니다.
마이크로소프트는 폐쇄된 원전의 재가동을 뒷받침하고, 구글과 아마존은 아직 상용화되지 않은 소형모듈원자로(SMR)의 전력을 미리 계약하고 있습니다. 소프트웨어와 인터넷 서비스를 만들던 기업들이 이제는 발전소의 건설 일정과 전력망의 여유 용량까지 확인하기 시작한 것입니다.
AI 경쟁의 중심이 알고리즘에서 GPU로, 다시 GPU에서 전력으로 이동하고 있습니다. 전기를 확보하지 못하면 아무리 많은 GPU를 보유해도 AI를 학습시키거나 서비스할 수 없기 때문입니다.
그런데 AI는 왜 이렇게 많은 전기를 필요로 할까요? 이 질문에 답하려면 먼저 화면 속 AI가 실제로 어떤 방식으로 움직이는지 살펴봐야 합니다.
1. AI는 사실 전기를 먹는 공장이다
스마트폰이나 노트북 화면 속 AI는 놀랍도록 가볍게 움직입니다. 메신저 창에 질문 한 줄을 입력하면 몇 초 만에 유려한 문장과 기발한 아이디어가 쏟아집니다.
마치 허공에서 지능이 솟아나는 것처럼 보이지만, 화면 뒤편의 현실은 전혀 다릅니다. 우리가 AI와 나누는 대화의 실체는 거대한 물리적 공장에서 전기 신호와 반도체가 수행하는 초고속 계산입니다.
AI가 글을 쓰고 이미지를 만들며 복잡한 문제를 푸는 과정을 들여다보면, 그 안에서는 방대한 양의 곱셈과 덧셈이 일어나고 있습니다.
우리가 “퇴근길에 들를 만한 맛집을 추천해 주세요”라고 입력하는 순간, 데이터센터에서는 대략 다음과 같은 일이 벌어집니다.
- 입력: 문장을 잘게 나눠 컴퓨터가 처리할 수 있는 숫자 덩어리로 바꿉니다.
- 연산: 이 숫자들을 AI가 학습해 둔 수많은 기준값과 빠르게 곱하고 더합니다.
- 출력: 다음에 올 가능성이 가장 높은 단어 조각을 고르고, 같은 계산을 반복하며 문장을 이어갑니다.
사람에게는 짧은 질문과 답변이지만, 기계 입장에서는 상상하기 어려울 만큼 많은 계산을 눈 깜짝할 사이에 처리해야 하는 작업입니다.
이 방대한 계산을 수행하기 위해 반도체 안에서는 수많은 트랜지스터가 빠르게 켜지고 꺼집니다. 계산에 필요한 데이터를 메모리에서 불러오고 다른 반도체로 전달하는 과정에서도 전기가 사용됩니다.
그리고 사용된 전기 에너지의 상당 부분은 결국 열로 바뀝니다. 스마트폰으로 게임을 오래 하면 기기가 뜨거워지는 것과 같은 원리입니다. 다만 데이터센터에는 강력한 AI 반도체가 수천, 수만 개씩 모여 있습니다. 장비가 과열되지 않도록 식히는 데에도 다시 막대한 전력이 필요합니다.
화면 속 AI는 손끝으로 조작하는 매끄러운 소프트웨어입니다. 그러나 화면 뒤의 AI는 수많은 반도체와 냉각장치가 쉬지 않고 돌아가는 거대한 디지털 제철소에 가깝습니다.
우리가 AI를 사용할 때 소비하는 것은 단순한 데이터가 아닙니다. 발전소에서 전력망을 타고 데이터센터까지 전달된 실제 전기입니다.
이처럼 방대한 계산을 처리하는 데이터센터의 중심에는 CPU가 아니라 수만 장의 GPU가 있습니다. 컴퓨터의 두뇌 역할을 해온 CPU를 두고, AI 기업들은 왜 GPU를 선택했을까요?
2. CPU 대신 GPU가 AI의 두뇌가 된 이유
이처럼 방대한 계산을 처리하는 데이터센터의 중심에는 CPU가 아니라 수만 장의 GPU가 있습니다. 컴퓨터의 두뇌 역할을 해온 CPU를 두고, AI 기업들은 왜 GPU를 선택했을까요?
GPU는 원래 게임 화면의 그래픽을 빠르게 그리기 위해 만들어졌습니다. 화면 하나에는 수백만 개의 픽셀이 있고, 각각의 픽셀에 색상과 밝기를 계산해 넣어야 합니다. 비슷한 계산을 한꺼번에 처리해야 하다 보니 자연스럽게 수많은 연산 장치를 동시에 움직이는 구조로 발전했습니다.
그런데 AI를 학습시키는 과정도 이와 놀랍도록 닮아 있었습니다.
AI는 문장과 이미지 같은 데이터를 숫자로 바꾼 뒤, 거대한 표처럼 배열된 숫자들을 계속 곱하고 더합니다. 이런 작업을 ‘행렬 연산’이라고 부릅니다. 이름은 어렵지만, 본질은 비슷한 계산을 엄청나게 많이 반복하는 것입니다.
예를 들어 계산 문제 1만 개를 풀어야 한다고 생각해 보겠습니다. CPU는 뛰어난 전문가 몇 명이 문제를 빠르고 정확하게 푸는 방식입니다. GPU는 비교적 단순한 문제를 풀 수 있는 작업자 수천 명에게 한꺼번에 나눠주는 방식입니다.
문제 하나만 놓고 보면 CPU가 더 빠를 수 있습니다. 하지만 비슷한 문제 1만 개를 동시에 풀어야 한다면 GPU가 훨씬 유리합니다. AI 학습과 실행에는 바로 이런 종류의 계산이 끊임없이 발생합니다.
GPU가 AI의 핵심이 된 것은 GPU가 더 똑똑해서가 아닙니다. AI가 필요로 하는 엄청난 양의 반복 계산을 여러 갈래로 나눠 동시에 처리할 수 있기 때문입니다.
GPU 덕분에 AI 기업들은 이전보다 훨씬 큰 모델을 학습시킬 수 있게 됐습니다. 그리고 더 많은 GPU를 투입할수록 AI의 성능이 일정한 경향을 따라 좋아진다는 사실이 관찰되면서, 빅테크는 이전과 다른 경쟁에 들어서게 됩니다.
3. 빅테크를 연산 경쟁으로 몰아넣은 스케일링 법칙
GPU가 AI에 적합하다는 사실이 확인되자 기업들이 궁금해한 것은 한 가지였습니다.
“GPU를 더 많이 투입하면 AI의 성능도 계속 좋아질까요?”
여러 실험에서 비슷한 결과가 나타났습니다. 모델의 크기와 학습 데이터, 계산량을 적절히 늘리자 AI의 성능도 비교적 일정한 경향을 따라 향상됐습니다. 이를 스케일링 법칙이라고 부릅니다.
스케일링 법칙은 AI의 발전이 완전히 예측 불가능한 과정은 아니라는 사실을 보여줬습니다. 충분한 데이터와 계산 자원을 투입하면 모델의 오류가 줄어드는 경향을 어느 정도 예상할 수 있게 된 것입니다. 2020년 발표된 연구에서도 모델 크기와 데이터, 학습 연산량이 증가할수록 언어모델의 오류가 일정한 수학적 관계를 따라 감소하는 현상이 관찰됐습니다.
물론 GPU를 두 배로 늘린다고 AI가 정확히 두 배 좋아지는 것은 아닙니다. 성능이 높아질수록 작은 개선을 얻는 데 더 많은 계산이 필요합니다. 시험 점수를 50점에서 70점으로 올리는 것보다 95점에서 97점으로 올리는 일이 더 어려운 것과 비슷합니다.
모델의 크기만 무조건 키우는 것도 효율적인 방법은 아닙니다. 구글 딥마인드는 700억 개의 매개변수를 가진 ‘친칠라’가 네 배 큰 모델보다 더 많은 데이터를 학습해 더 좋은 성능을 낼 수 있다는 사실을 보여줬습니다. 같은 계산 자원이라도 모델의 크기와 데이터의 양을 어떻게 배분하느냐가 중요했던 것입니다. Google DeepMind의 친칠라 연구
그럼에도 빅테크가 주목한 핵심은 달라지지 않았습니다. 계산 자원을 효율적으로 늘리면 AI의 성능을 계속 개선할 가능성이 있다는 점입니다.
스케일링 법칙은 빅테크에 투자를 늘릴 근거를 제공했습니다. 더 많은 GPU와 데이터를 효율적으로 투입하면 AI 성능도 일정한 경향을 따라 좋아질 가능성이 높았기 때문입니다. 정확한 결과까지 미리 알 수는 없지만, 적어도 계산 자원을 늘리는 것이 성능 향상으로 이어질 수 있다는 방향은 확인된 것입니다.
경쟁사가 더 많은 GPU를 투입해 한 단계 높은 성능의 모델을 내놓으면 다른 기업도 가만히 있기 어렵습니다. 성능 격차는 단순히 모델 평가 점수에서 끝나지 않습니다. 더 좋은 AI는 사용자와 개발자를 끌어들이고, 검색·광고·클라우드 같은 기존 사업의 경쟁력에도 영향을 줍니다.
따라서 빅테크에는 투자를 늘리는 것만큼 투자를 멈추는 것도 위험한 선택이 됐습니다. 경쟁사가 다음 모델을 준비하는 동안 혼자 계산 자원을 줄이면, 다음 제품이 출시되는 시점에 격차가 드러날 수 있기 때문입니다.
최근에는 이 경쟁이 AI를 학습시키는 단계를 넘어, AI가 답변을 만드는 순간까지 확대되고 있습니다. 어려운 질문에 더 많은 계산 시간을 주고 여러 해결 방법을 검토하게 하면 추론 성능이 향상되는 경향이 나타난 것입니다. OpenAI도 추론 모델이 학습할 때뿐 아니라 답변을 생성하는 과정에서 더 많은 계산을 사용할 때 성능이 개선되는 결과를 공개했습니다. OpenAI, Learning to reason with LLMs
이제 빅테크는 더 뛰어난 AI를 만들기 위해서뿐 아니라, 완성된 AI가 더 좋은 답을 내놓게 하기 위해서도 계산 자원을 늘리고 있습니다. 스케일링 법칙은 AI 성능을 높이는 방법을 제시했지만, 동시에 어느 기업도 먼저 속도를 늦추기 어려운 경쟁 구조를 만들었습니다.
그렇다면 이 연산 경쟁에 동원되는 수만 장의 GPU는 실제로 얼마나 많은 전기를 사용할까요?
4. GPU 수만 장은 얼마나 많은 전기를 먹을까
스케일링 법칙이 빅테크를 더 많은 연산 경쟁으로 이끌면서, AI 데이터센터의 규모도 빠르게 커지고 있습니다. 그런데 GPU 수만 장이 사용한다는 전력은 실제로 어느 정도일까요?
엔비디아의 AI용 GPU인 H100은 제품 구성에 따라 한 장의 최대 소비전력이 700W에 이릅니다. 일반적인 가정용 냉장고 여러 대를 동시에 가동하는 것과 비슷한 수준입니다. GPU 한 장만 보면 발전소를 걱정할 만큼 큰 숫자는 아닙니다.
문제는 AI가 GPU 한 장으로 작동하지 않는다는 점입니다.
GPU는 여러 장이 한 서버에 들어가고, 이런 서버가 다시 하나의 서버랙을 채웁니다. 수많은 서버랙이 모여 하나의 GPU 클러스터를 이루고, 이 클러스터가 AI 데이터센터의 중심이 됩니다.
엔비디아의 최신 GB200 NVL72 시스템을 예로 들어보겠습니다. 하나의 서버랙에 72개의 GPU와 36개의 CPU, 통신장비와 전원장치가 함께 들어갑니다. 이 서버랙 하나의 전력 소비량은 약 120kW입니다. 24시간 계속 가동하면 1년 동안 약 1GWh의 전기를 사용하게 됩니다. NVIDIA DGX GB200 시스템 사양
이런 서버랙 1,000개를 모으면 GPU는 7만2,000장이 되고, 서버 장비에만 약 120MW의 전력이 필요합니다. 여기에는 데이터를 저장하는 장치와 외부 통신망, 냉각시설, 전력 변환 과정에서 발생하는 손실이 모두 포함된 것이 아닙니다. 실제 AI 데이터센터를 운영하려면 이보다 더 많은 전력을 준비해야 합니다.
국제에너지기구(IEA)에 따르면 일반적인 데이터센터의 전력 용량은 약 10~25MW이지만, 초대형 AI 데이터센터는 100MW를 넘을 수 있습니다. 100MW급 시설은 1년 동안 약 10만 가구가 사용하는 것과 맞먹는 전기를 소비합니다. 현재 건설 중인 최대급 데이터센터의 전력 용량은 약 2,000MW, 즉 2GW 수준까지 커지고 있습니다.
숫자가 너무 커서 감이 잘 오지 않는다면 원전과 비교해볼 수 있습니다. 일반적인 대형 원자로 한 기의 출력은 약 1GW입니다. 계획대로 최대 용량을 사용하는 1GW급 AI 데이터센터라면, 단순한 출력 규모만 놓고 볼 때 대형 원자로 한 기와 맞먹는 전력을 요구하는 셈입니다. 미국 에너지부, 원자로의 평균 출력
물론 모든 AI 데이터센터가 항상 최대 용량으로 전기를 사용하는 것은 아니며, 원전 한 기의 전력이 특정 데이터센터에 그대로 전달된다는 뜻도 아닙니다. 데이터센터는 전력망을 통해 원전과 재생에너지, 천연가스 등 여러 발전원에서 전기를 공급받습니다.
다만 규모의 변화만큼은 분명합니다. 과거의 데이터센터가 대형 건물 한 채가 사용할 전기를 걱정했다면, 이제 빅테크는 작은 도시나 발전소 단위로 전력을 계산해야 합니다.
GPU를 구입하는 일은 주문과 비용의 문제입니다. 하지만 수백MW에서 GW 단위의 전력을 24시간 안정적으로 공급하는 일은 발전소와 송전망을 새로 준비해야 하는 문제입니다.
빅테크가 GPU 다음으로 전력 확보에 매달리기 시작한 이유입니다.
5. 빅테크는 왜 원전과 SMR까지 찾아갔나
AI 데이터센터의 전력 문제는 단순히 1년 동안 사용할 전기의 총량을 채우는 문제가 아닙니다. 필요한 장소에서, 필요한 시간에, 수백MW의 전력을 끊김 없이 공급받아야 합니다.
태양광과 풍력은 비교적 빠르게 설치할 수 있고 가격 경쟁력도 높습니다. 앞으로 AI 데이터센터에 전력을 공급하는 중요한 발전원이 될 가능성도 큽니다. 다만 햇빛과 바람에 따라 발전량이 달라지기 때문에 배터리와 송전망, 다른 발전원의 도움이 필요합니다.
반면 원전은 기상 조건과 관계없이 오랜 시간 안정적으로 전력을 생산할 수 있습니다. 발전 과정에서 탄소 배출도 적습니다. 막대한 비용을 들여 확보한 GPU를 24시간 가동해야 하는 빅테크 입장에서는 매력적인 조건입니다.
그렇다고 대형 원전을 지금부터 새로 지어 당장 전력을 공급받기는 어렵습니다. 건설과 인허가에 오랜 시간이 걸리기 때문입니다. 그래서 빅테크가 먼저 눈을 돌린 곳은 이미 가동 중이거나 다시 가동할 수 있는 기존 원전이었습니다.
마이크로소프트는 미국 전력회사 콘스텔레이션과 20년 전력구매계약을 맺었습니다. 이 계약을 바탕으로 경제성 문제로 문을 닫았던 스리마일섬 원전 1호기가 ‘크레인 청정에너지센터’라는 이름으로 재가동을 추진하고 있습니다. 재가동되면 약 835MW의 전력이 지역 전력망에 추가됩니다. Constellation의 원전 재가동 발표
마이크로소프트가 원전을 직접 사들인 것은 아닙니다. 대신 생산된 전력을 장기간 구매하겠다고 약속했습니다. 발전회사 입장에서는 수십 년 동안 전기를 사줄 대형 고객이 생겼기 때문에 원전 재가동에 필요한 투자를 결정하기 쉬워집니다.
기존 원전이 당장의 전력 부족에 대응하는 방법이라면, SMR은 더 먼 미래를 준비하기 위한 선택입니다.
SMR은 ‘소형모듈원자로’라는 뜻입니다. 대형 원전보다 출력을 낮추고, 주요 설비를 공장에서 모듈 형태로 제작해 현장에서 조립하는 방식을 지향합니다. 필요한 만큼 여러 기를 추가할 수 있고 부지 선택도 상대적으로 유연해, AI 데이터센터 주변의 전력 수요에 맞춰 공급 용량을 늘릴 수 있을 것으로 기대됩니다.
구글은 원자로 개발사 Kairos Power와 계약을 맺고 여러 기의 SMR에서 최대 500MW의 전력을 공급받을 계획입니다. 첫 원자로의 가동 목표는 2030년이고, 추가 원자로는 2035년까지 순차적으로 배치할 예정입니다. Google–Kairos Power 계약
아마존은 X-energy에 5억 달러를 투자하고, 2039년까지 미국에 5GW 이상의 신규 원자력 발전 용량을 개발하는 계획을 지원하고 있습니다. 워싱턴주에서는 우선 320MW 규모로 시작해 최대 960MW까지 확대할 수 있는 SMR 프로젝트를 추진합니다. Amazon의 SMR 투자 계획
메타도 기존 원전의 수명 연장과 출력 증강을 지원하는 동시에 TerraPower와 Oklo의 차세대 원자로에 투자하고 있습니다. 관련 계약을 합치면 2035년까지 기존 및 신규 원자력에서 최대 6.6GW를 확보하는 구상입니다. Meta의 원자력 프로젝트
SMR이 이미 검증된 해결책인 것은 아닙니다. 공장에서 반복 생산하면 건설 기간과 비용을 낮출 수 있다는 기대가 있지만, 아직 초기 상용화 단계입니다. 원자로 인허가와 핵연료 공급, 건설비와 사용후핵연료 처리 문제도 해결해야 합니다.
그럼에도 빅테크가 지금부터 계약을 맺는 이유는 전력 인프라가 GPU보다 훨씬 느리게 만들어지기 때문입니다. 다음 세대 AI 데이터센터가 완성된 뒤 발전소를 찾기 시작하면 이미 늦을 수 있습니다.
빅테크가 확보하려는 것은 단순한 전기가 아닙니다. 앞으로 수십 년 동안 AI 경쟁을 계속할 수 있다는 확실성입니다. 소프트웨어 기업이 발전소의 재가동과 원자로 개발에 자금을 대기 시작한 이유도 여기에 있습니다.
6. AI 경쟁의 승패가 국가 전력망에서 갈립니다
AI 경쟁의 출발점은 알고리즘이었고, 다음 병목은 GPU였습니다. 그러나 빅테크가 수만 장의 GPU를 확보하고 대규모 AI 데이터센터를 건설하기 시작하면서 경쟁의 범위는 발전소와 전력망으로 확장되고 있습니다.
GPU는 비용을 지불해 생산한 뒤 필요한 국가로 운송할 수 있습니다. 전기는 다릅니다. 생산과 소비가 거의 동시에 이루어져야 하고, 발전소에서 만든 전기를 AI 데이터센터까지 전달할 송전선과 변전소가 필요합니다.
문제는 AI 데이터센터와 전력망의 건설 속도가 크게 다르다는 점입니다. 데이터센터는 1~3년 안에 지을 수 있지만, 새로운 송전망을 계획하고 허가받아 완공하기까지는 5~15년이 걸릴 수 있습니다. 발전소가 있어도 전력망이 연결되지 않으면 GPU를 가동할 수 없습니다.
국제에너지기구(IEA)에 따르면 발전소와 저장장치, 데이터센터 등 전력망 연결을 기다리는 프로젝트가 전 세계적으로 2,500GW를 넘습니다. 전력망의 제약이 해소되지 않으면 2030년까지 건설이 계획된 데이터센터 용량의 약 20%가 전력 공급 지연을 겪을 수 있습니다.
따라서 국가의 AI 경쟁력은 단순히 GPU를 얼마나 많이 보유했는지만으로 결정되지 않습니다. 발전소를 제때 건설하고, 송전망을 확충하며, 데이터센터에 필요한 전력을 안정적인 가격으로 공급할 수 있어야 합니다.
AI 데이터센터를 유치하려는 국가에는 다음과 같은 능력이 함께 요구됩니다.
- 원전과 재생에너지, 천연가스, 저장장치를 적절히 조합할 수 있는 발전 능력
- 발전소와 데이터센터를 연결할 송전망과 대형 변압기
- 발전소와 전력망 건설을 지연시키지 않는 인허가 제도
- 원자로와 전력설비를 건설하고 운영할 수 있는 공급망과 전문 인력
- 데이터센터의 비용이 일반 소비자의 전기요금으로 전가되지 않도록 하는 제도
이 과정에서 에너지 안보의 중요성도 커집니다. AI 산업이 사용하는 전력이 특정 연료나 해외 공급망에 지나치게 의존하면 국제 정세와 연료 가격의 변화가 AI 경쟁력에 직접적인 영향을 미칠 수 있습니다. 원전 연료와 가스터빈, 대형 변압기, 송전 케이블까지 모두 전략적인 자원이 되는 이유입니다.
물론 원전만으로 모든 문제를 해결할 수는 없습니다. 빠르게 설치할 수 있는 태양광과 풍력, 전력 사용 시간을 조절하는 수요반응, 대규모 배터리와 전력망 개선도 함께 필요합니다. SMR 역시 장기적인 선택지 가운데 하나이지, 당장의 전력난을 해결하는 완성된 기술은 아닙니다.
AI 데이터센터의 확대는 이제 IT 산업만의 문제가 아닙니다. 발전소 건설과 송전망 확충, 인허가와 전기요금, 에너지 안보를 함께 설계해야 하는 국가 인프라의 문제가 됐습니다. 빅테크가 원전과 SMR을 찾아 나선 움직임도 이러한 변화의 시작이라고 볼 수 있습니다.
마무리
AI 경쟁의 역사는 병목이 이동해 온 과정이었습니다. 처음에는 더 좋은 알고리즘이 중요했고, 대규모 AI가 등장한 뒤에는 GPU가 핵심 자원이 됐습니다. 이제 빅테크가 마주한 다음 병목은 전력입니다.
스케일링 법칙은 더 많은 데이터와 연산 자원을 효율적으로 투입할수록 AI 성능이 향상될 가능성을 보여줬습니다. 경쟁사가 더 많은 GPU로 앞서가는 동안 혼자 멈추기 어려운 이유입니다. 그 결과 GPU 경쟁은 AI 데이터센터의 대형화로, 다시 발전소와 전력망을 확보하려는 경쟁으로 이어지고 있습니다.
빅테크가 기존 원전의 재가동을 지원하고 SMR의 전력을 미리 계약하는 것도 이러한 흐름 속에서 이해할 수 있습니다. 원자력이 갑자기 AI 산업에 등장한 것이 아닙니다. AI 경쟁을 끝까지 따라가다 보니 결국 전력 문제에 도착한 것입니다.
좋은 알고리즘도 GPU가 없으면 작동하지 않습니다. GPU가 있어도 안정적인 전력이 없다면 실제 연산 능력으로 바꿀 수 없습니다.
이제 AI 경쟁의 승패는 누가 더 뛰어난 모델을 만드느냐뿐 아니라, 그 모델을 움직일 전력을 누가 더 빠르고 안정적으로 확보하느냐에 따라 달라질 것입니다.
자주 묻는 질문(FAQ)
AI 데이터센터는 왜 많은 전력을 사용하나요?
AI는 문장과 이미지 같은 데이터를 숫자로 바꾼 뒤 방대한 곱셈과 덧셈을 수행합니다. 이 계산을 처리하는 GPU뿐 아니라 메모리, 통신장비와 냉각시설에도 전력이 필요합니다.
AI에는 왜 CPU보다 GPU가 유리한가요?
CPU는 복잡하고 다양한 작업을 처리하는 데 적합합니다. GPU는 비슷한 계산을 수천 개씩 동시에 처리할 수 있어, 대규모 행렬 연산이 반복되는 AI 학습과 추론에 더 유리합니다.
GPU 한 장은 얼마나 많은 전기를 사용하나요?
제품에 따라 다르지만 엔비디아 H100 같은 고성능 AI용 GPU는 한 장의 최대 소비전력이 700W에 이를 수 있습니다. 실제 AI 데이터센터에서는 GPU를 수천 장에서 수만 장까지 연결하고 냉각장치도 함께 가동하므로 전체 전력 수요는 훨씬 커집니다.
스케일링 법칙이란 무엇인가요?
AI 모델의 크기와 학습 데이터, 계산량을 적절히 늘리면 성능도 비교적 일정한 경향을 따라 향상된다는 경험 법칙입니다. 이 법칙 때문에 빅테크는 경쟁사보다 뒤처지지 않기 위해 GPU와 AI 데이터센터 투자를 계속 늘리고 있습니다.
빅테크는 왜 원전에 관심을 갖나요?
원전은 날씨와 관계없이 대규모 전력을 장기간 안정적으로 생산할 수 있습니다. 막대한 비용을 들여 확보한 GPU를 24시간 가동해야 하는 빅테크에는 전력의 안정성과 예측 가능성이 중요합니다.
SMR은 무엇인가요?
SMR은 ‘Small Modular Reactor’의 약자로, 우리말로는 소형모듈원자로라고 합니다. 기존 대형 원전보다 출력을 낮추고 주요 설비를 모듈 형태로 제작해, 필요한 전력 규모에 맞춰 여러 기를 설치하는 방식을 지향합니다.
SMR이 AI 데이터센터의 전력난을 바로 해결할 수 있나요?
아직은 어렵습니다. SMR은 건설 기간과 비용을 낮출 잠재력이 있지만 초기 상용화 단계이며, 인허가와 핵연료 공급, 건설비 등의 과제가 남아 있습니다. 현재 빅테크의 SMR 계약은 당장의 전력난보다 2030년대의 장기 수요에 대비하려는 성격이 강합니다.
재생에너지만으로 AI 데이터센터를 운영할 수 있나요?
태양광과 풍력은 AI 데이터센터에 필요한 전력을 공급하는 중요한 에너지원입니다. 다만 발전량이 날씨와 시간에 따라 달라지므로 배터리, 송전망, 원전이나 가스발전 등 안정적인 발전원과 함께 구성해야 24시간 전력을 공급하기가 수월합니다.
같이 읽으면 좋은 글
AI 에이전트는 정말 안전할까? GitHub 악성 코드 사건이 보여준 것
