인공지능 인프라를 둘러싼 반도체 경쟁이 본격적인 전환기에 진입했다. 이른바 ‘탈엔비디아’ 흐름이 거론되지만, 실제 시장 구조는 대체가 아닌 병행 전략으로 재편되는 양상이다. 성능 중심에서 비용과 효율 중심으로 이동하는 산업 패러다임 변화가 핵심 동력으로 지목된다.
현재 AI 생태계에서 엔비디아의 CUDA 플랫폼은 여전히 사실상 표준 지위를 유지하고 있다. 이 때문에 아마존, 구글, 메타 등 빅테크 기업들이 추진하는 자체 칩 개발은 GPU를 완전히 대체하기 위한 시도라기보다 보완적 성격이 강하다.
이들 기업은 특정 워크로드, 특히 추론 영역에 특화된 칩을 통해 전력 효율을 개선하고 비용을 낮추는 동시에 공급망 리스크를 분산하려는 전략을 취하고 있다. 결과적으로 시장은 GPU 중심 구조에서 ‘GPU+ASIC’ 병행 구조로 진화하는 흐름이다.
산업의 무게중심도 빠르게 이동하고 있다. 초기 AI 경쟁이 모델의 파라미터 규모와 정확도 등 성능 지표에 집중됐다면, 현재는 전력 대비 성능과 추론 비용이 핵심 경쟁 요소로 부상했다. 데이터센터 운영비가 급증하는 상황에서 고전력 GPU 중심 구조는 한계가 분명해지고 있다.
이 같은 변화는 비즈니스 모델 자체를 바꾸고 있다. 학습 중심 구조에서는 대규모 GPU 클러스터를 확보할 수 있는 자본력이 경쟁력이었지만, 추론 중심으로 전환되면서 서비스 단가를 낮추는 운영 효율이 핵심 변수로 떠올랐다. AI 서비스가 24시간 구동되는 구조에서 비용 절감은 곧 시장 점유율로 직결된다.
이 과정에서 오픈AI, 앤스로픽 등 주요 AI 기업들이 자체 반도체 설계에 관심을 보이는 것도 같은 맥락이다. API 가격 경쟁력을 확보하기 위해서는 인프라 비용 통제가 필수적이기 때문이다.
국내 반도체 기업들에 대한 영향도 불가피하다. 리벨리온, 퓨리오사AI 등 NPU 기업들은 그동안 ‘엔비디아 대안’ 시장을 겨냥해 왔다. 그러나 빅테크 기업들이 자체 칩을 직접 설계할 경우 주요 고객층인 하이퍼스케일러 수요가 축소될 가능성이 제기된다.
이에 따라 이들 기업은 범용 시장 경쟁 대신 자율주행, 국방, 온디바이스 AI 등 특정 산업에 특화된 ‘버티컬 전략’으로 방향을 전환해야 한다는 분석이 나온다.
다만 기술 패권 이동을 단정하기에는 이르다는 지적도 있다. CUDA 기반 생태계의 락인 효과는 여전히 강력하며, 자체 칩 개발에는 수십억 달러 규모의 비용과 긴 개발 주기가 수반된다. 실제로 초기 구글 TPU 역시 범용성 한계와 생태계 부족 문제를 겪은 바 있다.
결국 현재 AI 반도체 경쟁의 본질은 특정 기업의 대체가 아니라 구조 변화에 가깝다. 성능 중심 경쟁에서 비용과 효율 중심 경쟁으로의 이동, 그리고 GPU와 ASIC이 공존하는 혼합 구조가 향후 시장의 기본 틀이 될 가능성이 크다.
한 반도체 업계 관계자는 “AI 경쟁은 더 이상 모델 자체가 아니라 이를 얼마나 싸고 안정적으로 서비스하느냐의 문제로 넘어갔다”며 “인프라 비용이 곧 경쟁력인 시대가 본격화되고 있다”고 진단했다.
