5개 슈퍼 데이터센터가 AI로 전환하며 격화되는 Alibaba Google Cloud 경쟁

Alibaba Cloud가 지역 인프라 계획을 발표한 지 6년 만에 5개 슈퍼 데이터센터를 AI 컴퓨팅 중심으로 전환하고 있다고 전해진다. 이 변화로 Alibaba Google 클라우드 비교는 더 이상 이론적 논의가 아니라 물리적 용량, 특화 칩, 네트워킹, 전력에 좌우되는 문제가 되고 있다.

기존 시설은 막대한 규모로 폭넓은 클라우드 서비스를 제공하기 위해 구축됐다. AI는 그 역할을 바꾼다. 대형 모델의 학습과 서빙에는 더 높은 밀도의 가속기, 더 빠른 인터커넥트, 더 많은 전력 공급, 그리고 다른 냉각 시스템이 필요하다.

이 전환은 Alibaba를 Google이 설계한 텐서 처리 장치(TPU)를 포함한 Google Cloud의 수직 통합 AI 인프라와 경쟁시키고 있다. Alibaba는 첨단 해외 칩에 대한 접근이 더 제한된 환경에서 유사한 수준의 통제력을 추구해야 한다.

보도된 5개 센터 전환은 상세한 공개 기술 인벤토리를 통해 문서화되지 않았다. 용량, 가속기 수, 전력 증설, 완공 시점은 여전히 불분명하다. 대규모 클라우드 캠퍼스를 효율적인 AI 팩토리로 바꾸는 일은 새 서버를 설치하는 것 이상을 요구하기 때문에, 이러한 공백은 중요하다.

그럼에도 이 방향은 Alibaba가 공개한 전략과 부합한다. 이 회사는 3년에 걸쳐 AI와 클라우드 인프라에 최소 3,800억 위안을 투자하기로 약속했다. 이후 수요에 따라 지출이 이 약속을 넘어설 수 있다고 밝혔다.

따라서 이는 통상적인 데이터센터 교체 작업이 아니다. 기존 클라우드 기반을 경쟁력 있는 AI 생산 시스템으로 전환할 수 있는지를 가늠하는 시험대다.

5개 슈퍼 데이터센터, 다른 역할을 맡다

Alibaba는 최대 시설의 역할을 범용 클라우드 용량 제공에서 집중형 AI 컴퓨팅 생산으로 바꾸고 있다.

Alibaba Cloud는 2020년 항저우, 난퉁, 울란차부, 허위안, 장베이 등을 포함한 지역에 5개 슈퍼 데이터센터 프로젝트를 발표했다. 이 프로젝트들은 스토리지, 컴퓨팅, 네트워크 용량의 전반적인 확장을 뒷받침했다.

이들 캠퍼스는 클라우드 수요가 다른 국면에 있던 시기에 등장했다. 기업들은 데이터베이스, 웹사이트, 분석, 업무 애플리케이션을 공동 인프라로 옮기고 있었다. 당시 규모란 주로 신뢰할 수 있는 지역 네트워크 전반에서 더 많은 가상 머신과 스토리지를 제공한다는 의미였다.

생성형 AI는 다른 운영 문제를 만든다. 수천 개의 가속기가 동일한 모델을 처리하면서 낮은 지연 시간으로 통신해야 한다. 느린 네트워크 연결이나 구성 요소 장애는 클러스터 전체의 유효 산출량을 떨어뜨릴 수 있다.

학습된 모델로 답변을 생성하는 과정인 AI 추론 역시 수요 패턴을 바꾼다. 사용자 트래픽은 예측하기 어렵게 유입될 수 있고, 더 긴 추론 작업은 일반적인 웹 요청보다 훨씬 많은 컴퓨팅 자원을 소비한다.

균형 잡힌 클라우드 워크로드를 위해 설계된 시설이 자동으로 효율적인 AI 데이터센터가 되는 것은 아니다. 운영자는 랙 밀도, 전력 공급, 냉각, 네트워크 토폴로지, 워크로드 스케줄링을 재검토해야 한다.

슈퍼 데이터센터 전략은 Alibaba에 이러한 전환을 위한 기반을 제공한다. 토지, 전력 연결, 지역 네트워크, 운영 인력이 이미 존재한다. 신규 부지에 모든 구성 요소를 구축하려면 더 오랜 시간이 걸리고 인허가 및 건설 위험도 추가된다.

다만 보도된 전환은 여전히 측정 가능한 내용보다 방향성에 가깝다. 공개 정보만으로는 각 센터가 AI 워크로드에 얼마나 많은 용량을 할당할지 알 수 없다. 공통의 완공 시점도 제시되지 않았다.

이러한 구분은 성급한 결론을 막는다. 5개의 대형 캠퍼스는 막대한 부동산을 의미할 수 있지만, 동일한 성능을 갖춘 5개의 AI 클러스터를 제공한다는 뜻은 아니다.

Alibaba의 전략은 단계적 전환으로 읽어야 한다. 기존 캠퍼스는 물리적 기반을 제공하고, 신규 가속기와 클러스터 설계가 실제 AI 산출량을 결정한다.

회사의 2025년 2월 인프라 투자 약속은 재무적 맥락을 제공한다. Alibaba는 계획된 투자가 지난 10년간의 AI 및 클라우드 지출을 합친 금액보다 많다고 밝혔다.

이 비교는 변화의 규모를 보여준다. Alibaba는 AI를 또 하나의 관리형 클라우드 서비스로 다루지 않고 있다. 모델과 애플리케이션 아래의 컴퓨팅 계층을 중심으로 자본 지출을 재편하고 있다.

5개 부지는 지리적 이점도 제공한다. 분산된 캠퍼스는 지역 수요를 지원하고 단일 전력 시장에 대한 의존도를 낮출 수 있다. 또한 학습, 추론, 스토리지, 재해 복구 워크로드를 분리할 수 있다.

그러나 분산 인프라는 조정 비용을 수반한다. 모델 학습은 가속기가 하나의 기계처럼 작동할 때 가장 효율적이다. 이를 멀리 떨어진 위치로 분산하면 네트워크 지연이 발생해 일부 워크로드의 효율이 떨어질 수 있다.

따라서 Alibaba는 지역 분산과 긴밀하게 연결된 로컬 클러스터 사이의 균형을 맞춰야 한다. 시설 수만으로는 그 균형을 거의 알 수 없다.

가장 분명한 변화는 역할이다. 이들 캠퍼스는 2020년 범용 클라우드 확장의 상징이었다. 이제는 희소한 AI 컴퓨팅을 공급할 수 있는 역량으로 평가받고 있다.

Alibaba Google 경쟁이 이제 인프라를 통해 전개되는 이유

Alibaba Google 경쟁은 단순한 클라우드 서비스 카탈로그 비교가 아니라 완전한 AI 시스템을 둘러싼 경쟁으로 바뀌고 있다.

Google은 TPU를 설계하고 이를 데이터센터 전반에 배포한 수년의 경험을 바탕으로 AI 인프라 주기에 진입했다. TPU는 머신러닝 연산에 최적화된 애플리케이션 특화 칩이다.

이 수직적 접근 방식은 칩, 네트워킹, 데이터센터 설계, 모델, 소프트웨어를 연결한다. Google은 선택된 워크로드를 위해 여전히 대량의 외부 하드웨어를 구매하지만, 이러한 계층을 함께 조정할 수 있다.

Alibaba도 자체 풀스택 구조를 추진하고 있다. Qwen 모델을 개발하고, 퍼블릭 클라우드를 운영하며, 모델 서비스를 구축하고, 자체 칩 역량에 투자해 왔다. 5개 센터 전환은 이러한 계층을 더 큰 물리적 기반과 연결하게 된다.

전략적 유사성은 Google을 유용한 비교 대상으로 만들지만, 두 회사가 동일한 환경에서 경쟁하는 것은 아니다. Google은 더 넓은 글로벌 클라우드 도달 범위와 첨단 칩 공급망에 대한 더 쉬운 접근을 보유하고 있다.

Alibaba는 중국 내에서 더 강한 입지를 갖고 있으며 국내 기업들과 구축한 관계도 있다. 또한 모델, 추천, 검색, 에이전트에 대한 내부 수요를 만들 수 있는 상거래 및 소비자 플랫폼을 운영한다.

이는 두 가지 서로 다른 인프라 선순환을 만든다.

Google의 선순환은 전 세계에 분산된 클라우드 고객, Gemini 서비스, 내부 애플리케이션, 맞춤형 실리콘에서 시작된다. 사용량은 더 많은 데이터센터 투자를 뒷받침하고, 이는 차세대 모델에 사용할 수 있는 용량을 확장한다.

Alibaba의 선순환은 Qwen, 중국 기업 수요, 국내 애플리케이션, 클라우드 인프라를 연결한다. 이 회사의 상거래 서비스는 모델을 시험하고 조직 내부의 활용률을 높일 수 있는 워크로드를 제공한다.

유휴 가속기도 비용이 많이 들기 때문에 활용률은 결정적이다. 승자는 반드시 가장 많은 용량을 발표한 회사가 아니다. 값비싼 시스템을 생산적으로 계속 가동하는 운영자가 승자가 된다.

Alibaba는 AI 제품 채택이 늘면서 클라우드 매출 증가세가 계속 빨라졌다고 보고했다. 이 회사의 실적은 AI 서비스를 단순한 연구 비용이 아니라 점점 더 중요한 수요원으로 설명한다.

2026년 5월, 회사는 3월 분기에 Cloud Intelligence Group 매출이 전년 동기 대비 40% 증가했다고 밝혔다. 또한 모델 및 애플리케이션 서비스의 연간 반복 매출이 빠르게 성장할 것으로 전망했다.

이 수치는 Alibaba가 보고한 실적이므로 회사 측 성과로 봐야 한다. 그럼에도 인프라 확장에 상업적 워크로드가 연결돼 있음을 시사한다.

독립적인 실적 보도 역시 해당 기간 Alibaba의 AI 및 클라우드 사업 전반이 38% 증가했다고 설명했다. 이 보도는 대규모 AI 지출이 수익을 낼 수 있음을 입증해야 한다는 업계 전반의 과제도 언급했다.

Google 역시 같은 과제에 직면해 있다. 두 회사 모두 자체 모델을 위한 용량을 확보하는 한편 클라우드 고객에게 신뢰할 수 있는 자원을 제공해야 한다.

컴퓨팅 공급이 제한될 때 이 긴장은 더 커진다. 클라우드 제공업체는 내부 애플리케이션, 외부 고객, 장기 연구 가운데 우선순위를 정할 수 있지만, 모든 배분에는 기회비용이 따른다.

Google의 맞춤형 TPU는 어느 정도의 공급 통제력을 제공한다. TrendForce는 Gemini와 Google Cloud 수요에 힘입어 2026년 Google에 출하되는 AI 서버 가운데 TPU가 거의 78%를 차지할 것으로 전망했다.

이 ASIC 배포 전망은 경쟁 구도에서 칩이 중요한 이유를 보여준다. ASIC은 범용 컴퓨팅이 아니라 제한된 작업군을 위해 설계된 칩이다.

Alibaba 역시 해외 가속기에 무제한으로 의존하지 않을 대안이 필요하다. 수출 통제와 라이선스 요건은 중국의 특정 첨단 미국산 칩 접근을 제한해 왔다.

국내 가속기는 이러한 노출을 줄일 수 있지만, 소프트웨어 호환성과 제조 능력은 여전히 장애물이다. 개발자가 이를 통해 안정적으로 모델을 학습시키고 서빙할 수 있을 때만 칩은 유용하다.

따라서 Alibaba Google 비교는 시스템 통합에 달려 있다. Alibaba는 Google이 같은 방식으로 마주하지 않는 제약 속에서 캠퍼스, 칩, 소프트웨어, 유료 워크로드를 결합해야 한다.

AI 컴퓨팅이 Alibaba 클라우드의 경제성을 바꾸다

이번 전환은 Alibaba의 잠재 매출을 높이지만, 수익성 측면에서는 활용률, 에너지 효율, 하드웨어 가용성의 중요성도 커진다.

전통적인 클라우드 컴퓨팅은 프로세서, 스토리지, 메모리의 유연한 풀에 다수의 워크로드를 분산한다. AI 클러스터는 고가의 가속기와 이를 연결하는 네트워크에 더 많은 가치를 집중시킨다.

이 집중은 더 가혹한 재무 방정식을 만든다. 운영자는 고객 수요가 확실해지기 전에 막대한 비용을 지출한다. 또한 더 새로운 가속기가 에너지 단위당 더 나은 성능을 제공하면 하드웨어의 상대적 가치는 떨어질 수 있다.

Alibaba의 3,800억 위안 투자 약속은 3년간의 AI 및 클라우드 인프라를 포괄한다. 다만 보도된 5개 센터별 예산은 공개하지 않는다.

따라서 투자자는 이 프로그램 중 얼마가 신규 건설, 서버 구매, 네트워킹, 연구, 시설 전환에 해당하는지 계산할 수 없다. Alibaba를 위해 확보된 용량과 클라우드를 통해 판매되는 용량도 구분할 수 없다.

회사는 수요가 여전히 강하다는 신호를 보내고 있다. Alibaba는 2025년 Apsara Conference에서 국제 인프라를 확장하면서 기존 프로그램을 넘어 투자를 늘릴 계획이라고 밝혔다.

이 AI 로드맵은 모델 출시, 클라우드 서비스, 신규 데이터센터 용량을 포함했다. 이는 지출 프로그램을 더 폭넓은 제품 전략의 한 계층으로 제시했다.

이 조합이 중요한 이유는 인프라 자체만으로는 수익을 낼 수 없기 때문이다. Alibaba는 개발자와 기업이 Qwen 모델, Model Studio, 데이터베이스, 스토리지, 추론 서비스를 채택하도록 해야 한다.

기업 고객에게는 예측 가능한 성능도 필요하다. 트래픽 급증 시 느려지는 모델 엔드포인트는 고객 지원, 코딩, 검색, 자동화 워크플로를 방해할 수 있다.

Alibaba는 여러 종류의 수요를 제공함으로써 활용도를 높일 수 있다. 학습 작업은 대규모 용량 블록을 소모하는 반면, 추론 수요는 프로덕션 애플리케이션에서 지속적으로 발생한다.

회사의 소비자 및 커머스 플랫폼은 또 다른 수요원을 더한다. 검색, 광고, 쇼핑 어시스턴트, 추천 시스템은 외부 수요가 본격적인 규모에 도달하기 전에도 용량을 흡수할 수 있다.

내부 수요는 건설 투자의 정당성을 뒷받침할 수 있지만, 경제성을 가릴 수도 있다. Alibaba의 다른 사업 부문이 사용하는 용량이 외부 클라우드 판매와 동일한 마진을 반드시 창출하는 것은 아니다.

Google도 인프라가 Search, YouTube, Gemini, 외부 클라우드 고객을 지원하기 때문에 유사한 회계 문제에 직면한다. 클라우드 제공업체 간 직접 비교는 이러한 공동 비용과 내부적 이점을 놓칠 수 있다.

Alibaba의 최근 공개 공시는 단위 경제성보다 그 야심의 규모에 대해 더 강한 근거를 제공한다. 회사는 모델, 클라우드 인프라, 애플리케이션, 자체 칩을 아우르는 스택을 설명해 왔다.

회계 공시에서도 새로운 고성능 용량을 Model-as-a-Service 추론과 연결한다. Model-as-a-Service는 고객이 기반 인프라를 운영하지 않고도 호스팅된 모델에 접근할 수 있도록 한다.

이 서비스는 데이터센터 투자를 반복적인 사용량 수익으로 전환할 수 있다. 그러나 가격, 지연 시간 또는 출력 품질이 기대에 미치지 못하면 고객은 모델을 바꾸거나 소비를 줄일 수 있다.

Alibaba는 까다로운 조달 주기도 관리해야 한다. AI 서버에는 가속기, 고대역폭 메모리, 네트워크 스위치, 전력 장비, 냉각 부품이 필요하다.

한 구성 요소의 지연은 다른 장비의 활용도를 떨어뜨릴 수 있다. 이는 보고된 건설 진행 상황과 실제 사용 가능한 컴퓨팅 용량 사이의 격차를 만든다.

에너지 효율성도 또 하나의 제약이다. 가속기는 더 높은 원시 성능을 제공할 수 있지만, 각 모델 응답의 총비용을 높일 만큼 많은 전력을 소비할 수 있다.

Alibaba의 북부 거점은 토지와 에너지 측면의 이점을 제공할 수 있다. 주요 인구 중심지에 더 가까운 시설은 고객 대면 서비스의 지연 시간을 줄일 수 있다. 최적의 위치는 워크로드에 따라 달라진다.

학습은 사용자가 직접 상호작용하지 않기 때문에 종종 가용 에너지가 있는 곳으로 이전할 수 있다. 실시간 추론은 고객 및 지역 네트워크 허브와의 근접성에서 이점을 얻는다.

5개 센터 계획은 Alibaba가 이러한 역할을 분리할 수 있게 할 수 있다. 그러나 회사는 보고된 각 거점에 워크로드를 어떻게 배정할지 보여줄 만큼 충분한 정보를 공개하지 않았다.

이처럼 빠진 세부 정보는 헤드라인 용량보다 더 중요하다. 일관된 워크로드 지도는 Alibaba가 단순히 가용 건물에 가속기를 채우는 것이 아니라 AI 네트워크를 설계하고 있음을 보여줄 것이다.

5개 센터 주장이 보여주지 않는 것

Alibaba의 인프라 서사는 방향성 측면에서 여전히 신뢰할 만하지만, 공개된 근거만으로는 각 센터의 용량, 효율성 또는 완공 여부를 입증할 수 없다.

주요 보고서는 5개의 슈퍼 데이터센터가 관련된 6년간의 변화를 설명한다. 이는 유용한 역사적 틀을 제공하지만, 많은 운영 세부 사항은 여전히 공개되지 않았다.

Alibaba는 5개 캠퍼스 전체의 AI 가속기 수를 나열한 표준화된 목록을 공개하지 않았다. 비교 가능한 전력 용량, 활용도 또는 학습 처리량 수치도 제공하지 않았다.

이러한 지표가 없으면 시설 규모를 비교하기 어려워진다. 하나의 현대적 클러스터는 동일한 워크로드에 더 적은 에너지를 사용하면서도 더 큰 규모의 구형 서버 집합보다 뛰어난 성능을 낼 수 있다.

칩 구성도 또 다른 불확실성이다. Alibaba는 수입 GPU, 국내 가속기, 자체 실리콘을 결합할 수 있지만, 각 플랫폼은 서로 다른 소프트웨어 및 네트워킹 요구사항을 가진다.

혼합형 플릿은 공급망 회복력을 높일 수 있다. 그러나 개발자 도구를 분절시키고 스케줄링을 더 어렵게 만들 수도 있다.

AI 프레임워크는 종종 Nvidia의 소프트웨어 환경에 맞춰 먼저 최적화된다. 워크로드를 다른 가속기로 옮기려면 코드 변경, 새 커널, 테스트, 성능 튜닝이 필요할 수 있다.

Alibaba는 관리형 클라우드 서비스를 통해 이러한 복잡성의 일부를 감출 수 있다. 그러나 고객은 결과 시스템이 지연 시간, 안정성, 비용에 대한 기대를 충족하는지에 여전히 관심을 둔다.

수출 통제는 향후 하드웨어 공급에 불확실성을 더한다. 규정은 건설 계획보다 더 빠르게 바뀔 수 있으며, 이로 인해 중국 클라우드 제공업체는 안정적으로 확보할 수 있는 구성 요소를 중심으로 시스템을 재설계해야 할 수 있다.

국내 칩 개발은 전략적 대응책을 제공하지만, 제조상의 한계를 없애지는 못한다. 첨단 칩은 제조, 패키징, 메모리, 네트워킹, 소프트웨어가 함께 작동해야 한다.

전력 가용성도 마찬가지로 중요한 병목이 될 수 있다. AI 랙은 기존 서버 랙보다 훨씬 더 많은 전력을 요구할 수 있어 변전소와 냉각 시스템에 부담을 준다.

따라서 캠퍼스는 전력 설비 업그레이드를 기다리는 동안 완공된 것처럼 보일 수 있다. 전력이나 냉각이 제약되면 물리적 용량보다 낮은 수준으로 운영될 수도 있다.

Alibaba의 매출 성장은 수요에 대한 근거를 제공하지만, 수익률에 관한 근거로는 충분하지 않다. 클라우드 매출은 증가할 수 있지만 감가상각, 에너지, 조달 비용이 수익성을 낮출 수 있다.

회사의 광범위한 사업은 상황을 더 복잡하게 만든다. 커머스, 소비자 AI, 배송 서비스에 대한 투자는 클라우드 성과가 개선되더라도 그룹 수익에 영향을 줄 수 있다.

중국 내 경쟁도 또 다른 위험을 만든다. Tencent, Huawei, Baidu 및 전문 제공업체들은 AI 인프라를 구축하거나 구매하고 있다. 고객 역시 하나의 모델 계열에 의존하지 않을 유인을 갖고 있다.

중국 밖에서 Alibaba는 추가 장벽에 직면한다. 데이터 레지던시 규정, 보안 심사, 조달 정책, 지정학적 우려는 기술 성능이 뛰어나더라도 도입을 제한할 수 있다.

Google, Microsoft, Amazon은 이미 북미와 유럽 전역에 광범위한 엔터프라이즈 영업 채널을 유지하고 있다. 이들의 소프트웨어 관계는 AI 인프라를 기존 계약과 묶어 제공하기 쉽게 만든다.

Alibaba는 동남아시아, 중동 및 지역 경험을 보유한 다른 시장에서 확장할 수 있다. 그러나 새로운 데이터센터가 고객 신뢰나 개발자 도입을 자동으로 만들어 내지는 않는다.

아시아태평양 클라우드 시장에서의 보고된 리더십도 신중하게 해석해야 한다. 특히 연구가 인프라, 플랫폼 서비스, 전용 클라우드, 퍼블릭 클라우드를 구분할 때 시장 정의는 달라진다.

Alibaba는 AI 네이티브 워크로드가 신규 수요의 주요 원천이 되었다고 말한다. 지역 클라우드 주장은 외부 연구를 인용하지만, 독자는 포함된 시장과 서비스 범주를 살펴봐야 한다.

따라서 가장 강한 회의적 입장은 이 전환이 허구라는 것이 아니다. 자본 투입 약정과 시설 수만으로는 효율적인 AI 클라우드를 입증할 수 없다는 것이다.

근거는 활용도, 매출의 질, 서비스 안정성, 반복 고객 수요를 통해 드러나야 한다. 이러한 결과는 건설 발표보다 관찰하는 데 더 오래 걸린다.

이 구분은 분석을 현실에 기반하게 한다. Alibaba는 심각한 전략 전환을 보여주기에 충분한 내용을 공개했다. 그러나 인프라 전환이 완료되었다고 선언하기에는 충분한 내용을 공개하지 않았다.

Alibaba의 진정한 상대는 Google의 통합 AI 팩토리다

Google은 맞춤형 칩, 모델, 소프트웨어, 클라우드 유통이 어떻게 서로를 강화할 수 있는지를 보여주기 때문에 Alibaba에 압박을 가한다.

AI 팩토리라는 용어는 데이터, 전기, 칩을 반복적으로 학습된 모델과 프로덕션 응답으로 전환하는 인프라를 뜻한다. 중요한 특징은 건물 자체가 아니라 조율된 산출물이다.

Google은 수년간 TPU를 데이터센터, 네트워킹, 머신러닝 프레임워크, 내부 제품과 연결해 왔다. Gemini는 소비자 및 엔터프라이즈 서비스 전반에서 또 다른 수요원을 더한다.

Alibaba는 Qwen을 중심으로 비슷한 순환 구조를 구축하고 있다. 클라우드는 모델 접근, 개발 서비스, 스토리지, 데이터베이스, 컴퓨팅을 제공하며, Alibaba의 애플리케이션은 내부 배포 기회를 제공한다.

Alibaba와 Google의 경쟁은 Alibaba가 Google의 모든 서비스를 복제할 것을 요구하지 않는다. 더 많은 스택을 통제함으로써 얻는 운영상 이점을 맞추는 것이 필요하다.

한 가지 이점은 스케줄링이다. 수직 통합된 제공업체는 자체 소프트웨어를 최적화하면서 칩 세대, 지역, 서비스 티어 사이에서 워크로드를 이동할 수 있다.

또 다른 이점은 모델 튜닝이다. 기반 하드웨어를 이해하는 엔지니어는 해당 하드웨어를 더 효율적으로 사용하도록 모델 아키텍처나 추론 방식을 변경할 수 있다.

세 번째 이점은 공급 계획이다. 내부 제품 로드맵은 외부 고객이 주문하기 전에 인프라 팀이 미래 수요를 추정하도록 돕는다.

Alibaba는 이러한 요소를 다수 보유하고 있다. Qwen은 모델 계열을 제공하고, Model Studio는 호스팅 접근을 제공하며, Alibaba Cloud는 배포 계층을 공급한다.

회사는 Qwen의 Hugging Face 누적 다운로드가 2026년 1월 21일 기준 10억 건을 넘었다고 밝혔다. 다운로드가 프로덕션 도입과 동일한 것은 아니지만, 모델 계열을 중심으로 개발자 커뮤니티를 넓힐 수 있다.

오픈 모델은 전략적 트레이드오프도 만든다. 더 넓은 배포는 Alibaba Cloud 밖에서의 도입을 촉진할 수 있는 반면, 호스팅 서비스는 회사가 편리한 배포를 수익화할 경로를 제공한다.

Google은 Gemini 제품, 오픈 Gemma 모델, TPU, Vertex AI 서비스 전반에서 다른 경로를 택한다. 두 제공업체 모두 인프라 수요를 창출하기 위해 모델 가용성을 활용한다.

Alibaba의 현지 이점은 특히 중국 고객에게 중요하다. 국내 인프라, 중국어 모델, 널리 사용되는 커머스 서비스와의 연결을 제공할 수 있다.

Google의 글로벌 이점은 더 광범위하다. 네트워크, 엔터프라이즈 관계, 연구 조직, 개발자 플랫폼은 더 많은 시장에서의 도입을 뒷받침한다.

두 회사는 서로 다른 정책 환경에서도 운영된다. Alibaba는 첨단 칩 접근에 대한 해외 통제를 관리하는 동시에 중국의 모델 규제에 적응해야 한다.

Google은 여러 관할권에서 반독점, 개인정보 보호, 저작권, 에너지 관련 감시에 직면한다. 인프라 규모가 이러한 제약을 없애지는 않는다.

이 때문에 경쟁은 직접적이라기보다 비대칭적이다. Google은 통합 AI 인프라의 기준점을 제시하고, Alibaba는 제약된 국내 공급망에 그 모델을 맞춘다.

Alibaba가 입지를 강화하기 위해 Google의 글로벌 클라우드 규모를 추월할 필요는 없다. 전환된 캠퍼스가 Qwen과 엔터프라이즈 워크로드를 효율적으로 제공할 수 있음을 보여주면 된다.

그 증명은 먼저 중국 경쟁사에 압박을 줄 것이다. Tencent, Huawei, Baidu는 Alibaba의 모델, 용량, 소프트웨어, 고객 도달 범위의 조합을 맞춰야 할 것이다.

또한 일부 지역에서 해외 구매자에게 또 하나의 AI 인프라 옵션을 제공할 수 있다. 도입은 여전히 규정 준수, 지원, 안정성, 워크로드 이식성에 달려 있다.

5개의 슈퍼 데이터센터가 중요한 이유는 이 통합 순환 구조의 물리적 기반이 될 수 있기 때문이다. 그 가치는 Alibaba가 이를 칩 및 소프트웨어와 얼마나 긴밀하게 연결하느냐에 달려 있다.

이들이 느슨하게 조율된 범용 서버 풀에 머문다면 Google의 이점은 지속된다. 최적화된 AI 클러스터로 운영된다면 Alibaba는 더 신뢰할 만한 인프라 입지를 확보한다.

전환의 성패를 보여줄 세 가지 신호

다음 단계는 사용 가능한 용량, 외부 AI 매출, 그리고 Alibaba가 제약된 칩 공급망 전반에서 운영할 수 있다는 근거를 통해 평가해야 한다.

첫 번째 신호는 상세한 인프라 공시다. Alibaba는 보고된 5개 센터 전반의 신규 AI 용량, 가속기 배치, 전력 가용성 또는 완성된 클러스터 이정표를 명시해야 한다.

신뢰할 만한 공시는 민감한 엔지니어링 데이터를 공개할 필요가 없다. 설치된 서버와 실제 사용 가능한 컴퓨팅을 구분할 수 있을 만큼 일관된 측정치를 제공해야 한다.

유용한 지표로는 총 가속기 용량, 클러스터 네트워크 성능, 에너지 효율성 또는 실제 운영 가동률 등이 있다. 전년 대비 비교 가능한 수치가 제공되면 진전을 더 쉽게 평가할 수 있다.

Alibaba가 이런 측정치를 공개한다면 5개 센터 주장은 더 설득력을 얻을 것이다. 계속 시설 수에만 의존한다면 핵심 검증 공백은 해소되지 않는다.

두 번째 신호는 외부 AI 매출이다. 내부 Qwen 사용은 인프라 활용도를 높일 수 있지만, 제3자 수요는 고객이 Alibaba의 스택에 가치를 두고 있다는 더 명확한 증거를 제공한다.

Alibaba는 모델 및 애플리케이션 서비스가 더 큰 규모의 반복 매출 사업으로 성장할 것으로 기대하고 있다. 투자자들은 이러한 성장이 전체 클라우드 매출 증가와 함께 이어지는지 지켜봐야 한다.

마진과 자본 집약도도 살펴봐야 한다. 희소한 하드웨어에 대한 지출이 새 단위마다 불균형적으로 커진다면, 빠른 매출 성장은 의미가 줄어든다.

고객 유지율도 유용한 지표다. 기업 고객의 반복적인 사용은 초기 시험 이후에도 모델과 인프라가 운영 환경의 요구 사항을 충족한다는 점을 시사한다.

세 번째 신호는 Alibaba의 이기종 칩 전략이다. 이기종 인프라는 하나의 공급업체에 의존하는 대신, 서로 다른 가속기 계열을 하나의 클라우드 안에 결합한다.

Alibaba에는 고객이 하드웨어 차이를 일일이 관리하지 않아도 이러한 시스템 전반에 워크로드를 스케줄링할 수 있는 소프트웨어가 필요하다. 이 역량은 공급 제한의 전략적 영향을 줄일 수 있다.

더 폭넓은 프레임워크 지원, 운영 사례, 또는 국내 가속기 전반에 걸친 문서화된 성능 등이 증거가 될 수 있다. 회사의 벤치마크 주장은 여전히 독립적인 검증을 거쳐야 한다.

성공한다면 Google과 동일한 수준의 칩 접근성 없이도 수직 통합이 가능하다는 Alibaba의 주장을 강화할 것이다. 지속적인 호환성 격차는 그 주장을 약화시킬 것이다.

경쟁사의 반응도 주목할 필요가 있지만, 이 세 가지 신호에 비하면 부차적이다. Tencent, Huawei, Baidu 또는 Google의 가격 변경은 어느 영역에서 용량이 빠듯해지고 있는지 보여줄 수 있다.

더 광범위한 투자 사이클은 이 경쟁의 중요성을 높인다. TrendForce는 8개 주요 클라우드 공급업체의 합산 자본 지출이 2026년에 7,100억 달러를 넘을 것으로 전망했다.

이런 전망은 바뀔 수 있지만, 방향성은 분명하다. Alibaba는 경쟁사들 역시 데이터센터, 가속기, 맞춤형 칩에 공격적으로 투자하는 시기에 진입하고 있다.

막대한 자본 예산이 지속 가능한 우위를 보장하지는 않는다. 수요가 둔화하거나 모델 효율이 예상보다 빠르게 개선되면 과잉 용량을 만들 수 있다.

더 나은 모델은 더 많은 애플리케이션의 경제성을 높여 수요를 증가시킬 수도 있다. 효율성과 총 컴퓨팅 소비 간의 관계는 여전히 불확실하다.

개발자에게 당면한 질문은 이식성이다. 팀은 대대적인 재설계 없이 애플리케이션을 Qwen, Gemini 및 다른 모델 서비스 간에 옮길 수 있는지 이해해야 한다.

엔터프라이즈 구매자는 지역별 제공 범위, 데이터 처리, 서비스 신뢰성, 하드웨어 의존성을 검토해야 한다. 헤드라인을 장식하는 가속기 수치는 이런 운영상의 질문에 거의 답하지 못한다.

지식 노동자는 간접적으로 그 영향을 받게 된다. 더 많은 추론 용량은 더 빠른 어시스턴트, 더 긴 추론 작업, 그리고 일상적인 비즈니스 소프트웨어 전반에 내장된 AI 기능을 지원할 수 있다.

이러한 변화를 추적하는 팀에는 공급업체 주장, 벤치마크, 배포 메모, 정책 변경에 관한 지속 가능한 기록이 필요하다. 검색 가능한 엔지니어링 지식 베이스는 그러한 의사결정을 근거와 연결해 둘 수 있다.

Alibaba와 Google의 인프라 경쟁은 모델 발표를 넘어섰다. Alibaba는 이전 클라우드 시대를 위해 구축한 물리적 자산을 AI 서비스의 기반으로 전환하고 있다.

남은 질문은 이 5개 캠퍼스가 하나의 조율된 운영 시스템이 될지, 아니면 인상적인 시설들의 집합으로 남을지다. 용량 공개, 외부 AI 매출, 멀티칩 소프트웨어 지원을 주시해야 한다.

이 신호들은 또 다른 투자 공약보다 더 많은 것을 보여줄 것이다. 이는 Alibaba가 주변의 제약에도 불구하고 고객이 대규모로 사용할 수 있는 AI 클라우드를 구축했는지를 보여줄 것이다.