Alphabet의 TPU 승부수가 Nvidia의 AI 칩 리더십에 도전하다

Alphabet은 AI 칩 사업을 한층 강화하며, Nvidia의 하드웨어 리더십에 맞서 1,200만~1,500만 개의 TPU 배치 목표를 제시한 것으로 알려졌다. 이 정도 규모는 Google 뉴스 보도 전반에서 주목받으며 Alphabet 투자자들에게 중요한 질문을 다시 제기했다. Google은 내부 실리콘 우위를 현금흐름을 과도하게 압박하지 않으면서 수익성 있는 인프라 사업으로 전환할 수 있을까?

비교는 단순해 보이지만, 가속기 수량만으로 기술적 또는 상업적 리더십이 결정되지는 않는다. Nvidia는 CUDA, 네트워킹 하드웨어, 라이브러리, 대규모 개발자 커뮤니티를 기반으로 폭넓게 배포할 수 있는 시스템을 판매한다. Google은 긴밀하게 통합된 자체 클라우드 및 AI 스택에서 실행되는 워크로드에 맞춰 Tensor Processing Units, 즉 TPUs를 설계한다.

따라서 Alphabet이 Nvidia를 모든 영역에서 대체할 필요는 없다. Google Cloud의 경제성을 개선할 만큼 충분한 학습 및 추론 워크로드에서 TPU의 매력을 높이면 된다. 또한 Nvidia가 익숙한 기본 선택지로 남아 있는 상황에서도 외부 고객이 이 스택을 선택하도록 해야 한다.

이 차이는 최근 Google 뉴스를 또 하나의 낙관적인 반도체 전망 이상으로 만든다. Alphabet은 10년에 걸친 내부 칩 개발을 외부 매출 엔진으로 전환하려 하고 있다. 기회는 상당하지만, 지출·제조·소프트웨어 측면의 위험도 그에 못지않게 현실적이다.

Google 뉴스가 주목한 Alphabet의 TPU 확장 계획

중요한 변화는 새 칩 발표가 아니다. Alphabet의 제조 목표가 보도된 규모다.

2026년 7월 한 애널리스트 보고서는 Google이 2028년 동안 9세대 TPU 1,200만~1,500만 개를 배치할 계획이라고 전했다. 이 추정치는 Alphabet이 확인하지 않았으므로, 투자자들은 이를 공식 가이던스가 아닌 공급망 전망으로 받아들여야 한다.

보도된 목표는 Google의 맞춤형 가속기 군을 극적으로 확대하는 수준이 될 수 있다. Fubon Research는 Nvidia가 2026년 데이터 센터 가속기 820만 개를 공급한 것으로 추정했다. 또한 Nvidia의 연간 출하량은 2028년 약 1,240만 개에 이를 것으로 예상했다.

이 추정치는 Google이 Nvidia가 고객 기반 전반에 출하하는 것만큼 많은 가속기를 배치할 수 있음을 시사한다. 다만 이 비교에는 중대한 한계가 있다. TPU와 Nvidia GPU는 아키텍처, 지원 워크로드, 평균 판매 가치, 시스템 설계, 배치 모델에서 차이가 난다.

Google은 TPU 용량의 상당 부분을 내부적으로도 사용할 것이다. Nvidia는 주로 클라우드 제공업체, AI 연구소, 정부기관, 기업에 칩과 시스템을 판매하며 매출을 기록한다. 동일한 출하량이 동일한 매출, 수익, 시장 도달 범위를 만들지는 않는다.

그럼에도 이 계획은 칩 물량이 Google이 제공할 수 있는 서비스 범위를 결정한다는 점에서 중요하다. 제한된 내부 용량은 Gemini, Search, 광고, 일부 클라우드 고객을 우선시하게 만든다. 훨씬 큰 규모의 가속기 군은 내부 애플리케이션을 지원하면서 상업적 제공 범위도 확대할 수 있게 한다.

제조 계획은 더 큰 공급망을 가리키기도 한다. 가속기 전망에 따르면, 9세대 설계는 4개의 컴퓨트 칩렛을 사용할 수 있다. 칩렛은 하나의 패키지 안에서 다른 블록과 결합되는 특화 실리콘 블록이다.

Fubon은 TSMC만으로는 Google의 목표를 충족할 충분한 용량이 없을 수 있다고 본 것으로 전해졌다. 이 제약은 프로그램 일부에 Intel의 첨단 패키징 서비스를 필요로 할 수 있다. Google과 Intel 모두 이 보고서에 제시된 예상 물량을 공개적으로 확인하지 않았다.

패키징은 사소한 생산 세부 사항이 아니다. 첨단 AI 프로세서는 기술적 난도가 높은 패키징 시스템을 통해 컴퓨트 다이와 고대역폭 메모리를 연결한다. 프로세서 설계 자체가 준비됐더라도 제한된 용량은 배치를 지연시킬 수 있다.

Google은 단순한 조달 이야기에서 암시되는 것보다 패키징 공급업체를 변경할 자유가 적다. 칩렛은 선택한 인터커넥트와 패키징 기술에 맞춰 설계돼야 한다. 설계가 완료된 뒤에는 Intel의 EMIB 시스템과 TSMC의 CoWoS 기술을 서로 대체할 수 없다.

따라서 이 보고서는 단순한 구매 주문이 아니라 제조 과제를 설명한다. Google은 칩 설계, 메모리 공급, 패키징, 네트워킹, 냉각, 데이터 센터 건설, 소프트웨어 배치를 조율해야 한다. 어느 한 계층에서든 약점이 생기면 활용 가능한 용량이 제한될 수 있다.

이 목표 보도는 Google이 고객에게 맞춤형 실리콘을 더 적극적으로 알린 뒤에 나왔다. 회사는 수년간 TPU를 주로 자체 서비스용 인프라로 취급했다. 이제는 이를 Google Cloud의 상업적 AI 플랫폼을 구성하는 핵심 요소로 제시하고 있다.

이 변화가 이 글의 핵심 긴장을 만든다. Alphabet은 수직 통합형 서비스를 구축하는 데 필요한 모델, 클라우드, 데이터 센터, 가속기를 보유하고 있다. 그러나 Nvidia는 고객들이 이미 이해하고 배포하는 더 광범위한 플랫폼을 장악하고 있다.

Alphabet은 Google TPU 용량을 사업으로 전환하고 있다

Alphabet의 가장 강력한 논거는 출하 경쟁에서 이기는 것이 아니라 독점 인프라를 클라우드 매출로 전환하는 데 있다.

Google은 약 10년 전 머신러닝 워크로드를 가속하기 위해 첫 TPU를 도입했다. 이 프로세서는 Google의 모델, 소프트웨어 프레임워크, 글로벌 데이터 센터 네트워크와 함께 발전했다. 이 역사는 Alphabet에 신생 맞춤형 칩 경쟁사들이 빠르게 재현하기 어려운 경험을 제공한다.

회사의 7세대 Ironwood TPU는 2025년 말 정식 출시됐다. Google은 Ironwood가 TPU v5p의 최대 성능보다 10배 높은 성능을 제공한다고 밝혔다. 또한 이전 Trillium 세대와 비교해 칩당 성능이 4배 이상이라고 주장했다.

이 수치는 모든 관련 워크로드를 포괄한 독립 테스트가 아니라 Google 자체 비교 결과다. 성능은 모델 아키텍처, 정밀도, 배치 크기, 네트워킹, 메모리 접근, 소프트웨어 최적화에 따라 달라진다. 유리한 내부 벤치마크가 고객에게 동일한 이점을 보장하지는 않는다.

그럼에도 Ironwood는 더 명확한 상업적 경로를 마련했다. Google은 이 프로세서를 대규모 학습 작업과 대량 추론 모두에 맞춰 설계했다. 추론은 학습된 모델이 답변, 이미지, 예측 또는 소프트웨어 작업을 생성할 때 수행하는 연산이다.

AI 제품이 사용자를 확보하면서 추론 경제성은 점점 더 중요해지고 있다. 학습은 주기적으로 이뤄지지만, 인기 서비스는 지속적으로 쿼리를 처리할 수 있다. 따라서 유용한 결과물당 비용 절감은 주목받는 학습 성능보다 더 중요할 수 있다.

Google은 이후 학습용 TPU 8t와 추론용 TPU 8i를 발표했다. AI 인프라 업데이트에 따르면 TPU 8t는 최대 9,600개의 프로세서와 2페타바이트의 공유 고대역폭 메모리로 확장된다. Google은 Ironwood 대비 처리 성능이 3배이며 와트당 성능은 최대 2배라고 주장한다.

TPU 8i는 모델 서빙에 초점을 맞춘 다른 설계를 사용한다. Google은 하나의 포드가 1,152개의 프로세서를 연결할 수 있고 이전 세대보다 달러당 추론 성능이 80% 더 높다고 설명한다. 이 역시 고객이 자체 환경에서 검증해야 하는 회사 발표 기준의 비교다.

학습과 추론의 분리는 성숙한 제품 전략을 보여준다. Google은 더 이상 하나의 가속기를 모든 작업에 대한 최선의 해답으로 제시하지 않는다. 지원 네트워크와 소프트웨어를 통제하면서 서로 다른 워크로드에 맞춰 하드웨어를 설계하고 있다.

이 접근법은 낭비되는 컴퓨팅 자원을 줄일 수 있다. 학습 시스템에는 막대한 메모리 대역폭과 수천 개 가속기 간의 빠른 통신이 필요하다. 추론 시스템은 흔히 지연 시간, 처리량, 캐시 용량, 예측 가능한 운영 비용을 우선시한다.

Google의 내부 서비스는 또 다른 이점을 제공한다. Search, Photos, Maps, YouTube, 광고, Gemini는 막대한 반복 워크로드를 만들어낸다. Alphabet은 외부 고객에게 시스템을 제공하기 전에 실제 운영 수요를 기준으로 하드웨어를 개선할 수 있다.

Alphabet 주식 논거에서는 외부 도입이 더 중요하다. 내부 효율성은 마진을 방어할 수 있지만, 클라우드 판매는 추가 매출을 창출할 수 있다. Alphabet은 고객들이 TPU를 Google이 선호하는 모델용 특수 장비가 아니라 하나의 플랫폼으로 본다는 점을 입증해야 한다.

Anthropic은 가장 눈에 띄는 사례를 제공한다. Google은 이 AI 기업이 최대 100만 개의 TPU에 접근할 계획이라고 밝혔다. Anthropic은 다른 파트너를 통해 확보한 칩 및 클라우드 용량과 함께 Google 인프라를 사용해 왔다.

이 관계는 Google의 규모 논리를 뒷받침하지만, 고객 독점성을 입증하지는 않는다. 선도적인 모델 개발사들은 용량을 확보하고 한 공급업체 의존도를 낮추기 위해 의도적으로 여러 제공업체를 활용한다. Google은 대형 계약을 따낸 뒤에도 각 워크로드를 놓고 경쟁해야 한다.

Alphabet은 2026년 2분기에 또 한 걸음을 내디뎠다. 경영진은 Google이 처음으로 고객 소유 데이터 센터에 TPU 시스템을 제공했다고 밝힌 것으로 전해졌다. 이전에는 외부 사용자가 대체로 Google Cloud를 통해 TPU 용량을 이용했다.

이 움직임은 공략 가능한 시장을 넓힌다. 일부 조직은 자신들이 통제하는 시설 내 전용 인프라를 원한다. 다른 조직은 데이터 주권, 네트워크 토폴로지, 지연 시간, 보안 또는 기존 자본 투자에 맞춘 배치 모델이 필요하다.

시스템 판매는 낮은 마진의 하드웨어 매출과 지원 의무를 함께 가져올 수 있다. Alphabet은 칩 공급업체와 얼마나 유사해질지 결정해야 한다. 이 회사의 더 큰 장점은 독립형 하드웨어보다 통합 클라우드 서비스에 남아 있을 수 있다.

가장 설득력 있는 기회는 두 모델을 결합하는 방식이다. 고객 현장 시스템은 모든 워크로드를 Google Cloud로 옮길 수 없는 구매자에게 다가갈 수 있다. 클라우드 용량은 유연한 접근과 관리형 인프라를 선호하는 조직에 서비스를 제공할 수 있다.

이제 실행은 소프트웨어 이식성에 달려 있다. Google은 PyTorch 지원을 확대하고 GPU와 TPU 전반에서 vLLM 추론 엔진을 최적화했다. 이 변화는 하나의 가속기에 맞춰 전체 애플리케이션을 다시 작성하고 싶지 않은 개발자를 겨냥한다.

기술 구매자는 여전히 컴파일러 동작, 모델 지원, 디버깅 도구, 가용성, 인력 전문성을 검토할 것이다. 마이그레이션에 수개월이 걸린다면 벤치마크 우위의 의미는 작아진다. Google의 상업적 과제는 그 전환 비용을 낮추는 것이다.

Nvidia AI 칩은 여전히 경쟁 기준을 정의한다

Google의 맞춤형 실리콘은 워크로드 수준에서 Nvidia를 압박하지만, Nvidia는 여전히 업계의 기본 플랫폼이다.

Nvidia의 우위는 GPU 프로그래밍용 소프트웨어 플랫폼인 CUDA에서 시작된다. CUDA에는 여러 제품 세대에 걸쳐 축적된 컴파일러, 최적화 라이브러리, 디버깅 도구, 통합 기능이 포함된다. 이 생태계는 다양한 AI 워크로드에서 Nvidia 하드웨어를 더 쉽게 도입하게 만든다.

개발자들은 거의 모든 주요 클라우드에서 Nvidia 인프라를 접한다. 기업들은 관련 경험을 갖춘 엔지니어를 채용하고, 기존 코드를 재사용하며, 제공업체 간에 워크로드를 이전할 수 있다. 이러한 이점은 단순한 칩 사양으로는 포착할 수 없는 전환 비용을 만든다.

Nvidia는 프로세서 이상의 영역으로 입지를 확장한다. Nvidia의 AI 시스템은 CPU, 네트워킹 스위치, 인터커넥트, 데이터 처리 장치, 소프트웨어 라이브러리, 데이터 센터 레퍼런스 설계를 포함한다. 고객들은 흔히 독립된 GPU가 아니라 완전한 컴퓨팅 아키텍처를 구매한다.

재무적 근거는 여전히 강력하다. Nvidia는 2026년 4월 26일에 종료된 분기의 매출이 816억 달러에 달했다고 분기 실적을 발표했다. 데이터센터 매출은 752억 달러로, 전년 대비 92% 증가했다.

이러한 실적은 경쟁사 맞춤형 칩이 Nvidia의 성장을 멈추지 못했음을 보여준다. 하이퍼스케일러는 내부 가속기 배치를 늘리면서도 더 많은 Nvidia 시스템을 구매할 수 있다. 확대되는 AI 수요는 이 두 흐름이 동시에 일어나도록 한다.

Google 자체가 이러한 현실을 보여준다. Google Cloud는 TPU를 제공하지만, 고객에게 Nvidia GPU도 판매한다. Google은 2026년 클라우드 행사에서 Nvidia의 Vera Rubin 시스템을 가장 먼저 제공하는 사업자 중 하나가 될 계획이라고 밝혔다.

이 혼합 포트폴리오는 실질적인 고객 수요에 대응한다. 일부 조직은 Nvidia의 이식성과 폭넓은 프레임워크 지원을 원한다. 다른 조직은 Google 스택 내에서 효율적으로 실행되는 모델을 위한 TPU의 경제성을 우선시한다.

이는 Alphabet이 Nvidia의 고객이면서 동시에 경쟁자임을 뜻한다. Google은 고객이 어떤 가속기를 선택하든 클라우드 컴퓨팅 수요가 증가하면 혜택을 본다. 다만 워크로드가 자사가 설계한 하드웨어에서 실행될 때 더 많은 경제적 이익을 확보한다.

Nvidia는 맞춤형 가속기가 안정적이고 대규모인 워크로드를 더 낮은 총비용으로 처리할 수 있는 영역에서 압박을 받는다. Google은 자사 모델에 맞춰 칩을 최적화하고, 공급업체 마진의 일부를 없애며, 하드웨어를 데이터센터 운영과 직접 연계할 수 있다.

그럼에도 Nvidia는 훨씬 더 큰 설치 기반 전반에서 대응할 수 있다. Nvidia의 Vera Rubin 플랫폼은 2026년에 프로세서, 네트워킹, 스토리지, 랙 스케일 설계를 포함한 형태로 생산에 들어갔다. Nvidia는 이전 Grace Blackwell 세대보다 에이전트 처리량이 최대 10배 높다고 주장한다.

이는 Nvidia 자체의 플랫폼 비교이며 독립적인 검증이 필요하다. 그럼에도 이 출시 주기는 모든 대안에 계속 움직이는 목표를 만든다. Google은 Nvidia보다 더 빠르게 개선하는 동시에 소프트웨어 접근성과 배포 유연성의 격차도 좁혀야 한다.

Nvidia의 경제적 규모는 이러한 대응에 자금을 댄다. 2026 회계연도 데이터센터 매출은 1,937억 달러에 달했다. 이 매출은 연구, 공급업체 약정, 소프트웨어 개발, 서버 산업 전반의 파트너십을 뒷받침한다.

Google 역시 자체적인 재무적 강점을 보유하고 있다. 검색 광고는 현금을 창출하고, Google Cloud는 성장 중이며, Alphabet은 보장된 내부 수요에 칩을 배치할 수 있다. 이 회사는 고객이 전혀 없는 상태에서 프로세서 사업을 구축할 필요가 없다.

따라서 핵심 경쟁은 모든 시장에서 Google TPU와 Nvidia GPU의 대결이 아니다. 이는 통합형 클라우드 경제성과 폭넓게 채택된 상용 플랫폼 간의 경쟁이다. Google은 더 강한 통제력과 더 낮은 워크로드 비용을 원하고, Nvidia는 호환성과 고객 선택권을 제공한다.

다른 하이퍼스케일러도 이러한 흐름을 강화하고 있다. Amazon은 Trainium 가속기를 개발하고, Microsoft는 Maia를 보유하며, Meta는 MTIA 칩을 만든다. 각 기업은 반복적인 내부 워크로드에 맞춰 하드웨어를 설계하면서 핵심 공급업체에 대한 의존도를 낮추고자 한다.

하지만 Google은 대부분의 경쟁사보다 더 멀리 나아갔다. Google의 프로세서는 주요 내부 제품, 외부 클라우드 고객, 저명한 AI 연구소를 지원한다. 이러한 이력은 맞춤형 실리콘이 지속 가능한 대안이 될 수 있는지를 시험하는 가장 분명한 사례로 Google을 만든다.

3,000억 달러 시장이라는 프레임은 여전히 독자를 오도할 수 있다. 시장 추정치는 분석가들이 프로세서, 완성 시스템, 네트워킹, 메모리 또는 관련 서비스를 무엇까지 포함하는지에 따라 달라진다. 대규모의 예상 시장이 곧바로 Alphabet이 공략 가능한 매출로 이어지는 것은 아니다.

투자자들은 대신 포착되는 경제적 이익을 살펴봐야 한다. TPU가 Google 내부에서 구매한 Nvidia 가속기를 대체한다면 인프라 비용을 낮출 수 있다. Google이 Cloud를 통해 TPU 접근성을 판매한다면 매출을 뒷받침하는 동시에 차별화를 만들 수 있다.

두 번째 경로는 더 큰 상승 여력을 제공하지만 더 어렵다. 고객은 Google의 로드맵을 신뢰하고, 사용 가능한 용량을 확보하며, 소프트웨어를 조정해야 한다. 또한 Google이 Gemini에 주로 도움이 되지 않는 워크로드도 지원할 것이라고 믿어야 한다.

Alphabet 주식, 비용이 큰 인프라 시험대에 직면

강세 논리는 클라우드 성장과 영업 수익이 궁극적으로 Alphabet의 역사적 지출을 정당화할 때에만 설득력을 얻는다.

Alphabet은 2026년 2분기 매출 1,198억 달러를 발표했으며, 전년 대비 24% 증가했다. Google Cloud 매출은 약 248억 달러로, 전년 대비 82% 성장했다.

이러한 가속은 AI 수익화 우려에 대해 Alphabet이 더 강한 답을 제시하게 한다. 수요는 단순한 사용 통계나 제품 시연이 아니라 보고되는 사업 부문에서 나타나고 있다. 클라우드 성장은 회사의 인프라 투자와도 직접 연결된다.

그 수요를 뒷받침하는 데 필요한 지출은 이례적인 수준이 됐다. Alphabet은 분기 자본지출로 449억 달러를 기록했다. 경영진은 2026년 연간 자본지출 전망을 1,950억~2,050억 달러로 상향했다.

자본지출은 서버, 데이터센터, 네트워킹 장비 및 기타 장기 자산에 자금을 투입한다. 감가상각 같은 회계 비용은 수년에 걸쳐 나타나지만, 현재 현금흐름은 즉시 줄어든다.

그 결과 Alphabet은 상장 이후 처음으로 분기 잉여현금흐름이 마이너스를 기록했다고 현금흐름 분석은 전했다. 영업현금흐름은 약 391억 달러로, 해당 분기의 인프라 지출에 못 미쳤다.

한 분기만으로 영구적인 악화를 단정할 수는 없다. Alphabet은 보고된 순이익에 영향을 미친 이례적인 투자 이익도 기록했으며, 이 때문에 표면적인 이익 수치는 운영 상황을 평가하는 데 덜 유용하다. 현금 창출력과 인프라 수익률을 더 면밀히 살펴볼 필요가 있다.

이제 투자 논리에는 실질적인 상충 관계가 포함된다. Google Cloud 성장은 수요가 새 용량을 흡수하고 있다는 관점을 뒷받침한다. 마이너스 잉여현금흐름은 Alphabet이 완전한 경제적 이익을 얻기 전에 확장 투자 자금을 조달해야 한다는 점을 보여준다.

맞춤형 칩은 여러 방식으로 이 방정식을 개선할 수 있다. Alphabet은 공급업체 마진에 대한 의존을 줄이고, 내부 워크로드에 맞춰 시스템을 조정하며, 차별화된 클라우드 용량을 제공할 수 있다. 또한 일부 고객에게 완전한 TPU 시스템을 판매할 수도 있다.

하지만 각 이점은 가동률에 달려 있다. 충분히 활용되지 않는 가속기로 채워진 데이터센터는 여전히 비용이 큰 자산이다. Google은 Gemini, Search, 광고, 엔터프라이즈 클라우드 워크로드, 외부 AI 연구소 전반에서 프로세서를 계속 가동해야 한다.

모델의 효율성이 수요 확대보다 더 빠르게 개선되면 가동률은 악화될 수 있다. 고객이 배포를 미루거나, 전력 연결이 늦게 이뤄지거나, 새 프로세서가 기존 시스템의 매력을 떨어뜨릴 때도 가동률은 하락할 수 있다.

Google이 보고한 2028년 물량 목표는 이 위험을 높인다. 수백만 개의 프로세서를 주문하려면 최종 수요가 가시화되기 훨씬 전에 약정해야 한다. 메모리, 패키징, 서버, 전력 인프라 역시 긴 리드타임이 필요하다.

공급 제약은 반대의 문제를 만든다. Google은 AI 용량이 부족하다고 반복적으로 설명해 왔으며, 하드웨어 부족은 클라우드 성장을 제한할 수 있다. 경영진은 수요에 앞서 구축해야 하지만 너무 앞서 구축해서는 안 된다.

불확실한 TPU v9 보도는 또 다른 층위를 더한다. Alphabet은 1,200만~1,500만 개라는 수치를 확인하지 않았다. 투자자들은 분석가의 공급망 추정을 미래 매출이나 수익으로 곧바로 환산해서는 안 된다.

그 범위 자체가 300만 개 프로세서에 걸쳐 있다. 이 격차는 상당한 예측 불확실성을 나타낸다. 제조 계획은 수율, 설계 수정, 수요, 패키징 접근성, 데이터센터 건설 시점에 따라 바뀔 수 있다.

Nvidia 출하량 추정치와의 비교도 마찬가지로 취약하다. 단위 수는 성능 차이와 특정 워크로드에 필요한 칩 수를 무시한다. 또한 Nvidia의 네트워킹, 소프트웨어, CPU, 완전한 시스템에서 나오는 매출도 반영하지 않는다.

따라서 Alphabet 주가는 Google이 많은 TPU를 제조한다는 이유만으로 상승하지는 않는다. 주주 가치는 전체 인프라 프로그램이 창출하는 수익률에 달려 있다. 관련 지표에는 클라우드 영업이익, 자산 가동률, 감가상각, 잉여현금흐름이 포함된다.

최신 분기는 고무적인 운영 근거를 제공했다. Alphabet이 인프라를 확장하는 가운데 Google Cloud의 매출 성장은 가속됐다. 그러나 오늘의 성장이 장기적으로 충분한 수익을 보장하지는 않기 때문에 자본지출에 대한 시장의 우려는 합리적이다.

성공적인 전략은 선순환을 만들어낼 것이다. 더 나은 칩은 서비스 제공 비용을 낮추고, 클라우드 경제성을 개선하며, 고객을 끌어들이고, 차세대 하드웨어에 자금을 댈 것이다. 더 큰 워크로드는 이후 Google에 시스템 최적화를 위한 더 많은 데이터를 제공하게 된다.

취약한 전략은 반대의 결과를 낳을 것이다. 고객이 Nvidia에 계속 묶여 있는 동안 지출 증가는 현금흐름을 압박할 것이다. 짧은 제품 주기는 Alphabet이 만족스러운 수익을 얻기 전에 비용이 큰 시스템을 교체하도록 만들 수 있다.

결과는 이 두 극단 사이에 놓일 가능성이 높다. Google은 Nvidia를 대체하지 않으면서도 TPU를 의미 있는 제2의 플랫폼으로 자리 잡게 할 수 있다. 그러한 결과도 Alphabet의 클라우드 입지와 협상력을 개선할 수 있다.

투자자들은 회사의 실행력과 주식 가치평가도 분리해서 봐야 한다. 강력한 칩 전략은 경제적으로 가치가 있으면서도 이미 시장 기대에 반영돼 있을 수 있다. 장기 인프라 논리가 여전히 온전하더라도 실망스러운 분기는 주가를 끌어내릴 수 있다.

다음 Google 뉴스 사이클이 확인해야 할 사항

세 가지 신호가 Alphabet의 TPU 확장이 지속 가능한 우위가 될지, 아니면 비용이 큰 용량 경쟁이 될지를 결정할 것이다.

첫 번째 신호는 외부 TPU 매출과 고객 배포다. Alphabet은 고객 데이터센터에 TPU 시스템을 공급하기 시작한 것으로 알려졌다. 향후 실적 발표에서는 이러한 계약이 소수의 전략적 고객을 넘어 확대되는지 분명히 해야 한다.

고객 다변화는 하나의 대형 계약보다 더 중요할 것이다. AI 연구소, 금융 서비스, 미디어 생성, 과학 컴퓨팅, 엔터프라이즈 추론 분야 전반의 채택은 플랫폼 논리를 뒷받침할 것이다. 소수의 협상된 계약에 대한 의존은 이를 약화시킬 것이다.

투자자들은 고객이 제한된 평가가 아니라 실제 운영 워크로드를 실행한다는 증거도 찾아야 한다. 장기 용량 약정, 반복 배포, 더 폭넓은 프레임워크 지원은 TPU가 일반적인 인프라 계획의 일부가 되고 있음을 나타낼 것이다.

두 번째 신호는 Google Cloud의 성장과 지출 간 관계다. 최신 Google 뉴스는 전례 없는 자본 수요와 함께 예외적인 클라우드 확장을 보여줬다. 이 조합은 증분 매출이 지속적인 영업이익을 창출할 때에만 고무적이다.

클라우드 영업마진, 수주잔고 전환, 감가상각, 잉여현금흐름은 매출만으로 볼 때보다 더 나은 그림을 제공할 것이다. 가동률 상승은 Alphabet이 더 많은 유료 워크로드에 데이터센터 비용을 분산하는 데 도움이 될 것이다.

마이너스 잉여현금흐름이 자동으로 투자의 타당성을 무효화하는 것은 아니다. 대규모 인프라 프로젝트는 완전한 가동률에 도달하기 전에 현금을 소비하는 경우가 많다. 핵심 질문은 현재 시설이 매출을 창출하기 시작하면서 현금 창출력이 회복되는지 여부다.

운영상 개선 없이 지출만 계속 증가한다면 이 논리는 약화될 것이다. 이는 이전 투자가 성숙하기 전에 새 세대마다 더 많은 자본이 필요하다는 점을 시사할 것이다.

세 번째 신호는 Nvidia의 경쟁 대응이다. Nvidia의 2027 회계연도 2분기 보고서는 2026년 8월 26일로 예정돼 있다. 투자자들은 데이터센터 성장, Rubin 배포, 매출총이익률, 맞춤형 가속기에 대한 경영진의 논평을 살펴봐야 한다.

Nvidia의 가속기 공급 확대가 이어진다고 해서 Alphabet에 자동으로 불리한 것은 아니다. 이는 전 세계 컴퓨팅 수요가 여전히 가용 공급량보다 크다는 점을 확인해 줄 수 있다. 두 회사는 서로 다른 워크로드와 고객 선호를 충족하면서 함께 성장할 수 있다.

Nvidia의 주문에 가격 압박이 나타나거나 성장세가 둔화된다면, 맞춤형 실리콘이 점유율을 확보하고 있다는 더 직접적인 증거가 될 수 있다. 그렇더라도 분석가들은 Google의 영향과 AMD, Amazon, Microsoft, Huawei, 그리고 특화 추론 칩 공급업체들의 영향을 구분해야 한다.

소프트웨어 발전은 출하량보다 더 중요하게 드러날 수 있다. PyTorch 호환성 확대, 최적화된 추론 엔진, 더 쉬운 워크로드 이전은 Google TPU 시스템을 선택하는 데 따르는 실질적 비용을 낮출 것이다.

개발자들은 광범위한 재작성 없이도 일반적인 모델이 효율적으로 실행되는지 지켜봐야 한다. 기업 구매자는 가용성, 신뢰성, 데이터 거버넌스, 총운영비용을 검토해야 한다. 조달팀은 공급업체가 선택한 단일 벤치마크에 의존하지 말아야 한다.

지식 근로자들 역시 이 경쟁의 이해관계자다. 인프라 경쟁은 연구와 일상 업무에 사용되는 AI 도구의 가용성, 속도, 비용에 영향을 미친다. 추론 비용이 낮아지면 더 유능한 에이전트와 더 큰 규모의 워크로드를 지원할 수 있다.

이러한 시스템을 평가하는 팀에는 기술적 주장, 벤치마크 조건, 공급업체 변화를 체계적으로 보존할 방법이 필요하다. 검색 가능한 기술 지식 베이스는 이러한 결정을 출시 헤드라인이 아니라 근거와 연결된 상태로 유지하는 데 도움이 될 수 있다.

Alphabet의 기회는 분명하지만, 보도된 2028년 목표는 아직 확인되지 않았다. Google은 Nvidia에 압박을 가할 수 있는 모델, 워크로드, 클라우드 플랫폼, 맞춤형 실리콘 경험을 갖추고 있다. 그러나 동일한 출하 규모가 동일한 경제적 영향력으로 이어진다는 점은 아직 입증하지 못했다.

다음으로 유의미한 질문은 Google이 Nvidia보다 더 많은 가속기를 생산할지 여부가 아니다. 고객이 그 가속기를 반복적으로 선택할지, 그리고 Alphabet이 해당 설비 용량에서 수용 가능한 수익을 낼 수 있을지다. 또 다른 Google 뉴스 헤드라인을 승리의 증거로 받아들이기 전에, 향후 실적 발표, 고객 배포, 소프트웨어 출시를 통해 이 세 가지 신호를 추적해야 한다.