AMD와 Google의 관계, Meta의 AI 파트너십을 Nvidia의 시험대에 올리다

AMD는 AI 모델 구축에 사용되는 소프트웨어에서 Nvidia가 여전히 강력한 영향력을 유지하고 있음에도, 2024년 파트너 쇼케이스를 2026년 인프라 캠페인으로 발전시켰다. AMD와 Google의 관계는 클라우드 측면의 신뢰성을 제공하고, Meta는 워크로드와 엔지니어링 의견, 그리고 최대 6기가와트 규모의 계획된 GPU 용량을 투입하고 있다.

이 조합의 중요성은 또 하나의 벤치마크 승리를 넘어선다. AMD는 주요 모델 개발사와 클라우드 제공업체가 실리콘과 네트워킹부터 프레임워크, 모델 코드에 이르는 전체 컴퓨팅 스택을 최적화하는 데 참여하도록 요구하고 있다. 이 전략은 개발자들이 이미 익숙한 통합 플랫폼이라는 Nvidia의 역사적으로 가장 강력한 우위에 도전한다.

당초 발표에서는 Meta, Google Cloud, Microsoft, Oracle 및 여러 AI 개발사가 AMD의 하드웨어와 ROCm 소프트웨어를 중심으로 모였다. 이들 파트너십이 즉시 이전 비용을 없애거나 폭넓은 성능 동등성을 확립한 것은 아니다. 그러나 이후 Meta와 다른 모델 개발사들이 내놓은 약속은 이 노력이 하루짜리 제품 출시 행사를 넘어 진전했음을 보여준다.

AMD와 파트너들이 실제로 바꾼 것

AMD의 중요한 행보는 워크로드를 통해 하드웨어와 소프트웨어의 방향을 결정할 수 있는 고객들에게 제품 로드맵을 공개한 것이었다.

AMD는 2024년 10월 Advancing AI 행사에서 Instinct MI325X 가속기, 5세대 EPYC 서버 프로세서, 새로운 네트워킹 구성 요소, Ryzen AI 엔터프라이즈 칩을 공개했다. 또한 AMD GPU 프로그래밍을 위한 오픈 소스 소프트웨어 플랫폼인 ROCm을 계속 개발하고 있다고 설명했다.

파트너 공개 내용은 이 하드웨어 발표에 실질적인 맥락을 더했다. AMD의 AI 제품 출시 발표에 따르면, Meta는 MI300X 가속기에서 Llama 3.1 405B 모델의 모든 실시간 트래픽을 처리하고 있었다. AMD는 또한 별도의 포팅 작업 없이 자사 플랫폼에서 100만 개 이상의 모델을 실행할 수 있다고 밝혔다.

Meta의 역할은 칩 구매에 그치지 않았다. 양사는 실리콘, 완성 시스템, 네트워킹, 소프트웨어, 애플리케이션 전반에서 성능을 최적화하고 있었다. 빠른 프로세서라도 메모리 이동, 인터커넥트 혼잡 또는 미성숙한 소프트웨어 커널에 제약받는 클러스터를 구제할 수는 없기 때문에 이 범위는 중요하다.

Google은 다른 역할을 맡았다. Google은 AI Hypercomputer 아키텍처와 연결된 워크로드를 포함해 Google Cloud 인프라 내 AMD EPYC 프로세서를 강조했다. 또한 AMD의 최신 EPYC 9005 프로세서를 기반으로 한 클라우드 가상 머신도 계획했다.

이는 Google이 자체 텐서 처리 장치인 TPU를 AMD GPU로 대체했다는 주장은 아니다. Google은 일부 내부 및 클라우드 AI 워크로드를 위해 TPU를 설계한다. 또한 고객들이 여러 프로세서 아키텍처를 기대하는 다양한 클라우드 플랫폼을 운영한다.

따라서 AMD와 Google의 관계는 독점 동맹이 아니라 인프라 선택을 의미한다. Google은 AMD 기반 컴퓨팅을 제공하면서 TPU, Arm 기반 Axion 프로세서, Nvidia 가속기를 중심으로 구축된 서비스를 계속 개발할 수 있다.

Microsoft와 Oracle은 고객 수요에 대한 추가 증거를 제공했다. Microsoft는 Azure 및 GPT 워크로드에서의 MI300X 사용을 설명했고, Oracle은 자사 클라우드 플랫폼 내 AMD CPU, GPU 및 네트워킹 제품을 논의했다.

Databricks는 보다 구체적인 성능 주장 중 하나를 제시했다. 해당 기업의 테스트는 MI300X 하드웨어 사용 시 Llama 및 독점 모델에서 50%를 넘는 개선을 보였다고 전해진다. 이 수치는 AMD가 강조한 파트너 테스트에서 나온 것이므로 보편적 결과로 받아들여서는 안 된다.

핵심 변화는 단순한 지지 표명의 집합보다 광범위했다. AMD는 대규모 모델을 프로덕션에서 운영하는 기업들과 피드백 루프를 만들고 있었다. 이들 기업은 병목 지점을 식별하고, 제품 설계에 영향을 미치며, 이후 사용자들이 활용할 최적화에 기여할 수 있었다.

이 접근법은 이후 더욱 구체화됐다. AMD는 2025년에 최대 10대 모델 개발사 및 AI 기업 가운데 7곳이 Instinct 가속기에서 프로덕션 워크로드를 실행하고 있다고 밝혔다. Meta는 Llama 3 및 Llama 4 추론을 위한 MI300X 배포를 확대했다고 보고했다.

이제 파트너십은 연속적인 하드웨어 세대를 아우른다. 이러한 연속성은 가속기 공급이 부족했던 시기에 이루어진 일시적 실험과 전략적 배포를 구분한다.

AMD Google 인프라가 지금 중요한 이유

AMD와 Google의 연결이 중요한 이유는 신뢰할 수 있는 경쟁에 더 빠른 칩만이 아니라 유통, 개발자 접근성, 반복 가능한 클라우드 운영이 필요하기 때문이다.

Google Cloud는 2024년 행사 이후 AMD CPU 포트폴리오를 계속 확장해 왔다. C4D 가상 머신은 5세대 EPYC 프로세서와 Google의 Titanium 인프라를 결합하며, 이 인프라는 일부 네트워킹, 스토리지 및 관리 작업을 호스트 CPU에서 오프로드한다.

Google은 이전 AMD 기반 세대보다 최대 80% 높은 웹 서빙 처리량과 30% 더 나은 범용 컴퓨팅 성능을 보고했다. C4D 성능 결과에서는 최대 35% 낮은 로컬 스토리지 지연 시간도 언급했다.

이는 생성형 AI 학습의 직접 측정치는 아니다. 하지만 AI 시스템은 가속기만으로 작동하지 않는다. 데이터 준비, 검색 서비스, 데이터베이스, 스케줄링, 애플리케이션 서버는 모두 기존 CPU 용량을 소비한다.

AI 애플리케이션은 GPU에서 답변을 생성하는 동시에 CPU를 사용해 사용자를 인증하고, 문서를 검색하며, 결과를 필터링하고, 요청을 라우팅할 수 있다. 모델 자체가 변하지 않더라도 이 같은 주변 작업을 개선하면 시스템 처리량을 높일 수 있다.

AMD와 Google의 파트너십은 엔지니어링 팀이 AMD 하드웨어를 접할 수 있는 장소도 넓힌다. 개발자들이 테스트와 최적화를 위해 접근할 수 없을 때 기업은 두 번째 가속기 플랫폼을 도입하기를 주저하기 때문에 친숙함은 중요하다.

클라우드에서의 가용성은 이 장벽을 낮춘다. 팀은 더 큰 인프라 투자를 결정하기 전에 워크로드를 프로파일링하고, 라이브러리 지원을 검증하며, 운영 동작을 비교할 수 있다. 또한 다른 곳에서 별도의 가속기 환경을 평가하면서도 익숙한 클라우드에 CPU 워크로드를 유지할 수 있다.

추론이 AI 컴퓨팅에서 더 큰 비중을 차지하면서 AMD의 기회는 커졌다. 추론은 학습된 모델을 실행해 답변, 분류, 이미지 또는 다른 출력을 생성하는 과정이다. 제한된 학습 실행과 달리 추론 비용은 모든 사용자 상호작용마다 반복된다.

이 반복 비용은 모델 운영자들에게 특정 워크로드에 맞춰 하드웨어를 최적화할 이유를 제공한다. 범용 가속기는 유연성을 제공하지만, 좁게 정의된 프로덕션 작업에는 필요하지 않은 메모리 또는 컴퓨팅 자원을 포함할 수 있다.

Meta의 추천 시스템은 이를 잘 보여준다. 이 시스템은 매우 큰 규모로 운영되며 비교적 안정적인 워크로드 패턴을 사용한다. 이러한 패턴에 맞춘 프로세서는 최첨단 모델 연구에 요구되는 폭넓은 역량보다 비용, 에너지 사용 또는 지연 시간에 유리할 수 있다.

Google도 자체 TPU를 통해 부분적으로 이 문제를 해결하고 있지만 같은 경제 논리에 직면한다. Google이 AMD CPU를 배포하려는 의지는 하이퍼스케일러가 모든 계층에서 단일 프로세서 아키텍처를 사용할 필요가 없음을 보여준다.

결과적으로 AMD와 Google의 관계는 이기종 컴퓨팅으로 향하는 더 넓은 변화의 한 부분이다. 이러한 시스템에서 운영자는 각 워크로드를 가장 적합한 프로세서, 가속기 또는 맞춤형 칩에 배정한다.

이 변화는 고객이 Nvidia를 포기하지 않아도 Nvidia에 압박을 가한다. 클라우드 제공업체는 Nvidia 시스템을 계속 제공하는 동시에 일부 작업에 AMD 또는 자체 설계 하드웨어를 추가할 수 있다. 부분적인 다변화만으로도 협상력을 높이고 하나의 로드맵에 대한 의존도를 줄일 수 있다.

개발자에게 실질적인 질문은 워크로드가 이식성을 유지하는지 여부다. 광범위한 공급업체별 재작성 뒤에야 제대로 작동하는 모델은 유리한 하드웨어 벤치마크의 이점을 상쇄할 수 있는 전환 비용을 만든다.

ROCm은 이 문제에 대한 AMD의 답이다. 그 가치는 프레임워크 호환성, 문서화, 디버깅 도구, 최적화된 라이브러리, 새로 출시된 모델에 대한 신속한 지원에 달려 있다. 프로덕션 팀이 기존 소프트웨어 동작을 재현할 수 없다면 하드웨어 가용성은 거의 의미가 없다.

Meta, 파트너십 논의를 6기가와트 시험으로 전환하다

Meta는 측정 가능한 이정표와 상당한 실행 위험을 수반하는 배포 시험으로 AMD의 생태계 주장을 전환했다.

2026년 2월, AMD와 Meta는 최대 6기가와트 규모의 AMD Instinct GPU 배포를 포괄하는 다년 계약을 발표했다. 기가와트는 시스템 구성과 전력 요구 사항이 달라질 수 있기 때문에 고정된 가속기 수가 아니라 전력 용량을 나타낸다.

첫 1기가와트 물량은 2026년 하반기에 출하를 시작할 예정이다. 이는 MI450 아키텍처 기반의 맞춤형 가속기, 6세대 EPYC 프로세서, ROCm 소프트웨어, AMD의 Helios 랙 스케일 설계를 사용한다.

랙 스케일 시스템은 서버 랙 전체를 통합 컴퓨팅 단위로 취급한다. 가속기, CPU, 메모리, 네트워킹, 냉각 및 소프트웨어는 유용한 모델 성능을 제공하기 위해 함께 작동해야 한다.

AMD는 Helios가 Open Compute Project를 통해 Meta와 공동 개발됐다고 밝혔다. Meta의 Open Rack Wide 사양은 물리적 설계에 영향을 미쳐, AMD가 Meta의 운영 요구 사항을 중심으로 조직된 인프라에 진입할 경로를 제공했다.

Meta 배포 계약은 양사의 실리콘, 시스템 및 소프트웨어 로드맵도 일치시킨다. 이 표현은 생산이 시작된 뒤 표준 가속기 카드를 구매하는 것보다 더 깊은 조율을 시사한다.

Meta는 AMD의 Venice 및 Verano 서버 프로세서의 선도 고객 역할을 맡게 된다. Verano에는 성능, 에너지 소비 및 운영 비용을 중심으로 설계된 워크로드별 변경 사항이 포함될 것으로 예상된다.

계약에는 최대 1억 6천만 AMD 주식을 포괄하는 성과 기반 워런트가 포함되어 있다. 베스팅은 출하 물량, AMD 주가 기준치, 기술 및 상업적 조건에 따라 달라진다. AMD의 1분기 제출 문서는 2026년 3월 28일 기준으로 이들 주식 중 어느 것도 베스팅되지 않았다고 밝혔다.

이 조건들이 중요한 이유는 헤드라인 용량이 완료된 배포와 같지 않기 때문이다. AMD는 제품을 제조하고, 시스템을 조립하며, 소프트웨어를 지원하고, Meta의 요구 사항을 충족해야 한다. Meta는 이후 해당 용량을 설치하고 의미 있는 워크로드를 그쪽으로 이전해야 한다.

이 거래는 AMD에 모델 개발사의 참여가 필요한 이유도 보여준다. Meta는 Llama 추론, 광고 시스템, 랭킹 모델 및 확장 중인 AI 어시스턴트의 운영 수준 특성을 알고 있다. 이러한 워크로드 지식은 메모리 용량, 인터커넥트 설계 및 소프트웨어 우선순위에 영향을 미칠 수 있다.

AMD는 까다로운 레퍼런스 고객을 확보한다. Meta는 대체 공급업체와 일부 작업에 맞춤화된 플랫폼을 얻는다. 양측 모두 Nvidia가 여전히 형성하고 있는 가속기 시장에 맞설 협상력을 얻는다.

이 협력은 Meta의 완전한 이전을 뜻하지는 않는다. Meta는 Nvidia에도 상당한 약속을 했으며, 자체 Meta Training and Inference Accelerator, 즉 MTIA도 계속 개발하고 있다.

이러한 조합은 합리적이다. 최첨단 학습, 추천 추론 및 일반 AI 서비스는 동일한 요구 사항을 부과하지 않는다. Meta는 일부 워크로드에 Nvidia를, 다른 워크로드에 맞춤형 AMD 제품을, 그리고 자체 실리콘이 적절한 경제성을 제공하는 곳에 MTIA를 사용할 수 있다.

따라서 핵심 경쟁은 모든 AI 작업을 둘러싼 AMD 대 Nvidia의 대결이 아니다. 이는 통합된 Nvidia 기본값과 특정 워크로드를 중심으로 구성된 다중 공급업체 컴퓨팅 전략의 경쟁이다.

6기가와트 계획은 그 대안이 프로덕션 규모에서도 관리 가능한지 시험하게 될 것입니다. 두 개의 가속기 플랫폼을 운영하면 검증, 관측성, 인력 배치, 소프트웨어 유지보수 요구 사항이 늘어납니다.

Meta는 일반적인 기업보다 그러한 복잡성을 더 잘 감당할 수 있습니다. Meta의 최적화가 ROCm과 공통 프레임워크로 환류된다면 소규모 사용자도 혜택을 볼 수 있습니다. 최적화가 고도로 맞춤화된 상태로 남는다면, 이 협력은 AMD의 더 넓은 접근성을 보여주는 증거로는 제한적일 것입니다.

핵심 메커니즘은 하드웨어-소프트웨어 공동 설계다

고객이 모델과 시스템을 함께 최적화할 때 AMD는 성능 격차를 줄일 수 있지만, 시장을 바꾸려면 공동 설계가 재사용 가능한 소프트웨어로 이어져야 한다.

모델 성능은 명목상의 칩 사양만으로 결정되지 않습니다. 운영자는 모델 아키텍처, 수치 정밀도, 메모리 배치, 통신 라이브러리, 컴파일러 동작, 스케줄링을 조율해야 합니다.

수치 정밀도는 모델 가중치와 중간값을 표현하는 데 사용되는 비트 수를 결정합니다. 더 낮은 정밀도는 모델이 허용 가능한 출력 품질을 유지한다는 전제하에 메모리 사용량을 줄이고 처리량을 높일 수 있습니다.

메모리 배치도 마찬가지로 중요합니다. 대형 모델은 가중치와 임시 데이터를 고대역폭 메모리, 가속기, 네트워크 링크 사이에서 끊임없이 이동합니다. 이러한 전송이 컴퓨팅 유닛을 계속 점유시키지 못하면 프로세서는 유휴 상태에 머무를 수 있습니다.

소프트웨어 커널은 행렬 곱셈, 어텐션, 데이터 변환 같은 개별 연산을 수행합니다. 공급업체는 특정 하드웨어와 모델 형태에 맞춰 이러한 커널을 튜닝합니다. 작은 개선도 수십억 번 반복되는 연산 전반에서 누적될 수 있습니다.

Nvidia는 하드웨어를 CUDA, 최적화 라이브러리, 개발자 도구, 오랜 기간 축적된 프레임워크 지원과 결합해 우위를 구축했습니다. 조직들은 수년에 걸쳐 CUDA 코드, 전문성, 문제 해결 관행을 축적해 왔습니다.

ROCm은 오픈소스 모델을 사용하며 PyTorch 같은 널리 쓰이는 프레임워크를 지원합니다. 개방성은 개발자가 코드를 검토하고 변경 사항을 기여하며 하나의 독점 프로그래밍 계층에 대한 의존을 피하는 데 도움이 될 수 있습니다.

오픈 코드가 자동으로 운영 성숙도로 이어지지는 않습니다. 팀에는 여전히 안정적인 릴리스, 예측 가능한 설치 과정, 완전한 기능 범위, 명확한 진단, 다양한 워크로드 전반의 성능이 필요합니다.

AMD의 모델 개발사 파트너십은 이러한 격차를 직접 겨냥합니다. Meta는 PyTorch, Triton, 대규모 추론 경험을 제공합니다. Microsoft와 Oracle은 클라우드 배포 지식을 제공합니다. 독립 개발자들은 vLLM과 SGLang 같은 엔진을 최적화할 수 있습니다.

AMD의 2025년 플랫폼 업데이트는 ROCm 7 개선, 더 넓어진 호환성, 새로운 개발 도구를 보고했습니다. 회사는 MI350 세대가 MI300X 대비 큰 향상을 제공했다고도 밝혔지만, 공급업체 비교는 모델, 배치 크기, 정밀도, 시스템 구성에 크게 좌우됩니다.

독립 벤치마크 참여는 더 나은 검증 경로를 제공합니다. MLPerf는 정의된 워크로드와 규칙에 따라 제출된 결과를 공개해, 구매자가 출시 프레젠테이션에만 의존하지 않고 시스템을 비교하도록 돕습니다.

MLPerf results database에는 Nvidia 및 기타 가속기를 사용하는 시스템과 함께 AMD Instinct 제출 결과가 포함돼 있습니다. 다만 하드웨어 수량, 소프트웨어 버전, 지연 시간 제약, 벤치마크 부문이 다를 수 있으므로 결과는 신중히 읽어야 합니다.

한 범주에서의 우수한 결과가 보편적인 리더십을 입증하지는 않습니다. 다만 공급업체가 공통 규칙 아래 작동하는 시스템을 제출하고, 충분한 구성 세부 정보를 공개해 정보에 기반한 비교를 가능하게 하는지는 보여줍니다.

Google은 이 메커니즘에 또 다른 차원을 더합니다. Google의 클라우드는 AMD EPYC 프로세서를 사용하면서 Google은 TPU와 자체 지원 소프트웨어를 개발합니다. 이러한 공존은 인프라 기업이 모든 것에 단일 공급업체를 선택하지 않고도 여러 계층에서 최적화할 수 있음을 보여줍니다.

AMD와 Google의 관계가 ROCm 도입 문제를 직접 해결하는 것은 아닙니다. 그러나 주요 클라우드 내에서 아키텍처 다양성을 정상화하고, AI 인접 워크로드 전반에서 AMD 기술에 기회를 만듭니다.

Meta는 더 강력한 가속기 측면의 근거를 제공합니다. MI300X에서 Llama 트래픽을 서비스하고 MI450 기반 시스템을 공동 설계함으로써, Meta는 합성 벤치마크가 제공할 수 없는 실제 프로덕션 피드백을 AMD에 제공합니다.

결정적인 질문은 AMD가 이러한 고객별 교훈을 기본 기능으로 전환할 수 있는지입니다. 모델 출시 시점에 사용할 수 있는 지원을 뜻하는 데이제로 모델 지원이 하나의 지표가 될 것입니다.

문서 품질도 또 다른 지표가 될 것입니다. 개발자들은 설치 실패, 메모리 오류, 지원되지 않는 연산자, 성능 회귀 상황에서 플랫폼을 평가합니다. 플랫폼은 이러한 실패를 이해하고 복구할 수 있게 해야 합니다.

공동 설계는 새 모델에서 안정적인 프로덕션 서비스까지의 경로를 단축할 때 효과를 발휘합니다. 모든 배포마다 칩 공급업체의 전담 팀이 소프트웨어 스택을 다시 구축해야 한다면 그 효과는 제한적입니다.

AMD의 파트너십 스토리가 입증하지 못하는 것

대형 고객의 약정은 수요를 검증하지만, 폭넓은 소프트웨어 동등성, 대규모 공급, 우수한 경제성을 아직 입증하지는 않는다.

AMD의 발표에는 회사가 보고한 성능 수치가 여러 층위로 포함되어 있습니다. 처리량, 에너지 효율, 세대 간 향상에 관한 주장은 종종 선택된 구성에 의존합니다. 구매자는 자신에게 중요한 지연 시간과 품질 요구 사항 아래에서 자체 모델을 비교해야 합니다.

추론 성능은 특히 배치 크기에 민감합니다. 시스템은 많은 요청을 함께 처리해 높은 총처리량을 보고할 수 있지만, 대화형 어시스턴트에는 허용할 수 없는 지연을 초래할 수 있습니다.

모델 길이도 결과를 바꿉니다. 긴 컨텍스트는 더 많은 메모리를 소모하고 어텐션 작업을 늘립니다. 짧은 추천 작업에 적합한 플랫폼도 긴 문서나 확장된 에이전트 세션을 처리할 때는 다르게 동작할 수 있습니다.

시스템 활용률도 경제성에 영향을 줍니다. 완전 부하에서 효율적으로 보이는 가속기도 수요가 고르지 않으면 비용이 커질 수 있습니다. 운영자는 유휴 용량, 네트워킹, 전력 공급, 냉각, 엔지니어링 인력을 고려해야 합니다.

Meta의 6기가와트 계획은 제조 리스크를 도입합니다. AMD는 첨단 칩, 패키징, 메모리, 기타 구성 요소를 외부 파운드리와 공급업체에 의존합니다. 어느 한 계층의 병목도 완성된 시스템의 공급을 늦출 수 있습니다.

Helios는 랙 규모 제품이 CPU, GPU, 네트워크 인터페이스 카드, 스위치, 소프트웨어, 냉각 전반의 조율을 필요로 하므로 통합 리스크를 더합니다. 개별 구성 요소를 검증했다고 해서 안정적인 클러스터 운영이 보장되지는 않습니다.

AMD의 2025년 연례 보고서는 MI400과 Helios의 양산 출하가 2026년 하반기에 예정대로 진행되고 있다고 밝혔습니다. 이는 중요한 일정 관련 발언이지, 계획된 첫 번째 기가와트가 운영 중이라는 확인은 아닙니다.

Meta의 맞춤형 가속기는 또 다른 불확실성을 만듭니다. 맞춤화는 불필요한 용량을 제거하거나 컴퓨팅, 메모리, 네트워킹 간 균형을 바꿔 알려진 워크로드의 효율을 높일 수 있습니다.

그러나 같은 특화는 유연성을 제한할 수 있습니다. Meta가 모델이나 서비스 아키텍처를 바꾼다면, 좁게 튜닝된 가속기는 범용 시스템보다 선택지가 적을 수 있습니다. 최종적인 트레이드오프는 공개되지 않은 사양과 실제 워크로드 동작에 달려 있습니다.

Nvidia 역시 하드웨어, 네트워킹, 추론 소프트웨어, 랙 규모 시스템을 계속 개선하고 있습니다. AMD는 MI300X 출시 당시의 제품이 아니라 계속 변화하는 플랫폼과 경쟁하고 있습니다.

Google의 전략은 다른 방향에서 압박을 더합니다. TPU는 Google에 Gemini와 일부 클라우드 고객을 위한 수직 통합형 대안을 제공합니다. Amazon도 Trainium과 Inferentia 가속기를 개발하고 있으며, Microsoft는 자체 AI 실리콘을 도입했습니다.

이러한 맞춤형 플랫폼은 AMD가 하이퍼스케일러가 외부 조달을 선호하는 AI 컴퓨팅 영역을 두고 경쟁하고 있음을 의미합니다. 접근 가능한 시장은 빠르게 성장할 수 있지만, 각 워크로드를 둘러싼 경쟁은 더 치열해질 수 있습니다.

AMD Google 키워드 역시 부정확한 결론을 유도할 수 있습니다. Google이 EPYC 프로세서를 사용한다는 사실이 Gemini를 위한 Instinct GPU의 대규모 Google 도입을 입증하지는 않습니다. 검증된 관계는 클라우드 CPU와 더 폭넓은 인프라 협력에 집중돼 있습니다.

마찬가지로 Meta의 도입이 일반 기업도 마찰 없이 CUDA에서 ROCm으로 전환할 수 있음을 보여주지는 않습니다. Meta는 엔지니어링 자원, 모델에 대한 통제력, AMD 로드맵에 대한 직접적인 접근권을 갖고 있습니다.

더 강한 해석은 더 좁습니다. AMD는 주요 고객이 자사 기술에 프로덕션 워크로드와 미래 용량을 배치할 만큼 충분한 신뢰를 얻었습니다. 이제 맞춤형 협업을 다른 개발자도 안정적으로 사용할 수 있는 플랫폼으로 전환해야 합니다.

이 구분은 기업 평가의 기준이 되어야 합니다. 구매자는 워크로드 수준의 테스트, 총운영비, 소프트웨어 지원 약정, 신뢰할 수 있는 마이그레이션 계획이 필요합니다. 파트너 로고를 기술 검증의 대체물로 여겨서는 안 됩니다.

AMD가 Nvidia에 압박을 가할 수 있을지를 결정할 세 가지 신호

출하량, 이식 가능한 모델 성능, 반복 가능한 제3자 배포가 AMD 연합이 경쟁 구도를 바꿀 수 있는지를 결정할 것이다.

첫 번째 신호는 Meta의 초기 MI450 기반 배포입니다. AMD는 첫 번째 기가와트를 지원하는 출하를 2026년 하반기로 예정했습니다. 설치 용량, 프로덕션 워크로드, 마일스톤 완료의 증거는 공동 설계가 물리적 규모에 도달할 수 있다는 주장을 강화할 것입니다.

지연은 한 고객을 넘어 영향을 미칩니다. Helios는 AMD가 랙 규모 야심을 실현할 플랫폼으로 기대하는 제품이므로, 문제는 후속 배포와 파트너 네트워크 전반의 신뢰에 영향을 줄 수 있습니다.

두 번째 신호는 비공개 고객 프로젝트 밖에서의 모델 지원입니다. 개발자는 ROCm이 새로운 Llama, Claude, Gemini 관련 오픈 모델과 기타 널리 채택되는 릴리스를 얼마나 빠르게 지원하는지 지켜봐야 합니다.

유용한 지원은 컨테이너를 실행하는 것 이상을 뜻합니다. 팀에는 경쟁력 있는 지연 시간, 예측 가능한 출력 품질, 안정적인 멀티 GPU 동작, 지속적으로 관리되는 라이브러리가 필요합니다. 공개 벤치마크 제출은 각 결과의 하드웨어 및 소프트웨어 구성을 명확히 해야 합니다.

AMD는 2026년 7월 Anthropic이 최대 2기가와트의 MI450 Series GPU를 배포하기로 한 계약을 통해 이 전략을 확장했습니다. 양사는 AMD 워크로드와 ROCm 개발을 개선하기 위한 작업에 Claude를 활용할 계획도 세웠습니다.

이 계약은 새로운 시험대가 됩니다. Meta, Anthropic, 오픈소스 개발자와 함께 만들어진 최적화가 공개 소프트웨어에서 수렴한다면 AMD 플랫폼은 도입하기 쉬워집니다. 고객마다 별도의 브랜치가 필요하다면 확장은 계속 비용이 많이 들 것입니다.

세 번째 신호는 하이퍼스케일러 수준의 엔지니어링 팀이 없는 조직의 반복 가능한 사용입니다. Oracle, 클라우드 제공업체, 시스템 제조사, 소프트웨어 기업은 Helios와 ROCm이 맞춤형 통합 프로젝트가 아닌 제품으로 작동하는지 보여줄 수 있습니다.

가장 설득력 있는 증거에는 지속적인 프로덕션 트래픽, 공개된 운영 세부 정보, 독립적인 측정치가 포함될 것입니다. 추가 용량 발표만으로도 수요는 드러나지만, 사용 편의성까지 보여주지는 못합니다.

Google Cloud의 확장되는 AMD CPU 라인업은 여기서도 중요합니다. AMD와 Google의 관계는 고객에게 EPYC 기반 시스템에 대한 성숙한 접근성을 제공하고 AMD의 서버 로드맵에 대한 지속적인 신뢰를 보여줍니다. 또한 클라우드 인프라가 설계상 점점 더 멀티벤더화되고 있음을 상기시킵니다.

개발자와 기업 구매자가 즉시 취할 행동은 추상적으로 공급업체 주장을 논쟁하기보다 대표적인 워크로드를 테스트하는 것입니다. 플랫폼 전반에서 동일한 모델, 데이터 유형, 컨텍스트 길이, 지연 시간 목표, 장애 조건을 사용하십시오.

팀은 각 결정의 근거도 보존해야 합니다. 검색 가능한 engineering knowledge base는 플랫폼이 발전함에 따라 벤치마크 결과, 배포 메모, 모델 변경 사항, 공급업체 문서를 연결할 수 있습니다.

AMD·Google·Meta 이야기는 결국 모델 개발사들이 공동 엔지니어링을 통해 실행 가능한 두 번째 경로를 만들 수 있는지에 관한 문제다. Meta의 첫 도입, 공개 ROCm 모델 지원 준비도, 일반 고객 배포를 지켜봐야 한다. 이 세 가지가 모두 진전된다면 Nvidia는 지속 가능한 플랫폼 경쟁자와 맞닥뜨리게 된다. 하나라도 지연되면 AMD의 파트너십은 중요하지만 불완전한 상태로 남을 것이다.