미국 AI 인프라 전략은 잘못된 계층을 확장하고 있다

미국의 AI 인프라 전략은 중앙집중형 데이터센터가 문제의 일부만 해결한다는 주장이 커지는 가운데서도 비용이 막대한 경쟁에 돌입했다. 워싱턴은 더 많은 칩, 전력, 하이퍼스케일 용량을 AI 주도권으로 가는 가장 분명한 길로 본다. 이 접근법은 최첨단 연구를 강화하지만, 동시에 사용자가 안정적인 네트워크를 통해 접근해야 하는 시설 안에 지능을 집중시킨다.

최근 Washington Examiner의 한 주장은 이러한 인프라 정의에 이의를 제기한다. 이 글은 미국이 최첨단 컴퓨팅과 함께 사람, 장비, 조직 데이터 가까이에서 작동하는 분산 시스템을 병행해야 한다고 주장한다. 이 모델에서 클라우드는 여전히 필수적이지만, 유용한 AI가 실행될 수 있는 유일한 장소는 아니게 된다.

쟁점은 데이터센터 대 기기, 혹은 또 하나의 모델 벤치마크를 둘러싼 미국 대 중국의 대결이 아니다. 이는 중앙집중형 규모와 운영 분산성의 대립이다. 미국은 전자에 대규모 투자를 하고 있지만, 군, 제조업체, 병원, 지식 노동자들은 갈수록 둘 모두를 필요로 하고 있다.

미국 AI 인프라 전략은 여전히 규모를 리더십과 동일시한다

워싱턴은 AI 인프라를 하이퍼스케일 컴퓨팅, 에너지 생산, 신속한 인허가에 초점을 둔 건설 사업으로 전환했다.

연방 정부의 인프라 의제는 이해할 만한 전제에서 출발한다. 첨단 모델 학습에는 대규모 특수 프로세서 클러스터, 고속 네트워크, 냉각 장비, 안정적인 전력이 필요하다. 소규모 조직은 이러한 시설을 독자적으로 재현할 수 없다.

백악관은 America’s AI plan에서 이 전제를 명시했다. 인프라 프로그램은 국내 반도체 제조, 신규 데이터센터, 이를 뒷받침할 에너지 자원, 신속한 건설 승인 등을 요구했다.

관련 행정명령은 요건을 충족하는 데이터센터 프로젝트에 대한 연방 지원을 마련했다. AI 학습, 추론, 시뮬레이션 또는 합성 데이터 생성에 100메가와트를 초과하는 신규 부하가 필요한 시설을 지원 대상 프로젝트로 정의했다.

이 기준은 워싱턴의 현재 사고방식이 어느 정도의 규모를 전제하는지 보여준다. 인프라란 대형 공장에 맞먹는 전력 수요를 지닌 산업 캠퍼스를 의미한다. 성공이란 경쟁국이 자체 용량을 확장하기 전에 그러한 캠퍼지를 더 많이 전력망에 연결하는 것이다.

이러한 투자에는 강력한 근거가 있다. 최첨단 연구소는 범용 모델을 학습하기 위해 집중된 컴퓨팅 파워가 필요하다. 클라우드 플랫폼은 기업이 서버를 소유하거나 특수 하드웨어를 유지 관리하지 않고도 첨단 역량을 임대할 수 있게 해준다.

중앙집중화는 다른 효율성도 만든다. 운영자는 가속기를 공동 활용하고, 고가 장비의 가동률을 높게 유지하며, 대규모 플릿 전반에 걸쳐 모델 업데이트를 조율할 수 있다. 보안팀은 느슨하게 관리되는 수천 대의 기기보다 관리형 환경을 더 일관되게 모니터링할 수 있다.

그러나 이러한 장점이 중앙집중형 용량을 완전한 국가 아키텍처로 만들지는 않는다. 모델을 학습시키는 일과 실제 워크플로 안에서 사용하는 일은 서로 다른 엔지니어링 문제다. 전자는 컴퓨팅 집중을 보상하지만, 후자는 종종 지연 시간, 프라이버시, 연결성, 로컬 제어에 좌우된다.

AI가 브라우저 기반 채팅을 넘어 확장되면서 이 구분은 더 중요해지고 있다. 중앙집중형 어시스턴트는 짧은 네트워크 지연을 감수할 수 있다. 그러나 방위 시스템, 공장 제어기, 차량, 의료기기 또는 현장 서비스 도구는 연결이 끊어진 뒤에도 계속 작동해야 할 수 있다.

현재의 미국 AI 인프라 전략은 수요가 계속해서 가장 큰 범용 시스템에 보상할 것이라는 가정도 깔고 있다. 이는 여전히 개연성이 있지만 보장된 것은 아니다. 특히 조직이 신뢰할 수 있는 로컬 데이터를 제공하고 필요한 출력 범위를 제한할 때, 소형 모델은 좁은 과업에 충분히 유능해지고 있다.

정비 모델은 철학을 토론하거나 마케팅 캠페인을 만들어낼 필요가 없다. 승인된 매뉴얼을 이해하고, 관련 부품을 식별하며, 권한을 준수하고, 운영상의 제약 안에서 응답해야 한다. 집중된 최첨단 용량은 그러한 모델을 만드는 데 도움이 될 수 있지만, 완성된 서비스가 언제나 먼 클라우드에 있어야 하는 것은 아니다.

이것이 인프라 논쟁의 배경에 있는 변화다. 미국은 단지 얼마나 많은 데이터센터를 지을지 선택하는 것이 아니다. 지능이 어디에서 작동할지, 누가 이를 통제할지, 경제가 어떤 실패를 감내해야 할지를 결정하고 있다.

전력 확충은 중앙집중화의 물리적 한계를 드러낸다

중앙집중형 AI는 소프트웨어를 빠르게 확장할 수 있지만, 물리적 의존성은 더 느리게 늘어나며 특정 지역사회에 비용을 부과한다.

에너지부에 따르면 미국 데이터센터는 2023년에 약 176테라와트시의 전력을 소비했다. 이는 2018년의 1.9%에서 증가한, 전국 전력 소비량의 약 4.4%에 해당한다.

에너지부의 energy use forecast는 데이터센터가 2028년에 325~580테라와트시를 소비할 수 있다고 추정한다. 전국 전력 사용량에서 차지하는 비중은 6.7~12%에 이를 수 있다.

이처럼 넓은 범위 자체가 중요한 경고다. AI 용량이 실제로 얼마나 생산적으로 활용될지 정확히 알기 전에 전력회사는 발전소, 송전망, 변전소, 고객 요금을 계획해야 한다. 너무 적게 구축하면 부족 사태의 위험이 있고, 과도하게 구축하면 고객이 활용되지 않는 자산의 비용을 부담할 수 있다.

국제에너지기구는 전 세계 데이터센터 전력 수요가 2030년까지 약 945테라와트시에 이를 것으로 예상한다. energy demand analysis는 미국과 중국이 전 세계 데이터센터 수요 증가의 거의 80%를 만들어낼 것으로 전망한다.

국가 단위 비율은 지역 부담을 가릴 수 있다. 데이터센터는 가용한 광섬유망, 적합한 토지, 기업 고객, 기존 클라우드 리전 주변에 집중된다. 미국 전체 전력망 기준으로는 감당 가능해 보이는 프로젝트도 하나의 전력 공급 구역이나 송전 회랑에는 과부하를 일으킬 수 있다.

이 프로젝트들은 시간표도 맞지 않는다. AI 하드웨어와 소프트웨어는 수개월 안에 바뀔 수 있지만, 송전선과 대형 발전 프로젝트는 계획과 건설에 수년이 걸린다. 지역사회는 변동성이 큰 기술 시장이 만든 수요 전망을 바탕으로 장기 인프라 투자 결정을 내려야 한다.

그렇다고 국가가 데이터센터 건설을 중단해야 한다는 뜻은 아니다. 학습 용량, 클라우드 서비스, 과학 컴퓨팅, 공동 엔터프라이즈 워크로드는 모두 이를 필요로 한다. 건설 유예는 로컬 지능과 관련된 전략적 이점 중 어느 것도 보존하지 못할 것이다.

더 타당한 결론은 모든 워크로드가 원격 하이퍼스케일 시설을 기본값으로 삼아서는 안 된다는 것이다. 분산 AI 인프라는 반복적인 데이터 이동을 줄이고, 일부 요청을 로컬에서 처리하며, 실제로 필요한 작업을 위해 중앙집중형 시스템을 남겨둘 수 있다.

이 아키텍처는 계층형 네트워크를 닮았다. 대형 시설은 최첨단 모델을 학습하고 복잡한 요청을 처리한다. 지역 시스템은 조직의 워크로드를 조율하며, 로컬 기기는 즉시 이용 가능한 데이터를 바탕으로 좁은 범위의 모델을 실행한다.

작업은 민감도, 지연 시간, 비용, 가용 연결성에 따라 이러한 계층 사이를 이동할 수 있다. 로컬 모델은 먼저 일상적인 질문에 답하고, 정책이 허용하는 경우 더 어려운 요청을 더 큰 시스템으로 보낼 수 있다.

이러한 배치가 전력 소비를 없애는 것은 아니다. 엣지 기기도 에너지를 사용하며, 비효율적인 중복은 일부 이점을 상쇄할 수 있다. 하드웨어 생산에도 환경적 비용과 공급망 비용이 따른다.

그럼에도 분산은 용량이 필요한 위치와 애플리케이션이 실패하는 방식을 바꾼다. 단일 네트워크 경로, 제공업체 또는 시설에 대한 의존도를 낮출 수 있다. 또한 개발자가 모든 요청을 최첨단 모델 문제처럼 취급하는 대신 작업에 맞는 컴퓨팅 자원을 선택할 수 있게 한다.

정치적 저항은 이러한 유연성의 가치를 높인다. 지역사회는 전기요금, 물 사용, 소음, 토지 전환, 제한적인 상시 고용에 대한 우려를 제기해 왔다. 이러한 우려는 국가 정책입안자들이 전략적으로 시급하다고 보는 프로젝트조차 지연시킬 수 있다.

엣지 AI 전략은 공정한 요금, 투명한 인허가, 책임 있는 물 관리의 대안이 될 수 없다. 다만 미래의 모든 AI 애플리케이션에 모든 하이퍼스케일 캠퍼스 제안이 필수적이라는 주장을 완화할 수는 있다.

미국에는 대형 데이터센터가 필요하다. 오류는 그 확장을 AI 준비도를 측정하는 완전한 기준으로 취급하는 데 있다.

분산 AI 인프라는 의사결정이 일어나는 장소를 바꾼다

가장 유용한 AI 시스템은 종종 의사결정에 관여하는 작업자, 기계 또는 데이터 곁에서 계속 사용할 수 있는 시스템이다.

분산 AI 인프라는 기기, 로컬 서버, 지역 시스템, 클라우드 시설 전반에 모델을 배치한다. 엣지 AI는 노트북, 센서, 차량, 공장 컴퓨터 또는 비공개 조직 서버처럼 데이터 원천 가까이에서 실행되는 부분이다.

Washington Examiner가 발표한 distributed AI case는 이 차이를 구체적으로 설명하기 위해 군사 작전을 활용한다. 단절되었거나 경합 중인 환경에서 활동하는 병력은 상용 클라우드에 지속적으로 접근할 수 있다고 가정할 수 없다.

비행선의 항공기 정비사는 통신이 저하된 상황에서도 승인된 기술 문서를 검색해야 할 수 있다. 전파 방출 제한 아래 작전 중인 함정 승조원은 민감한 작전 데이터를 원격 서비스로 전송하지 못할 수 있다.

재난 지역의 의료진도 비슷한 제약에 직면한다. 신속한 지원의 가치가 가장 커지는 바로 그때 네트워크 접속이 사라질 수 있다. 로컬 추론, 즉 가까운 하드웨어에서 모델 응답을 생성하는 방식은 시스템이 사용 가능한 데이터와 권한 범위 안에서 계속 작동하도록 해준다.

민간 조직도 같은 문제의 덜 극적인 형태에 직면한다. 제조업체는 외부 서비스의 연결이 끊길 때마다 생산 라인을 멈출 수 없다. 병원은 환자 정보가 이동하는 방식을 통제해야 하며, 법률 회사는 특권 정보를 보호해야 한다.

지식 노동자도 로컬 제어의 혜택을 받는다. 개인 문서, 회의 기록, 프로젝트 이력에는 어시스턴트를 유용하게 만드는 맥락이 담겨 있다. 이러한 자료를 여러 클라우드 서비스로 지속적으로 내보내면 프라이버시와 거버넌스 문제가 확대된다.

personal knowledge base는 로컬 데이터 활용 기회의 한 사례를 제시한다. 모든 문서를 공개적으로 접근 가능하게 만들지 않고도 사용자의 자체 업무 맥락에서 승인된 정보를 검색할 수 있을 때 시스템은 더 관련성 높아진다.

이 아키텍처는 전문화의 경제성도 바꾼다. 하나의 거대 모델은 폭넓은 언어, 추론, 코딩, 이미지, 연구 과업을 지원해야 한다. 더 작은 모델은 통제된 어휘와 알려진 데이터 소스를 갖춘 제한된 도메인에 집중할 수 있다.

더 작은 시스템이 모든 벤치마크에서 최첨단 모델을 능가하지는 못할 것이다. 그럴 필요도 없다. 예측 가능한 자원 예산 안에서 할당된 워크플로를 안정적이고 신속하게 완료할 때 성공한다.

그것이 분산형 AI를 클라우드 AI의 축소판 이상의 존재로 만든다. 로컬 모델은 원격 범용 모델이 안전하게 접근할 수 없는 기기 상태, 비공개 기록, 센서 판독값 또는 조직별 규칙을 활용할 수 있다.

또한 기기 밖으로 나가는 정보를 제한할 수 있다. 로컬 시스템은 민감한 자료를 분류하거나 요약한 뒤 축소된 요청만 클라우드로 보낼 수 있다. 또 다른 배포 방식은 전송 자체를 금지하고, 그 대가로 일반적 성능이 낮아지는 것을 감수할 수 있다.

미국의 경제 시스템은 이러한 다양성에 잘 맞는다. 스타트업은 특화 모델을 개발할 수 있고, 하드웨어 공급업체는 서로 다른 기기에 맞춰 최적화할 수 있으며, 기업은 실제 위험 수준을 기준으로 배포 방식을 선택할 수 있다.

중앙집중형 플랫폼은 여전히 공통 기반을 제공한다. 모델을 학습시키고, 업데이트를 배포하며, 어려운 질의를 지원하고, 대규모 기기 집단을 조율할 수 있다. 클라우드는 모든 의사결정에 반드시 거쳐야 하는 경로가 아니라 지원 계층이 된다.

이러한 균형은 전략적으로 중요하다. 소수의 하이퍼스케일 사업자만을 중심으로 구축된 국가 아키텍처는 기술적·상업적 차원 모두에서 집중을 초래한다. 개발자는 공급업체 인터페이스, 사용 정책, 서비스 가용성, 변화하는 계약 조건에 의존하게 된다.

분산은 더 많은 탈출 경로를 만든다. 조직은 일부 워크로드를 독립적으로 운영하고, 공급업체를 옮기거나, 장애 발생 중에도 필수 기능을 유지할 수 있다. 자동 업데이트가 규제 대상 프로세스를 방해할 경우, 검증된 이전 모델을 계속 유지할 수도 있다.

이러한 장점은 핵심적인 반대 대상이 클라우드 컴퓨팅 자체가 아닌 이유를 설명한다. 문제는 모델 개발이 그곳에서 시작됐다는 이유만으로 지능이 중앙집중형으로 남아야 한다는 가정이다.

엣지 AI 전략에는 고유한 보안 및 관리 비용도 따른다

AI를 사용자 가까이 배치하면 복원력과 개인정보 보호는 개선되지만, 모델의 보안·업데이트·평가 책임도 분산된다.

엣지 AI의 논거는 운영 현실을 무시하면 지나치게 단순해질 수 있다. 하이퍼스케일 공급업체는 시스템 패치, 공격 탐지, 암호화 관리, 고장 난 하드웨어 교체를 담당하는 전문 팀을 운영한다. 많은 소규모 조직은 이런 역량을 갖추기 어렵다.

모델을 분산하면 구성 상태가 균일하지 않은 더 큰 기기 집단이 만들어진다. 일부 장비는 업데이트를 놓치고, 취약한 소프트웨어를 유지하거나, 원래 의도된 서비스 수명을 넘겨 운영될 것이다. 물리적 접근은 엄격히 통제되는 데이터센터가 제한할 수 있는 공격 기회를 공격자에게 제공한다.

로컬 데이터가 자동으로 안전한 데이터가 되는 것은 아니다. 같은 기기에서 실행되는 악성코드는 모델 입력, 검색된 문서 또는 생성된 출력을 들여다볼 수 있다. 설계가 부실한 권한 체계는 어떤 정보도 건물 밖으로 나가지 않더라도 민감한 기록을 노출할 수 있다.

모델 거버넌스도 더 어려워진다. 조직은 어떤 모델 버전이 결정을 내렸는지, 어떤 소스에 접근했는지, 당시 어떤 정책이 적용됐는지를 알아야 한다. 이 기록을 간헐적으로 연결되는 수천 대의 기기에 걸쳐 유지하기는 어렵다.

특화 모델은 또 다른 트레이드오프를 만든다. 좁은 범위는 효율성을 높이지만, 익숙한 조건 밖에서의 성능 실패를 숨길 수 있다. 일반적인 고장을 학습한 정비 보조 시스템은 비정상적인 손상으로 낯선 센서 판독값이 발생할 때 제대로 대응하지 못할 수 있다.

따라서 테스트는 각 배포 환경을 반영해야 한다. 벤치마크 점수만으로는 시스템이 병원, 항공기, 공장 또는 비상 운영에 안전한지 판단할 수 없다. 운영자는 작업별 평가, 대체 절차, 명확한 적용 한계를 마련해야 한다.

상호운용성은 또 다른 장애물이다. 분산형 AI 네트워크에는 모델을 패키징하고, 업데이트를 검증하며, 권한을 강제하고, 로컬 및 클라우드 시스템 간에 작업을 이전하는 공통 방식이 필요하다. 독점 형식은 탈중앙화를 또 다른 형태의 종속으로 바꿀 수 있다.

하드웨어 제약은 여전히 현실적이다. 메모리는 로컬에서 실행 가능한 모델의 크기를 제한하고, 배터리 용량과 발열은 모바일 기기에서의 지속적 사용을 제한한다. 압축은 모델 크기를 줄일 수 있지만, 과도한 압축은 때때로 정확도를 낮추거나 유용한 기능을 제거한다.

클라우드는 불규칙한 수요에도 여전히 더 적합하다. 가끔 발생하는 피크 워크로드를 위해 로컬 하드웨어를 구매하면 자본이 낭비될 수 있다. 공유 인프라는 그 비용을 고객 전체에 분산하고, 모든 조직이 최대 수요를 예측하지 않아도 용량을 제공한다.

이러한 한계는 분산형 AI가 하이퍼스케일 컴퓨팅을 대체해야 한다는 주장을 약화시킨다. 그러나 혼합형 아키텍처의 필요성을 약화시키지는 않는다. 오히려 분산을 신뢰할 수 있게 만들기 위해 필요한 표준과 투자를 규정한다.

정부 정책은 공통 평가 방식, 안전한 업데이트 시스템, 모델 출처, 상호운용 가능한 배포 형식을 지원할 수 있다. 조달 정책은 모든 워크로드가 오프라인으로 작동하도록 요구하지 않으면서도, 연결성이 저하된 상태에서 기능하는 시스템에 보상할 수 있다.

조직은 인프라를 선택하기 전에 워크로드를 분류해야 한다. 최첨단 연구 과제는 대규모 컴퓨팅 클러스터에 속한다. 민감하고 반복적이며 시간 제약이 큰 작업은 어려운 사례에 대해 클라우드 확장을 사용할 수 있는 로컬 시스템에 더 적합할 수 있다.

보안 비교는 중앙집중형 장애도 고려해야 한다. 클라우드 장애는 동시에 수천 고객의 업무를 중단시킬 수 있다. 침해된 공급업체 계정이나 소프트웨어 종속성은 하나의 공통 경로를 통해 많은 조직을 노출할 수 있다.

중앙집중화는 방어를 더 전문화하지만, 성공한 공격이나 장애의 영향을 키울 수 있다. 분산은 더 많은 엔드포인트를 만들지만, 일부 중단 사태를 격리할 수 있다. 어느 구조도 자동으로 우위에 서지는 않는다.

올바른 질문은 각 애플리케이션이 어떤 장애 모드를 감내할 수 있는지다. 소비자용 글쓰기 도구는 일시적인 장애를 감수할 수 있다. 전장, 의료, 산업 또는 인프라 시스템에는 더 높은 복원력을 갖춘 해답이 필요하다.

조달 기관과 기업 구매자가 클라우드를 기본값으로 선택하기 전에 이 질문을 던지기 시작하기 전까지, 미국의 AI 인프라 전략은 불완전한 상태로 남을 것이다.

미국이 방향을 바꾸는지 보여줄 세 가지 신호

AI 경쟁의 다음 단계는 구매한 칩 수나 연결된 메가와트뿐 아니라, 실제 배포된 역량으로 측정될 것이다.

첫 번째 신호는 불안정한 연결 환경에서 작동하는 시스템을 위한 연방 조달이다. 국방 및 긴급 대응 계약은 엣지 우선 언어를 집행 가능한 기술 요구사항으로 바꿀 수 있다.

구매자는 명시된 오프라인 기능, 문서화된 동기화 동작, 로컬 권한 제어, 검증된 복구 절차를 살펴봐야 한다. 측정 가능한 요구사항 없이 엣지 배포만 언급하는 계약은 아키텍처를 바꾸지 못할 것이다.

검증된 배포가 잇따르면 분산형 AI 논지는 힘을 얻을 것이다. 중요 환경에서 클라우드 의존 애플리케이션을 계속 조달한다면, 실질적 장벽이 지지자들이 인정하는 것보다 더 크다는 뜻이 될 것이다.

두 번째 신호는 제약된 하드웨어에서의 모델 성능이다. 더 작은 모델은 메모리, 에너지, 지연 시간, 정확도에 대한 고정된 한계 안에서 유용한 작업을 완수해야 한다. 일반 벤치마크의 개선보다 실제 워크플로에서 일관된 결과를 내는 것이 더 중요하다.

개발자는 조직이 좁은 범위의 프로덕션 작업을 노트북, 워크스테이션, 차량, 프라이빗 서버로 옮기는지 지켜봐야 한다. 배포 수, 유지율, 에스컬레이션 비율은 시연 영상보다 더 강력한 증거가 될 것이다.

로컬 모델이 일상 업무를 처리하고 어려운 사례만 클라우드로 보낸다면, 하이브리드 모델은 경제적 가치를 입증한 셈이다. 사용자가 반복적으로 이를 우회해 더 큰 원격 시스템을 사용한다면, 하이퍼스케일 용량은 현재의 지배력을 유지할 것이다.

세 번째 신호는 인프라 정책이 더 빠른 데이터센터 건설을 넘어 확장되는지 여부다. 전력망 업그레이드와 신규 발전은 여전히 필요하지만, 국가 전략은 상호운용성, 안전한 모델 배포, 로컬 배포도 다뤄야 한다.

백악관의 현재 접근법은 대규모 시설과 그 전력 공급을 전략 인프라로 규정한다. 더 폭넓은 프로그램은 복원력 있는 소프트웨어, 신뢰할 수 있는 하드웨어, 분산형 추론도 인프라로 인식할 것이다.

국제적 전개는 이 시험을 더욱 선명하게 만들 것이다. 중국은 중앙집중형 제도를 통해 자본, 에너지, 산업 정책, 데이터센터 건설을 동원할 수 있다. 집중된 규모만으로 경쟁하면 미국은 그러한 제도적 강점에 보상하는 경쟁으로 내몰리게 된다.

미국의 장점은 다른 곳에도 있다. 경쟁 시장, 다양한 하드웨어 기업, 강력한 연구기관, 엔터프라이즈 소프트웨어 전문성, 특화 도구를 기꺼이 도입하는 고객이 있다. 분산형 AI 인프라는 이러한 참여자들에게 기여할 수 있는 더 많은 자리를 제공한다.

국가는 여전히 최첨단 모델을 학습시키고, 그에 필요한 시설을 구축해야 한다. 과학 연구, 국가 안보, 상업 경쟁은 그러한 역량에 달려 있다. 중앙집중형 컴퓨팅을 포기하는 것은 기존의 강점을 내주는 일이 될 것이다.

그러나 가장 큰 시스템만 구축하는 것은 필요한 투입 요소와 최종 목표를 혼동하는 일이다. 목표는 가장 많은 서버를 축적하는 것이 아니다. 미국 기관이 행동해야 하는 어디에서든 신뢰할 수 있는 지능을 이용할 수 있게 만드는 것이다.

그 결과를 위해서는 의도적인 워크로드 배치가 필요하다. 민감한 정보는 실용적인 경우 로컬에 남아야 한다. 시간에 민감한 기능은 네트워크 장애에도 살아남아야 한다. 복잡한 작업은 추가 역량이 그 종속성을 정당화할 때 중앙집중형 모델에 도달해야 한다.

따라서 미국의 AI 인프라 전략에는 조율된 두 가지 경로가 필요하다. 하나는 최첨단 컴퓨팅과 이를 뒷받침하는 에너지 시스템을 확장한다. 다른 하나는 관리 체계를 갖춘 소형 시스템을 경제 전반에 분산한다.

개발자와 기업 구매자에게 당장의 행동은 간단하다. 각 AI 워크로드가 어디에서 실패하는지 살펴보는 것이다. 연결이 사라질 때, 공급업체가 조건을 바꿀 때, 민감한 데이터가 외부로 나갈 수 없을 때, 또는 지연 시간이 받아들일 수 없게 될 때 어떤 일이 일어나는지 테스트해야 한다.

그 답은 또 다른 클라우드 계약이 문제를 해결하는지, 아니면 단지 해결을 미루는지를 보여준다. 미국은 이미 인프라 경쟁에서 전력 질주하고 있다. 문제는 그 지능이 실제 의사결정이 이루어지는 곳까지 도달할 것인지다.