Pat Gelsinger의 AI 하드웨어 경고: HBM은 문제이며, 진짜 제약은 전력이다

Pat Gelsinger는 10월 9일 AI 하드웨어를 둘러싼 세 가지 경고를 내놨다. 더 나은 칩 설계만으로는 부족한 메모리, 느린 제조, 또는 확보할 수 없는 전력 문제를 해결할 수 없다는 것이다.

전 Intel CEO인 그는 The a16z Show 에피소드에서 고대역폭 메모리, 즉 HBM을 “끔찍한” 기술이라고 불렀다. 그는 AI 하드웨어가 르네상스에 접어들고 있다고도 설명했다. 그러나 가장 날카로운 전망은 충분한 전력을 확보하지 못하는 계획 중인 데이터 센터에 관한 것이었다.

“전력을 공급할 수 없다면 왜 새 데이터 센터를 짓고 GPU 100만 개를 사겠는가?”라고 Gelsinger는 물었다. 그는 예상된 에너지를 이용할 수 없게 되면서 더 많은 데이터 센터 프로젝트가 채무불이행에 빠질 것이라고 예측했다.

이 전망은 독립적으로 입증된 결과가 아니다. 이는 향후 전력 공급에 재무 및 건설 계획을 의존하는 프로젝트에 대한 Gelsinger의 판단이다. 그럼에도 그 근본적인 불일치는 주목할 만큼 분명하다.

AI 인프라 투자는 흔히 가속기 공급을 둘러싼 경쟁처럼 보인다. 하지만 Nvidia, AMD, 맞춤형 칩 설계업체, 메모리 제조사, 클라우드 제공업체, 유틸리티 기업, 개발업체는 실제로 서로 연결된 제약 조건의 체계에 직면해 있다.

더 빠른 프로세서도 모델 데이터를 기다려야 한다면 가치가 제한적이다. 완성된 서버도 시설이 계통 연계 대기열에 묶여 있다면 가치가 제한적이다. 예약한 전력 계약도 송전과 발전 설비가 수년 늦게 도착한다면 가치가 제한적이다.

따라서 Pat Gelsinger의 AI 하드웨어 논지에서 핵심 충돌은 Nvidia와 다른 칩 회사 간의 대결이 아니다. 약속된 컴퓨팅 용량과 이를 가동하는 데 필요한 물리적 인프라 간의 충돌이다.

Pat Gelsinger의 AI 하드웨어 주장은 세 가지 병목을 함께 짚는다

Gelsinger의 중요한 주장은 하나의 부품이 실패했다는 것이 아니다. 설계, 생산, 메모리, 전력이 이제 서로 양립할 수 없는 속도로 움직인다는 것이다.

AI는 엔지니어가 복잡한 설계를 작성, 검토, 최적화하도록 도와 반도체 설계 일부를 단축할 수 있다. 그렇다고 그 이후의 모든 단계를 자동으로 단축하는 것은 아니다.

제조, 첨단 패키징, 검증, 시스템 통합, 소프트웨어 개발에는 여전히 긴 일정이 필요하다. Gelsinger는 이러한 단계가 너무 오래 걸려, 가속기의 초기 워크로드 가정이 대규모 배포에 이르기 전에 이미 낡아질 수 있다고 주장했다.

그가 든 역사적 사례는 Graphcore였다. 이 영국 칩 회사는 머신러닝을 위한 지능형 처리 장치를 개발했지만, 주변 시장과 소프트웨어 환경은 빠르게 변화했다. Gelsinger의 요지는 그 엔지니어링에 장점이 없었다는 것이 아니다. 제품 주기보다 목표가 더 빨리 움직일 수 있다는 점이 위험이었다.

칩 회사가 전문화될수록 이 위험은 커진다. 오늘날의 모델 구조에 맞춘 아키텍처는 출시 시점에 다른 어텐션 메커니즘, 데이터 형식, 컨텍스트 요구 사항, 또는 추론 패턴에 맞닥뜨릴 수 있다.

업계는 또한 다수의 특화된 추론 프로세서를 실험하고 있다. Gelsinger는 고객이 끝없는 하드웨어와 소프트웨어 조합을 지원할 수 없기 때문에 이 분야가 통합될 것으로 예상한다.

각 아키텍처에는 컴파일러, 프레임워크, 최적화된 커널, 네트워킹, 모니터링, 운영 도구가 필요하다. 이러한 요구 사항은 매력적인 벤치마크 결과보다 더 큰 소프트웨어 부담을 만들 수 있다.

10월 9일 팟캐스트 대본은 이러한 상용화 문제를 두 가지 물리적 제약과 연결한다. AI 시스템에는 가속기에 데이터를 공급할 만큼 가까운 메모리가 필요하고, 시설에는 컴퓨팅 장비와 냉각 장비를 모두 가동할 안정적인 전력이 필요하다.

이 관점은 구매자가 가속기 발표를 읽는 방식을 바꾼다. 최고 산술 성능은 배포된 시스템의 한 부분만 설명한다. 메모리 용량, 실제 사용 가능한 대역폭, 패키징 수율, 네트워킹, 냉각, 전력 가용성이 실제 출력량을 결정할 수 있다.

Gelsinger는 중립적인 관찰자가 아니다. 그는 Intel이 제조 경쟁력을 재건하고 AI에서 더 효과적으로 경쟁하기 위해 막대한 비용을 들이던 시기에 회사를 이끌었다. 그의 현재 관심사에는 하드웨어 및 포토닉스 벤처도 포함된다.

그럼에도 그의 업계 경험은 이 비판에 무게를 더한다. 그는 프로세서 설계, 제조 전략, 시스템 아키텍처, 경영 계획 전반에서 일해 왔다. 그는 구매자에게 단일 성능 주장을 받아들이라고 요구하는 대신, 검증 가능한 의존 관계를 설명하고 있다.

그가 보는 르네상스는 따라서 혼란스럽다. AI 도구는 새로운 칩을 제안할 수 있는 팀의 수를 늘릴 수 있다. 어떤 제안이 지속 가능한 플랫폼이 될지는 제조 경제성과 소프트웨어 채택이 결정할 것이다.

이것이 이 글의 첫 번째 반전이다. 더 쉬워진 설계는 더 많은 아키텍처 실험을 낳을 수 있지만, 동시에 제조 접근성, 패키징, 배포 역량의 가치를 더욱 높일 수 있다.

Pat Gelsinger가 HBM을 끔찍한 메모리라고 부르는 이유

HBM은 적층 DRAM이 용량, 밀도, 온도, 비용 측면에서 이상적인 균형을 제공해서가 아니라 AI 가속기에 극단적인 대역폭이 필요하기 때문에 성공했다.

고대역폭 메모리는 가속기 가까이에 동적 임의 접근 메모리 스택을 배치한다. 넓은 연결부는 프로세서가 더 좁은 채널을 통해 연결되는 기존 서버 메모리보다 훨씬 많은 데이터를 이동하게 한다.

이러한 근접성은 많은 AI 연산이 데이터 이동에 제약받기 때문에 중요하다. 모델 가중치, 활성화 값, 또는 캐시된 토큰이 너무 느리게 도착하면 가속기는 연산 유닛을 계속 가동할 수 없다.

HBM은 이 대역폭 문제를 해결하지만, 그 구조는 어려운 절충을 수반한다. 적층 다이는 작은 영역에 메모리와 열을 집중시킨다. 첨단 패키징은 허용 가능한 수율을 유지하면서 메모리 스택을 고가의 가속기와 연결해야 한다.

Gelsinger는 비트 밀도, 쇼어라인 대역폭, 전력, 열 특성에 초점을 맞췄다. 쇼어라인 대역폭은 설계자가 칩 또는 패키지 주변의 제한된 물리적 경계를 따라 배치할 수 있는 연결성의 양을 뜻한다.

그는 또한 DRAM이 열을 잘 견디지 못한다고 지적했다. 메모리를 뜨거운 연산 유닛 가까이에 배치하면 통신은 개선되지만 열 관리는 더 어려워진다.

그의 표현은 의도적으로 강했다. HBM은 “끔찍한” 메모리지만, 여전히 현재로서는 최선의 선택이다. 이 두 번째 절은 중요하다. 이 비판이 AI 칩 제조사들이 비합리적인 결정을 내렸다는 뜻은 아니기 때문이다.

업계는 시급한 병목을 해결하기 위해 HBM을 채택했다. 효과적인 대체재 없이 이를 제거하면 대형 모델을 처리하는 프로세서가 활용할 수 있는 대역폭이 줄어든다.

HBM 제조사들도 적층, 인터페이스, 전력 효율, 통합을 계속 개선하고 있다. SK hynix, Samsung, Micron은 가속기 회사들이 지금 이러한 개선을 필요로 하기 때문에 막대한 투자를 해왔다.

SK hynix는 더 긴밀한 메모리와 로직 통합을 현 시스템 한계를 우회하는 방법으로 제시한다. 공개된 메모리 통합 작업은 파운드리 및 패키징 파트너와의 협력을 강조한다.

이 입장은 Gelsinger의 주장 일부를 뒷받침한다. 선도적인 HBM 공급업체는 기존의 멀리 떨어진 메모리가 미래 AI 요구 사항을 충족할 수 있다고 주장하지 않는다. 대신 메모리를 로직에 더 가깝게 이동시키고, 패키징을 아키텍처의 일부로 다룬다.

그러나 개선이 HBM을 영구적인 해답으로 만들지는 않는다. 용량, 열 밀도, 제조 복잡성, 물리적 인터페이스 한계는 여전히 활발한 연구 과제다.

대안은 문제를 서로 다른 방식으로 나눈다. 니어메모리 컴퓨팅은 선택된 연산을 저장된 데이터에 더 가깝게 옮긴다. 더 큰 저비용 메모리 풀은 일부 대역폭을 용량과 교환한다. 새로운 인터커넥트는 과도한 지연 시간 부담 없이 가속기가 추가 메모리에 접근하도록 시도한다.

고대역폭 플래시는 일부 워크로드에서 궁극적으로 훨씬 더 큰 용량을 제공할 수 있지만, 모든 역할에서 DRAM을 단순히 대체할 수는 없다. 컴퓨트인메모리 개념은 데이터가 있는 곳에서 특정 연산을 수행해 데이터 이동을 줄이려 한다.

이러한 접근법에는 새로운 하드웨어와 소프트웨어 가정이 필요하다. 개발자에게는 예측 가능한 프로그래밍 모델이 필요하고, 클라우드 운영자에게는 변화하는 워크로드 전반에서 계속 유용한 시스템이 필요하다.

이 때문에 HBM 비판을 단기적인 HBM 수요 붕괴로 오해해서는 안 된다. 현재 시장에는 막대한 대역폭이 필요하며, 생산 시스템은 대규모로 존재하는 기술을 사용해야 한다.

더 유용한 해석은 아키텍처적이다. 추가되는 모든 계층, 인터커넥트, 냉각 메커니즘, 패키징 단계는 이제 프로세서에 데이터를 공급하는 데 얼마나 많은 엔지니어링이 투입되는지를 보여준다.

따라서 AI 구매자는 가속기의 표면적 처리량만이 아니라 지속적인 애플리케이션 성능을 물어야 한다. 장치당 메모리 용량, 실제 워크로드에서의 대역폭, 열 스로틀링, 인터커넥트 동작, 소프트웨어 성숙도를 검토해야 한다.

Gelsinger의 HBM 비판은 메모리 월에 대한 진단으로서 가장 강력하다. 메모리 월은 연산 속도와 시스템이 프로세서에 데이터를 공급할 수 있는 능력 간에 벌어지는 격차를 뜻한다.

HBM은 그 벽을 옮기지만, 없애지는 못한다.

AI 하드웨어 르네상스도 결국 제조를 거친다

AI는 더 넓은 범위의 칩 아이디어를 만들어 내고 있지만, 제조, 패키징, 소프트웨어 규모는 살아남을 수 있는 집단을 좁히고 있다.

Gelsinger는 AI 지원이 칩 개발 기간을 단축할 수 있다고 주장한다. 엔지니어는 모델을 사용해 설계 요소를 생성하고, 레이아웃을 탐색하며, 검증 결과를 검토하고, 더 방대한 기술 정보에 접근할 수 있다.

이는 그럴듯한 설계에 도달하는 데 필요한 노력을 줄일 수 있다. 그러나 현대적인 제조 공장을 즉시 만들어내거나, 첨단 패키징 역량을 단번에 늘리거나, 허용 가능한 제조 수율을 보장할 수는 없다.

칩은 제조되고, 패키징되며, 테스트를 거쳐 설치되고, 프로그래밍되고, 안정적으로 운영된 뒤에야 상업적 의미를 갖는다. 어느 한 단계의 취약점도 매출을 지연시키거나 고객에게 충분히 활용되지 못하는 하드웨어를 남길 수 있다.

바로 여기서 이 르네상스는 단순한 스타트업 붐과 구별된다. 더 많은 팀이 특화 프로세서를 탐색할 수 있지만, 물량 배포에 필요한 모든 자원을 확보할 수 있는 팀은 비교적 적다.

Nvidia의 우위가 이를 보여준다. 그 위치는 가속기 성능에 기반하지만, 소프트웨어, 네트워킹, 시스템, 개발자 친숙도, 대규모 배포를 위해 구축된 공급망에도 기반한다.

AMD는 Instinct 가속기와 관련 소프트웨어로 경쟁한다. Google은 클라우드 내부에서 Tensor Processing Units를 개발하고 배포하는 데 수년을 투자했다. Amazon과 Microsoft도 자체 워크로드를 위한 맞춤형 실리콘을 설계한다.

이 기업들은 칩 설계를 데이터 센터, 내부 소프트웨어 팀, 고객 수요, 구매 약정과 연결할 수 있다. 더 작은 설계업체는 흔히 파트너십을 통해 이 요소들을 모아야 한다.

제조 주기는 또 다른 형태의 위험을 더한다. 한 세대의 모델을 위해 구상된 특화 칩은 고객이 다른 모델 규모나 추론 경제성으로 이동한 뒤에야 대량 생산에 도달할 수 있다.

Gelsinger의 주장은 이 시점 불일치를 지적할 때 가장 강력하다. AI는 설계자가 초기 단계에서 더 빨리 움직이도록 도울 수 있지만, 물리적 생산 경로는 비교적 경직된 상태로 남는다.

광 인터커넥트는 제안된 대응책 중 하나다. 이는 빛을 이용해 시스템 구성 요소 사이에서 정보를 이동시키며, 장거리에서 일부 전기 신호 한계를 줄일 가능성이 있다.

Gelsinger는 메모리와 연산은 가까이 유지하면서 광 링크가 더 많은 입출력 트래픽을 맡아야 한다고 주장해 왔다. 그의 현재 작업에는 xLight를 통한 포토닉스 접근법 홍보도 포함된다.

포토닉 칩 프로필은 이 노력을 대규모 컴퓨팅 시스템의 연결 방식을 개선하려는 더 폭넓은 시도의 일부로 설명한다. 이 기술은 여전히 제조, 통합, 도입 측면의 장벽에 직면해 있다.

광학 기술이 모든 병목을 해결해 주지는 않는다. 전기를 공급하거나, 추가 HBM 스택을 만들거나, 효율적인 소프트웨어의 필요성을 없애지는 못한다. 다만 시스템의 여러 부분 사이에서 데이터를 이동할 때 드는 에너지와 지연 시간을 줄일 수 있다.

같은 원리는 칩렛, 첨단 패키징, 메모리 통합에도 적용된다. 현대의 성능 향상은 하나의 거대한 단일 프로세서에 의존하기보다, 특화된 구성 요소들을 연결하는 데 점점 더 크게 좌우된다.

이는 여러 공급업체를 조율할 수 있는 기업의 가치를 높인다. 동시에 어느 한 구성 요소라도 지연될 때의 파급효과도 커진다.

따라서 AI 하드웨어의 부흥은 다양성과 통합을 동시에 낳을 것이다. 새로운 설계가 등장하겠지만, 고객들은 대규모로 공급되고 기존 소프트웨어를 안정적으로 실행하는 아키텍처에 지출을 집중할 것이다.

개발자는 실리콘 사양만큼이나 소프트웨어 지원을 면밀히 살펴야 한다. 성숙한 컴파일러나 최적화된 모델 커널이 없는 유망한 가속기는 설치된 뒤에도 유휴 상태로 남을 수 있다.

기업 구매자도 관련된 결정을 내려야 한다. 수년 앞서 하드웨어를 예약하면 용량을 확보할 수 있지만, 모델, 에너지 비용, 활용률에 관한 가정에 조직을 묶어둘 수도 있다.

승리하는 아키텍처는 이론상 수치가 가장 큰 칩이 아닐 수 있다. 가용 메모리, 전력, 소프트웨어를 수용 가능한 운영 비용으로 신뢰할 수 있는 토큰으로 전환하는 시스템일 수 있다.

전력 부족이 컴퓨팅 계획을 신용 리스크로 바꾼다

전력 제약은 미완성 또는 전력 부족 시설이 예상 수익을 뒷받침할 수 없기 때문에 엔지니어링 문제를 금융 문제로 전환한다.

Gelsinger의 기본 경고는 기존 클라우드 제공업체의 즉각적인 실패가 아니라 프로젝트에 관한 것이다. 이 구분은 극적인 예측이 오해를 부르는 주장으로 변하는 것을 막는다.

데이터센터 개발에는 토지, 인허가, 건설 금융, 장비 약정, 유틸리티 계약, 예상 고객 계약이 포함될 수 있다. 이러한 요소들이 항상 같은 일정으로 준비되는 것은 아니다.

개발업체는 유틸리티가 발전 설비, 송전망, 변전소, 계통 연계를 추가하는 것보다 더 빠르게 구조물을 짓고 서버를 주문할 수 있다. 전력 공급 개시일을 놓친 프로젝트는 고객에게 서비스를 제공하기 전부터 자산 비용을 지불하기 시작할 수 있다.

이런 지연은 재무 모델을 약화할 수 있다. 부채 상환은 계속되고 장비는 감가상각되며 고객은 다른 곳에서 용량을 찾을 수 있다. 공격적인 활용률을 전제로 계획된 프로젝트는 배정 전력의 일부만 공급될 경우 취약해진다.

이것이 Gelsinger의 경고가 작동하는 메커니즘이다. 전국적으로 전기가 사라질 필요는 없다. 지역적 부족, 지연된 연결, 불확실한 공급 일정만으로도 개별 프로젝트는 타격을 입을 수 있다.

국제에너지기구는 2024년 전 세계 데이터센터가 약 415테라와트시의 전력을 소비한 것으로 추정했다. 기본 시나리오에서는 2030년 수요가 약 945테라와트시에 이를 것으로 전망한다.

IEA는 2030년까지 전 세계 전력 수요 증가분에서 데이터센터가 차지하는 비중이 10% 미만일 것으로 예상한다. 이러한 세계적 비중은 개별 시장의 심각한 압박과 공존할 수 있다.

데이터센터는 지리적으로 집중돼 있다. 또한 특정 부지에서 크고 안정적인 부하를 필요로 하므로, 전 세계 총량보다 지역 전력망 여건이 더 중요하다.

IEA의 에너지 수요 분석은 AI 중심 시설이 증가분의 상당 부분을 견인할 것으로 예상한다. 또한 예측은 효율성, 도입, 하드웨어, 모델 개발에 달려 있음을 강조한다.

이 불확실성은 양방향으로 작용한다. 더 나은 칩, 개선된 냉각, 효율적인 모델은 작업당 전력 사용량을 줄일 수 있다. 이후 비용 하락이 더 많은 사용을 자극해 효율성 개선분의 일부를 상쇄할 수 있다.

시설 개발업체에는 여러 대응책이 있다. 가용 발전량이 있는 지역을 선택하거나, 단계적으로 건설하거나, 장기 전력 계약을 확보하거나, 신규 발전 및 송전 설비를 지원할 수 있다.

일부 운영업체는 천연가스 발전, 원자력 계약, 저장장치와 결합한 재생에너지, 유연한 컴퓨팅 일정을 검토하고 있다. 각 선택지에는 인허가, 자금 조달, 신뢰성 또는 배출량 측면의 절충이 따른다.

전력 계약도 면밀한 검토가 필요하다. 계약된 에너지, 발전 용량, 계통 연계 승인, 실제 공급은 서로 대체 가능한 개념이 아니다.

투자자는 전력이 언제 공급 가능한지, 지연 위험을 누가 부담하는지, 약정된 공급량이 해당 부지의 전체 계획 부하를 뒷받침하는지 물어야 한다. 냉각 및 백업 시스템이 포함되는지도 살펴야 한다.

고객도 예약된 가속기 용량을 보장된 것으로 간주하기 전에 유사한 질문을 해야 한다. 클라우드 제공업체가 하드웨어를 보유하고 있어도 모든 시스템을 지속적으로 가동할 만큼 충분히 준공된 인프라가 없을 수 있다.

Gelsinger의 “100만 개 GPU” 사례는 특정 채무불이행 프로젝트를 기록한 것이 아니라 규모를 표현한 것이다. 독자는 이를 특정 개발 프로젝트가 실패했다는 증거로 받아들여서는 안 된다.

그의 더 넓은 결론은 여전히 설득력이 있다. 조달은 가장 느린 물리적 의존성보다 앞서 나갔다. 전력 공급 전에 투입된 자본이 많을수록 일정이 벌어질 때 노출 위험도 커진다.

채무불이행 예측에는 더 높은 수준의 입증이 필요하다

전력 부족은 문서로 확인됐지만, 데이터센터 채무불이행의 물결은 프로젝트 단위의 재무 증거가 필요한 전망에 불과하다.

Gelsinger의 경고는 여러 가능한 결과를 기억하기 쉬운 한 단어로 압축한다. 건설 지연, 단계적 배치, 계약 재협상, 자산 매각, 구조조정, 지급불이행은 동일하지 않다.

개발업체는 부채 상환 의무를 이행하지 못하지 않고도 지연을 감당할 수 있다. 대형 기술 기업은 투기적 운영업체보다 자본을 재배치하고, 장비를 옮기고, 공급 일정을 재협상하기가 더 쉽다.

대출기관도 후속 건설 자금을 집행하기 전에 전력 약정을 요구할 수 있다. 이런 보호 장치는 노출 위험을 낮출 수 있지만, 일정 위험을 없애지는 못한다.

지연된 전력 공급이 미지급, 부실 대출, 임대 취소, 곤경에 처한 자산 매각으로 이어진다면 이 주장은 더 설득력을 얻는다. 공개 증거는 연기된 모든 시설을 채무불이행으로 취급하지 말고 이러한 결과를 식별해야 한다.

메모리 비판에는 반론도 있다. HBM은 기존 메모리 시스템이 제공할 수 없었던 대역폭을 제공함으로써 현재의 AI 확장을 가능하게 했다.

HBM을 끔찍하다고 부르는 것은 적층, 패키징, 인터페이스, 에너지 효율 측면에서 이뤄진 상당한 진전을 가릴 수 있다. 핵심 질문은 다른 아키텍처가 실제 워크로드에서 HBM을 능가하고 대량 공급될 수 있는지다.

메모리 제조업체는 투자를 방어하고 확대할 강한 유인을 갖고 있다. 그러나 로직과의 더 긴밀한 통합 및 대안 메모리 계층에 대한 이들의 연구는 현재 아키텍처도 여전히 개선이 필요하다는 점을 시사한다.

전력 예측에도 비슷한 불확실성이 있다. IEA는 전 세계 데이터센터 전력 소비가 2030년까지 두 배가 될 것으로 보며, AI 중심 소비는 그보다 더 빠르게 늘어날 태세라고 말한다.

유틸리티, 규제기관, 운영업체는 이미 대응하고 있다. 신규 발전, 송전망 개선, 수요 유연성, 더 효율적인 컴퓨팅은 격차를 줄일 수 있다.

IEA는 또한 2030년까지 재생에너지가 데이터센터 전력 수요 증가분의 거의 절반을 공급할 것으로 예상한다. 그러나 이 전망이 모든 부지에 적시 공급을 보장하는 것은 아니다.

입지는 여전히 결정적이다. 국가 시장 전체로는 충분한 발전량이 있어도 특정 지역에는 송전 용량이나 승인된 계통 연계가 부족할 수 있다.

기술도 수요 곡선을 바꿀 수 있다. 양자화는 모델 값을 표현하는 데 쓰이는 정밀도를 낮춘다. 증류는 역량을 더 작은 모델로 이전한다. 더 나은 스케줄링은 설치된 플릿 전반의 활용률을 높인다.

이러한 개선은 특정 워크로드에 필요한 하드웨어를 줄일 수 있다. 하지만 더 저렴한 추론은 더 많은 사용자와 애플리케이션을 끌어들이는 경우가 많기 때문에, 총소비량 감소를 보장하지는 않는다.

따라서 Gelsinger의 AI 하드웨어 주장은 확정된 시장 전망이 아니라 스트레스 테스트로 다뤄야 한다. 메모리, 제조, 전력이 예상보다 늦게 도착할 때 계획이 여전히 실행 가능한지를 묻는다.

답은 프로젝트마다 다를 것이다. 탄탄한 재무구조와 확보된 전력을 갖춘 하이퍼스케일러 소유 캠퍼스는 미래 임차인과 불확실한 전력망 연결을 전제로 구축되는 개발 프로젝트와 다른 위험 범주에 속한다.

독자는 연사의 권위와 증거도 구분해야 한다. Gelsinger는 반도체 분야에서 깊은 경험을 갖고 있지만, 그렇다고 모든 프로젝트의 자금 조달 상황을 비공개로 파악하고 있는 것은 아니다.

그의 경고가 주목받는 이유는 그 메커니즘이 일관되기 때문이다. 검증에는 계약, 계통 연계 일정, 활용률 데이터, 대출 실적, 공개된 프로젝트 취소 정보가 필요하다.

Gelsinger의 경고를 시험할 세 가지 신호

이 이야기의 다음 단계는 공급된 전력, 실제로 활용 가능한 메모리 대안, 재무적으로 확인 가능한 프로젝트 실패에 의해 결정될 것이다.

첫 번째 신호는 발표된 데이터센터 용량과 전력이 실제로 공급된 용량 사이의 격차다. 발표는 야심을 측정하지만, 준공된 전력 부하는 운영업체가 실제로 사용할 수 있는 것을 보여준다.

유틸리티 계통 연계 승인, 변전소 완공일, 송전 프로젝트, 단계별 캠퍼스 개장을 지켜봐야 한다. 반복되는 지연은 전력이 구속 조건이 됐다는 Gelsinger의 주장을 강화할 것이다.

더 빠른 연결과 안정적인 공급은 채무불이행 논지를 약화할 것이다. 유틸리티와 개발업체가 금융 압박이 심각해지기 전에 확장을 조율할 수 있음을 보여줄 것이기 때문이다.

두 번째 신호는 메모리 대안이 연구실을 떠나 생산 시스템에 진입하는지 여부다. HBM4의 개선은 중요하지만, 모든 비판을 해소하기보다는 현재 접근법을 확장하는 것이다.

근접 메모리 컴퓨팅, 고대역폭 플래시, 광학 링크, 더 큰 기존 메모리 풀은 출시된 제품으로 평가해야 한다. 유용한 지표에는 애플리케이션 성능, 용량, 전력 효율, 소프트웨어 호환성, 물량 가용성이 포함된다.

HBM 의존도를 낮추는 신뢰할 만한 배치는 부흥 논지를 강화할 것이다. 제조 규모가 없는 또 다른 유망한 프로토타입은 상용화에 관한 Gelsinger의 경고를 뒷받침할 것이다.

세 번째 신호는 프로젝트 단위의 재무적 곤경이다. 투자자는 미지급, 구조조정, 취소된 임차인 약정, 곤경 매각, 사용 불가능한 전력과 직접 연결된 대출기관 공시를 살펴야 한다.

일반적인 일정 변경만으로는 충분하지 않다. 여러 독립 프로젝트에서 지연된 에너지 공급과 재무적 채무불이행의 공통 연결고리가 나타날 때에만 이 예측은 하나의 물결이 된다.

이러한 신호는 반도체 투자자만이 아니라 더 넓은 범위에서 중요하다. 개발자는 어떤 아키텍처에 최적화 작업을 투자해야 하는지 알아야 한다. 기업 구매자는 예약된 용량이 일정에 맞춰 공급될지를 평가해야 한다.

지식 노동자는 모델 가용성, 지연 시간, 사용 제한, 서비스 신뢰성을 통해 그 결과를 경험하게 된다. 인프라 병목은 결국 그 위에 구축된 제품에서 모습을 드러낸다.

발표 내용을 비교하는 팀은 결정 사항, 기술적 증거, 변화하는 가정을 AI knowledge base에 보존할 수 있다. 이 기록은 공급 일정이나 아키텍처 주장이 바뀔 때 유용해진다.

Pat Gelsinger의 AI 하드웨어 경고는 궁극적으로 조율에 관한 것이다. 메모리, 패키징, 소프트웨어, 냉각, 자금 조달, 전력이 모두 함께 도착해야 하는 상황에서는 더 나은 실리콘을 설계하는 것만으로는 더 이상 충분하지 않다.

HBM은 여전히 필수적일 수 있지만, 동시에 심각하게 훼손될 수도 있다. AI 하드웨어는 르네상스에 접어들 수 있지만, 대부분의 새로운 아키텍처는 규모 확장에 실패할 수 있다. 데이터센터 수요는 증가할 수 있지만, 개별 프로젝트는 재정적으로 감당하기 어려워질 수 있다.

향후 3개월의 핵심 질문은 구체적이다. 또 한 차례의 예약과 전망이 아니라, 실제 가동 중인 생산능력과 배포된 메모리 개선 사항, 작동하는 시스템을 보여줄 수 있는 기업은 어디인가?