공급 부족이 독점을 무너뜨린다
NVDA의 H100·H200 GPU 수급 부족이 장기화하면서 메타, 구글, 아마존 등 메이저 클라우드 기업들이 자체 설계 AI 칩 개발에 진격했다. 생성형 AI 시장이 폭증하자 Nvidia의 팹 용량이 수요를 따라잡지 못했고, 이 병목이 업계 경쟁 구도를 근본적으로 재편하는 전환점이 되고 있다.
AI 칩 시장의 변곡점
Nvidia의 GPU 독점은 팹(foundry) 의존 구조의 취약성에 기반해 있다. TSMC 공급망이 물리적·시간적 제약을 가지는 상황에서, 메이저 기술사들은 자신의 데이터센터 규모와 AI 워크로드 특성에 맞춘 맞춤형 칩 개발을 경제적 선택으로 보기 시작했다. 메타의 MTIA, 구글의 TPU, 아마존의 Trainium·Inferentia 개발은 공급 부족 때문만 아니라 자사 최적화를 통한 효율성 극대화 논리로 정당화된다.
왜 지금 산업 구도가 바뀌나: 4가지 요인
1. 공급 부족의 구조적 고착: Nvidia는 설계만 하고 TSMC에 위탁생산한다. 팹 공급이 한정된 상황에서 Nvidia 칩 수량을 늘리려면 상당한 대기 시간이 필요하다. 이 지연 자체가 메이저 고객들에게 자체 개발 투자의 정당성을 제공한다. 공급 문제가 단기 부족이 아니라 구조적 병목으로 인식되는 순간, 의존도를 낮출 인센티브는 극대화된다.
2. 메이저 플레이어의 수직통합 논리: 메타·구글·아마존은 매년 수십억 달러를 AI 인프라에 투자한다. 이 규모면 자체 칩 팀을 유지하고 5~7년 개발 사이클을 감당할 수 있다. 특히 자신들의 추론(inference) 워크로드는 Nvidia의 일반용 설계보다 더 효율적으로 특화될 가능성이 높다. 장기 관점에서 BOM(부품 원가) 절감과 차별화 효과가 상쇄되지 않는다면, 내제화는 합리적 전략이다.
3. 대안 선택지의 확대: AMD의 MI 시리즈, 신규 업체(Cerebras, Graphcore 등)의 진입, 그리고 오픈소스 기반 칩 설계(RISC-V 기반 가속기)의 성숙이 독점의 벽을 낮춘다. 단일 공급원 의존에서 벗어날 실질적 선택지가 생겼다는 것 자체가 시장 전환의 신호다. INTC나 AMD 같은 기존 반도체사들도 AI 칩 영역에서 존재감을 강화할 기회를 얻는다.
4. 소프트웨어 생태계의 분산화: CUDA는 Nvidia의 최대 해자(moat)였다. 하지만 PyTorch, TensorFlow 등 주요 프레임워크가 다양한 하드웨어 백엔드를 지원하게 되고, 클라우드사들이 자신의 칩에 최적화된 라이브러리 스택을 구축하면서 전환 비용이 낮아진다. 소프트웨어 종속성만으로는 독점을 유지할 수 없게 되는 추세다.
그래도 Nvidia인 이유: 구조적 강점과 약점
설계와 생태계의 우위는 여전: Nvidia는 20년 이상 GPU 아키텍처 최적화를 축적했고, CUDA 생태계는 수백만 시간의 개발자 투자로 이뤄져 있다. 메이저 클라우드사의 자체 칩도 Nvidia 칩과의 비교에서만 의미가 있을 만큼 Nvidia는 성능·신뢰도 기준을 설정하는 표준이다. 이 우위는 5년 이상 유지될 것으로 보인다.
자체 칩의 경제학은 미결정: 메타·구글이 5~7년에 수십억 달러를 투자해 개발한 칩이 설계·제조·검증을 거쳐 상용화되려면 추가 시간이 필요하다. 이 기간 Nvidia 칩은 성능·에너지 효율에서 또 한 세대 진화한다. 자체 칩이 언제 손익분기점에 도달할지는 여전히 불확실하며, 초기 다운타임(downtime)은 회피 불가능하다.
정리
AI 칩 시장은 Nvidia의 독점에서 다원화 경쟁으로 이동 중이다. 이는 공급 부족이라는 외생 충격과 메이저 플레이어의 수직통합 선택이 맞물린 결과다. Nvidia의 포지션이 약화되는 것이 아니라 시장 전체가 분화되면서 Nvidia는 프리미엄 고성능 세그먼트(특히 설계 단계)에 더욱 집중하고, 메이저 클라우드사는 자신의 추론 워크로드에 최적화된 대체 칩을 보유하는 다층 구조가 정착할 것으로 전망된다.
본 글은 정보 제공 목적이며 투자 권유가 아닙니다.