오라클은 왜 엔비디아 GPU를 더 사면서 구글 TPU도 들일까?

엔비디아를 더 사고, 경쟁사의 칩도 산다

오라클은 구글의 8세대 TPU 8t와 TPU 8i를 클라우드 고객에게 제공하기로 했다. TPU 8t는 대규모 AI 모델 학습, TPU 8i는 추론에 맞춰 설계됐다. 공급 서비스는 2027년 시작되고 이후 여러 해에 걸쳐 확대될 계획이다.

같은 시점 오라클은 엔비디아 Vera Rubin NVL72 시스템을 멀티 기가와트 규모로 확장하겠다고 밝혔다. Cerebras와 SambaNova의 추론 칩도 도입 대상이다. 네트워크에는 오라클의 Acceleron 기술을 사용하며, 엔비디아 시스템에서도 자체 기술과 엔비디아 네트워킹을 조합한다.

핵심은 ‘엔비디아 교체’가 아니라 고객이 수행할 작업에 따라 서로 다른 컴퓨팅 수단을 제공하려는 전략이다. 아직 구글 TPU 계약 금액과 TPU에 배정될 전력 용량은 공개되지 않았다.

GPU와 TPU, 무엇이 다른가

쉽게 말하면 GPU는 활용 범위가 넓은 강력한 작업 장비, TPU는 AI 계산에 초점을 맞춘 전문 장비에 가깝다. 실제 성능은 모델, 데이터 크기, 소프트웨어 최적화, 칩 간 연결 구조에 따라 달라진다.

AI 반도체 시장이 둘로만 나뉘는 것은 아니다

구글이 8t와 8i를 구분한 것은 이 변화에 대응한 사례다. 그러나 GPU가 학습만 담당하고 TPU가 추론만 담당한다는 이분법은 틀리다. 양쪽 모두 학습과 추론에 쓰일 수 있으며, 고객은 실제 성능과 총비용에 따라 선택한다.

추론 이용량이 증가하면 전문 칩의 기회가 커질 수 있다. 동시에 더 복잡한 추론 모델은 강력한 GPU 수요를 늘릴 수도 있다. 추론 시장의 성장은 곧바로 엔비디아 시장 축소를 뜻하지 않는다.

엔비디아의 진짜 방어력은 칩 바깥에 있다

엔비디아의 경쟁력은 GPU 성능에만 있지 않다. CUDA는 개발자가 GPU에서 AI 프로그램을 실행하고 최적화하도록 돕는 소프트웨어 기반이다. 이미 구축한 프로그램을 다른 칩으로 옮기려면 수정, 성능 검증, 운영 인력 교육이 필요할 수 있다. 이것이 생태계 전환비용이다.

네트워킹도 중요하다. 수많은 칩이 하나의 대형 모델을 학습할 때 데이터 교환이 지연되면 비싼 장비가 기다리는 시간이 늘어난다. 엔비디아는 GPU와 칩 간 연결, 데이터센터 네트워크, 소프트웨어를 함께 최적화한다.

반대로 구글은 TPU와 소프트웨어의 호환성을 개선하고 있으며, 오라클은 Acceleron으로 데이터센터 연결의 일부를 직접 통제하려 한다. 경쟁의 무대가 ‘칩 한 개의 성능’에서 전체 시스템의 실제 운영 비용으로 이동하는 이유다.

누가 이익을 얻고, 누가 부담을 지는가

오라클의 FY2027 설비투자 전망은 약 900억~950억달러다. 이는 기존의 회사 전체 투자 전망이지, 이번 구글 TPU 계약 금액이 아니다. 장비가 실제로 설치되고 고객이 충분히 사용해야 투자비가 매출과 현금흐름으로 연결된다.