GTC 베를린 키노트 18분 핵심정리 | AI 위기론? 젠슨 황, 투자 가속화 전방위적 준비 마쳤다... 데이터센터 통째로 배송부터 기업용

Video: GTC 베를린 키노트 18분 핵심정리 | AI 위기론? 젠슨 황, 투자 가속화 전방위적 준비 마쳤다... 데이터센터 통째로 배송부터 기업용 AI 확장
Channel: 안될공학 - IT 테크 신기술
Duration: 18m 26s
Source: subtitle (auto, ko)
Transcript:
네, 여러분 안녕하세요. 패치입니다. 지금 독일 베를린에서 엔비디아 GTC가 열리고 있죠. 그런데 이번 키노트에서요. 젠슨 황이 AI 데이터 센터를 컨테이너에 배송하겠다고 발표를 했습니다. 서버와 네트워크 장비는 물론이고요. 전력 배선이랑 냉각 배관까지 공장에서 미리 이렇게 다 조립을 하고요. 테스트한 다음에 보내는 겁니다. 기반 시설이 준비된 현장이라면 배치하는 기간을 최단 14일까지 줄일 수 있다고 하는데요. 그런데 이런 모듈형 데이터 센터는 우리나라 앨리스 클라우드도 이미 하고 있습니다. 그렇다면 엔비디아는 여기에 뭘 더한 걸까요? 이번 발표를 따라가 보면요. 데이터 센터를 빨리 짓는 거부터 그 안에 AA한테 실제 업무를 맡기는 과정까지 이렇게 쭉 이어집니다. 구축의 시간이 오래 걸리면 미리 조립한 시스템을 보내고요. AI가 회사일을 하고자 한다면 내부 데이터를 연결해 주고 업무를 맡기기 불안하면 접근한이랑 행동을 통제하는 보안 기술까지 이렇게 착 붙이는 거죠. 고객은 각각의 기술을 직접 연결하고 운영하는 부담을 좀 덜 수 있습니다.

그리고 그 과정에서 엔비디아는 GPU에 더해 가지고 서버랑 네트워크 장비, 업무용 AI 도구랑 보안 소프트웨어까지 함께 제공을 하게 되고요. 고객이 AI를 쓰는데 드는 전체 비용은 줄어드는데요. 그중에 엔비디아한테 지불하는 돈은 오히려 늘어날 수도 있는 겁니다. 자, 먼저 데이터 센터를 공장에서 만들어 보낸다는게 어떤 의미인지 한번 살펴볼게요. 앨리스 클라우드가 운영하는 PMDC는 pr패리케이 머줄 데이터 센터의 약자인데요. 공장에서 미리 만든 모듈을 현장에 가져와서 설치하는 데이터 센터라는 뜻이죠. 앨리스는 지난해 블랙웰 B200에 직접 수행식 다이렉트 리quid 쿨링이라는 DLC를 적용했다고 발표를 했는데요. CPU라든가 GPU 위에 냉각수가 흐르는 부품을 붙여서 열을 가져오는 그런 쿨링 방식이죠. 올해는 B300 GPU 2560개를 넣는 그런 구축 사업도 발표를 했습니다. 국내에서도 최신 GPU의 전력이랑 발에 맞춰서 모듈형 데이터 센터가 발전을 하고 있는 거죠. 이번 엔비디아 DSX 퍼드에서 볼 부분은 베라루빈 시스템에 필요한 전력이랑 냉각 그리고 네트워크를 여러 파트너가 함께 구축할 수 있도록 묶었다는 점인데요.

어떤 장비를 어디에 배치하고 어떻게 연결할지 레퍼런스 디자인을 제공을 하고요.이를 바탕으로 공장에서 조립이랑 테스트를 마친 모듈을 보내겠다는 겁니다. 공급은 2027년 초부터 시작할 계획이라고 해요. 그런데 이렇게 현장 작업을 줄이려는 데는 다 이유가 있는데요. 데이터 센터는 서버가 도착했다고 해서 바로 그냥 전원을 켤 수 있는 시설이 아니거든요. 냉각 배관이랑 네트워크를 연결을 하고 실제 부하가 걸렸을 때 전력이랑 냉각에 문제가 없는지도 확인을 해 봐야 됩니다. 현장에서 문제가 발견되면 장비를 손 보는 동안에 비싼 GPU가 일을 못 하고 그냥 마냥 기다리게 되죠. 와, 이거 GPU 가격을 생각을 하면 유급 휴가도 이렇게 비싼 휴가가 없습니다. 그런데 공장에서 이제 조립이란 검증을 진행하는 동안에 현장에서는 기반 시설을 준비하고 있으면 두 작업을 동시에 진행을 할 수가 있겠죠. 현장에서 여러 업체가 처음부터 맞춰 봐야 하는 그런 작업이랑 변수를 좀 줄이겠다는 거예요. 물론 전력막 연결을 기다리는 현장이라면 그 문제까지 다 해결되는 건 아닌데요.

최단 14일이라는 기간도 일단 기반 시설이 준비가 된 현장에서의 배치 기간으로 봐야겠죠. 가동 이후의 효율도 함께 다루는데요. 엔비디아는 DSX를 적용을 하면 특정 조건에서 같은 양의 토큰을 생산하는데 필요한 전력을 최대 30% 줄일 수 있다고 설명을 했습니다. 서버뿐만이 아니라 냉각이랑 전력 공급까지 다 함께 이렇게 최적화하는 방식인 거죠. 전력이 부족한 시설이라면 같은 전력 안에서 처리할 수 있는 작업이 늘어날 텐데요. 여기까지 보면 고객한테 주는 이점은 확실합니다. 장비가 도착한 뒤에 기다리는 시간을 줄이고요. 가동한 다음에는 전력을 더 효율적으로 쓰겠다는 이야기예요. 그런데 이게 엔비디아의 추가 매출로 이어질지는 고객이 그다음에 뭘 하느냐에 달려 있겠죠. 필요한 작업량이 정해져 있는 고객은요. 기존 장비를 더 오래 쓰거나 구매를 늦출 수 있고요. 반면에 전력이라든가 구축 난이도 때문에 확장을 못 하던 고객은 새로운 시설이랑 장비를들을 여지가 생기고요. 그래서 제가 봐야 된다고 생각을 하는 건 설치 속도랑 함께 새로 들어오는 고객을 좀 보고 싶은데요.

이게 내년 주문이 올해로 당겨진 건지 아니면 예전에는 차마 도입을 하지 못했던 고객들이 들어온 건지 이거에 따라서 이후의 성장 모습이 좀 달라질 것 같아요. 운영 업체도 마찬가지인데요. 빨리 지은 데이터 센터에다 고객을 채워 놓고 GPU를 꾸준히 돌릴 수 있어야지 투자한 돈을 회수할 수 있겠죠. 엔비디아는 고객의 구축 시간을 줄이는 한편 장비를 만드는 공급망도 넓히고 있습니다. 데이터 센터를 빨리 설치할 준비가 돼 있어도 필요한 부품이 부족하면 장비를 보낼 수가 없어요. AI 시스템은 GPU만 충분히 만든다고 완성이 되지 않죠. 여러 칩을 연결하는 인터포저랑 기판, 패키징 그리고 완성된 반도체를 검사하는 테스트까지 생산 능력이 다 함께 늘어나야 됩니다. 대규모 시스템에서 사용하는 광통신 부품도 그 중 하나인데요. GPU가 많아질수록 서로 주고받는 데이터도 많아지죠. 데이터를 기다리느라 계산이 멈추는 시간을 줄여야 되고요. 그리고 네트워크 자체 전력이랑 반열도 관리를 해야 돼요. 그래서 엔비디아가 CPU, 그러니까 코 패키지 업스를 중요하게 다루고 있습니다.

스위치 칩이에 광학 부품을 붙여서 전기 신호가 보드 위를 이렇게 길게 이동하는 그런 구간을 줄이는 방식입니다. 빛으로 바꿔 보내는 지점을 칩이로 가져와 버리는 거죠. 이런 시스템이란 광통신의 중요성은 앞선 GTC 타이페이도 다뤄졌었는데요. 예전에 안들공학의 에러님이랑 투자왕 김단태 님께서 다녀오셨던 그 GTC 타이페이 말이죠. 이번에는 관련 부품을 얼마나 많이 만들 것인지 생산 계획까지 구체적으로 나왔습니다. 엠코는 한국에서 첨단 패키징용 인터포저 웨이퍼 생산 능력을 2028년 말일까지 300% 이상 늘릴 계획이라고 해요. 현재 생산 능력에 세배 이상을 추가를 하는 규모죠. 이비덴이랑 삼성전기 그리고 유니마이크로는 비디아 제품 기판 생산 능력을 다 합쳐서 향을 3년 동안 2.5배로 확대할 계획이라고 해요. SPIL은 CPO에 들어가는 광엔진 제조 능력을 2027년 중반까지 15배로 늘리고요. 2028년 말까지는 거기서 다시 또 두 배로 확대할 계획이라고 합니다. 엔비디아는 전체 반도체 테스트 능력도 2026년에서 2027년 사이에 두 배로 늘어날 것으로 예상을 했습니다.

여기에 지금 실제 자금 지원도 붙었는데요. KYC는 미국 테스트 시설을 위해서 엔비디아로부터 11억 달러 규모의 생산 능력 예약 선금을 지원을 받습니다. 목표 양산 시점은 2027년 4월이라고 해요. 저는 여기에서 증설 배수도 증설 배수지만 선 지급금에 눈이 좀 가는데요. 수요가 좋을 거라는 전망에 맞춰서 돈을 먼저 지급을 하면서 필요한 공급을 지금 확보하는 거거든요. 협력사는 시설에 투자할 부담을 덜고요. 엔비디아는 나중에 또 생산 능력이 부족해지는 그런 상황에 대비를 할 수 있겠죠. M비디아의 수요 전망이 협력사의 실제 투자로 연결되고 있다는 점에서 이거는 좀 지켜볼 만 합니다. 앞으로는이 시설이 가동이 된 뒤에 얼마나 많은 물량을 처리를 하고 협력사의 이익으로는 또 얼마가 남는지 그거를 좀 확인해 봐야 될 것 같습니다. 그래서 이렇게 늘리는 생산 능력을 오래 활용을 하려면 고객도 AI를 계속 사용할 이유가 있어야 되는데요. 저는 그래서 이번 발표에서 기업용 에이전트 이야기가 좀 제일 관심이 가더라고요.

회사가 AI한테 돈을 쓰는 이유는 고객 무의를 처리를 하거나 아니면 생산 계획을 세우거나 그것도 아니면 뭐 실제 업무를 더 잘하기 위해서잖아요. 그런데 대답을 잘하는 AI를 데려오는 거랑 회사를 맡기는 거 사이에는 연결을 해야 할게 참 많습니다. 예를 들어서 신발 회사에서 이런 질문을 했다고 해 볼게요. 이번 달 판매가 줄었는데 다음 달 생산량도 줄여야 될까요? 매출 그래프만 보면 줄이는게 맞아 보이죠? 그런데 인기 있는 사이즈만 계속 품절이었다고 하면 어떻게 해야 될까요? 고객은 사고 싶었는데 살 물건이 없었던 걸 수도 있겠죠.이 상황에서 생산량까지 줄여 버리면 AI가 아주 자신있게 대답한 답이 장사를 오히려 더 어렵게 만들어 줄 수도 있는 거죠. 그래서 판단을 하려면 판매량에 더해서 사이즈별 재고랑 주문 반품 생산에 걸리는 그 시간도 함께 봐야겠죠. 그래서 회사 안의 정보는 이런 식으로 여러 시스템에 나뉘져 있는데요. 문서에 적힌 내용도 있고 데이터베이스에 저장된 숫자도 있고 그리고 고객 관리 시스템에 쌓인 기록들도 있겠죠.

지금 엔비디아가 이야기하는 기업 지식 기반은 에이전트가 필요한 정보를 찾고 활용하도록 연결해 주는 그런 역할인데요. 여기에다가 쿠모 같은 예측 모델을 붙이면요. 표에 정리된 기업 데이터를 바탕으로 앞으로 일어날 일도 예측을 할 수 있겠죠. 지난 달에 어느 사이즈가 팔렸는지를 찾는데서 다음 달 어느 사이즈가 부족할지 예상을 하는 쪽으로도 이렇게 이어지는 거예요. 그러면 에이전트는 그냥 단순한 매출을 보고 하는 대신에 어떤 제품을 더 생산할지 판단하는데 필요한 정보까지 제시할 수 있는 겁니다. 산업 현장에서는 지멘스가 공장의 영상이랑 장비 로그를 연결을 해서 문제를 파악하고 대응하는 그런 에이전트 기반을 소개를 했습니다. 사람이 여러을 오가면서 확인하던 정보를 한 작업 안에서 활용하려는 그런 방향인 거 같아요. 또 별도의 검사 사례에서는 합성 데이터, 그러니까 컴퓨터로 만들어낸 학습용 데이터를 활용해서 검사 시스템의 보정 시간을 40% 줄였다고 설명을 했는데요.이 수치는 해당 검사 작업에서 나온 결과로 봐야겠죠.

그래서 이런 사례들을 볼 때 저는 AI 호출 가격보다는 업무 하나를 끝내는데 드는 비용이 좀 궁금한데요. 호출 가격이 저렴하다 해도 데이터를 연결하는데 오래 걸리고 또 사람이 결과를 전부 다 다시 확인을 해야 한다면 절감 효과가 그렇게 크진 않겠죠. 그러니까 연산 비용이랑 시스템 연결 그리고 사람의 검토까지 다 합쳐서도 기존보다 일이 좀 빨라지고 그리고 비용도 줄여야 됩니다. 그 효과가 확인이 되면 기업은 그냥 시연에 그치지 않고 실제 업무에다 에이전트를 투입할 이유가 생기는 거고요. 엔비디아가 데이터 연결 도구까지 제공을 하는 것도 GPU를 산 고객이 그다음 단계로 계속 넘어갈 수 있도록 도와주는 그런 전략으로 좀 보입니다. 그래서 이제 데이터를 바탕으로 뭘 해야 될지 판단을 했다면 그다음에는 이제 실제 작업을 좀 수행을 해야겠죠. 생산량을 조정을 하려면 관련 시스템에 반영을 해야 되고요. 설계를 바꾸려면 또 구조 계산이랑 시뮬레이션도 해야 돼요. 에이전트도이 단계에서는 기존의 그 전문 소프트웨어를 사용을 하게 될 텐데요.

젠슨은 이번 발표에서 AI가 소프트웨어랑 도구 회사들의 종말을 가져올 거라는 전망에 반대를 했습니다. 에이전트가 도구를 사용을 하면서 사용자는 오히려 더 많아지고 도구 회사들도 자기 소프트웨어를 잘 다루는 에이전트를 제공하게 될 거라는 거예요. 이미 고객의 업무랑 필요한 기능을 알고 있는 소프트웨어 업체라면 그 경험을 에이전트에 담을 수 있겠죠. 고객은 버튼을 하나씩 누르는 대신에 그냥 원하는 결과를 요청을 하면 되는 거고요. 여기에서 사람의 사용 시간이랑 소프트웨어 실행량은 좀 다르게 움직일 수 있을 것 같아요. 사람이 직접 조작하는 시간은 줄어도 에이전트가 조건을 바꿔 가면서 계산을 반복을 하면 오히려 실행량은 늘어날 수 있거든요. 그럼 소프트웨어 회사의 매출에 미치는 역량은 요금 체계에 따라서 달라지겠죠. 사람 수대로 라이센스 비용을 받던 회사는 사용 인원이 줄어드는 변화에 좀 대응을 해야 할 거고요. 실행량이나 처리한 업무에 따라 요금을 받는 회사는 그렇게 늘어나는 작업량을 매출로 연결시킬 여지가 생기겠죠.

그런데 역시 엔비디아입니다. 여기에서 연결을 참 잘해요. 에이전트가 사용하는 전문 소프트웨어의 계산을 쿠다랑 GPU로 빠르게 돌릴 수 있도록 결함을 하는 건데요. 이번에 정식 출시한 QDSS도 그런 사례인데요. 공학에서는 힘이랑 열의 관계를 수많은 방정식으로 풀려야 할 때가 있죠. QDSS는 그중에 특정 형태의 대규묘 방정식을 GPU로 빠르게 푸는 라이브러리 소프트웨어에다 넣어서 쓸 수 있는 그런 계산 기능입니다. 실제 적용 사례를 보면 어떤 의미인지 좀 감히 잡히실 텐데요. 안들공학에서 자주 다루는 ASML의 EU 노강 장비 아시죠? 이유 빛을 다루는 핵심 광학계에는 자이스의 초등밀 거울이 들어가거든요.이 파장의 빛은 일반적인 렌즈를 통과시키기가 어려워서 거울로 이렇게 반사시켜서 다루는데요. 그 광학계를 만드는 자일스 SMT가 GPU 가속을 활용한 시뮬레이션 사례를 소개를 했습니다. 컴솔이랑 QDSS를 사용한 EUB 플라스마 시뮬레이션에서 전체 실행 시간이 약 6일에서 14시간으로 줄었다는 거예요.

계산을 걸어 놓고서 다음 주에나 확인할 수 있었던 거를 그냥 바로 다음날 볼 수 있게 되는 그런 차이인 거죠. 제품 전체 개발 기간이 꼭 같은 비율로 이렇게 확 줄어드는 건 아니지만 적어도이 계산을 기다리는 시간은 확실히 줄어들었죠. 같은 기간에 더 많은 조건을 시험할 수 있고 시간이 부족해서 포기했던 조건들도 시도해 볼 여지가 생기는 겁니다. 여기에 에이전트가 실험 조건을 준비하고 도구를 실행하는 역할까지 맡게 된다면 사람이 또 일일이 조작을 해야 했던 그런 부담들도 줄일 수 있고요. 엔비디아 입장에서는 여러 소프트웨어 회사가 각자의 고객을 확보를 하고 또 그 고객의 계산이 GPU 사용으로 이어지는 그런 구조가 되는 거죠. 어느 회사의 에이전트가 가장 성공할지 이거랑은 별개로 여러 에이전트가 사용하는 계산 도구에 자리를 확 잡으려는 그런 전략으로 볼 수 있겠죠. 근데 이렇게 에이전트가 실제 도구를 사용하려면 권한도 필요하겠죠. 왜냐면 회사 파일을 읽어야 되고 프로그램을 실행하고 또 다른 시스템에도 접속을 해야 하니까요.

그 권한으로 파일을 잘못 지우거나 고객 정보를 외부로 보내 버리면 회사에는 상당한 손해가 발생할 텐데요. 예를 들어서 그냥 보고서 하나만 부탁을 했는데 회사 기미에 접근할 수 있는 열쇠를 건네 주는 상황이 돼 버리면 아주 곤란하잖아요. 엔비디아는 오픈 쇠를 통해서 이런 문제도 본격적으로 다루겠다고 나섰습니다. 에이전트가 어떤 파일에 접근을 하고 어디랑 통신을 하고 또 어떤 프로그램을 실행할 수 있는지 그거를 통제하려는 건데요. 각 에이전트가 정해진 범위 안에서 움직이도록 실행 환경을 좀 격리하는 그런 방식인 거죠. 이번에는 이거를 하드웨어랑 연결한 레퍼런스 아키텍처도 제시를 했습니다. AI 모델의 추로는 루빈이 처리를 하고요. 에이전트 실행에는 베라 CPU를 활용을 하고 또 네트워크랑 보안에는 블루필드 4 DPU를 연결하는 그런 구성이에요. DPU는 데이터 이동이라든가 네트워크 보완 처리를 별도로 받는 그런 어 프로세서라고 생각을 하시면 되고요. 여기에 센트리 같은 감시 기능을 결합을 해서 허용 범위를 벗어나는 행동을 탐지를 하고 또 격리를 하겠다는 얘기입니다.

GPU만 몇 장 사서 좀 시작을 하려고 했는데 AI 직원 출입 관리 시스템까지 제한서에 이제 들어오게 됐어요.이 보안 기능이 중요한 이유는 실제 배포 여부를 결정을 할 수 있기 때문인데요. 개발 팀에서 시현을 잘해도 보안 팀의 검토를 통과하지 못하며 회사 전체에 적용하긴 어렵겠죠. 광고랑 마케팅 회사인 WPP의 사례도 그런 관점에서 좀 볼 수 있는데요. 광고 영상 하나를 만들더라도 출시 전에 이미 제품 이미지랑 고객사 자료를 다뤄야 되죠. 에이전트가 영상을 잘 만드는 건 물론이고 어떤 자료를 사용을 하고 또 어디로 보낼 수 있는지 그런 것도 관리를 해야 됩니다. WPP는 구글 클라우드의 루빈 기반 A5X를 활용한 여러 단계 창작 작업이랑 영상 생성을 테스트를 하고요. 오픈 관련 접근을 통제하는 그런 방향입니다. A5X의 정식 제공은 11월로 예고가 됐고요. 이런 구성은 고객이 직접 연결하는 것보다 오히려 통합해서 도입하는 편이 더 편리할 수도 있을 것 같은데요. 엔비디아 제품을 더 많이 쓴다 하더라도 통합이랑 운영에 드는 비용이 줄어들게 되면 결국 고객한테는 이득이 될 수 있겠죠.

그래서 고객이 비교할 대상은 기존 CPU랑 보안 시스템을 활용했을 때 그 전체 비용인데요. 이미 고객이 갖춘 시스템이 얼마나 있는지 또 새로 연결하고 관리할 일이 얼마나 줄어드는지 이걸 좀 따져 봐야 됩니다. 저는 기업용 AI 경쟁력이 이런 그 실제 운영 과정에서 잘 드러날 거라고 봐요. 모델의 답변만 비교할 때랑은 또 달리 회사의 데이터랑 도구, 승인 절차랑 보안까지 다 연결을 하게 되면 바꾸는데 필요한 작업도 많아질 것 같은데요. 엔비디아가 기업의 업무로 깊이 들어가면 들어갈수록 고객이 엔비디아 제품을 계속 사용할 이유랑 다른 시스템에 옮길 때 부담이 더불어서 이렇게 함께 쌓이게 되는 거죠. 키노트 마지막에 등장한 작은 로봇도 앞에서 본 도구들이 다 하나의 작업으로 이어지는 그런 장면이었습니다. 에이전트가 설계를 돕고요. 시뮬레이션에서 학습을 하고 만들어진 제어 방식을 실제 로봇에 옮기는 그런 과정을 보여줬는데요. 로봇이 걷는 장면은 짧지만 이거를 이제 학습시키는 과정에서는 아주 수많은 시도가 필요하겠죠.

몸이 기울었을 때 어떤 발에 힘을 주고 관절을 어떻게 움직여야 균형을 잡는지를 익혀야 되고요. 또 실제 로봇 한 대로만 반복을 한다고 치면 넘어질 때마다 다시 세워야 되고 또 시간도 걸리고 부품도 다 있겠죠. 그래서 시뮬레이션에서 여러 로봇을 동시에 돌리면서 다양한 상황을 경험을 하게 하는 건데요. 이때 설계랑 작은 실험을 하는 컴퓨터, 대규모 학습을 하는 컴퓨터, 그리고 실제 로봇에서 제어를 실행하는 컴퓨터의 역할이 다 나뉘게 됩니다. 엔비디아는 당장 개발자의 손끝이 닿는 곳부터 클라우드랑 로봇까지 이어지는 그 전 과정에 자사 제품을 배치를 하고 있는데요. 개인용 AI 컴퓨터인 RTX 스파크 계열 노트북은 최대 128GB 통합 메모리를 제공하는 그런 구성을 내세웠고요. 통합 메모리는 CPU랑 GPU가 같은 메모리 공간을 함께 활용하는 그런 구조죠. 큰 모델이랑 데이터를 로컬에서 다루는데 도움이 됩니다. 개발자는 이런 컴퓨터로 데이터를 준비를 하고 작은 실험을 한 뒤에 많은 로봇을 동시에 학습시켜야 할 때 클라우드를 사용하는 그런 식으로 작업을 나눌 수 있을 것 같은데요.

DGX 스테이션도 윈도우 환경에서 엔지니어링 애플리케이션이라 함께 사용하는 방향을 소개를 했고요. 관련 구성은 12월로 예고를 했습니다. 자, 이제 학습을 맞췄다면 실제 환경에서 검증을 해야겠죠. 가상 공간의 바닥이랑 실제 바닥은 마찰이 다를 수도 있고요. 모터의 반응이라던가 센서 오차도 차이가 나겠죠. 시뮬레이션에서 익힌 동작이 실제 로봇에서 안정적으로 실행되는지도 확인을 해야 되고요. 또 필요한 부분을 다시 조정을 해야 돼요. 엔비디아는 아이작 플랫폼에서 이런 학습이랑 시뮬레이션 실제을 연결하는 도구들을 확장을 하고 있습니다. 에자일 로봇이랑 함께 선보인 휴먼노이드 레퍼런스 플랫폼도 그런 흐름이에요. GR00T 모델이랑 제슨 토르 같은 거를 활용을 해서 개발할 수 있는 구성을 제시를 했고요. 공급은 2027년 초를 목표로 잡았습니다.이 이 시장에서는 연구 개발용 컴퓨팅 수요랑 현장에 배치되는 로봇 수요가 서로 다른 속도로 움직일 수 있는데요. 로봇이 널리 보급되기 전에도 학습이랑 검증을 위한 GPU 주문은 생길 수 있으니까요.

이제 그다음 단계로 넘어가려면 실제 현장에서 로봇을 운영하는 비용보다 얻는 가치가 더 커야겠죠. 컴퓨팅 수요를 볼 때도 로봇 대수만 그냥 단순히 곱해서는 계산하기가 어려워요. 왜냐하면 한번 학습한 동작을 여러 로봇이 공유할 수도 있기 때문이에요. 오히려 새로운 작업이랑 환경이 얼마나 늘어나는지가 제학습이랑 검증에 필요한 그런 계산량을 이해하는데 도움이 되겠죠. 어떤 일을 배우고 현장에서 얼마나 안정적으로 수행하는지까지 봐야 되는 거예요. 엔비디아는 그동안 AI를 도입하려는 고객이 직접 해결해야 했던 일을 자사 장비랑 소프트웨어로 다 묻고 있습니다. 그 편의가 고객의 전체 비용을 얼마나 줄여 주는지가 앞으로의 확장을 결정을 하겠죠. 저는 그래서 고객들의 첫 번째 주문이 아니라 두 번째 주문부터가 진짜라고 생각을 하는데요. 첫 번째 주문이 그냥 가능성을 시험해 보려는 테스트 비용이었다면 두 번째 주문부터는 실제 업무에서 얻은 효과를 보고 쓰려는 돈일 테니까요. 그럼 오늘은 여기까지 패치였습니다.