칩 너머의 Nvidia: 오픈소스, AI 공장과 인프라 우위
Nvidia는 칩만이 아니라 인프라를 판다
분석 | 2026년 11월 13일. Nvidia는 데이터센터에서 AI 모델을 학습하고 실행하는 고급 칩의 지배적 공급업체다. 업계 추정치는 세계 시장 점유율을 약 80%로 본다. 중요성은 프로세서를 넘어 소프트웨어, 개발 도구, 클라우드 서비스와 엔지니어링 관행으로 이어진다. 가동 중인 컴퓨팅 플랫폼을 교체하는 일은 경쟁 프로세서 설계보다 크다. 시장 점유율은 정해진 시장을 측정하지, 모든 AI 기업의 수나 독점적 의존을 입증하지는 않는다.
저장된 정보를 검색하던 방식에서 맥락에 맞는 답을 실시간 생성하는 방식으로 바뀌면 컴퓨팅의 경제적 역할도 달라진다. AI는 녹화된 파일을 전달하는 데 그치지 않고 출력 생성에 계산을 사용한다. AI 공장이라는 생각은 여기서 나온다. 인프라가 디지털 서비스의 생산 과정이 되는 것이다. 상업적 기준은 출력이 제공 비용보다 많은 수익을 낼 만큼 유용하냐는 데 있다.
오픈소스는 동력의 일부지만 CUDA 전체가 오픈소스는 아니다
오픈소스는 라이선스에 따라 연구자와 개발자가 소프트웨어를 살펴보고 수정하며 공유하게 한다. 기업과 국가 간 협력을 가능하게 한다. PyTorch가 그 공동 기반을 보여준다. Linux Foundation으로 옮길 때 AMD, AWS, Google Cloud, Meta, Microsoft Azure, Nvidia 등이 참여했다. 개방형 AI 소프트웨어는 한 칩 회사의 소유물이나 단독 성과가 아니다.
Nvidia는 여기에 참여하면서 독점적 구성요소도 유지한다. CUTLASS 라이브러리는 BSD, Linux GPU 커널 모듈은 MIT/GPL 이중 라이선스로 공개된다. 하지만 커널 모듈 공개가 전체 드라이버와 펌웨어, CUDA Toolkit의 오픈소스화를 뜻하지는 않는다. Toolkit에는 별도의 라이선스와 제한이 있다. 무료 다운로드, 오픈소스, 공개 가중치는 다른 개념이며 구성요소별 확인이 필요하다.
공개 모델은 미래 모델 구조 이해, 소수 독점 공급업체를 넘는 AI 확산, 언어 외 생물학·물리학·로봇 지원이라는 연결된 목적을 갖는다. Nemotron 3 Super가 구체적 사례다. Nvidia는 이를 전체 1,200억 개와 활성 120억 개 파라미터를 가진 하이브리드 Mamba-Transformer 전문가 혼합 모델로 설명하며 체크포인트, 데이터셋과 개발 방법을 공개했다. 이는 특정 형태의 개방성을 보여줄 뿐 모든 제품을 무제한으로 만들지는 않는다.
강점은 아이디어에서 작동하는 시스템까지의 경로다
CUDA는 GPU 가속 애플리케이션을 위한 프로그래밍 플랫폼, 컴파일러, 라이브러리와 도구를 제공한다. 연구자는 모든 연산을 CUDA로 직접 쓰지 않고 고수준 프레임워크를 사용할 수 있다. 그래도 그 아래 구현 선택은 메모리 사용, 계산, 장치 간 통신에 영향을 준다.
CUDA의 기존 설치 기반은 핵심 경쟁 우위다. 지원되는 소프트웨어, 훈련된 엔지니어, 디버깅 도구, 익숙한 배포 경로가 모델을 실제 서비스로 옮기는 불확실성을 줄인다. 경쟁자는 칩 사양표 숫자만이 아니라 작동하는 조합과 경쟁한다. 교체에는 소프트웨어 조정, 결과 검증, 운영 지식 재구축이 필요할 수 있다. 어려움은 실제지만 비용은 작업에 따라 다르며 영구적인 종속은 아니다.
OpenAI와 클라우드: 큰 의존, 보편적 독점은 아니다
ChatGPT는 OpenAI의 서비스이며 여기서 별도 칩 구매자가 아니다. OpenAI의 2025년 9월 발표는 Nvidia를 우선적 전략 컴퓨팅·네트워크 파트너로 정하고 최소 10기가와트 Nvidia 시스템 배포 의향서를 발표했다. Nvidia가 단계적으로 최대 1,000억 달러를 투자할 의향도 밝혔다. 이는 당시 발표된 계획이지 전체 용량의 가동이나 전액 투자 집행을 여기서 입증하는 자료는 아니다.
클라우드는 자체 서버 구매 없이 Nvidia 하드웨어에 접근하게 한다. AWS는 예를 들어 학습·추론·고성능 컴퓨팅용 H100 GPU 기반 EC2 P5와 H200 기반 P5e/P5en을 문서화한다. 공급자는 하드웨어를 둘러싼 네트워크와 용량 관리 등의 서비스를 제공한다. 단순 칩 거래보다 넓은 관계다.
Nvidia가 넓은 시장을 지배하지만 대안도 이미 중요한 일을 한다. Google은 자체 Trillium TPU로 Gemini 2.0을 학습했다. AWS는 Project Rainier의 Trainium2 인프라에서 Anthropic 작업이 실행된다고 보고했다. 실제 대안이지만 모든 작업에서 경쟁 플랫폼이 저렴하고 빠르며 똑같이 이용 가능하다는 증거는 아니다. 현실은 업계의 상당한 Nvidia 의존과 선택적 대체의 공존이지 모두의 독점적 의존이 아니다.
채팅 너머: 의료, 로봇과 센서 가까운 컴퓨팅
Nvidia의 문서화된 플랫폼은 의료 영상, 유전체, 신약 발견 연구와 로봇으로 확장된다. 의료 자료는 영상 AI용 MONAI와 유전체용 Parabricks를 설명하며 IGX는 산업·로봇·의료 엣지 용도로 설계됐다. 이는 제품 능력과 예정된 용도이지 치료 성과, 임상 승인, 모든 병원의 도입을 입증하지 않는다.
데이터센터와 엣지의 구분은 중요하다. 중앙 시스템은 큰 공유 자원을 제공하고 엣지는 카메라나 기계, 센서 근처에서 정보를 처리한다. 이는 현장 응답과 선택적 데이터 전송에 가치를 줄 수 있다. 다만 환경별 전력, 신뢰성, 안전 요구는 다르다. 같은 구조가 여러 영역에 있다고 동일 장치가 모든 곳에 적합한 것은 아니다.
Nvidia는 우주에 갔지만 궤도 AI 공장은 다른 주장이다
구체적으로 기록된 우주 사례가 있다. Jet Propulsion Laboratory의 2023년 6월 발표는 국제우주정거장의 HPE Spaceborne Computer-2 패키지에 Nvidia Tesla T4 GPU 네 개를 열거한다. 같은 사업은 다른 프로세서도 검토했다. 이는 궤도 컴퓨팅 실험에서의 활용을 뒷받침하지, 모든 위성이 Nvidia로 작동하거나 우주에 간 최초 GPU였음을 입증하지는 않는다.
NASA의 Spaceborne Computer 설명은 방사선 문제와 필요할 때 시스템을 감시하고 느리게 하는 HPE의 소프트웨어 방식을 다룬다. 궤도 컴퓨팅은 서버를 대기권 위로 옮기는 것 이상의 공학 문제다. 방사선, 중복성, 전력과 열 배출이 중요하다. 위성 센서 근처 영상 처리와 대규모 궤도 AI 공장은 다르다. 후자는 미래 방향이지 해결된 냉각 문제나 확정 납품 일정으로 제시할 일이 아니다.
가치 평가: 시장 가격과 예측을 구별하라
이 글에서 확인한 시장 자료는 2026년 11월 12일 미국 증시 마감 무렵 Nvidia 주식 시가총액을 약 4조 100억 달러로 제시했다. 날짜가 있는 반올림 추정치이지 11월 13일 미국 거래의 실시간 가격이 아니다. 시가총액은 주식 가치이며 연간 매출, 은행 현금, AI의 전체 사회적 편익과 다르다.
미래의 10조 달러 가치나 3조 달러 연매출은 야심 찬 성장 시나리오이지 달성 실적이 아니다. 확장의 논거는 AI 공장이 기존 점유율을 빼앗는 데 그치지 않고 새 수요를 만든다는 것이다. 수익성은 유용한 결과에 대한 고객 지불, 인프라 비용, 지속적 기술 진보에 달렸다. 장기 전망의 가능성이지 본 분석이 지지하거나 보장하는 목표는 아니다.
다음 제약은 공장 전체다
컴퓨팅 단위는 GPU에서 컴퓨터, 클러스터와 AI 공장 전체로 커졌다. OpenAI의 인프라 계획과 AWS의 GPU 클러스터 설명은 네트워크와 배포가 프로세서와 함께 중요한 이유를 보여준다. 전력, 냉각, 소프트웨어 신뢰성과 가동률을 함께 평가해야 한다. 가속기 구매와 생산적인 서비스 운영은 다르다. 행성 규모 컴퓨팅은 장기 방향이지 완성된 능력이 아니다.
오픈소스는 참여와 적응성을 늘릴 수 있지만 전기를 공급하거나 하드웨어 비용을 없애거나 애플리케이션의 비용 회수를 보장하지 않는다. 독점 하드웨어와 소프트웨어도 의존을 영구화하지 않고 유용한 성능을 제공할 수 있다. 공유 도구와 상업 플랫폼의 균형은 계속되는 경쟁이지 확정된 산업 법칙이 아니다.
결론: 대체가 어렵다는 것과 불가능하다는 것은 다르다
Nvidia의 중요성은 가속 컴퓨팅, 성숙한 소프트웨어, 개발자 신뢰, 클라우드 접근과 연구실에서 궤도 실험까지의 활용이 결합된 데 있다. 공개 활동은 더 많은 사람이 기반 위에서 개발하게 돕고 독점 계층도 상업적으로 중요하다. 문제는 GPU 복제 여부가 아니라 특정 고객에게 필요한 완전하고 믿을 수 있는 시스템을 대안이 제공하느냐다.
이 때문에 많은 환경에서 Nvidia 대체는 어렵지만 모든 곳에서 불가능하지는 않다. Google TPU와 AWS Trainium이 이미 그 절대적 주장을 막는다. 미래는 엔지니어링과 생태계 범위를 허용 가능한 비용의 유용한 작업으로 계속 바꿀 수 있느냐에 달렸다. 높은 가치는 기대를 반영하지 보장하지 않는다. 이 글은 편집 분석이며 투자 조언이 아니다.