분석은 알고리즘 효율성과 관계없이 전력망 용량이 AI 모델 확장 제약의 주요 병목 현상임을 강조한다.

3년 동안 인공지능(AI) 경쟁은 한 가지 방식으로 점수가 매겨져 왔다. 가장 큰 데이터 센터에서 가장 첨단 칩을 사용해 가장 거대한 프론티어 모델을 훈련한 자가 승리한다는 논리였다. 이 전제는 중국이 점점 더 대규모 시스템을 구축하는 데 필요한 하드웨어를 확보하지 못하도록 막는 미국 수출 통제를 주도한다. 또한 이는 버지니아주부터 텍사스주에 이르기까지 전력망을 압박하고 있는 현재의 인프라 구축에도 영향을 미치고 있으며, 여기서 실행 가능한 컴퓨팅량의 결정적 제약 요인은 자본이 아닌 안정적인 전력 공급이 되었다. 이러한 역학을 뒷받침하는 가정 중 하나를 검토해 볼 필요가 있다. 즉, 클라우드상의 프론티어 모델이 게임의 승패를 가른다는 가정이다.

2025년 11월 스탠퍼드 대학교와 미국의 AI 인프라 기업 토게더 AI(Tgether AI) 연구진이 발표한 연구는 이러한 가정에 의문을 제기한다. 저자들은 AI 효율성을 측정하기 위한 단일 척도로 ‘와트당 지능(Intelligence per watt)’을 제안하는데, 이는 시스템이 소비하는 전력 단위당 달성하는 작업 정확도로 정의된다. 그들은 약 20종의 소형 모델과 8가지 유형의 하드웨어에서 100만 건 이상의 실제 쿼리를 실행했으며, 그 결과 현대 노트북에 탑재된 것과 같은 소비자용 실리콘 위에서 로컬로 실행되는 모델이 단일 턴 채팅 및 추론 쿼리의 88.7%를 정확하게 답변했다. 2023년부터 2025년까지 와트당 지능은 5.3배 향상되었으며, 로컬 모델이 처리할 수 있는 쿼리의 비중은 23%에서 71%로 상승했다.

이러한 추세는 또 다른 현상과 궤를 같이한다. 지능의 가격이 비슷한 속도로 하락하고 있다는 사실이다. 오픈AI의 플래그십 모델은 2023년 초 GPT-4가 출시될 당시 입력 토큰 100만 개당 30달러가 소요되었으나, 1년 조금 넘게 지난 시점에는 GPT-4o가 동일한 작업을 2.50달러에 수행했고, 대부분의 작업에서 원본 모델과 맞먹는 저렴한 변형 모델은 그 비용의 극히 일부로 제공되었다. 중요한 점은 정확한 금액 자체가 아니라 그 기울기다. 효율성은 강철과 구리로 구축된 어떤 인프라보다 빠르게 진전하는 이 생태계에서 가장 빠르게 변화하는 요소다.

이 모든 것이 클라우드를 쓸모없게 만드는 것은 아니다. 가장 복잡한 쿼리는 향후 수년간 프론티어 모델로 라우팅될 것이다. 그러나 이러한 전환은 경쟁의 실제 쟁점을 재정의하며, 이제 AI의 궤적을 결정짓는 에너지 역학으로 시선을 직접적으로 돌린다.

AI로부터의 전력 수요는 일반적으로 극복해야 할 장애물로 간주되어 왔다. 즉, 더 큰 모델을 더 큰 시설에서 실행하기 위해 그리드를 확장하고, 가스 터빈 대기열에 진입하며, 원자로에 대한 인가를 받는 것이다. 이것이 현재 데이터 센터 붐을 주도하는 논리이며, 이로 인해 미국 최대 시장의 연결 대기열이 이제 5~7년으로 길어지게 된 배경이기도 하다. 컴퓨팅은 와트의 하류에 위치하며, 와트는 허가 및 구축에 10년이 걸리는 인프라의 하류에 위치한다. 내가 개발 중인 글로벌 데이터 센터 구축 현황 분석에서 반복적으로 발견되는 사실은 미국과 유럽연합(EU)이 자체 2030년 전력 목표를 달성하지 못할 것이며, 국가가 발전과 그리드를 조정하는 중국은 그렇지 않을 것이라는 점이다. 그 경주는 칩이 아닌 에너지에서 승패가 갈릴 것이다.

와트당 지능은 이러한 논리를 뒤집는다. 만약 증가하는 수요의 상당 부분이 사용자 근처에 배포된 효율적인 하드웨어로 처리될 수 있다면, 개별 쿼리가 중앙 집중식 대용량 용량의 추가 기가와트를 필요로 하지 않게 된다. 효율성, 즉 시스템이 각 와트당 추출해 내는 유용한 추론의 양이 순수 규모만큼이나 중요해지기 시작한다. 송전선과는 달리 효율성은 빠른 변수다. 2년 만에 5배 이상 증가하여 물리적 그리드의 확장을 앞질렀다.

에너지가 AI 야망의 진정한 장벽으로 부상하는 과정을 지켜본 이들にとって, 이는 더욱 의미 있는 새로운 최전선이다. 지속적인 우위는 가장 거대한 프론티어 컴퓨팅 클러스터를 조립하는 자들보다는, 최대의 효율로 에너지를 유용한 출력으로 변환하는 자들에게 돌아갈 가능성이 높다. 이는 데이터 센터에 투자된 자본의 절대량이 아니라 칩 설계, 제조 및 시스템 아키텍처에 의해 결정되는 경쟁이다.

미국 수출 통제는 특정 레버리지 이론에 기반하여 작동한다. 즉, 중국이 가장 첨단 가속기에 접근하는 것을 차단하면 프론티어 규모의 시스템 구축 능력을 제한할 수 있다는 논리다. 이 논리는 능력이 프론티어 규모와 긴밀하게 결합되어 있는 한에만 유효하다.

일상적인 수요의 대부분을 효율적인 하드웨어로 밀어붙이면 그 레버리지가 점진적으로 약화된다. 여기서 중요한 구분이 필요하다. 스탠퍼드의 연구 결과는 서버 팜이 아닌 노트북 등 소비자용 실리콘 위에서 실행되는 소형 모델에 적용된다는 점이다. 중국의 병렬 전략은 국내 추론 칩의 규모 확대에 초점을 맞추고 있다. 개발자들의 자체 테스트에 따르면 엔비디아 H100의 추론 성능의 약 60% 수준인 화웨이의 애센드(Ascend) 시리즈는 이미 프론티어에는 미치지 못함에도 불구하고 중국 내 배포 사례의 증가하는 비중에서 표준으로 자리 잡았다. 최고급 칩에 접근하는 것이 금지되었더라도 여러 계층에서 효율적이고 즉시 배포 가능한 하드웨어에서 경쟁력 있는 경쟁자는 프론티어 동등성에 도달하지 않더라도 실제 AI 수요의 대부분을 충족할 수 있는 실현 가능한 경로를 보유하고 있다.

이는 수출 통제가 무용하다는 주장은 아니다. 관문은 의도된 대로 프론티어 훈련, 가장 거대한 모델, 그리고 가장 첨단 반도체 공정이라는 영역에서 여전히 매우 효과적이다. 다만, 수출 통제가 스택의 한 층만을 다루고 있으며, 거부 효과가 덜하고 제조 집약적 경쟁자가 비교 우위를 점하는 효율성 층은 주로 방치되고 있음을 강조한다.

와트당 지능이 전략적 담론의 변방에 머무르는 간단한 이유는 정량화가 어렵기 때문이다. 분석가들과 정책 입안자들은 현재 쉽게 집계할 수 있는 지표들—출하된 칩 수, 훈련된 파라미터 수, 발표된 데이터 센터 메가와트—을 사용하여 AI 지배력을 벤치마킹하고 있다. 유용한 추론을 위한 와트량을 측정하는 것은 그러한 단순한 회계에 저항한다.

이 관찰은 에너지 지정학의 오랜 원칙과 공명한다. 경쟁을 측정하는 지표가 그것을 이기기 위해 사용되는 전략을 결정한다는 원리다. 배럴을 추적하면 국가들은 매장지 확보를 추구한다. 안정적 용량을 추적하면 그들은 그리드 개발을 우선시한다. 프론티어와 칩 중심의 점수판은 가장 거대한 시스템을 구축하고 경쟁사의 해당 하드웨어 접근을 제한하는 경주를 부추긴다. 반면 와트 기반 점수판은 그리드 신뢰성, 효율적인 실리콘, 그리고 해당 실리콘을 광범위하게 배포할 수 있는 산업 능력을 보상할 것이다. 이는 근본적으로 다른 경쟁이며, 현재 미국의 포지션이 명확히 우세하지 않은 경쟁이다.

이러한 점수판을 채택하려면 상응하는 정책 변화가 필요하다. 칩 수출 통제를 소홀히 되어 온 우선순위들과 결합해야 한다. 즉, 그리드 용량, 송전 인프라, 안정적 전력 공급을 유보된 유지보수 문제가 아닌 AI 전략의 핵심 구성 요소로 취급하고, 출하된 가속기가 아니라 와트당 제공된 유용한 추론으로 진전을 측정해야 한다. 수출 통제는 프론티어에서 시간을 벌어줄 뿐, 궁극적으로 누가 AI를 대규모로 배포할 수 있을지를 결정하는 전력 인프라를 구축하지는 않는다. 해당 인프라는 워싱턴에서 주로 시장 힘에 맡겨져 있다.

스탠퍼드와 토게더 AI의 논문은 단일 연구이며, 저자들은 명시적으로 그 한계를 인정한다. 즉, 단일 턴 쿼리에 의존한다는 점, 이상화된 라우팅 가정을 사용한다는 점, 그리고 가장 복잡한 작업에는 프론티어 모델의 지속적 필요성이 존재한다는 점 등이 그것이다. 이 논문은 AI 용량을 어떻게 측정해야 하는지에 대해 결정적으로 해결하지는 못한다. 그럼에도 불구하고 이 문제를 의제에 명확히 올려놓았다. 거의 완전히 반대되는 가정들에 기반한 정책 프레임워크라면, 다음 차수의 수출 통제안이 작성되기 전에 이를 심각하게 고려할 필요가 있다.