업계 분석은 AI 인프라가 전력 제약 시대에 진입하고 있으며 새로운 전력망 계획 패러다임이 필요하다고 지적한다.

아시아태평양 지역의 인공지능(AI) 관련 헤드라인은 주로 가장 큰 수치를 강조합니다. 더 큰 데이터 센터, 더 많은 투자 약속, 그리고 AI 야망을 위한 지역 지출에 대한 점점 더 높은 예측치가 그 예입니다. 그러나 이러한 수치 이면에는 더 근본적인 질문이 자리 잡고 있습니다. 해당 지역에서 이러한 야망을 뒷받침할 충분한 전력을 생성하고 공급할 수 있을까요?

AI가 확장됨에 따라 전력은 자본이나 칩보다 빠르게 주요 제약 조건으로 부상하며, 인프라 리더십의 의미를 재정의하고 있습니다.

수요 자체는 의문의 여지가 없습니다. IDC는 일본을 제외한 아시아태평양 지역의 데이터 센터 전력 용량이 2029년까지 약 142,600메가와트(MW)에 달할 것으로 전망하며, 가트너(Gartner)는 글로벌 데이터 센터 전력 수요가 2030년까지 두 배로 증가할 것으로 예상합니다. 진정한 병목 현상은 공급 측면에서 발생합니다. 주요 시장에서 그리드 연결 대기 시간이 4년을 초과함에 따라, 신뢰할 수 있는 전력 접근성은 전략적 차별화 요소가 되었습니다. 기업 리더들에게 이는 한때 시설 관리 차원의 문제로 여겨졌던 것이 이제 기업 전략의 문제로 전환되었음을 의미합니다.

지난 10년 동안 AI의 확장 요구에 대한 대응은 명확했습니다. 더 많은 가속기, 더 많은 랙, 더 많은 용량을 추가하는 것이었습니다. 하지만 전력이 제약 조건이 될 경우, 이러한 접근법은 역효과를 낳습니다. 핵심 질문은 어떻게 많은 컴퓨팅 용량을 배포할 수 있느냐가 아니라, 전력 단위당 얼마나 많은 가치를 창출할 수 있느냐로 이동합니다.

와트당 성능(Performance per watt)은 AI 인프라에서 가장 중요한 지표 중 하나로 부상하고 있습니다. 효율성은 지속 가능성의 부록 역할을 하는 것을 넘어, 조직이 이용 가능한 자원으로 어느 정도까지 확장할 수 있는지 결정하는 실용적인 요인이 됩니다. 이는 실제 상업적 영향을 미치는 실질적인 사고방식의 전환을 필요로 합니다. 이미 많은 데이터 센터에서 전기 비용은 최대 운영비이므로, 모든 서버, 랙, 냉각 선택의 효율성은 서버실뿐만 아니라 이사회에서도 논의되어야 합니다. 와트당 더 많은 유용한 작업을 추출하는 조직은 더 큰 성장 공간을 확보하게 됩니다. 반면 효율성을 사후 고려사항으로 여기는 조직은 예상보다 빨리 선택지가 좁아지는 상황에 직면할 수 있습니다.

정책 입안자들은 이미 이러한 우선순위를 시행하고 있습니다. 2025년 말 싱가포르 경제개발청(EDB)과 정보통신미디어개발청(IMDA)은 에너지 오버헤드, 장비 효율성, 친환경 전력 충족 등 엄격한 기준을 만족하는 운영자에게 최소 200MW의 신규 용량을 할당하도록 지시하는 제2차 데이터센터 신청 모집(DC-CFA2)을 개시했습니다. 말레이시아는 2050년까지 재생에너지 비중 70% 달성 및 순탄소 배출 제로를 추진하는 일환으로 데이터 센터 세제 혜택을 에너지 효율 및 배출 목표와 연계했습니다. 레노버(Lenovo) 또한 과학 기반 목표 이니셔티브(SBTi)로부터 검증받은 2050년 온실가스 순배출 제로 목표를 설정했으며, 이는 일반적인 포부가 아닌 측정 가능한 약속입니다.

가장 큰 설계 실수 중 하나는 즉각적인 워크로드에만 최적화하는 것입니다. AI에 대한 공개 논의는 집중적이지만 간헐적으로 발생하는 대규모 모델 학습에 치중되어 있습니다. 조직이 실험 단계에서 배포 단계로移行함에 따라 추론(Inference)은 지속적인 워크로드가 됩니다. 즉, 모델을 통해 고객에게 응답하거나 결제를 확인하며, 공장 라인 프로세스를 안내하는 작업입니다. 작업당 전력 소모량은 작을 수 있지만, 이는 일정하게 유지되며 매일 누적됩니다. 프롬프트당 비용이 1센트라고 가정할 때, 하루에 10회씩 요청을 보내는 1,000만 명의 사용자를 가진 서비스는 전기 및 컴퓨팅 비용으로 하루 약 100만 달러를 지출하게 됩니다.

JLL은 추론이 2027년경 데이터 센터 AI 워크로드의 주류로 학습을 앞지를 것으로 전망하며, 이는 AI 배포가 성숙해짐에 따라 해당 운영 비용이 지속적으로 증가함을 의미합니다. 해결책은 아키텍처를 전략적 의사결정으로 취급하고 워크로드의 전체 수명주기를 위해 설계하는 것입니다. 이는 헤드라인 속도보다는 와트당 성능을 기반으로 인프라를 선택하고, 피크 일일 부하가 아닌 지속되는 실제 수요에 맞춰 시스템을 sizing하며, 각 워크로드가 가장 잘 수행되는 환경과 매칭시키는 것을 포함합니다.

워크로드가 실행되는 위치는 리더들이 비용, 성능 및 에너지 사용에 대해 직접적으로 개입할 수 있는 가장 효과적인 수단 중 하나이며, 하이브리드 접근 방식을 시사합니다. 대규모 학습 작업은 밀집된 컴퓨팅 용량과 필요한 냉각 설비가 제공되는 곳에 위치해야 합니다. 반면 추론은 종종 데이터가 생성되고 결정이 내려지는 곳, 즉 에지(Edge) 근처에 배치됩니다. 이는 지연 시간, 대역폭 사용량 및 전력 소비를 줄이는 동시에, 지역에서 강화되고 있는 데이터 주권 및 규정 준수 요구사항을 해결하는 데 도움이 됩니다. 단일 정답 환경은 존재하지 않으며, 각 워크로드에 맞는 적절한 환경만이 있을 뿐입니다.

온프레미스 시스템, 에지, 퍼블릭 클라우드를 아우르는 하이브리드 AI는 기본 기업 아키텍처로 자리 잡아가고 있습니다. 워크로드 배치를 기본값이 아닌 의도적인 설계 선택으로 취급함으로써 AI가 확장됨에 따라 에너지 비용과 응답 시간을 통제할 수 있습니다.

단일 구성 요소만으로 이러한 효율성을 달성할 수는 없습니다. 실리콘, 시스템 설계, 소프트웨어, 냉각이 서로의 한계를 완화하며 함께 작동하도록 엔지니어링될 때 시너지가 발생합니다. 진전은 칩 제조사, 인프라 벤더, 도입 조직 간 기술 스택 전반의 협력을 통해 이루어집니다.

냉각은 데이터 홀의 뒤쪽에서 인프라 전략의 중심부로 이동했습니다. 기업들은 단순히 열을 제거하는 것보다 이용 가능한 전력 및 예산의 더 많은 부분을 AI 성장 지원에 사용하고 싶어 합니다. AI 랙이 더 뜨거워짐에 따라 공기 냉각은 한계에 도달합니다. 공기를 이용한 고밀도 냉각은 더 많은 팬과 칠러(chiller)에 대한 의존도를 높여, 컴퓨팅 장비 자체 이상의 에너지 비용을 발생시킵니다. 냉각 오버헤드를 줄이는 것은 데이터 센터 효율성을 개선하는 가장 빠른 방법 중 하나입니다.

네프튠(Neptune) 워터 쿨링(Warm-water cooling)은 이것이 어떤 형태를 띨 수 있는지 보여줍니다. 따뜻한 물을 hottest 컴포넌트에 직접 순환시킴으로써 전력 집약형 팬과 칠러에 대한 의존도를 줄입니다. 레노버에 따르면 이 기술은 유사한 공기 냉각 시스템 대비 데이터 센터 전력 소비를 최대 40%까지 절감할 수 있으며, 전력 사용 효율(PUE)은 1.1로 일반적인 기존 수준보다 낮습니다. 이러한 시스템은 이미 아시아태평양 지역의 기상 기관, 대학 및 연구 기관에서 활용되고 있습니다.

전체 기술 스택이 효율성을 위해 설계될 때, 절약 효과는 누적됩니다. 낮은 에너지 사용과 낮은 배출量为 인한 환경적 배당금(dividend)이 있어, 지역에서 강화되고 있는 공시 기대치에 대응하는 데 도움이 됩니다. 그러나 효율성이 기업 의제에서 더욱 중요해지는 더 직접적인 이유는 간단합니다. 전력이 제한된 상황에서는 에너지 믹스와 관계없이 효율성이 성장을 가능하게 하는 핵심 요소이기 때문입니다. 상업적 타당성과 환경적 논리는 동일한 방향을 가리킵니다.

아시아태평양 지역에는 하나의 중요한 장점이 있습니다. AI 처리 능력의 상당 부분이 현재 구축되고 있어, 초기부터 인프라에 효율성을 설계할 수 있다는 점입니다. 앞서 나가는 리더들은 단순히 더 많이 지출하는 것이 아니라, 지혜롭게 지출할 것입니다. 그들은 인프라를 용량 증설 경쟁이 아닌 효율성 및 워크로드 배치의 연속적인 의사결정으로 취급할 것입니다. AI 채택의 다음 단계에서는 가장 많은 인프라를 배포하는 것이 아니라, 와트당 최대한의 가치를 추출하는 것이 경쟁 우위가 될 것입니다. 야망보다 전력이 희소한 입력 자원인 상황에서, 와트당 최대한의 가치를 끌어내는 조직이 확장에 가장 유리한 위치에 서게 될 것입니다.