AMD 리사 수가 말하는 GPU의 시대, TPU보다 GPU가 강한 구조적 배경

□ AI 산업 초기 사이클, GPU와 TPU의 근본적 차이부터


AI 산업은 아직 기술 표준이 정해지지 않은 초기 사이클에 머무르는 중임


모델 구조도, 학습 방식도, 데이터 활용 방식도 빠르게 달라지고 있어 미래 요구를 미리 예측해 설계하는 것이 어려운 환경임


TPU는 구글 내부 서비스를 위해 특정 목적에 최적화된 ASIC 기반으로 만들어진 구조임


정해진 연산을 반복적으로 처리하는 데 매우 효율적이며 대규모 추론 워크로드에서는 강한 성능을 발휘함


반면 GPU는 특정 모델이나 연산 패턴에 고정되지 않고 다양한 알고리즘과 실험을 수용할 수 있도록 설계된 범용 병렬 아키텍처임


새로운 모델이 등장하거나 연구방향이 달라져도 소프트웨어 업데이트 중심으로 대응할 수 있어 변화가 빠른 시장에 더 적합한 구조임


리사 수가 GPU 중심 시장을 강조한 배경에는 지금 AI 산업에서 가장 중요한 가치가 효율이 아니라 유연성이라는 판단이 자리함


□ GPU의 유연성과 생태계가 만드는 구조적 우위


GPU가 갖는 경쟁력은 하드웨어 자체보다 생태계와 개발 속도에서 더 크게 드러남


CUDA를 기반으로 한 도구와 라이브러리, 연구 커뮤니티는 이미 업계 표준으로 자리 잡은 상태임


대부분의 모델 구현, 논문 코드, 벤치마크가 GPU 중심으로 구축돼 있어


새로운 구조가 등장해도 빠르게 흡수되는 환경이 형성된 상황임


Transformer 이후에도 Mamba, RWKV, MoE, Flow matching 등 전혀 다른 연산 구조가 빠르게 등장하는 흐름을 보면


지금 필요한 것은 하드웨어 효율보다 실험 속도와 적응력임


GPU는 이러한 요구에 가장 자연스럽게 맞는 플랫폼이며 새로운 알고리즘과 연구 트렌드를 흡수하는 속도가 ASIC 대비 월등히 빠름


리사 수가 GPU의 지속적 우위를 강조한 이유도 바로 이러한 변화 수용 능력이 AI 혁신의 핵심 축이라는 판단 때문임


□ TPU·ASIC의 강점과 한계, 그리고 20~25% 구조의 자연스러운 형성


TPU와 ASIC은 특정 연산에서 효율이 높고 추론 중심 워크로드에서는 매력적인 선택지임


구조가 일정하고 변화가 적은 서비스에서는 GPU 대비 전력 효율도 높게 나타나는 경우가 많음


AWS Trainium, Meta MTIA, Microsoft Maia 등 자체 ASIC 개발 움직임이 이어지는 이유도


내부 워크로드가 명확할 때 비용 최적화를 극대화할 수 있기 때문임


그러나 이러한 강점에도 불구하고 ASIC이 시장 전체를 주도하기 어려운 이유는 변화에 대한 적응력 부족임


연구 흐름이 바뀌거나 모델 구조가 달라질 때 ASIC은


재설계 또는 구조 수정이 필요해 확장성과 재사용성이 떨어지는 태생적 제약을 가짐


리사 수가 ASIC 비중을 20~25%로 전망한 것도 특정 고정 워크로드에서는 ASIC이 꾸준히 사용되지만


시장 전체의 확장성과 혁신은 GPU 중심으로 흘러갈 수밖에 없다는 구조적 판단이 반영된 수치임


□ GPU 중심 시장이 이어질 수밖에 없는 이유


AI 인프라를 도입하는 기업이 보는 핵심 지표는 단순한 속도나 효율을 넘어서 총소유비용(TCO)과 인프라 활용률임


GPU는 다양한 모델을 하나의 인프라에서 운용할 수 있어 재사용성이 높고 서비스가 바뀌어도 다시 설계할 필요가 없는 장점이 있음


변화가 빠른 시장에서 GPU는 리스크가 낮고 확장성이 높은 선택지가 되며 이는 기업용 AI 확산과 함께 더 중요해지는 요소임


반면 ASIC은 특정 워크로드에서 효율적이지만 변화가 발생하면 비효율이 커지고 사용 범위도 제한되는 구조임


이 때문에 변화가 빠른 AI 산업에서는 주류가 되기 어렵고 고정적이고 반복적인 워크로드를 처리하는 보조적 역할에 머무를 가능성이 큼


리사 수가 GPU 중심 시장이 향후 5년 이상 이어진다고 본 것도 현재 AI 산업의 불확실성과 변화 속도를 고려하면 자연스러운 결론임


□ 마무리하며


AI 산업은 빠르게 확장되는 동시에 방향성이 계속 바뀌는 특성을 가짐


이러한 환경에서는 특정 기능에 최적화된 칩보다 변화가 생겨도 그대로 활용할 수 있는 범용 플랫폼의 가치가 더욱 커지는 흐름이 형성됨


GPU는 범용성, 생태계, 연구 속도, 유연성 측면에서 현재 AI 산업의 요구와 가장 잘 맞는 구조를 갖추고 있으며


TPU와 ASIC은 분명한 장점이 있지만 시장 전체를 주도하기에는 확장성의 한계가 존재함


결국 시장은 GPU 중심 구조 위에 ASIC이 특정 워크로드를 맡는 형태로 자연스럽게 분화될 가능성이 크며


이러한 흐름은 AI 산업이 성숙 단계로 이동하기 전까지 상당 기간 이어질 것으로 보임