[태그:] AI 반도체

  • 엔비디아, 젠슨 황 조사…사외이사 위원회가 지휘

    엔비디아, 젠슨 황 조사…사외이사 위원회가 지휘

    3줄 요약

    • 엔비디아 이사회는 젠슨 황 CEO가 외국 정보 공작의 표적이 됐다는 의혹을 두고, 독립 이사 위원회와 외부 독립 변호인이 이끄는 조사를 시작했다.
    • 이사회 독립 조사는 조사 대상인 경영진의 영향에서 떨어진 사람들이 사실을 확인하는 장치이고, ‘기밀 침해를 믿을 이유가 없다’는 성명 문구는 결론이 아니라 조사 전 입장이다.
    • 사안이 국가안보 문제로 커진 건 상대가 AI 칩 밀반출 의혹으로 미국 상무부 조사를 받는 고객사 임원이고, 엔비디아 칩이 대중 수출 통제의 한가운데 있기 때문이다.

    엔비디아 이사회가 창업자이자 CEO인 젠슨 황을 조사한다. 지휘봉은 경영진이 아니라 독립 이사들로 꾸린 위원회가 쥐었고, 외부 독립 변호인이 그 위원회를 돕는다. 회사가 자기 회사 최고경영자를 들여다볼 때 경영진에게 조사를 맡기지 않는 건 이런 사안의 기본 공식이다. 의혹의 무게는 가볍지 않다. 젠슨 황이 메가스피드 임원 앨리스 황과 ‘가까운 관계’를 맺어 왔다고 뉴욕타임스가 전했고, 앨리스 황은 중국 국가안전부에 포섭돼 엔비디아를 상대로 정보 활동을 했다는 의혹을 받고 있다. 젠슨 황은 이후 사내 메모에서 이 관계가 연인 관계였다고 인정했다.

    겉모습만 보면 경영자 개인의 스캔들이다. 그런데 기술 업계에서 일하는 사람이라면 이 사건에서 챙겨 둘 개념이 세 가지 있다. 이사회 독립 조사가 돌아가는 구조, 회사가 내는 성명을 읽는 법, 그리고 한 사람의 사적인 관계가 반도체 수출 통제와 국가안보 문제로 번지는 경로. 셋 모두 엔비디아 한 회사에서 끝나는 이야기가 아니다. 상장사가 최고경영자를 조사하는 방식, 성명의 행간, 수출 통제의 작동 원리는 다른 기업 사안에도 그대로 적용된다.

    CEO를 조사할 땐 얽히지 않은 사외이사만 위원회에 앉힌다

    상장사 이사회에는 두 부류가 함께 앉는다. 회사 경영을 직접 맡는 사내이사, 그리고 경영진에서 떨어져 있는 사외이사. 엔비디아 성명에 나오는 ‘독립 이사(independent directors)’는 우리 식으로 치면 사외이사에 가까운 개념이다. 평소라면 이 구성이 크게 문제 될 일은 없다. 조사 대상이 CEO로 바뀌는 순간 사정이 달라진다. 이사회 안건을 올리고 회사 정보를 가장 많이 쥔 사람이 바로 CEO이기 때문이다. 창업자 CEO는 이사 선임 과정에서도 입김이 센 경우가 많다. 이사회 전체가 조사를 맡으면 ‘제 식구 감싸기’라는 의심을 피하기 어렵다.

    이때 꺼내는 카드가 특별위원회다. 조사 대상과 업무·금전 관계가 없는 독립 이사들만 골라 위원회를 만들고, 조사 권한과 보고 라인을 그 위원회로 몰아준다. 엔비디아 성명에도 독립 이사 위원회가 외부 독립 변호인의 도움을 받아 조사를 감독한다는 문장이 들어 있다. 눈여겨볼 건 보고 라인이다. 조사팀은 경영진이 아니라 위원회에 보고한다. 결과가 조사 대상의 손을 거치지 않고 이사회로 올라가는 구조다.

    오해하기 쉬운 대목도 있다. 이사회 조사는 어디까지나 회사 내부 절차다. 수사기관 같은 강제 권한이 없으니 압수수색도, 소환장 발부도 할 수 없다. 조사 재료는 회사가 가진 자료와 임직원의 협조가 전부. 정부 조사와는 별개로 굴러가고, 두 조사의 결론이 같으리라는 보장도 없다. 내부 조사 결과가 나오더라도 그것만으로 사안이 매듭지어졌다고 보기 어려운 이유가 여기 있다.

    사내 법무팀 대신 외부 변호인, 조사는 다섯 단계로 굴러간다

    회사 안에도 법무팀은 있다. 그런데도 굳이 바깥 변호인을 부르는 이유는 단순하다. 사내 법무팀은 조직도상 결국 CEO 아래에 있다. 자기 회사 최고 책임자를 조사하라는 일을 맡기면, 아무리 공정하게 처리해도 결과를 믿어 줄 사람이 많지 않다. 위원회가 외부 로펌을 직접 선임하고 위원회에만 보고하게 하면 이 문제가 상당 부분 풀린다. 다만 평소 회사 일을 많이 맡아 온 로펌이라면 독립성 시비가 또 붙는다. 엔비디아 성명이 변호인 앞에 ‘독립(independent)’이라는 수식어를 굳이 붙인 데는 이런 사정이 깔려 있다.

    엔비디아가 구체적인 절차까지 공개하지는 않았다. 이런 조사는 대체로 아래 순서를 밟는다.

    1. 범위 확정: 위원회가 무엇을 확인할지 정한다. 관계의 성격만 볼지, 조사 대상이 접근한 정보와 그 흐름까지 볼지가 여기서 갈린다.
    2. 자료 보전과 수집: 이메일, 사내 메신저, 일정·출장 기록처럼 지워지면 안 되는 자료부터 묶어 둔다.
    3. 관계자 면담: 조사 대상 본인을 포함해 관련 임직원을 면담한다. 엔비디아 이사회는 젠슨 황이 조사를 전적으로 지지하고 협조하기로 했다고 밝혔다.
    4. 사실 판단과 보고: 외부 변호인이 확인한 사실과 판단을 위원회에 보고한다.
    5. 이사회 조치: 위원회 권고를 바탕으로 이사회가 징계, 내부 통제 보완, 대외 공개 범위 같은 후속 조치를 정한다.

    다섯 단계 가운데 무게가 가장 큰 건 의외로 첫 단계다. 범위를 좁게 잡으면 조사는 빨리 끝나지만 ‘보고 싶은 것만 봤다’는 말이 따라붙는다. 넓게 잡으면 시간이 오래 걸린다. 조사 결과를 받아 들었을 때 결론보다 범위부터 확인하라는 말이 나오는 것도 그래서다. 이번 사안은 회사 기밀뿐 아니라 행정부의 AI 정책 논의까지 우려 대상으로 거론된다. 범위를 두 사람 관계의 성격에만 묶어 둔 조사라면 설득력이 약할 수밖에 없다.

    엔비디아 성명은 CEO를 ‘가담자’ 아닌 ‘표적’으로 적었다

    이런 성명은 대개 법무 검토를 거치며 한 문장씩 다듬어져 나온다. 단어 선택 자체가 정보라는 얘기다. 엔비디아 성명에서 눈여겨볼 대목은 네 군데.

    • ‘표적(target)’이라는 단어: 이사회는 젠슨 황을 외국 정보 공작의 ‘표적’이 된 사람으로 적었다. 가담자가 아니라 노림을 당한 쪽이라는 틀부터 세운 셈이다. 이사회가 어떤 전제 위에서 조사를 출발시키는지 드러나는 단어다.
    • 미국의 국가·경제 안보를 최우선에 둔다는 문장: 이사회는 이것이 엔비디아와 주주의 이익에 가장 중요하다고 적었다. 엔비디아 AI 칩이 미국 정부의 수출 통제를 받는 제품이라는 점을 감안하면, 이 문장은 주주 못지않게 미국 정부를 겨냥한 메시지로 읽힌다.
    • ‘침해를 믿을 이유가 없다’: 국가안보나 엔비디아 기밀이 침해됐다고 믿을 이유가 없다는 말은 조사 전 입장이지 조사 결론이 아니다. 바로 뒤에 가용한 모든 정보를 검토하겠다는 문장이 붙어 있다는 점이 그 근거다.
    • ‘신뢰’와 ‘적절할 때 추가 안내’: 이사회는 젠슨 황과 경영진을 신뢰한다고 했다. 반면 조사 일정이나 보고서 공개 여부는 약속하지 않았다. 적절할 때 추가로 알리겠다는 표현은 공개 범위를 이사회가 정하겠다는 뜻에 가깝다.

    이 성명은 두 숙제를 한꺼번에 풀려고 쓴 글이다. CEO를 지키는 일, 그리고 조사가 독립적이라는 점을 보여 주는 일. 두 목표는 어느 정도 서로 부딪친다. 조사를 시작하는 단계에서 이미 CEO에 대한 신뢰를 공개적으로 밝혔으니, 나중에 나올 결론이 그 신뢰와 어긋날 경우 이사회가 떠안을 부담도 그만큼 커졌다. 어느 쪽에 무게가 실렸는지는 결과 발표에서 드러난다.

    수출 통제는 칩뿐 아니라 칩을 다루는 회사까지 관리한다

    CEO의 연애가 왜 국가안보 이야기로 번지는지는 수출 통제 구조를 보면 풀린다. 엔비디아 AI 칩은 미국이 기술 우위를 지키는 데 핵심으로 꼽힌다. 바이든 행정부도, 트럼프 행정부도 이 칩의 중국 판매를 제한한 이유다. 트럼프 대통령은 제한을 완화하면서도 가장 강력한 엔비디아 칩의 중국 기업 판매는 막았고, 칩을 다루는 개별 기업은 상무부 승인을 받도록 했다.

    요점은 수출 통제가 ‘어떤 칩’만 관리하지 않는다는 데 있다. ‘누가 그 칩을 다루는가’까지 관리 대상이다. 승인받은 기업을 거쳐 칩이 흘러가야 체계가 유지되는데, 고객사가 칩을 몰래 중국으로 빼돌리면 구조 전체가 흔들린다. 메가스피드는 엔비디아의 고객사다. 그리고 AI 칩을 중국으로 밀반출했는지를 두고 상무부 조사를 받고 있다. 앨리스 황은 바로 그 회사의 임원이고, 미국 당국자들은 앨리스 황이 정보를 베이징에 직접 넘기고 있었다고 보고 있다. 칩 공급사의 최고경영자와, 그 칩의 밀반출 의혹을 받는 고객사 임원. 두 사람의 관계가 사생활의 영역에 머물기 어려운 이유다.

    걸린 정보가 회사 기밀에 그치는 것도 아니다. 젠슨 황은 트럼프 대통령과 꽤 가까운 사이로 알려져 있다. 그가 행정부의 AI 정책 논의에서 어떤 내용을 접했는지, 그 내용이 앨리스 황을 거쳐 베이징까지 흘러갔는지가 우려의 핵심으로 꼽힌다. 관련 주체와 쟁점을 나눠 보면 다음과 같다.

    구분 주체 대상 쟁점 확인된 단계
    이사회 독립 조사 엔비디아 독립 이사 위원회, 외부 독립 변호인 젠슨 황 CEO 외국 정보 공작의 표적이 된 경위, 국가안보·회사 기밀 침해 여부 조사 개시. 이사회는 침해를 믿을 이유가 없다는 입장
    정부 조사 미국 상무부 메가스피드 AI 칩의 중국 밀반출 여부 조사 대상
    언론 보도 언론 젠슨 황과 앨리스 황 두 사람의 ‘가까운 관계’ 젠슨 황이 사내 메모로 연인 관계 인정
    당국 판단 미국 당국자 앨리스 황 중국 국가안전부 포섭, 베이징으로 정보 전달 여부 당국자들의 판단 단계, 공식 결론은 미확인

    GPU 도입 계획엔 변수가 아니지만, 주주와 보안 담당자는 다르다

    제품부터 보자. 이사회 성명에는 제품, 공급, 서비스와 관련된 내용이 한 줄도 없다. 엔비디아 GPU로 개발 환경을 꾸렸거나 도입을 검토하던 국내 개발팀이라면, 이 발표 하나로 계획을 바꿀 근거는 없다. 조사의 초점은 경영자 개인과 정보 유출 가능성이지, 제품 결함이나 공급 차질이 아니다.

    해외 주식으로 엔비디아를 들고 있는 국내 투자자는 사정이 조금 다르다. 이사회가 성명에서 주주 이익을 직접 언급한 만큼, 조사 결과는 지배구조 문제로 읽힐 수 있다. 결과에 따라 CEO의 역할이나 이사회 감독 방식에 변화가 생길 가능성도 거론할 수는 있다. 다만 이건 추측이다. 성명에는 그런 방향이 전혀 언급되지 않았고, 이사회는 오히려 젠슨 황에 대한 신뢰를 밝혔다.

    기업 보안을 맡은 사람에게는 꽤 실용적인 교훈이 남는다. 이번 사안에서 노림을 당한 건 서버나 계정이 아니었다. 사람, 그것도 최고경영자. 보안 정책은 대개 직원 단말과 계정 관리에 힘을 쏟는다. 최고경영진의 개인적인 관계는 정책의 손이 닿기 어려운 영역이다. 임원 이해충돌 신고 제도, 그리고 고객사·협력사 관계자와의 관계를 이사회에 알리는 절차가 서류로만 있는지 실제로 작동하는지가 관건으로 보인다. 엔비디아 사례에서 끌어낸 의견이니 참고로만 받아들이면 된다.

    AI 칩을 유통하거나 클라우드로 빌려주는 사업자 쪽에서는 고객 확인 절차가 더 깐깐해질 수 있다는 관측도 가능하다. 이 역시 추측에 가깝다. 상무부의 메가스피드 조사 결과를 보고 판단할 문제다.

    확인된 것과 아직 불확실한 것

    확인된 것

    • 엔비디아 이사회가 젠슨 황 CEO와 관련한 독립 조사를 시작했고, 독립 이사 위원회가 외부 독립 변호인의 도움을 받아 감독한다.
    • 이사회는 국가안보나 엔비디아 기밀이 침해됐다고 믿을 이유가 없다는 입장이며, 가용한 모든 정보를 검토하겠다고 밝혔다.
    • 젠슨 황은 조사를 지지하고 협조하기로 했고, 사내 메모에서 앨리스 황과의 관계가 연인 관계였다고 인정했다.
    • 메가스피드는 엔비디아 고객사이며, AI 칩 중국 밀반출 여부로 미국 상무부 조사를 받고 있다.
    • 바이든·트럼프 행정부 모두 엔비디아 AI 칩의 중국 판매를 제한했고, 트럼프 대통령은 제한을 완화하면서도 가장 강력한 칩의 중국 기업 판매는 막았다.

    아직 불확실한 것

    • 앨리스 황이 중국 국가안전부에 포섭됐다는 의혹의 사실 여부
    • 베이징으로 넘어간 정보가 있다면 그 종류와 범위
    • 젠슨 황이 접한 행정부 AI 정책 논의의 내용과 외부 전달 여부
    • 위원회에 참여하는 이사 명단과 선임된 외부 로펌
    • 조사 완료 시점과 보고서 공개 방식
    • 상무부의 메가스피드 조사 결론

    조사 결과가 나오면 결론보다 먼저 볼 네 가지

    결과가 발표되면 시선은 문제가 있었느냐 없었느냐로 먼저 쏠린다. 그 결론을 믿어도 되는지는 아래 네 가지가 가른다.

    1. 조사 범위: 두 사람의 관계만 봤는지, 젠슨 황이 접근한 회사 자료와 정부 관련 대화의 흐름까지 봤는지 확인해야 한다.
    2. 공개 방식: 보고서 전문, 요약본, 결론 한 줄 가운데 무엇을 내놓느냐에 따라 외부 검증 가능성이 크게 달라진다.
    3. 후속 조치: 임원 이해충돌 신고 규정이나 보안 절차를 보완하는 재발 방지책이 함께 나오는지 봐야 한다. 결론만 있고 조치가 없으면 같은 일이 되풀이될 여지가 남는다.
    4. 정부 조사와의 정합성: 상무부의 메가스피드 조사 결론과 이사회 결론이 엇갈리지 않는지 맞춰 봐야 한다. 내부 조사에는 강제 권한이 없다. 정부 조사에서 새 사실이 나오면 판단이 뒤집힐 수 있다.

    이사회는 이미 ‘침해를 믿을 이유가 없다’는 입장을 내놨다. 결과 발표가 그 입장을 되풀이하는 데 그친다면 독립 위원회와 외부 변호인이라는 장치를 둔 의미도 옅어진다. 독립 조사의 값어치는 결론 그 자체보다, 그 결론을 남이 믿게 만드는 절차에서 나온다. 누가 조사했고, 어디까지 봤고, 무엇을 공개했는지. 젠슨 황을 둘러싼 이번 조사도 그 세 가지로 평가받게 된다.

    출처: The Verge AI

  • 엔비디아 칩 수출 통제 허점, 승인 업체는 빈 사무실

    엔비디아 칩 수출 통제 허점, 승인 업체는 빈 사무실

    3줄 요약

    • 미국의 AI 칩 수출 통제는 칩 성능 기준만큼 ‘누가 최종 사용자인가’를 확인하는 실사 단계에 크게 의존한다.
    • 엔비디아 H200 취급 승인을 받은 중국 업체 New Matrix는 등록 주소가 빈 사무실이었고, 소유주가 2024년부터 미국 블랙리스트에 오른 사모펀드와 연결돼 있었다.
    • 판매액의 15%를 정부가 받는 구조에서는 승인하는 쪽과 파는 쪽 모두 검증을 엄격히 할 유인이 약해질 수 있어, 사후 점검 방식이 통제의 실효성을 가르는 변수로 보인다.

    천장에 조명 대신 전선이 늘어진, 회색빛 빈 공간. 미국 정부에서 엔비디아 H200 칩을 다뤄도 된다는 승인을 받은 중국 업체 New Matrix가 회사 주소로 등록해 둔 사무실 모습이에요. 더버지가 뉴욕타임스의 현장 취재를 인용해 전한 장면인데요. 서류 처리 과정에서 생긴 실수 하나로 치고 넘어가기엔 걸리는 게 너무 많습니다. 수출 통제가 실제로 작동하는 지점, 그러니까 칩을 받는 쪽이 정말 존재하는 회사인지, 누구와 엮여 있는지 확인하는 단계가 통째로 비어 있었을 수 있다는 얘기거든요.

    사양표로 거르는 칩, 서류로 거르는 구매자

    수출 통제가 따지는 건 크게 네 가지예요. 무엇을 파는지(품목), 어디로 보내는지(목적지), 누가 받는지(최종 사용자), 어디에 쓰는지(최종 용도). 이 중 품목 기준은 꽤 명확한 편입니다. 칩의 연산 성능이나 메모리 대역폭 같은 사양으로 선이 그어지니까요. 어떤 칩이 기준선을 넘는지는 사양표만 놓고 비교해도 대부분 판가름이 납니다.

    최종 사용자 기준은 얘기가 다릅니다. 구매자가 낸 서류, 판매 기업의 고객 확인, 정부 심사관의 판단이 한데 맞물려야 비로소 돌아가거든요. 문제는 서류란 게 얼마든지 깔끔하게 꾸밀 수 있다는 점. 이 단계가 제 역할을 하느냐는 결국 현장을 직접 확인하고, 소유 구조를 얼마나 깊이 추적하느냐에 달려 있어요.

    H200 같은 고성능 데이터센터용 칩을 중국에 팔아도 된다고 허용한 건, 품목·목적지 단계에서 문을 통째로 닫던 방식을 풀고 최종 사용자 단계에서 걸러내겠다는 뜻에 가깝습니다. 통제의 무게중심이 ‘어떤 칩이냐’에서 ‘누구한테 가느냐’로 넘어간 셈이에요. 이렇게 되면 최종 사용자 검증이 느슨해지는 순간 통제 전체가 같이 느슨해집니다. 앞단의 전면 차단을 걷어낸 만큼, 남은 거름망이 사실상 이 단계에 몰려 있으니까요.

    여기에 블랙리스트 문제가 얽혀 들어옵니다. 미국 정부는 국가안보상 이유로 거래를 제한하는 기업 명단을 운영하고 있고, 이 명단에 오른 기업에는 별도 허가 없이 첨단 품목을 넘길 수 없어요. 그런데 이 명단은 법인 이름 단위로 작동합니다. 제한 대상 기업의 주주나 경영진이 새 법인을 하나 세우면, 그 새 법인은 명단에 없는 거죠. 이름 대조만으로는 구멍이 생길 수밖에 없고, 실소유주와 투자 관계까지 거슬러 올라가야 하는 이유가 바로 여기 있습니다.

    실사 책임은 엔비디아와 상무부, 두 곳에 나뉜다

    수출 거래에서 말하는 실사(due diligence)는 거래 상대가 서류에 적힌 그대로의 회사인지 확인하는 절차예요. 금융권의 고객 확인(KYC)과 비슷한 개념이라고 보면 됩니다. 책임은 두 군데로 나뉘는데요, 판매 기업은 자기 고객을 확인하고 정부는 승인 신청을 심사합니다. New Matrix 건에서 상무부와 엔비디아 양쪽을 향해 실사를 제대로 했느냐는 의문이 동시에 나온 것도 이 구조 때문이에요.

    실사에서 들여다봐야 할 항목은 대략 이렇습니다.

    • 실체: 등록 주소에 실제 사무실과 인력, 설비가 있는가
    • 소유·지배 구조: 실소유주와 주요 투자자는 누구이고, 제재 대상과 지분이나 인적 연결이 있는가
    • 사업과 구매 규모의 정합성: 회사의 업력과 사업 내용에 비해 주문하는 칩 물량이 지나치게 크지 않은가
    • 최종 용도 진술: 칩을 어디에 설치해 무엇에 쓰는지 구체적으로 설명하는가
    • 이전 가능성: 받은 칩을 제3자에게 다시 넘길 만한 구조나 정황이 있는가

    훑어보면 서류만으로 확인되는 항목은 많지 않아요. 주소가 진짜인지는 현장에 가 봐야 하고, 소유 구조는 여러 겹의 지분 관계를 하나하나 따라가야 겨우 드러납니다. 승인 업체 수가 늘수록 이런 확인에 드는 인력과 시간도 같이 불어나죠. 자연히 심사가 서류 검토 쪽으로 기울 위험도 커지고요. 판매 허용 범위는 넓히면서 심사 역량을 그만큼 늘리지 않는다면, 이 쏠림은 피하기 어렵다고 봅니다.

    설립 17개월, 입주 기록 없음, 블랙리스트 연결

    New Matrix를 둘러싼 사실관계를 실사 체크리스트에 대 보면 거의 모든 칸에 걸립니다. 취재 시점 기준으로 설립된 지 고작 17개월. 온라인에서 찾을 수 있는 정보도 극히 적었어요. 회사가 주소로 내건 건물의 입주사 명단에는 이름이 없었고, 그 산업단지를 관리하는 인근 관리업체의 접수 직원과 관리자 모두 이 회사에 대한 기록이 없다고 답했습니다. 소유주는 2024년부터 미국 정부 블랙리스트에 올라 있는 중국 사모펀드와 연결돼 있었고요.

    경고 신호 실사에서 확인하는 방법 New Matrix에서 드러난 내용
    신생 법인 설립일, 사업 이력, 거래 실적 확인 취재 시점 기준 설립 17개월
    공개 정보 부족 홈페이지, 공시, 채용 정보 등 공개 자료 조회 온라인 정보가 극히 적음
    등록 주소의 실체 현장 방문, 건물 입주사 명단 대조 빈 사무실, 입주사 명단에 없음
    관리 주체 기록 건물·단지 관리업체의 입주 기록 대조 관리업체 직원과 관리자 모두 기록 없다고 답변
    소유 구조 실소유주·투자자를 제재 명단과 대조 2024년부터 블랙리스트에 오른 사모펀드와 연결

    사실 표에 적힌 항목 하나하나는 멀쩡한 회사에서도 얼마든지 나올 수 있어요. 갓 세운 스타트업이면 업력이 짧고 온라인 정보도 적은 게 당연하죠. 공유 오피스를 쓰는 회사라면 입주사 명단에서 이름이 빠질 수도 있고요. 실사가 눈여겨보는 건 이런 신호가 여러 개 겹칠 때입니다. 신생 법인, 실체 없는 주소, 제재 대상과의 소유 연결이 한꺼번에 나왔는데도 승인이 났다면, 심사가 서류 대조에서 멈췄을 가능성이 크다고 보는 게 자연스러워요. 표의 다섯 줄 가운데 비켜 간 항목이 하나도 없다는 점에서, ‘운 나쁘게 놓친 한 건’이라는 설명은 잘 납득되지 않습니다.

    더 무거운 건 이게 예외가 아니라는 지적이에요. 취재진은 국가안보 관련 거래 제한 대상과 연결된 회사들이 엔비디아 칩 구매 승인을 받는 일이 어쩌다 생긴 실수가 아니라 반복되는 패턴이라고 봤습니다. 업체 한 곳의 문제라면 승인을 취소하면 그만이에요. 패턴이라면 사정이 달라집니다. 심사 절차 자체를 손봐야 하니까요.

    판매액 15%를 받는 정부, 심판이면서 이해당사자

    엔비디아는 바이든 정부 시절 중국에 칩을 팔 수 없도록 제한을 받았어요. 트럼프 정부는 엔비디아가 판매액의 15%를 정부 몫으로 내기로 합의한 뒤 이 제한을 완화했고요. 그 과정에서 젠슨 황 CEO는 강도 높은 로비를 벌였고, 중국 국가안전부의 스파이 공작 표적이 됐던 것으로도 알려졌습니다. 칩 수출이 무역 문제를 넘어 정보·안보 사안으로 다뤄지고 있다는 걸 보여 주는 대목이에요.

    수익 배분이 실사와 무슨 상관이냐 싶을 수 있는데, 핵심은 이해관계입니다. 전통적인 수출 통제에서 정부는 안보 이익만 따지는 심판이에요. 그런데 판매액 일부가 정부 수입으로 들어오면, 승인 한 건을 거절할 때마다 정부 수입도 그만큼 줄어듭니다. 판매 기업 입장에서도 고객 한 곳을 거절하는 건 곧 매출 손실이고요. 심판과 선수가 같은 방향의 경제적 이익을 쥐게 되는 거죠. 의심스러운 신청을 끝까지 파고들 동기가 약해지는 구조로 보입니다.

    물론 이 구조만 놓고 검증을 포기했다고 단정할 순 없어요. 걸리는 건 상무부의 심사 기준, 투입 인력, 승인 이후 점검 방식이 공개되지 않았다는 점입니다. 바깥에서 검증의 질을 따져 볼 근거가 부족한 상태인 거죠. 이런 상황에서 빈 사무실처럼 현장에 가 보면 바로 드러나는 허점이 튀어나오면, 그 공백은 고스란히 제도에 대한 불신으로 번집니다. 판매액의 15%가 정부 몫으로 걸려 있는 이상, 검증을 제대로 하고 있다고 말하려면 그걸 뒷받침할 점검 결과부터 내놓는 게 순서라고 봐요.

    국내에선 GPU 재판매·부품 기업과 투자자가 영향권

    이번 건은 중국 업체에 대한 데이터센터용 칩 판매 승인 문제라서, 국내 개인 사용자가 체감할 직접적인 변화는 거의 없어요. 영향이 닿을 만한 쪽은 기업과 투자자입니다.

    • GPU 서버를 재판매하거나 임대하는 국내 기업: 미국산 첨단 칩은 한국을 거쳐 제3국으로 넘어갈 때도 미국 수출 규정을 적용받을 수 있어요. 최종 사용자 검증 부실이 쟁점으로 떠오르면 미국이 우회 경로 점검을 강화할 가능성이 있습니다(추측). 해외 거래처의 소재지 확인 자료, 실소유주 정보, 최종 용도 확인서를 거래별로 보관해 두는 게 현실적인 대비책이에요.
    • AI 칩 공급망에 부품을 대는 국내 기업: 중국 판매 승인 범위가 넓어지든 좁아지든 엔비디아의 중국 출하 물량 전망이 바뀌고, 부품 수요 예측에도 영향이 갈 수 있어요(추측).
    • 엔비디아 주식에 투자한 개인: 승인 업체 재심사나 승인 조건 강화가 이뤄지면 중국 매출 전망이 흔들릴 수 있습니다(추측). 실적 전망이 정책 변수에 따라 출렁이는 구조라는 점은 염두에 둘 필요가 있어요.

    확인된 것과 아직 불확실한 것

    확인된 것

    • 미국 정부가 엔비디아 H200 칩을 취급할 수 있는 중국 업체를 승인했고, New Matrix가 그 목록에 포함됨
    • New Matrix의 등록 주소는 빈 사무실이며, 건물 입주사 명단과 관리업체 기록에 회사가 없음
    • New Matrix는 취재 시점 기준 설립 17개월이며 온라인 정보가 극히 적음
    • New Matrix 소유주가 2024년부터 미국 블랙리스트에 오른 중국 사모펀드와 연결됨
    • 바이든 정부의 중국 판매 제한을 트럼프 정부가 판매액 15% 배분 합의 뒤 완화함

    아직 불확실한 것

    • New Matrix의 실제 H200 칩 구매·수령 여부
    • 상무부와 엔비디아가 승인 전에 거친 실사 절차의 구체적 내용
    • 같은 패턴에 해당하는 승인 업체의 수와 명단
    • 문제 업체에 대한 승인 취소나 재심사 계획
    • 15% 수익 배분이 심사 기준에 미친 실제 영향

    다음 수출 통제 뉴스가 나오면 던져 볼 세 가지 질문

    AI 칩 수출 통제 소식은 앞으로도 모양을 바꿔 가며 계속 나올 거예요. 기사 하나하나에 휘둘리지 않으려면 아래 세 가지를 순서대로 짚어 보면 됩니다.

    • 통제가 어느 단계에서 바뀌었나: 성능 기준선을 조정한 건지, 판매 가능한 업체 목록을 바꾼 건지부터 구분하세요. 앞의 것은 칩 사양으로 효과가 분명하게 드러나고, 뒤의 것은 검증 절차에 따라 효과가 크게 달라집니다.
    • 누가, 어떻게 검증하나: 승인이 서류 심사로 끝나는지, 현장 확인과 승인 이후 점검이 따라붙는지 봐야 해요. 소유 구조를 몇 단계까지 추적하는지도 핵심입니다.
    • 승인하는 쪽이 판매로 이익을 얻나: 수익 배분처럼 심사 주체와 판매 실적이 묶인 구조라면, 검증이 엄격하게 유지되는지 지켜볼 별도의 감시 장치가 있는지 확인해 보세요.

    수출 통제가 실제로 먹히느냐는 블랙리스트가 얼마나 긴지보다, 명단 밖에 숨은 연결 고리를 어디까지 따라가느냐에서 갈립니다. 빈 사무실 하나가 승인 목록에 오를 수 있었다는 건, 그 추적이 어디서 멈췄는지 보여 주는 표식이에요.

    출처: The Verge

  • PyTorch 앱 TPU·트레이니움 이식, 갈아탈 기준

    PyTorch 앱 TPU·트레이니움 이식, 갈아탈 기준

    3줄 요약

    • 구글 TorchTPU와 아마존 TorchNeuron은 기존 PyTorch 앱을 다시 짜지 않고 각사 AI 칩(TPU, Trainium)과 클라우드로 옮기게 해 주는 PyTorch 버전이다.
    • 갈아탈지 말지는 칩 성능 소문보다 코드의 엔비디아 의존도, 쓰는 서빙 도구의 지원 여부, 이미 쓰는 클라우드로 판단하는 편이 빠르다.
    • 당장 옮기지 않더라도 하드웨어 지정을 한곳에 모아 두면 ‘설정만 바꿔 이전’이라는 혜택을 필요할 때 꺼내 쓸 수 있다.

    AI 앱의 85%가 PyTorch 위에서 만들어진다는 추산이 있다. 그런데 이 도구는 처음부터 엔비디아 GPU에 맞춰 다듬어졌다. 개발자가 따로 신경 쓰지 않으면 결과물은 저절로 ‘엔비디아 칩에서 돌아가는 앱’이 된다.

    구글과 아마존이 이 기본값을 동시에 건드렸다. 구글은 TorchTPU를 오픈소스로 공개했고, 아마존은 TorchNeuron을 내놨다. 엔비디아 말고 다른 칩으로 가는 길이 두 갈래 생긴 셈이다. 다만 둘 다 ‘더 빠른 칩’을 파는 도구는 아니다. 이사 비용을 낮춰 주는 통로에 가깝다.

    통로가 열렸다고 당장 짐을 쌀 이유는 없다. 옮길지 말지 판단할 재료는 칩 성능 소문보다 내 코드와 내 클라우드 계약서에 더 많이 들어 있다.

    2016년 메타에서 출발, 기본값은 처음부터 엔비디아

    PyTorch는 AI 모델을 설계하고, 학습시키고, 실제 서비스에서 돌리는 데 쓰는 오픈소스 도구 모음이다. AI 앱 개발자와 스타트업이 가장 널리 쓰는 도구로 꼽힌다.

    출발은 2016년 메타(당시 페이스북). LLM이 세상을 바꾸리라고는 누구도 짐작하지 못하던 때다. AI 연구용 하드웨어의 표준은 이미 엔비디아 GPU였고, PyTorch의 많은 기능도 그 칩을 기준으로 설계됐다.

    2022년에는 관리 주체가 바뀌었다. 메타가 PyTorch를 리눅스 재단에 넘겼다. 여러 핵심 오픈소스 프로젝트를 관리하는 비영리 단체다. 간판은 중립으로 바뀌었지만, 코드 곳곳에 밴 엔비디아 중심 설계까지 한꺼번에 바뀌지는 않았다.

    그래서 생긴 구도는 이렇다.

    • 새 프로젝트를 시작할 때마다 엔비디아 칩을 전제로 코드를 쓰게 된다.
    • 경쟁사 칩은 성능이 좋아도 ‘옮기는 수고’라는 벽부터 넘어야 한다.
    • 엔비디아의 강점을 칩 성능만으로 설명할 수 없는 이유다. 이 기본값도 강점이다.

    TorchTPU와 TorchNeuron이 겨냥하는 곳이 이 벽이다. 칩 성능 경쟁으로 읽으면 핵심을 놓친다. 이미 써 둔 코드를 다른 칩으로 옮기는 비용을 누가 더 낮추느냐의 경쟁이다.

    구글은 주변 도구를, 아마존은 PyTorch 본체를 손본다

    목표는 같다. 기존 PyTorch 앱을 다시 짜지 않고 자사 칩과 클라우드로 데려오는 것.

    • TorchTPU: 구글의 AI 칩 TPU(Tensor Processing Unit)와 구글 클라우드로 가는 길. 구글은 간단한 설정 변경만으로 이전이 가능하다고 설명한다.
    • TorchNeuron: 아마존이 직접 만든 AI 칩 Trainium과 AWS로 가는 길.

    차이는 각자 덧붙인 전략에서 드러난다.

    구분 기존 PyTorch + 엔비디아 GPU TorchTPU (구글) TorchNeuron (아마존)
    대상 칩 엔비디아 GPU TPU Trainium
    연결되는 클라우드 대부분 AI 앱의 기본 실행 환경 구글 클라우드 AWS
    기존 코드 이전 해당 없음(출발점) 설정 변경, 앱 재작성 불필요 앱 재작성 없이 이식
    주변 도구 연동 PyTorch 기능 다수가 이 칩 기준으로 설계 메타·허깅페이스·Inferact(vLLM)·RadixArk(SGLang) 등과 직접 협업 따로 알려진 내용 없음
    이전 지원 도구 — TPU agent suite(이전·오류 수정 지원) 따로 알려진 내용 없음
    추가 행보 — LiteRT의 PyTorch 호환 개선 본가 PyTorch에 엔비디아 종속 기능 분리 코드 제출
    공개 형태 리눅스 재단 관리 오픈소스 오픈소스 프로젝트 따로 알려진 내용 없음

    표의 아마존 열을 보면 ‘따로 알려진 내용 없음’이 세 칸이다. 주변 도구 연동, 이전 지원 도구, 공개 형태가 모두 비어 있다. 지금 시점에서 두 도구를 같은 무게로 놓고 비교하기 어려운 이유다.

    구글이 공을 들인 건 주변 도구와의 궁합이다. 메타, 허깅페이스, vLLM을 만드는 Inferact, SGLang을 만드는 RadixArk 등과 직접 협업했다. 원래 PyTorch에서 쓰던 이 도구들이 TorchTPU에서도 제대로 맞물리게 하려는 작업이다.

    여기에 두 가지를 더 얹었다.

    • TPU agent suite: 앱을 TPU와 구글 클라우드로 옮기면서 생기는 오류까지 잡아 주는 전용 도구.
    • LiteRT 개선: 스마트폰·노트북·임베디드 기기에서 AI를 돌리는 LiteRT를 PyTorch 앱과 더 잘 맞도록 손봤다.

    아마존은 출발점 자체를 건드린다. 자사 칩 전용 버전을 내고 끝내지 않았다. 본가 PyTorch 프로젝트에 엔비디아 칩과 엮여 있던 여러 기능을 떼어 내는 코드를 제출하고 있다.

    이 코드가 반영되면 TorchNeuron 사용자만 덕을 보는 게 아니다. TorchNeuron을 쓰지 않는 개발자도 처음부터 하드웨어를 덜 가리는 PyTorch를 쓰게 된다. 구글이 ‘우리 칩으로 오는 길’을 닦는다면, 아마존은 길이 시작되는 지점을 중립 쪽으로 옮기려 한다.

    칩 성능보다 먼저 따질 네 가지: 코드, 서빙 도구, 클라우드, 팀

    ‘재작성 없이 이전’이라는 문구만 믿고 움직이기엔 이르다. 아래 네 가지를 차례로 따지면 판단이 빨라진다.

    기준 확인할 것 유리한 쪽
    ① 엔비디아 의존도 GPU 전용 확장 라이브러리·직접 만든 GPU 연산 사용 여부 PyTorch 표준 기능 비중이 높은 앱
    ② 서빙 도구 vLLM·SGLang·허깅페이스 등 핵심 도구의 TPU·Trainium 지원 구글 협업 목록에 든 도구를 쓰는 팀
    ③ 클라우드 데이터 위치, 할인 약정·크레딧, 데이터 이전 비용, 보안 심사 이미 해당 클라우드에 자리 잡은 팀
    ④ 팀 역량 낯선 오류를 감당할 인력이 있는지 전담 인력이 있는 팀(없다면 추론부터)

    ① 코드가 엔비디아 전용 기능에 얼마나 묶여 있나. PyTorch 기본 기능만으로 짠 앱과 GPU 전용 확장 라이브러리나 직접 만든 GPU 연산을 끼워 넣은 앱은 이식 난이도부터 다르다. ‘재작성 불필요’라는 설명은 PyTorch가 관리하는 범위 안의 이야기일 가능성이 크고, 그렇게 전제하는 편이 안전하다. 표준 기능 비중이 높을수록 이사 비용은 내려간다.

    ② 쓰고 있는 서빙 도구가 지원되나. 모델 서비스에 vLLM이나 SGLang을 쓰고 모델은 허깅페이스에서 받아 오는 팀이라면, 구글이 이 도구 제작사들과 직접 협업했다는 점이 꽤 실질적인 이점이다. 파이프라인의 핵심 도구가 협업 목록에 없다면 순서가 바뀐다. 그 도구 문서에서 TPU·Trainium 지원 여부부터 확인할 일이다.

    ③ 칩 선택은 곧 클라우드 선택. TPU는 구글 클라우드, Trainium은 AWS와 묶여 있다. 총비용에는 칩 성능보다 아래 항목들이 더 크게 작용할 수 있다.

    • 학습 데이터가 어느 클라우드에 쌓여 있나
    • 어느 클라우드와 할인 약정이나 크레딧이 있나
    • 데이터를 다른 클라우드로 옮기는 비용은 얼마인가
    • 사내 보안 심사 절차를 새로 밟아야 하나

    ④ 팀이 낯선 오류를 감당할 수 있나. 대부분의 AI 앱이 엔비디아 칩을 기준으로 만들어지니, GPU 쪽은 오류 메시지만 검색해도 참고할 사례가 많다. 새 하드웨어는 그런 사례가 상대적으로 적을 수밖에 없다. 구글이 오류 수정을 돕는 TPU agent suite를 따로 내놓은 것도 이 장벽을 의식해서로 보인다.

    전담 인력이 없는 작은 팀이라면 학습보다 추론(서비스) 단계부터 시험하는 편이 부담이 적다. 학습은 오래 걸리고 중간에 멈추면 손실이 크다. 추론은 모델 하나 단위로 결과와 비용을 비교하기 쉽다.

    옮기기 전 6단계 점검, 의존성 목록부터 복귀 경로까지

    TorchTPU·TorchNeuron의 세부 설정 항목은 버전이 올라가면서 바뀔 수 있다. 실제 작업은 각 프로젝트 공식 문서를 따르고, 준비 순서만 아래처럼 잡아 두면 시행착오가 줄어든다.

    1. 의존성 목록 훑기: 패키지 목록 파일을 열고 GPU 전용으로 빌드된 패키지에 표시해 둔다. 이 목록이 짧을수록 ‘설정 변경만으로 이전’에 가까워진다.
    2. 하드웨어 지정 코드 한곳에 모으기: 장치 이름을 문자열로 직접 적은 곳, GPU가 있는지 확인하는 분기문을 코드 전체에서 찾아 설정 파일이나 환경 변수 하나로 모은다. 하드웨어를 바꿀 때 이 값 하나만 고치면 되는 구조를 목표로 한다.
    3. 칩 사용 한도 확인: 새 칩은 계정별 사용 한도(쿼터)가 낮게 잡혀 있을 수 있다. 구글 클라우드는 콘솔 → IAM 및 관리자 → 할당량 및 시스템 한도(영문 IAM & Admin → Quotas & System Limits, 한국어 표기는 확실하지 않음)에서 TPU로 필터링해 확인한다. AWS는 Service Quotas 콘솔 → AWS 서비스 → Amazon EC2에서 Trainium 관련 항목을 검색한다(항목이 인스턴스 계열명으로 표시될 수 있어 검색어는 확실하지 않음).
    4. 작은 모델로 정답 대조: 같은 입력을 기존 GPU 환경과 새 칩에 넣고 출력 차이를 비교한다. 연산 방식이 달라 숫자가 미세하게 어긋날 수 있다. 허용 오차를 미리 정해 두면 ‘버그냐, 정상 범위냐’를 두고 벌어지는 논쟁이 줄어든다.
    5. 속도·비용은 같은 조건에서: 배치 크기, 입력 길이, 정밀도 설정을 맞춘 다음 처리량과 시간당 비용을 잰다. 조건이 다르면 비교 숫자는 의미가 없다.
    6. 되돌아갈 길 남기기: 기존 GPU 환경의 컨테이너 이미지와 설정은 지우지 말고 보관한다. 전환 초기에는 두 환경을 함께 돌리면서 트래픽 일부만 새 칩으로 보내는 방식이 안전하다.

    여섯 단계 가운데 2번은 결국 옮기지 않기로 하더라도 해 둘 만한 작업이다. 이유는 마지막 문단에 있다.

    한국 팀은 클라우드 견적서에 비교 대상이 늘어난다

    한국에서 AI 서비스를 만드는 팀에게 가장 직접적인 변화는 선택지의 개수다.

    지금까지는 PyTorch로 만든 서비스를 다른 칩에서 돌리려면 손볼 게 많았다. 그 비용 탓에 엔비디아 GPU 외의 칩은 검토 대상에서 빠지기 일쑤였다. 이제 재작성 없이 옮길 수 있다는 도구가 두 개다. 클라우드 견적을 받을 때 GPU 인스턴스와 TPU·Trainium을 나란히 놓고 비교하는 일이 현실적인 업무가 된다.

    시작은 ‘이미 자리 잡은 곳’에서 하는 게 합리적이다.

    팀 상황 먼저 시험해 볼 것
    AWS에 데이터와 계약이 쌓인 팀 TorchNeuron
    구글 클라우드 크레딧이 있는 팀 TorchTPU
    허깅페이스·vLLM 중심으로 서빙하는 팀 TorchTPU
    스마트폰 앱에 AI 기능을 넣는 앱 개발사 LiteRT 업데이트

    클라우드를 옮기는 비용까지 떠안고 칩을 바꾸면, 이식이 쉬워진 이점은 금방 상쇄된다. 지연 시간에 민감한 국내 서비스라면 확인할 게 하나 더 있다. 쓰려는 리전에서 해당 칩을 쓸 수 있는지를 콘솔에서 먼저 봐야 한다.

    국내 앱 개발사에는 LiteRT 업데이트가 더 피부에 와닿을 수 있다. PyTorch로 만든 모델을 폰이나 노트북에 올리는 과정이 매끄러워진다는 뜻이기 때문이다. 다만 개선 폭을 보여 주는 구체적인 수치는 나와 있지 않다. 기존 변환 과정에서 막혔던 모델이 있다면 다시 시도해 보는 정도가 현실적이다.

    채용 시장에도 변화가 생길 수 있다(추측). ‘GPU 최적화 경험’만큼이나 ‘여러 하드웨어로 모델을 옮겨 본 경험’이 이력서에서 눈에 띄는 항목이 될 가능성이 있다. 클라우드 비용이 곧 생존 문제인 스타트업일수록 이런 이식 역량의 가치는 올라갈 것으로 보인다.

    확인된 것과 아직 불확실한 것

    확인된 것

    • 구글은 TorchTPU를 오픈소스 프로젝트로 공개했고, 설정 변경만으로 기존 PyTorch 앱을 재작성 없이 TPU·구글 클라우드로 옮길 수 있다고 설명했다.
    • 아마존의 TorchNeuron은 PyTorch 앱을 재작성 없이 Trainium·AWS로 이식하게 해 준다.
    • 아마존은 엔비디아 칩과 엮인 기능을 분리하는 코드를 본가 PyTorch 프로젝트에 제출하고 있다.
    • 구글은 메타, 허깅페이스, Inferact, RadixArk 등과 협업했고, TPU agent suite를 내놓았으며, LiteRT를 PyTorch 앱에 맞게 업데이트했다.
    • PyTorch는 2016년 메타가 개발했고 2022년 리눅스 재단으로 넘어갔다.

    아직 불확실한 것

    • ‘재작성 불필요’가 직접 만든 GPU 연산이나 GPU 전용 외부 라이브러리까지 포함하는지
    • 같은 모델을 돌렸을 때 엔비디아 GPU 대비 TPU·Trainium의 속도와 비용 차이
    • 아마존이 제출한 코드가 본가 PyTorch에 언제, 어디까지 반영될지
    • TorchNeuron의 공개 방식과 주변 도구 협업 범위
    • 한국 리전에서 TPU·Trainium을 어느 규모로 쓸 수 있는지

    엔비디아에 남더라도 ‘갈아끼울 수 있는 코드’는 남는 장사

    옮기기 쉬워졌다고 AI 개발자들이 엔비디아 하드웨어를 한꺼번에 버리지는 않을 것이다. 테크크런치도 이 대목에서는 선을 그었다. 팀에 쌓인 노하우, 익숙한 디버깅 방식, 검증된 성능 데이터. 설정 한 줄로 옮겨지지 않는 것들이다.

    그렇다고 흐름이 바뀌지는 않는다. 아마존과 구글은 엔비디아의 기본값 우위를 끝내려고 분명하게 움직이고 있다.

    개발팀이 손해 보지 않는 전략은 당장 칩을 바꾸는 게 아니다. ‘언제든 바꿀 수 있는 상태’를 만들어 두는 것이다.

    • 하드웨어 지정을 한곳에 모은다.
    • 표준 PyTorch 기능 위주로 코드를 짠다.
    • 다른 칩에서 결과를 대조할 테스트를 갖춰 둔다.

    이 준비만 돼 있으면 GPU 공급이 빠듯할 때나 클라우드 계약을 갱신할 때 TorchTPU나 TorchNeuron을 협상 카드로 꺼낼 수 있다. 아마존이 제출한 코드가 본가 PyTorch에 반영될수록 이 습관은 더 큰 효과를 낸다.

    출처: TechCrunch

  • 엔비디아 GPU 우회 수출, 서류엔 말레이시아행

    엔비디아 GPU 우회 수출, 서류엔 말레이시아행

    3줄 요약

    • 수출통제 대상 엔비디아 GPU는 서버 완제품에 담겨 움직이며, 우회 수출은 서류상 최종 목적지를 제3국으로 적는 데서 출발한다.
    • 미 법무부는 3억 달러가 넘는 서버를 중국으로 돌린 혐의로 서버 업체 CEO를 기소했고, 공모와 자금세탁 혐의는 각각 최대 20년형이다.
    • 엔비디아는 전용 물량이 자사 제품의 0.5% 미만이라고 주장하지만, 전문가들은 암시장 규모를 재기 어렵고 알려진 것보다 클 것으로 본다.

    서버 27대, 금액으로 약 761만 4,000달러. 미국 제조사가 받은 이 발주서에는 목적지가 말레이시아로 적혀 있었다. 미 법무부의 주장은 다르다. 공모자 한 명이 말레이시아 정부 관계자에게 27대가 전부 중국으로 실려 갔다고 말했다는 것이다. 수출통제가 걸린 AI 칩이 국경을 넘는 방식이 이 한 건에 압축돼 있다.

    이 글이 다루는 것은 사건의 전말보다 그 밑에 깔린 구조다. 통제 대상이 되는 칩, 우회 수출을 성립시키는 서류, 미국 법의 처벌 범위, 칩 제조사에 요구되는 실사 수준. 이 순서로 짚는다. 기소장 내용은 검찰 측 주장이고 법원에서 확정된 사실이 아니다. 아래에 나오는 ‘주장한다’는 표현은 전부 그 전제 위에서 읽어야 한다.

    통제 대상은 칩이지만 국경을 넘는 것은 서버다

    문제 된 품목은 엔비디아 A100 GPU와 H100 GPU를 탑재한 고성능 서버다. 아스테크니카가 옮긴 기소 내용이 그렇다. 이 칩들은 엔비디아의 최상위 제품이 아니다. 그래도 대량의 데이터를 처리하고 대형 언어모델을 학습시키는 데 쓰인다. 미국이 수출을 막는 논리는 물량에 있다. 중국이 충분한 수를 한꺼번에 확보하면 AI 역량이 급격히 올라가거나 군사력 강화로 이어진다고 보는 것이다.

    눈여겨볼 것은 거래 단위다. 기소장에 적힌 숫자는 칩 개수가 아니라 서버 대수다. 27대, 92대, 100대. 발주가 들어간 곳도 미국 내 서버 제조사였다. 여기서부터는 필자의 해석이다. 통제 품목이 완제품 서버 안에 담겨 유통되면 감시 지점은 칩 제조사 한 곳에서 끝나지 않는다. 서버 제조사, 화물 운송 주선업체, 대금을 처리하는 은행까지 넓어진다. 확인할 고리가 늘어난 만큼, 어느 한 고리가 확인을 생략하면 전체가 뚫리는 구조로 보인다. 고리가 많다는 것이 곧 촘촘하다는 뜻은 아닌 셈이다.

    서류상 목적지와 실제 도착지가 갈라지는 세 가지 경로

    우회 수출은 수출 서류에 적힌 최종 목적지와 화물이 실제로 도착하는 곳이 다른 거래를 가리킨다. 수출이 허용되는 나라의 구매자를 내세워 물건을 받고, 그 뒤 통제 대상국으로 다시 넘긴다. 법무부는 Earthmade Computer의 CEO가 말레이시아, 싱가포르 등지의 화물 운송 주선업체와 공모해 허위 서류로 선적을 가렸다고 주장한다. 기소장이 적시한 서버 가치는 합계 3억 달러를 넘는다.

    기소장에 담긴 선적 사례는 세 건이다. 나란히 놓으면 수법이 한 가지가 아니었다는 점이 드러난다. 목적지 칸만 바꿔 적은 건, 여러 나라를 거치게 한 건, 구매 업체 자체를 꾸며낸 건.

    물량 신고된 목적지·경유지 검찰이 주장하는 도착지 동원된 수단
    서버 27대, 약 761만 4,000달러 (70대 주문의 일부) 말레이시아 27대 전부 중국 목적지 허위 기재
    서버 92대 싱가포르, 말레이시아, 홍콩 경유 항저우 소재 중국 업체 여러 나라를 거치는 다단계 운송
    H100 GPU 탑재 서버 100대, 2,200만 달러 초과로 기재 말레이시아 원문에 언급 없음 가짜 구매 업체 명의의 서류

    세 번째 사례의 서류에는 구매 업체 CEO가 ‘Jackie Lui’로 적혀 있었다. FBI는 이와 함께 피고인이 한 개인의 신원 서류를 돈을 주고 사들여 거래에 써 왔다고 주장한다. 두 내용이 같은 인물을 가리키는지는 원문에 명시되지 않았다. 이어서 읽고 싶어지는 대목이지만 근거가 없으니 따로 떼어 둔다.

    금액 표기에도 모호한 데가 있다. 2,200만 달러가 서버 한 대 기준인지 100대 합계인지는 원문 문장만으로 가려지지 않는다. 전체 혐의 금액이 3억 달러대라는 점을 감안하면 합계로 읽는 편이 자연스럽다. 서버 27대가 약 761만 4,000달러였던 첫 번째 사례와 견줘 봐도 한 대에 2,200만 달러라는 계산은 나오기 어렵다. 다만 이것은 필자의 해석이고, 기소장 원문이 확인해 준 내용은 아니다.

    수출 서류는 꾸며도 이메일과 계좌 기록은 남는다

    적용 혐의는 세 가지다. 수출통제개혁법(ECRA)과 수출관리규정(EAR) 위반 공모, 연방 밀수법 위반, 그리고 자금세탁. 유죄가 인정되면 공모 혐의와 자금세탁 혐의는 각각 최대 20년, 밀수 혐의는 최대 10년의 징역형이 가능하다. 법무부는 이 거래로 얻은 자금 전액의 몰수도 추진한다.

    수사의 단서는 이메일과 은행 기록이었다. 법무부가 증거로 제시한 것은 주문 수량과 목적지를 논의한 이메일, 그리고 뱅크오브아메리카와 JP모건 계좌의 결제 내역이다. 검찰 계산으로는 피고인의 회사가 한 해 동안 이 거래로 받은 돈이 1억 7,600만 달러를 넘는다.

    수출 서류의 목적지 칸은 바꿔 적으면 그만이다. 대금은 그렇지 않다. 미국 금융망을 지나는 순간 흔적이 남는다. 수출통제 위반 사건에 자금세탁 혐의가 함께 붙는 배경을 필자는 여기서 읽는다. 돈의 흐름을 따라가면 서류와 다른 거래의 실체를 재구성할 길이 생기기 때문이다. 법정 최고형만 놓고 봐도 자금세탁은 밀수(최대 10년)보다 무겁고, 공모와 같은 최대 20년이다. 검찰 입장에서 덤으로 붙이는 혐의가 아니라는 얘기다.

    엔비디아가 요구받는 실사 수준과 회사의 반론

    엔비디아는 구매자를 심사하고, 최종 구매자가 확인되지 않으면 선적을 막아 왔다. 절차가 아예 없는 회사는 아니다. 블룸버그가 5개국에서 수십 명을 취재해 내놓은 탐사 기사는 그럼에도 정부 관계자와 업계 전문가들이 이 회사 실사의 빈틈을 지목한다고 전했다. 당국자들이 쉽게 걸러낼 수 있었다고 보는 사례는 다음 세 가지다.

    • 대만 시설: 엔비디아와 슈퍼마이크로가 방문했던 시설이 고성능 칩을 사들인 뒤 곧바로 중국 업체에 넘겼다. 대만 해안경비 당국이 선적 목록의 불일치를 발견해 서버 대부분을 압수했다. FBI는 이 시설이 주문한 서버를 모두 들이기에 명백히 부족했다고 주장한다.
    • 태국 데이터센터: 칩을 빼돌린 소규모 데이터센터가 가짜 임대차 계약으로 대량 주문을 넣었는데 엔비디아는 이를 알아채지 못했다. 현장을 방문했는지에 대해 회사는 답하지 않았다.
    • Megaspeed: 미국 정부가 수출 규제 회피 가능성을 지목한 업체다. 수만 개의 초과 물량이 중국으로 넘어가지 않았는지 긴급 점검하라는 요청이 있었으나 엔비디아는 점검 여부를 밝히지 않았고, 중단 명령이 나올 때까지 거래를 이어 가겠다고 했다.

    회사의 반론도 분명하다. 엔비디아 대변인은 “우방국 스타트업의 성장 계획은 미국에 기회이지 두려워할 ‘위험 신호’가 아니다”라고 말했다. 엔비디아 서버는 스타트업이 자본과 데이터센터 공간 같은 인프라를 확보하도록 돕는 담보 가능 자산이라는 설명도 붙었다. 시설이 주문량에 못 미친다는 이유만으로 주문을 거절하지는 않겠다는 뜻으로 읽힌다. 서버를 먼저 확보하고 그것을 담보로 공간을 마련한다는 논리라면, 대만 사례에서 FBI가 문제 삼은 시설 부족은 회사 기준으로는 거절 사유가 되지 않는다. 같은 정황을 두고 양쪽이 정반대 결론을 내리는 지점이다.

    규모를 둘러싼 인식 차이도 크다. 엔비디아는 중국으로 전용된 물량이 자사 제품의 0.5% 미만이라고 주장한다. 중국이 이미 가진 자국산 연산 자원이라는 바다에 견주면 양동이 속 물 한 방울이라는 비유도 내놨다. 각국 당국자들의 의심은 반대 방향을 향한다. 수십만 개의 AI 칩이 그림자 거래로 오가며 중국의 소규모 데이터센터, 나아가 일부 하이퍼스케일러까지 돌리고 있다는 것이다. 전문가들은 암시장이 측정하기 어렵고 알려진 것보다 훨씬 클 가능성이 높다고 본다. 한쪽은 비율을, 다른 쪽은 개수를 말하고 있어 원문에 나온 정보만으로는 두 숫자를 직접 맞대어 볼 방법이 없다.

    GPU 서버를 들여오거나 되파는 국내 업체에 달라지는 점

    원문에 한국은 등장하지 않는다. 미국 당국자들이 가장 면밀히 봐야 한다고 지목한 곳은 태국, 말레이시아, 싱가포르의 시설이다. 개인이 PC용 그래픽카드를 사는 일과 이 사건을 연결할 근거도 원문에는 없다. 사실은 여기까지.

    아래는 추측이다. 미국 정부는 엔비디아에 절차를 자발적으로 강화하고 의심스러운 선적을 더 많이 신고하라고 요구하고 있다. 이 요구가 받아들여지면 확인 절차가 특정 국가에 머물지 않고 해외 구매자 전반으로 넓어질 가능성이 있다. 데이터센터용 GPU 서버를 수입해 구축하거나 해외로 재판매하는 국내 업체라면 다음 질문에 답할 자료를 미리 갖춰 두는 편이 안전해 보인다.

    • 최종 사용자가 누구이며 실재하는 법인인가
    • 설치할 시설의 규모가 주문 수량을 감당하는가 (대만 사례의 쟁점)
    • 시설 임대차 계약이 실제로 유효한가 (태국 사례의 쟁점)
    • 재판매한다면 경유국과 최종 도착지가 서류와 일치하는가

    이 목록은 원문에 나온 적발 사례의 쟁점을 뒤집어 만든 것이며 법률 자문이 아니다. 실제 거래에서는 공급사가 요구하는 서류와 수출통제 전문가의 판단을 따라야 한다.

    확인된 것과 아직 불확실한 것

    확인된 사실

    • 미 법무부가 서버 업체 CEO를 체포했고, 수출통제 법규 위반 공모·밀수·자금세탁 세 가지 혐의를 적용했다.
    • 혐의 대상은 A100·H100 GPU를 탑재한, 합계 3억 달러가 넘는 서버다.
    • 법정 최고형은 공모와 자금세탁이 각각 20년, 밀수가 10년이다.
    • 검찰이 제시한 증거는 이메일과 은행 결제 기록이다.
    • 엔비디아는 전용 비율이 0.5% 미만이라는 입장을 내놨고, Megaspeed와의 거래를 유지하고 있다.

    미확정 사항

    • 기소 내용의 유무죄. 재판 결과가 나오기 전이다.
    • AI 칩 암시장의 실제 규모. 수십만 개라는 당국 추정과 0.5% 미만이라는 회사 주장이 맞선다.
    • 엔비디아가 미국 정부가 요청한 Megaspeed 긴급 점검을 수행했는지 여부.
    • 태국 데이터센터를 엔비디아가 방문한 적이 있는지 여부.
    • 미국 정부가 자발적 강화 요구를 넘어 강제 조치를 내릴지 여부.
    • 서버 100대 사례의 2,200만 달러가 대당 금액인지 합계인지.

    쟁점은 누가 의심 거래를 걸러낼 책임을 지는가로 옮겨 갔다

    엔비디아의 입장은 체포가 이어지는 동안 달라졌다. 앞서 대만에서 엔비디아 고위 관리자가 전 슈퍼마이크로 직원들이 운영한 것으로 지목된 유사 조직과 연결된 일이 있었다. 당시 젠슨 황 CEO는 밀수 증거는 없다면서도 슈퍼마이크로에 컴플라이언스 문제를 고치라고 촉구했다. 그 뒤 회사의 설명은 방향을 틀었다. 밀수를 부인하는 데서, 밀수된 칩이 화웨이 칩 위주로 돌아가는 중국 AI 산업에서 차지하는 비중이 작다고 말하는 쪽으로. 미국 당국의 목표는 칩이 DeepSeek 같은 중국 선도 기업에 닿지 않게 하는 것이다. 비중이 작다는 반론은 이 목표에 대한 직접적인 답이 되기 어렵다. 당국이 묻는 것은 총량이 아니라 칩이 누구 손에 들어갔느냐이기 때문이다.

    필자가 보기에 수출통제의 실효성은 법 조문의 강도보다 공급망 각 단계가 주문을 얼마나 의심해 보는가에 달려 있다. 당국은 시설 규모와 임대 계약 같은 기초 사항을 확인하지 않은 것을 빈틈으로 본다. 엔비디아는 같은 정황을 성장하는 고객의 정상적인 모습으로 본다. 이 간극이 좁혀지지 않는 한 비슷한 사건은 반복될 것으로 보인다. 지켜볼 지점은 세 가지. 재판에서 검찰 주장이 얼마나 인정되는지, 미국 정부가 권고를 의무로 바꾸는지, 서버 제조사와 운송 주선업체에 어느 수준의 확인 책임이 지워지는지다.

    출처: Ars Technica

  • AI 학습 vs 추론: LLM 시대, 핵심 개념과 차이점

    AI 학습 vs 추론: LLM 시대, 핵심 개념과 차이점

    AI 반도체 뉴스 보다 보면 ‘학습’이랑 ‘추론’이라는 단어가 계속 나온다. 엔비디아 GPU가 학습에 쓰인다, Groq은 추론에 특화됐다 — 근데 정작 이 둘이 뭐가 다른지 명확히 설명하는 글이 별로 없다. 직접 정리해봤다.

    AI 학습(Training): 데이터에서 패턴 뽑아내는 과정

    학습은 말 그대로 AI가 ‘배우는’ 단계다. 고양이 사진 수백만 장을 보여주면서 “이게 고양이야”라고 가르치는 것처럼, 모델은 데이터에서 패턴을 뽑아내고 내부 파라미터를 조정한다. 아이가 수천 번 실수하면서 자전거 타는 법을 익히는 것과 비슷하다.

    문제는 자원이다. 고양이 사진 몇 장이 아니다. 수십억 개의 텍스트 토큰, 수백만 시간치 비디오 데이터를 처리해야 한다. 병렬 연산에 강한 GPU가 여기서 필수인데, 엔비디아(NVIDIA)가 AI 반도체 시장을 장악한 것도 이 학습 단계에 최적화된 GPU 덕분이다. 모델 크기가 커질수록 학습 비용은 그냥 늘어나는 게 아니라 기하급수적으로 뛴다.

    AI 추론(Inference): 학습한 걸 써먹는 단계

    추론은 학습을 마친 모델이 실제로 일하는 과정이다. 고양이를 학습한 모델한테 처음 보는 사진을 보여줬을 때 “이거 고양이”라고 정확히 답하는 것. 챗GPT에 질문 던지면 답변 생성하는 것, 자율주행차가 도로의 장애물을 파악하는 것 — 전부 추론이다.

    학습처럼 데이터 수억 개를 동시에 처리할 필요는 없다. 대신 속도가 생명이다. 질문하고 2초 기다리면 답답하다. 동시 접속자 수만 명이 쓰는 서비스면 각 요청을 빠르게 처리하면서도 전력은 최소화해야 한다. 비용 문제도 크다.

    학습과 추론, 왜 다른 반도체가 필요할까?

    학습과 추론이 요구하는 게 달라서 최적 칩 설계도 달라진다.

    • 학습용 반도체: 대규모 병렬 연산, 높은 메모리 대역폭(Bandwidth), 방대한 메모리 용량이 핵심. 행렬 곱셈과 덧셈이 동시다발적으로 일어나고, 그 데이터를 고속으로 주고받아야 한다. GPU가 여기서 압도적이다.
    • 추론용 반도체: 저지연(Low Latency), 높은 처리량(Throughput), 와트당 성능(Performance per Watt)이 핵심. 학습된 모델은 이미 고정된 상태라 적은 연산으로 빠르게 결과를 뽑고, 이걸 동시에 많은 사용자한테 제공해야 한다.

    비유하자면 이렇다. 학습은 백과사전 전권을 통째로 외우는 작업. 추론은 이미 외운 백과사전에서 질문에 맞는 항목을 찾아 즉시 답하는 작업. 외울 때는 넓은 책상과 두꺼운 참고서 더미가 필요하고, 답할 때는 잘 정리된 색인과 빠른 손이 더 중요하다.

    LLM 시대, AI 추론 반도체가 뜨는 이유

    챗GPT 같은 거대언어모델(LLM)이 일상화되면서 추론 시장이 급격히 커지고 있다. 학습은 한 번 하면 끝이지만, 추론은 서비스 운영 내내 계속된다.

    • 비용 효율성: LLM 서비스 운영 비용의 대부분은 추론 단계에서 나온다. 사용자가 늘수록 추론에 필요한 반도체 자원도 비례해서 증가한다.
    • 실시간 응답: 0.1초 지연도 체감된다. 서비스 품질에 직결되는 문제다.
    • 응용 범위: 자율주행, 실시간 번역, 로봇 제어까지 — 죄다 실시간 추론이 필요한 영역이다.

    Groq처럼 추론 전용 반도체를 개발하거나, 기존 하드웨어에서 추론 효율을 극대화하는 소프트웨어 기술에 집중하는 기업이 늘어나는 이유가 여기 있다. 학습 시장은 엔비디아의 독주가 굳어졌지만, 추론 시장은 아직 열려 있다는 평가가 많다.

    추론 반도체, 기술적으로 뭘 봐야 하나

    추론에 강한 반도체의 조건은 크게 네 가지다.

    1. 특정 연산 최적화: AI 모델의 핵심 연산(행렬 곱셈 등)을 위한 전용 하드웨어 유닛을 탑재해 속도를 올린다. ASIC(Application-Specific Integrated Circuit)이나 FPGA(Field-Programmable Gate Array) 같은 맞춤형 칩이 이 범주다.
    2. 메모리 접근 최적화: 모델 가중치(weights)를 효율적으로 저장하고 빠르게 불러올 수 있는 구조가 중요하다. 온칩(On-chip) 메모리 활용을 극대화하거나, 낮은 비트 정밀도(Low-precision) 연산으로 대역폭 요구량을 줄이는 방식이 쓰인다.
    3. 낮은 전력 소모: 데이터센터 전기 요금, 스마트폰이나 IoT 기기의 배터리 수명. 와트당 성능이 낮으면 결국 운영비로 터진다.
    4. 프로그래밍 유연성: 완전 맞춤형 칩은 성능은 뛰어나지만 범용성이 떨어진다. PyTorch, TensorFlow 같은 프레임워크를 얼마나 폭넓게 지원하느냐도 실제 도입 결정에서 중요한 변수다.

    자주 나오는 질문들

    • Q: 학습이랑 추론, 둘 다 GPU로 가능한가요?
      • A: 됩니다. GPU는 병렬 연산에 강해서 학습·추론 모두에 쓸 수 있어요. 다만 추론 전용으로 설계된 칩은 GPU보다 효율이 높은 경우가 있습니다. 대규모 추론에서는 GPU가 학습 대비 효율이 떨어지는 구간이 생기기도 해요.
    • Q: 엣지(Edge) AI는 왜 추론과 연관이 깊나요?
      • A: 엣지 AI는 스마트폰, 드론, IoT 기기처럼 클라우드가 아닌 기기 자체에서 AI 연산을 돌리는 걸 말합니다. 네트워크가 불안정하거나 전력이 제한된 환경에서 학습된 모델을 기기 안에서 빠르고 효율적으로 추론하는 게 핵심이에요. 매번 클라우드에 요청을 보낼 수 없으니까요.

    결국 AI 기술의 두 축은 학습과 추론이다. 학습이 지식을 쌓는 과정이라면, 추론은 그 지식으로 실제 문제를 푸는 과정이다. LLM이 일상에 파고들수록 추론 효율이 AI 서비스의 성패를 가른다. 추론을 누가 더 빠르고 싸게 해내느냐 — 그게 다음 AI 반도체 경쟁의 본질이다.

    출처: TechCrunch