화웨이의 어센드 칩은 AI 이미지 모델을 위한 대안 경로를 구축하고 있다

AI 하드웨어에 관한 대화 대부분은 한 회사와 한 종류의 칩을 거쳐 이루어진다. 화웨이는 두 번째 길을 구축하려 하고 있으며, 그 최신 진전은 이번 달 인프라 발표에서 드러난다.

화웨이는 자사 어센드 프로세서를 기반으로 구축되고 차세대 AI 인프라를 위한 NPO 기술을 전면에 내세운 클러스터인 어센드 960 SuperPoD를 공개했다. 이 발표는 대규모 모델의 훈련과 서빙을 겨냥한 것으로, 이미지 생성이 헤드라인 유스케이스는 아니지만 그 영향권 안에 확실히 들어 있다. 텍스트-투-이미지 모델은 AI에서 가장 컴퓨팅 집약적인 워크로드 중 하나이며, 지배적인 하드웨어 스택에 대한 어떤 대안이든 이를 구축하고 운영할 여력이 있는 주체를 바꿔 놓는다.

전략적 배경에는 중국 기업의 최첨단 칩 접근을 제한해 온 미국의 수출 통제가 있다. 이는 중국 기업들이 자국산 대안을 개발하도록 밀어붙였고, 화웨이의 어센드 라인은 그러한 노력 중 가장 앞서 있다. 960 SuperPoD는 격차가 좁혀지고 있다는, 또는 적어도 제한된 하드웨어 없이도 실행 가능한 경로가 있다는 최신 주장이다. 이는 중국 AI의 미래가 다른 누군가가 차단할 수 있는 칩 위에서 돌아갈 필요는 없다는 베팅이다.

특히 이미지 모델의 경우, 이는 몇 가지 측면에서 중요하다. 첫째, 대형 이미지 모델 훈련은 기반 실리콘에 민감한 방식으로 비용이 많이 든다. 이미지 생성기 뒤에 있는 확산 모델은 훈련 중 컴퓨팅 자원을 많이 소모하며 대규모 데이터셋에 걸쳐 많은 반복을 필요로 하고, 비용은 칩과 소프트웨어 스택이 얼마나 효율적인지와 직접적으로 연결된다. 자국산 칩이 수용 가능한 비용으로 모델을 훈련하고 서빙할 수 있다면, 중국 연구소들은 해외 하드웨어에 의존하지 않고 Qwen-Image 2.1 같은 오픈 모델을 계속 출시할 수 있다. 이는 성능만큼이나 복원력의 문제다.

둘째, 서빙은 사람들이 생각하는 것보다 더 중요하다. 이미지 생성은 상호작용적이다. 사용자는 프롬프트를 입력하고 몇 초 안에 결과를 기대하며, 인기 모델은 하루에 수백만 건의 그러한 요청을 받는다. 훈련 처리량만이 아니라 추론 효율이 무료 또는 저렴한 이미지 서비스가 경제적으로 실행 가능한지를 결정한다. 자국산 추론 스택은 중국 이미지 앱과 API의 비용 계산을 바꾸며, 화웨이 같은 기업이 훈련 클러스터뿐 아니라 서빙 인프라에 그토록 많이 투자하는 이유다.

셋째, 표준의 차원이 있다. 세계의 이미지 모델들은 훈련과 서빙을 위해 특정 소프트웨어 생태계, 특정 프레임워크, 커널, 최적화 라이브러리 세트를 점점 더 전제로 삼는다. 경쟁 하드웨어 스택에는 자체 소프트웨어 계층, 자체 옵티마이저, 자체 커뮤니티가 필요하며, 하드웨어와 사용 가능한 하드웨어 사이의 격차는 대부분 소프트웨어다. 화웨이는 이를 구축해 왔고, 각 인프라 발표는 기존 사업자의 툴체인에 의존하지 않는 생태계를 향한 한 걸음이다.

이 모든 것이 화웨이 칩이 순수 성능에서 지배적 플레이어를 곧 대체할 것이라는 뜻은 아니다. 정직하게 해석하자면 그것들은 제2의 공급원을 제공하며, 제2의 공급원은 최고가 아니더라도 중요하다. 왜냐하면 다운스트림의 모든 이의 협상 위치를 바꾸기 때문이다. 자국산 실리콘으로 훈련할 수 있는 연구소는 공급 충격에 덜 노출된다. 그 위에서 서빙할 수 있는 기업은 가격 책정의 자유가 더 크다. 둘 다 할 수 있는 국가는 더 많은 전략적 자율성을 갖게 되며, 그것이 이 작업의 핵심이다.

지정학적 각도는 여기서 피할 수 없다. 이미지 모델은 단순한 소비자용 장난감이 아니다. 디자인, 제조, 미디어, 그리고 점점 더 국가 인접 응용 분야—선전에서 감시, 허위정보에 이르기까지—에서 사용된다. 이들을 훈련하고 실행하는 하드웨어에 대한 통제는 전략적 능력에 대한 통제이며, 바로 이것이 수출 통제가 존재하는 이유이고 자국산 대안이 그토록 공격적으로 추진되는 이유다. 둘은 순환 속에 맞물려 있다. 제한은 자국산 노력을 가속하고, 자국산 노력은 제한에 표적을 제공한다.

중국 밖의 사람들에게 어센드 발표는 내부 문제로 무시하기 쉽다. 그것은 실수일 것이다. 대안 스택이 오픈 모델을 잘 훈련하고 서빙할 수 있는 임계점에 도달한다면, 다음 Qwen-Image 또는 그다음 모델은 당신이 보편적이라고 가정하는 하드웨어를 결코 건드리지 않을 수도 있다. 이미지 생성 경제는 조용히 두 번째 하드웨어 이야기를 갖게 되고, 이는 어떤 모델이 출시되는지, 얼마나 저렴하게 실행되는지, 그리고 그 전체 아래의 인프라를 누가 통제하는지를 형성할 것이다.

인재와 커뮤니티의 차원도 있다. 대안 하드웨어 스택에는 이를 사용할 줄 아는 사람들이 필요하며, 그런 사람들은 현재 기존 생태계에 집중되어 있다. 그 커뮤니티를 구축하는 데는 수년이 걸리며, 그것이 진짜 장기전이다. 그런 점에서 화웨이의 인프라 발표는 순수 사양만큼이나 인재 모집과 신호 발신에 관한 것이다. 그들은 세계에 말하고 있다. 여기에는 실행 가능한 경로가 있으니 그 위에 구축하라.

이미지 생성 각도는 대부분의 관찰자가 놓치는 부분이다. 그들은 “SuperPoD”를 읽고 언어 모델과 챗봇을 떠올린다. 그러나 같은 클러스터가 이미지를 생성하는 모델을 훈련하고 서빙하며, 이미지 생성의 경제성—높은 컴퓨팅, 높은 상호작용성, 높은 볼륨—은 대안 스택이 상업적으로 스스로를 입증할 수 있는 첫 워크로드 중 하나로 만든다. 자국산 이미지 모델이 자국산 실리콘을 얼마나 빨리 채택하는지 지켜보라. 그것이 어떤 벤치마크 차트보다 이 두 번째 길의 궤적에 대해 더 많은 것을 말해 줄 것이다.

진짜 병목이 어디에 있는지에 대한 미묘한 점도 있다. 칩은 이야기의 절반에 불과하다. 나머지 절반은 칩을 유용하게 만드는 소프트웨어, 즉 컴파일러, 커널, 프레임워크, 그리고 특정 아키텍처에 맞춰 조정된 모델 구현이다. 소프트웨어가 없는 칩은 문진일 뿐이다. 이것이 화웨이의 발표가 하드웨어와 소프트웨어 생태계 육성을 함께 묶는 이유이며, 기존 스택과 대안 사이의 격차가 테라플롭만큼이나 개발자 도구로 측정되는 이유다. 이미지 모델의 경우, 질문은 단지 “칩이 확산 모델을 실행할 수 있는가”가 아니라 “개발자가 이미 아는 도구를 통해, 전문가 팀이 모든 계층을 수작업으로 튜닝하지 않고도 칩이 확산 모델을 잘 실행할 수 있는가”다.

그 소프트웨어 격차가 수년간의 투자에도 불구하고 대안 스택이 좀처럼 떠오르지 못한 이유다. 하드웨어는 실험실에서 만들 수 있지만, 개발자 생태계는 개발자가 만들어야 하며, 개발자는 도구가 좋고 마찰이 낮은 곳으로 간다. 대안 스택을 위한 출시 첫날 지원을 제공하는 모든 오픈 모델, 백엔드를 추가하는 모든 프레임워크, 초보자를 안내하는 모든 튜토리얼이 그 격차를 조금씩 깎아낸다. ComfyUI와 Diffusers 같은 오픈 프레임워크에 크게 의존하는 이미지 생성 커뮤니티는 사실 대안 스택이 발판을 확보할 수 있는 가장 유망한 곳 중 하나다. 왜냐하면 그 커뮤니티는 이미 다양한 하드웨어에서 모델을 실행하는 데 익숙하기 때문이다.

그것이 장기전이며, 이번 달 발표가 목적지로서보다 방향으로서 더 중요한 이유다. 어센드 960 SuperPoD가 이미지 생성 지형을 하룻밤에 바꾸지는 않을 것이다. 그러나 그것은 땅에 박은 말뚝이며, 대안 경로가 구축되고 자금이 대고 인력이 채워지고 있다는 신호이고, 이미지 생성의 미래가 더 넓은 AI의 미래처럼 영원히 단일 하드웨어 이야기 위에서 돌아가지 않을 수도 있다는 신호다. 그럴 것이라고 가정하는 사람들은 역사가 반복적으로 위험하다고 보여 준 베팅을 하고 있는 것이다.