트레인·이튼, AI 데이터센터를 ‘전력망에서 칩까지’ 하나로 설계한다

AI 데이터센터의 병목은 이제 단순히 전기를 더 많이 끌어오는 데 있지 않다. 고밀도 연산 장비에 전력을 안정적으로 공급하는 동시에, 그 과정에서 발생하는 막대한 열을 효율적으로 제거해야 한다.

트레인 테크놀로지스(Trane Technologies)와 이튼(Eaton)은 이 두 문제를 별도의 프로젝트로 다루지 않고, 전력망에서 연산 칩까지 연결하는 하나의 ‘그리드-투-칩(grid-to-chip)’ 시스템으로 설계하는 공동 참조 아키텍처를 공개했다. 이 설계는 NVIDIA DSX AI Factory Reference Design을 기반으로 한다.

다만 이번 발표는 특정 고객의 데이터센터에 실제 설치했다는 내용이 아니다. 현재 공개된 정보는 양사의 플랫폼에 통합된 반복 가능한 설계 청사진, 즉 참조 설계에 관한 것이다. 공개된 고객 사이트나 상용 운영 성능은 확인되지 않았다.

무엇이 달라졌나

기존 데이터센터에서는 전력 분배와 냉각 시스템을 서로 다른 엔지니어링 작업으로 진행하는 경우가 많았다. 이 방식은 고밀도 AI 시설에서 전력 수요와 냉각 용량을 정확히 맞추거나, 장비 변경에 공동으로 대응하는 데 한계가 있을 수 있다.

트레인과 이튼의 설계는 초기 단계부터 두 시스템을 연결한다.

• 이튼은 고밀도 부하를 지원하는 중전압 전력 분배 아키텍처를 제공한다. 전통적인 저전압 중심 설계보다 구리 사용량이 많은 구성을 줄이는 것이 목표다.
• 트레인은 AI 팩토리용 열 관리 설계와 액체 냉각 구성을 담당한다.
• 공유 제어 시스템과 데이터를 통해 전력 장비와 냉각 장비가 시설 상태 변화에 맞춰 실시간으로 함께 반응하도록 한다.
• 액체 냉각과 신형 직류(DC) 전력 아키텍처를 고려해 향후 AI 하드웨어와 전력 시스템 변화에도 대응하도록 설계됐다.

핵심은 전력 손실, 발열량, 냉각 능력, 케이블 수요, 장비 배치를 따로 최적화하지 않고 하나의 모델 안에서 함께 검토하는 데 있다.

에너지 효율 15%·설치비 30%·구리 80% 절감 목표

트레인과 이튼은 기존 저전압 설계와 비교했을 때 공동 참조 아키텍처가 다음과 같은 효과를 낼 수 있다고 밝혔다.

• 에너지 효율 최대 15% 향상
• 설치 비용 최대 30% 절감
• 구리 사용량 최대 80% 감소

이 수치는 특정 데이터센터에서 독립적으로 검증된 운영 실적이 아니라, 양사가 제시한 참조 설계 기반의 목표 또는 설계 추정치로 봐야 한다. 실제 결과는 시설 규모, 전력 토폴로지, 냉각 방식, 지역 조건, 설계 적용 범위에 따라 달라질 수 있다.

그럼에도 수치가 보여주는 방향은 분명하다. 구리 사용량이 줄면 케이블과 자재 물량을 낮출 수 있고, 전력과 냉각을 함께 설계하면 중복 엔지니어링과 시공 복잡성, 실제 수요와 맞지 않는 설비 용량을 줄일 여지가 있다.

어떤 플랫폼에서 제공되나

공동 설계는 다음 두 플랫폼에 포함된다.

• Trane Continuum Rubin DSX: AI 팩토리용 트레인의 열 관리 참조 설계
• Eaton Beam Rubin DSX: 전력·냉각·제어 시스템을 사전 설계 형태로 통합해 AI 팩토리 용량을 더 빠르게 구축하는 이튼의 플랫폼

이튼의 전력 분배 기술은 트레인 플랫폼 구현도 지원한다. 다만 참조 설계가 모든 고객 프로젝트에서 동일한 장비 구성이나 단일한 자재 목록을 요구한다는 뜻은 아니다. 참조 설계는 프로젝트마다 조정할 수 있는 반복 가능한 엔지니어링 템플릿에 가깝다.

NVIDIA Omniverse는 어떤 역할을 하나

이번 협력은 트레인이 앞서 진행한 NVIDIA Omniverse 기반 설계·시뮬레이션 작업을 전력 분야까지 확장한 것이다.

트레인은 Omniverse를 활용해 AI 팩토리 열 관리 참조 설계의 효율을 약 10% 개선했으며, Continuum Rubin DSX 참조 설계 2종을 추가했다고 밝혔다.

기존 작업이 주로 열 성능에 초점을 맞췄다면, 이번 공동 아키텍처는 전력 분배, 열 관리, 제어 시스템을 더욱 통합된 디지털 설계 환경에서 연결하려는 접근이다. NVIDIA Omniverse DSX Blueprint는 AI 데이터센터의 전기·열·디지털 제어 인프라를 계획하고 시뮬레이션하는 공통 프레임워크 역할을 한다.

이는 AI 시설에서 각 시스템이 서로 영향을 주기 때문이다. 연산 밀도가 높아지면 전력 수요가 늘고, 전력 수요 증가는 발열량을 키운다. 발열량 변화는 액체 냉각 용량, 펌프 설비와 전체 시설 효율에 다시 영향을 준다.

이튼의 Boyd Thermal 인수가 의미하는 것

이튼은 2026년 3월 12일 95억 달러 규모의 Boyd Thermal 인수를 완료했다. 이번 인수로 이튼의 전기·전력 관리 포트폴리오에 액체 냉각 역량이 추가됐고, 데이터센터 인프라를 전력망부터 칩까지 제공하려는 전략도 강화됐다.

AI 시스템이 더 높은 전력 밀도와 직접 액체 냉각을 요구하는 방향으로 발전하는 상황에서, 이튼이 중·고전압 인프라와 열 관리 기술을 함께 제안할 수 있는 기반이 넓어진 셈이다.

다만 Boyd Thermal 인수가 모든 트레인·이튼 참조 설계에 Boyd 장비가 사용된다는 의미는 아니다. 이번 공동 발표가 확정한 것은 통합 설계 접근법이지, 특정 고객 프로젝트나 모든 시설에 적용되는 단일 장비 구성이 아니다.

AI 데이터센터 확장에서 중요한 이유

AI 팩토리의 과제는 전력과 냉각 설비를 각각 늘리는 것만으로 해결되지 않는다. 운영자는 대규모 전력을 시설 안으로 끌어온 뒤 이를 고밀도 연산 장비에 효율적으로 분배하고, 발생한 열을 건설비와 운영비를 감당할 수 있는 수준으로 제거해야 한다.

따라서 설계 초기부터 다음 항목을 함께 검토하는 것이 중요해진다.

• 연산 장비에 실제로 도달하는 전력량
• 변환과 분배 과정에서 발생하는 손실
• 각 연산 구역의 발열량
• 액체 냉각이 필요한 시점
• 향후 확장에 대비해 설치해야 할 전력·열 처리 용량

트레인과 이튼의 설계가 이런 결정을 없애주는 것은 아니다. 대신 전력과 열 관리 문제를 하나의 참조 프레임워크로 묶어, 착공 전에 여러 설계안을 비교하고 AI 하드웨어 변화에 맞춰 조정하기 쉽게 만드는 데 의미가 있다.

결론

트레인과 이튼은 AI 데이터센터를 전력망에서 칩까지 하나의 전기·열 시스템으로 설계해야 한다는 방향을 제시했다. NVIDIA DSX에 맞춰진 이 참조 설계는 이튼의 중전압 전력 분배 기술과 트레인의 열 관리 아키텍처, 공유 제어 시스템, 액체 냉각 지원, 신형 직류 전력 시스템 대응을 결합한다.

에너지 효율 15% 향상, 설치비 30% 절감, 구리 사용 80% 감소라는 목표는 상당하지만, 현재로서는 공개된 특정 시설에서 독립적으로 검증된 결과가 아니라 기업이 참조 설계를 기준으로 제시한 수치다.

더 중요한 변화는 숫자 자체보다 설계 방식에 있다. AI 연산의 전력 밀도가 계속 높아질수록 전기를 공급하는 문제와 열을 제거하는 문제는 따로 최적화하기 어려워지고 있다. 앞으로의 AI 인프라 경쟁에서는 두 시스템을 얼마나 일찍, 정밀하게 연결해 설계하느냐가 비용과 구축 속도를 좌우할 가능성이 커지고 있다.