중국의 ‘10만 장 AI 클러스터’가 보여준 변화…칩 경쟁에서 국가 컴퓨팅망으로

중국의 자국산 AI 가속기 10만 장 규모 슈퍼클러스터 가동은 단순히 ‘칩을 얼마나 많이 확보했는가’의 문제가 아니다. 더 중요한 변화는 여러 지역에 흩어진 컴퓨팅 자원과 네트워크, 전력, 작업 스케줄링 시스템을 하나의 국가적 연산 인프라로 묶으려 한다는 점이다.

중국이 풀어야 할 다음 과제는 분명하다. 서로 다른 종류의 가속기와 소프트웨어를 사용하는 데이터센터를, 연구기관과 기업이 필요할 때 안정적으로 이용할 수 있는 ‘공유 슈퍼컴퓨터’처럼 작동하게 만들 수 있느냐는 것이다.

정저우의 10만 장 클러스터는 규모를 입증한 사례

중국 매체들이 ‘서광 8000(Dawning 8000·덩펑)’으로 소개한 시스템은 중국 최초의 완전 국산 AI 슈퍼클러스터로, 허난성 정저우에 있는 국가 슈퍼컴퓨팅 인터넷 핵심 노드에 구축됐다. 과학 계산과 AI 연산을 결합한 이 자원 풀은 신소재, 신약 개발, 인공지능을 포함한 26개 분야에서 300개가 넘는 작업을 지원하는 것으로 전해졌다. 158

중국 측 보도는 이 시스템의 최고 성능을 ‘인류 전체가 200년 동안 쉬지 않고 계산한 것과 맞먹는다’고 표현했다. 다만 이는 이론적 최고 처리량을 설명하기 위한 비유다. 실제 AI 모델 학습 성능을 표준화한 지표가 아니므로, 모든 AI 작업이 그만큼 빨라진다는 뜻으로 받아들여서는 안 된다. 58

보다 지속적인 의미는 규모 자체보다 구조에 있다. 10만 장 단위의 국내 연산 자원 풀이 생기면 각 연구기관이나 기업이 별도의 클러스터를 구축하지 않고도 대규모 연산에 접근할 수 있는 기반이 마련된다.

개별 데이터센터에서 ‘공유 연산 계층’으로

정저우의 자원은 다른 지역의 연산 능력과 함께 활용되는 방향으로 설계되고 있다. 중국 남부의 광둥·홍콩·마카오 대만구에 구축된 국내산 대형 클러스터는 차세대 1조 개 매개변수급 모델의 학습 수요를 겨냥한 것으로 보도됐다. 두 배치는 대규모 작업이 한 지역의 단일 시설에만 의존하지 않고 여러 지역의 자원을 조정해 사용할 수 있다는 구상을 보여준다. 37

그렇다고 물리적 거리가 더 이상 중요하지 않은 것은 아니다. 분산 AI 학습에는 높은 대역폭, 예측 가능한 지연시간, 가속기 간 동기화, 네트워크나 장비 장애에 대한 신속한 복구가 필요하다. 따라서 국가 단위 컴퓨팅망에는 단순한 ‘카드 보유량’ 이상의 관리 계층이 필요하다.

이 관리 계층은 어떤 가속기와 소프트웨어 스택이 호환되는지, 데이터가 어디에 있는지, 작업에 어느 정도의 연속된 용량이 필요한지, 네트워크가 해당 작업을 감당할 수 있는지를 판단해야 한다.

지역 클러스터를 잇는 다리는 광네트워크

선전의 펑청 국가실험실 연구진은 머리카락 굵기의 광섬유 안에 4개의 전송 채널을 넣는 기술을 개발하고 있다. 기존의 유사한 광섬유보다 전송 용량을 4배 높이는 것을 목표로 하는 기술로, 지역별로 분산된 컴퓨팅 자원에서 발생하는 네트워크 병목을 완화하려는 시도다. 1718

선전·구이저우 간 컴퓨팅 및 데이터 전송 회선과 지연시간을 고려한 보다 직접적인 경로 역시 같은 목표를 향한다. 즉, 데이터센터 사이에서 데이터를 옮기고 작업을 동기화할 때 발생하는 성능 손실을 줄이는 것이다. 통신이 느리거나 불안정하면 고가의 AI 가속기가 대기 상태에 놓일 수 있기 때문에, 긴밀하게 결합된 분산 학습에서는 이런 인프라가 특히 중요하다. 1719

다만 작업의 종류에 따라 난이도는 크게 달라진다. 서로 느슨하게 연결된 배치 작업은 원격 연산 자원을 비교적 쉽게 활용할 수 있지만, 여러 지역의 시설을 하나의 기계처럼 움직여 대규모 동기화 학습을 수행하는 일은 훨씬 어렵다. 현재 보도는 중국이 그 방향으로 기술을 개발하고 있음을 보여줄 뿐, 연결된 모든 클러스터가 이미 단일 데이터센터와 동일한 성능을 낸다는 것을 입증하지는 않는다.

연산 능력은 빠르게 늘지만, 실제 활용 증거는 별개다

중국 공업정보화부가 발표한 자료를 인용한 보도에 따르면 중국의 지능형 연산 능력은 2026년 6월 말 기준 2,185EFLOPS로, 전년보다 177% 증가했다. 전국 컴퓨팅 시설의 종합 가동률은 71.4%로 집계됐다. 344041

단위는 주의해서 볼 필요가 있다. 공식 수치는 218.5EFLOPS가 아니라 2,185EFLOPS다. EFLOPS는 이론적인 부동소수점 연산 성능을 나타내는 단위이며, 국가 전체 합계만으로는 특정 연구소가 실제로 이용할 수 있는 연산량이나 서로 다른 가속기의 호환성, 분산 학습의 효율을 알 수 없다.

결국 중국의 다음 단계는 총 연산량보다 ‘사용 가능한 연산량’으로 평가받게 될 가능성이 크다. 가속기 종류가 서로 다르거나, 자원이 사용자별로 분산·예약돼 있거나, 데이터 전송에 제약이 있거나, 전력과 냉각 용량이 한계에 부딪히면 전체 수치가 커도 현장에서는 병목이 발생할 수 있다.

전국 단위 ‘컨트롤 플레인’이 등장하고 있다

중국은 급증하는 연산 공급을 조정하기 위한 관리 계층도 구축하고 있다. 국가 통합 모니터링·스케줄링 검증 플랫폼은 시범 운영에 들어갔으며, 중국 AI 연산 자원의 60% 이상을 파악하고 있는 것으로 전해졌다. 이는 작업을 실제로 이용 가능하고 기술적으로 적합한 자원에 배정하기 위한 초기 단계다. 618

이 시스템은 중국의 ‘동수서산(東數西算·동부의 데이터를 서부에서 연산한다는 정책)’과 결합되는 것을 목표로 한다. 중국은 국가 컴퓨팅 허브 8곳을 중심으로, 전력과 토지가 상대적으로 풍부한 서부에 일부 인프라를 배치하면서 수요가 집중된 동부에 연산 서비스를 제공하는 전국 통합 컴퓨팅 네트워크를 추진하고 있다. 485356

실제로 이 컨트롤 플레인이 해결해야 할 문제는 다음과 같다.

• 자원 매칭: 작업을 호환 가능한 국내 가속기와 소프트웨어 스택에 배정
• 배치 결정: 작업을 현지에서 처리할지, 인근 도시권 또는 원거리 허브로 보낼지 판단
• 데이터 이동: 학습 데이터와 체크포인트의 전송 비용 및 지연 최소화
• 장애 대응: 회선, 랙, 개별 카드에 장애가 발생해도 대형 작업의 생산성 유지
• 전력 조정: 지역별 전력 공급 및 운영 제약에 맞춰 연산 수요 관리

이 기능들이 제대로 작동할수록 중국의 연산 자원은 서로 단절된 장비 묶음이 아니라 하나의 서비스처럼 이용될 수 있다.

4조 위안 투자는 ‘네트워크 프로젝트’라는 점을 보여준다

중국 국가발전개혁위원회는 제15차 5개년 계획 기간인 2026~2030년 컴퓨팅 파워 네트워크에 약 4조 위안의 신규 직접투자가 이뤄질 것으로 전망했다. 이 수치는 컴퓨팅 네트워크 건설과 관련 인프라를 대상으로 하며, 예상 투자 상당 부분은 비정부 부문에서 나올 것으로 보도됐다. 4754

이 같은 투자 규모는 정저우 클러스터의 의미를 분명히 한다. 중국은 AI 가속기 공급만 늘리는 것이 아니다. 연산 자원을 국가 인프라로 전환하는 데 필요한 전송망, 허브, 스케줄링, 모니터링, 전력 연계 및 지원 시설에 함께 투자하고 있다.

이번 가동이 보여주는 것과 아직 증명하지 못한 것

현재 드러나는 중국의 국가 컴퓨팅망은 크게 세 층으로 나뉜다.

1. 국산 하드웨어: 중국산 컴퓨팅 카드로 구축한 대형 클러스터
2. 상호 연결: 지역별 연산 풀을 잇는 광통신 및 데이터 전송 시스템
3. 조정 기능: 여러 자원 풀 사이에 연산 능력을 배분하는 국가 모니터링·스케줄링 체계

이 구조가 성공하면 특정 지역의 대형 슈퍼클러스터에 접근할 수 있는지가 갖는 의미는 줄어들 수 있다. 동부의 수요를 충족하면서 서부의 전력과 토지 자원을 활용하는 것도 가능해진다. 4856

그러나 현재 증거만으로 이 네트워크를 어디서나 동일하게 이용할 수 있는 ‘하나의 슈퍼컴퓨터’라고 부르기는 이르다. 국내 하드웨어의 호환성, 가속기 간 연결 성능, 소프트웨어 성숙도, 전력, 신뢰성, 작업 스케줄링은 여전히 제약 요인이다.

프런티어 모델 학습 기간을 약 1년에서 6개월로 줄일 수 있다는 주장도 독립적으로 입증된 보편적 성과라기보다, 특정 작업을 전제로 한 전망으로 봐야 한다.

중국 AI 산업의 병목은 바뀌고 있지만 사라진 것은 아니다. 중국은 이제 ‘국산 AI 하드웨어를 충분히 만들 수 있는가’에서 ‘빠르게 늘어나는 이질적인 하드웨어를 얼마나 효율적으로 조율할 수 있는가’로 경쟁의 초점을 옮기고 있다. 스케줄링망이 성공하면 중국의 연산 확장은 유연한 국가 플랫폼으로 발전할 수 있다. 반대로 실패하면 중국은 인상적인 총 EFLOPS를 발표하면서도 AI 연구실 현장에서는 자원 단절, 유휴 용량, 지역별 성능 격차를 계속 마주할 수 있다.