전략적 전환: GPU 독점을 넘어

지난 2년간 글로벌 반도체 시장의 서사는 'GPU'라는 단 하나의 약어가 지배해 왔습니다. 생성형 AI(Generative AI) 붐이 일면서 하이퍼스케일러와 기업들은 NVIDIA 하드웨어를 확보하기 위해 분주히 움직였고, 그래픽 처리 장치(GPU)는 AI 혁명의 절대적인 엔진으로 자리 잡았습니다. 그러나 모건스탠리(Morgan Stanley)의 새로운 보고서에 따르면, 업계는 중대한 아키텍처적 전환의 임계점에 도달했습니다. **에이전트 AI(Agentic AI)**가 성숙해짐에 따라(단순 챗봇 인터페이스에서 자율적 업무 수행 시스템으로 발전), 컴퓨팅 파워에 대한 수요는 하드웨어의 더 넓은 생태계로 확장될 것이며, 특히 CPU(중앙 처리 장치) 시장에 활력을 불어넣을 것으로 전망됩니다.

모건스탠리의 분석가들에 따르면, 이러한 전환은 단순히 조달 방식의 미미한 변화를 넘어 **데이터 센터**의 근본적인 재구성을 의미합니다. 대규모 언어 모델(LLM)을 학습시키는 데 필요한 대규모 병렬 처리에는 여전히 GPU가 필수적이지만, 자율적인 "에이전트"를 배포하려면 기존 프로세서의 다재다능하고 지연 시간에 민감한 기능에 크게 의존하는 차별화된 컴퓨팅 프로필이 필요합니다.

에이전트 AI 인프라 수요 이해하기

'생성적(Generative)' AI에서 '에이전트(Agentic)' AI로의 전환은 최소한의 인간 개입만으로 복잡한 워크플로우를 계획, 실행 및 반복할 수 있는 시스템으로 이동하는 것을 의미합니다. 이러한 에이전트는 지속적이고 빠른 의사결정이 필요하며, 서로 다른 데이터베이스, API 및 실시간 환경 데이터와 상호작용해야 합니다.

모건스탠리(Morgan Stanley)는 이러한 패러다임 시프트가 2030년까지 CPU 시장에 최대 600억 달러의 추가 매출을 가져올 것으로 예측합니다. 이러한 성장은 몇 가지 주요 요인에 의해 주도됩니다:

• I/O 병목 현상: 에이전트 워크플로우는 메모리, 스토리지 및 네트워킹 인터페이스 간의 집중적인 데이터 이동을 수반하며, 이는 GPU보다 CPU가 뛰어난 영역입니다.
• 지연 시간 관리: 자율 에이전트는 모든 마이크로 태스크를 GPU 가속기로 오프로딩할 때 발생하는 지연 시간 오버헤드를 감당할 수 없습니다.
• 워크로드의 다양성: 에이전트는 종종 고성능 직렬 컴퓨팅을 요구하는 멀티모달 작업을 실행하며, 이는 역사적으로 CPU의 강점이었습니다.

AI 워크로드를 위한 하드웨어 요구사항 비교

하드웨어 환경이 어떻게 다양화되고 있는지 시각화하기 위해, 진화하는 AI 배포 범주 간의 워크로드 적합성 차이를 핵심적으로 요약했습니다.

하드웨어 유형	주요 AI 기능	에이전트 워크플로우에서의 역할	하드웨어 강조점
GPU	모델 학습 및 대규모 추론	방대한 신경망 노드 계산의 병렬 처리	고대역폭 HBM 메모리 및 텐서 코어
CPU	작업 오케스트레이션 및 데이터 전처리	에이전트 로직 관리, 데이터 라우팅 및 API 호출	높은 클럭 속도 및 저지연 I/O 대역폭
ASIC/NPU	도메인 특화 가속	엣지에서의 저전력 추론	전력 대비 높은 성능 효율

향후 10년을 위한 데이터 센터 재구성

CPU 부문에 600억 달러가 투입된다는 것은 2030년의 'AI 데이터 센터'가 2024년의 GPU 중심 클러스터와는 근본적으로 다른 모습일 것임을 의미합니다. 업계 설계자들은 고전력 GPU의 엄청난 발열과 정교한 CPU의 고대역폭 연결성 및 처리 민첩성을 조화시키기 위해 서버 랙을 재설계하고 있습니다.

이러한 진화는 반도체 부문 전반에 긍정적인 신호입니다. 단일 하드웨어 카테고리에 대한 과도한 지출 집중을 완화함으로써 시장은 보다 지속 가능한 성장 궤도를 달성하고 있습니다. 모건스탠리 분석가들이 지적했듯이, 이러한 다각화는 더 넓은 기술 공급망의 위험 프로필을 낮추어 컴퓨팅 자원을 소프트웨어의 특정 특성에 맞게 최적화할 수 있도록 보장합니다.

시장 성장의 핵심 동인

1. 자율 워크플로우 확장: 기업이 공급망 관리 및 재무 분석에 에이전트를 통합함에 따라, 강력한 백그라운드 컴퓨팅의 필요성이 증가합니다.
2. 엣지-투-클라우드 통합: 에이전트 시스템은 종종 데이터 소스에 더 가까이 위치해야 하므로 노드 수준에서 더 강력한 CPU가 요구됩니다.
3. 소프트웨어 정의 인프라: 모듈식 소프트웨어 스택으로의 전환을 통해 개발자는 작업을 CPU로 라우팅하여 지연 시간을 줄이고 쿼리당 전체 비용을 최적화할 수 있습니다.

투자자와 기술 리더를 위한 전망

Creati.ai의 관찰자들에게 모건스탠리의 연구 결과가 시사하는 바는 명확합니다. AI 붐은 이제 "구현 단계"에 진입했다는 것입니다. "학습 단계"가 GPU 부족과 자본 지출의 급격한 증가로 정의된 시대였다면, "에이전트 단계"는 통합, 최적화 및 균형 잡힌 하드웨어 이종 컴퓨팅으로 정의될 것입니다.

과거 GPU 전용 하드웨어 업체에 대한 집중으로 소외되었던 기업들이 다시 주목받고 있습니다. 주요 CPU 제조업체와 전문 컴퓨팅 제공업체는 향후 AGI(인공 일반 지능) 가치 사슬에서 기존 GPU 하드웨어 리더만큼이나 중요한 역할을 할 것으로 예상됩니다.

2030년을 내다볼 때, 600억 달러의 예상 CPU 성장률은 단순한 통계적 전망이 아니라 업계가 미래 생산성을 어떻게 예측하는지를 보여주는 로드맵입니다. 미래의 자율 에이전트는 전체적인 아키텍처에 의존할 것이며, 이는 미래의 지능을 구축하기 위한 경쟁에서 다재다능한 CPU가 인프라 퍼즐의 없어서는 안 될 조각임을 증명합니다.