Nvidia는 곧 출시될 Vera CPU를 자사 칩 설계 워크플로에 이미 사용하고 있다고 밝혔다. 이는 AI가 설계에서 더 큰 역할을 맡는 가운데서도, 반도체 공학에서 가장 완고하게 CPU에 묶여 있는 부분들을 더 빠르게 만들기 위한 조치다. NVIDIA Blog 게시물에 따르면, 회사는 Cadence와 Synopsys와 협력해 Vera에 맞게 핵심 전자설계자동화(EDA) 소프트웨어를 최적화하고 있으며, 향후 Nvidia CPU와 GPU 개발에 사용되는 워크플로 전반에 이 프로세서를 배치하기 시작했다.

이 발표가 중요한 이유는, AI 시대에도 전통적인 CPU가 여전히 전략적 가치를 가진다고 Nvidia가 보고 있음을 보여주기 때문이다. Nvidia는 수년간 GPU를 AI 학습, 추론, 가속 컴퓨팅의 엔진으로 내세워 왔지만, 이제는 논리 시뮬레이션, 형식 검증, 디지털 구현의 일부 같은 핵심 EDA 단계가 여전히 빠른 CPU 코어, 메모리 동작, 저지연 시스템 설계에 크게 의존한다고 주장한다. 실무적으로 Nvidia는 더 나은 CPU 성능이 이후 AI 시스템을 구동할 칩의 테이프아웃까지 가는 시간을 단축할 수 있다고 보고 있다.

SiliconANGLE은 이 소식을 Nvidia가 Vera를 AI 에이전트와 함께 사용해 칩 설계를 빠르게 하는 맥락으로 다뤘다. 하지만 Nvidia의 공식 공개 내용은 더 좁고 구체적이다. CPU 중심의 EDA 워크로드 최적화와 배치를 설명하면서, GPU와 AI가 이미 설계 스택의 다른 부분을 가속하고 있다고도 밝혔다. 해당 워크플로 내부에 AI 지원이 존재한다는 점은 Nvidia의 더 큰 방향성과 맞지만, 회사가 제시한 구체적 증거는 CPU 성능, 소프트웨어 튜닝, 내부 배치에 초점을 맞춘다.

Nvidia가 발표한 내용

Nvidia에 따르면 Vera는 Cadence와 Synopsys의 주요 EDA 애플리케이션과 함께 사용하도록 최적화되고 있으며, 이미 회사의 내부 설계 환경 전반에 배포되고 있다. 회사는 그 목표가 차세대 프로세서를 만드는 데 사용되는 워크플로를 가속하는 것이라고 밝혔다.

이번 시점은 더 넓은 업계 문제를 반영한다. 현대 칩 개발은 설계가 제조에 이르기 전까지 더 많은 계산, 더 많은 반복, 더 많은 검증 작업을 요구한다. Nvidia의 글은 엔지니어들이 제조 훨씬 이전부터 동작을 검증하고, 엣지 케이스를 찾아내고, 설계를 다듬는 데 수년을 보낼 수 있다고 강조한다. 따라서 검증 처리량 개선은 기술적으로 세련된 수준을 넘어 경제적으로도 중요하다.

Nvidia는 Vera를 88개의 맞춤형 NVIDIA Olympus CPU 코어를 중심으로 구성된 CPU라고 설명했으며, LPDDR5X 메모리와 2세대 NVIDIA Scalable Coherent Fabric을 결합했다고 밝혔다. 회사의 메시지는 EDA 성능이 단순한 병렬성만의 문제가 아니라는 것이다. 지연에 민감한 작업, 대규모 회귀 테스트, 반복적인 설계 검증을 포함한 워크로드에서는 코어당 속도와 메모리 효율이 여전히 중요하다.

이것은 또한 Nvidia가 자기 자신이 만든 실리콘으로 미래의 Nvidia 실리콘을 만드는 주목할 만한 사례다. 회사는 이를 명확히 피드백 루프로 설명했다. 지금은 자사 CPU에서 내부 엔지니어링을 실행하고, 도구와 시스템이 어디에서 조정이 필요한지 파악한 뒤, 그 교훈을 다음 세대 개선에 활용한다는 것이다.

칩 설계에 여전히 강력한 CPU가 필요한 이유

Nvidia의 발표는 AI가 반도체 설계의 전통적인 병목을 없애지 않았다는 점을 상기시킨다. EDA에서는 일부 작업이 가속기에 잘 확장되지만, 다른 작업은 여전히 범용 프로세서의 특성에 묶여 있다. Nvidia는 논리 시뮬레이션, 형식 검증, 일부 디지털 구현 기능을 CPU 성능이 결정적인 영역으로 꼽았다.

이는 툴 공급업체와 칩 회사 모두에게 영향을 준다. 시뮬레이션이나 검증이 프로젝트의 속도를 결정하는 요소가 되면, 더 빠른 AI 학습 클러스터가 있다고 해서 제품 출하가 자동으로 빨라지지는 않는다. 더 균형 잡힌 컴퓨팅 아키텍처가 헤드라인용 가속기 성능보다 더 중요할 수 있다.

Nvidia의 주장은 본질적으로 아키텍처에 관한 것이다. 각 단계마다 가장 적합한 프로세서 유형을 사용하자는 것이다. GPU와 AI는 대규모 병렬성이나 학습된 최적화의 이점을 얻는 알고리즘을 빠르게 할 수 있다. CPU는 결정성, 메모리 접근 패턴, 분기 많은 실행, 단일 코어 응답성이 지배적인 영역에서 여전히 중심적이다. 칩 설계 파이프라인에서 이런 부분들은 예외가 아니라, 설계가 실제로 동작함을 증명하는 핵심 단계다.

그래서 Vera 발표는 단순한 내부 인프라 업데이트 이상의 의미를 가진다. 이는 기업용 AI 하드웨어 시장이 향후에도 전문 엔지니어링 워크플로를 위한 프리미엄 CPU를 포함할 것임을 시사한다. 특히 검증이 수십억 달러 규모 프로그램의 지연이나 리스크 완화에 영향을 주는 반도체 분야에서 더욱 그렇다.

벤치마크 주장과 그것이 증명하는 것, 그리고 증명하지 않는 것

Nvidia는 제한적이지만 구체적인 초기 성능 데이터를 제시했다. 회사는 초기 테스트가 Cadence Jasper와 Synopsys VCS의 일부 프로덕션급 워크플로를 대상으로 했으며, 동일한 코어 수를 사용한 일부 워크로드에서 두 애플리케이션 모두 최대 1.5배의 성능을 보였다고 말했다.

이 주장들은 유용하지만 신중하게 읽어야 한다. 첫째, 이는 독립적인 제3자 감사가 아니라 Nvidia가 보고한 결과다. 둘째, 회사는 이를 선택된 워크로드에 대한 초기 테스트라고 설명했으므로, 구매자와 엔지니어링 팀은 모든 EDA 작업에서 동일한 향상을 기대해서는 안 된다. 셋째, “최대” 수치는 보통 평균적인 향상보다 최상의 결과를 뜻한다.

언급된 도구들은 중요하다. Cadence Jasper는 Nvidia에 따르면, 설계 주기 초기에 버그를 찾고 수정하기 위해 스마트 증명 기술과 머신러닝을 사용하는 형식 검증 플랫폼이다. Synopsys VCS는 제조 전 시뮬레이션에 널리 쓰이는 기능 검증 도구다. Vera가 두 검증 범주 모두에서 성능을 높인다면, 이는 CPU가 합성 테스트가 아닌 실제 병목을 겨냥하고 있다는 Nvidia의 주장을 뒷받침한다.

그럼에도 증거는 여전히 좁다. 여기 제공된 원문 자료에는 더 넓은 벤치마크 세트가 공개되지 않았고, 전체 워크플로 시간 절감, EDA 부하에서의 전력 효율, 대체 서버 CPU 대비 비용도 수치화되지 않았다. Nvidia 내부 엔지니어링 환경 밖의 기업들에게는 이런 부족한 세부 정보가 중요할 것이다.

AI가 이 이야기에서 어떻게 맞물리는가

SiliconANGLE의 AI 에이전트 중심 프레이밍은 더 큰 산업 흐름을 가리킨다. 칩 설계 워크플로는 전통적 EDA와 AI 기반 최적화, 버그 탐지, 워크플로 오케스트레이션을 점점 더 결합하고 있다. Nvidia 자체도 GPU와 AI가 여전히 많은 설계 알고리즘을 가속하는 반면, CPU는 다른 단계에서 필수적이라고 말한다.

이 하이브리드 구조가 이번 발표의 진짜 의미일 가능성이 높다. Vera를 AI 우선 설계 도구에 대한 거부로 읽어서는 안 된다. 오히려 Nvidia는 AI 에이전트, GPU 가속, CPU 집약적 검증이 공존하는 층위형 환경을 설명하는 것으로 보인다. 회사는 모든 작업을 하나의 컴퓨팅 기반에 밀어 넣기보다, 전체 설계 주기의 마찰을 줄이려 하고 있다.

AI 시스템을 만드는 제품 팀에게도 이는 반도체를 넘어 중요한 의미가 있다. 실용적인 기업 패턴의 또 다른 예로, AI는 워크플로의 일부를 자동화하거나 가속할 수 있지만, 전체 시스템은 여전히 병목인 레거시 또는 특수 컴퓨팅 경로에 의존한다. 소프트웨어 개발에서는 테스트나 코드 리뷰가 그럴 수 있다. 반도체 개발에서는 보통 검증과 구현이 그렇다.

빌더와 기업 구매자에 대한 시사점

칩 기업과 인프라 구매자에게 이번 발표는 EDA가 그 자체로 전략적 워크로드 범주임을 강조한다. Nvidia 내부의 NVIDIA Vera 배치가 의미 있는 시간 절감으로 이어진다면, 그 가치는 벤치마크 자랑보다 더 짧은 설계 주기와 더 적은 후속 반복에서 나타날 수 있다.

Cadence와 Synopsys 같은 EDA 플랫폼 파트너에게는 이번 협력이 하드웨어-소프트웨어 공동 최적화 모델이 더 깊어지고 있음을 시사한다. 이는 기업 고객이 엔지니어링 팜용 서버를 평가하는 방식에도 영향을 줄 수 있다. 구매자들은 CPU 플랫폼이 일반적인 데이터센터 용도뿐 아니라 Synopsys VCS와 Cadence Jasper 같은 도구에 맞게 조정되었는지 점점 더 증거를 원할 수 있다.

AI 빌더에게는 2차적 효과가 있다. 더 빠른 칩 설계는 AI 애플리케이션 아래의 인프라에 대한 출시 주기를 더 짧게 만들 수 있다. 반도체 기업이 검증과 구현 기간을 줄일 수 있다면, 새로운 가속기, CPU, 네트워크 플랫폼이 시장에 나오는 속도에도 결국 영향을 미칠 수 있다.

다만 현재 Nvidia의 증거는 주로 자체 보고와 내부 중심이라는 점은 유의해야 한다. 회사는 자체 워크플로 전반에 Vera를 배포하고 있다고 말하지만, 제공된 자료는 광범위한 고객 채택, 외부 검증, 또는 엔터프라이즈 AI 및 EDA 인프라의 주요 대안 전반에 대한 표준화된 비교를 보여주지 않는다.

앞으로 주목할 점

다음 중요한 신호는 Nvidia, Cadence 또는 Synopsys가 더 넓은 생산 워크로드에 걸친 상세 성능 데이터를 공개하는지 여부다. “최대” 수치가 아니라 평균 처리량 향상이 시장에 Vera의 실질적 가치를 더 잘 알려줄 것이다.

두 번째 신호는 생태계 지원이다. 더 많은 EDA 애플리케이션이 NVIDIA Vera에 맞게 조정된다면, Nvidia가 AI 가속기 계층뿐 아니라 엔지니어링 컴퓨팅 스택의 더 큰 부분을 차지하려는 주장이 강화될 것이다.

셋째, AI 에이전트가 설계 루프 자체에 어떻게 통합되는지 지켜볼 필요가 있다. Nvidia의 공식 공개는 자율 에이전트 행동보다 CPU 배치와 EDA 최적화를 더 강조했다. 앞으로의 발표에서는 AI 에이전트가 주로 오케스트레이션, 버그 트리아지, 설계 공간 탐색, 검증 지원 중 무엇에 쓰이는지 더 명확해질 수 있다.

마지막으로 Nvidia는 이미 다음 CPU 단계인 Rosa를 언급했으며, 이는 NVIDIA Rigel 코어를 기반으로 한다. 이는 회사가 이를 일회성 실험이 아니라 로드맵으로 보고 있음을 뜻한다. 경쟁 질문은 Nvidia가 내부 칩 설계 성과를 기업 AI 인프라에서 기존 CPU 공급업체들에 대한 더 넓은 플랫폼 주장으로 전환할 수 있느냐는 점이다.

Creati.ai 시각

가장 분명한 결론은 Nvidia가 CPU를 전부 GPU인 세계에서의 조연으로 취급하지 않는다는 점이다. 가장 까다로운 엔지니어링 영역 중 하나에서 회사는 정반대의 주장을 하고 있다. 워크플로가 검증, 시뮬레이션, 구현에 의해 제약된다면, CPU 아키텍처가 작업 속도를 계속 결정한다는 것이다. 이는 AI 가속만으로 시스템 병목이 사라진다고 생각하는 빌더들에게 중요한 메시지다.

그만큼 중요한 것은, 이 이야기가 기업용 AI가 성숙해 가는 방식을 보여준다는 점이다. 승자는 하나의 프로세서를 모든 곳에 밀어 넣는 회사가 아니라, 각 단계에 적합한 컴퓨팅 모델을 맞추는 회사가 될 가능성이 높다. Nvidia의 Vera 움직임은 EDA의 특정한 고통 지점을 겨냥하고 실제 도구를 명시한다는 점에서 신뢰할 만하다. 비록 현재 성능 증거는 제한적이고 벤더 보고라는 한계가 있지만 말이다. 창업자와 기업 구매자에게는 이것이 실용적인 관점이다. 광범위한 AI 주장 너머를 보고, 어떤 워크로드가 실제로 얼마나 빨라지는지, 그리고 어떤 테스트 조건에서 그런지 물어야 한다.