구글·엔비디아, 전력망 맞춰 소비 조절하는 'AI 에너지 관리 연합' 발족
에메랄드 AI, 구글, 엔비디아가 전력망 상태에 맞춰 전력 소비를 동적으로 조절하는 유연한 데이터센터 구축을 목표로 AI 에너지 관리 연합(AEMA)을 출범했다. 컴퓨팅 워크로드 분산과 저장 전력 활용을 표준화해, 전력 병목으로 지연되는 AI 인프라의 전력망 연결을 가속화한다는 구상이다.

최첨단 AI 칩을 산더미처럼 확보해도 전력망에 꽂을 플러그가 없으면 무용지물입니다. 최근 미국에서 신규 AI 데이터센터를 지을 때 가장 큰 병목은 칩 부족이 아니라 몇 년씩 밀려 있는 전력망 접속 대기열입니다.
이 문제를 해결하기 위해 빅테크와 전력 업계가 새로운 타협안을 들고 나왔습니다. 전력망이 위태로울 때 IT 인프라가 알아서 전력 소비를 줄여줄 테니, 데이터센터를 전력망에 더 빨리 연결해 달라는 구상입니다.
전력망 소프트웨어 스타트업 Emerald AI와 Google, NVIDIA는 'AI 에너지 관리 얼라이언스(AEMA)'를 공식 발족했습니다. 창립 멤버 외에도 생성형 AI 대표 주자인 Anthropic을 비롯해 AES, Constellation, National Grid, NRG Energy 등 미국의 대형 전력 및 유틸리티 기업들이 대거 합류했습니다.
디젤 발전기 대신 연산 작업을 다른 곳으로 넘긴다
전력망 입장에서 기존 데이터센터는 1년 내내 전기를 쉼 없이 빨아들이는 융통성 없는 거대 소비자였습니다. 전력 피크가 오면 오염 물질을 뿜어내는 비상용 디젤 발전기를 돌려 버티는 경우가 태반이었습니다.
AEMA가 제시하는 대안은 고도화된 수요반응(Demand Response) 시스템입니다. 전력망 부하가 급증하면 Emerald AI의 소프트웨어를 통해 덜 급한 모델 학습 작업을 잠시 멈추거나, 전력 여유가 있는 다른 지역의 데이터센터로 연산 부하를 실시간으로 옮기는 방식입니다.
AEMA는 이러한 유연한 전력 소비가 정착될 경우 기존 전력망 인프라 위에서 무려 100기가와트(GW) 규모의 신규 데이터센터를 추가로 수용할 수 있다고 설명합니다. 골드만삭스가 지난해 발표한 보고서에서도 전력 피크 시간대에 데이터센터의 최대 사용량을 90% 수준으로 몇 시간만 낮춰도 76기가와트의 전력 여유를 확보할 수 있다고 분석한 바 있습니다.
최근 Energize Capital과 DCVC의 주도로 1억 5,000만 달러 규모의 시리즈 A 투자를 유치한 Emerald AI는 전력 회사의 감축 요청을 데이터센터 설비에 직결해 배터리처럼 빠른 속도로 부하를 줄이는 기술을 보유하고 있습니다.
전력망 협조를 대가로 받는 '패스트트랙'
AEMA의 핵심 원칙은 기술 중립성과 성과 기반 평가입니다. 특정 하드웨어나 배터리를 강제하지 않는 대신, 전력 비상 상황에서 얼마나 빠르고 지속적으로 전력을 줄여줄 수 있는지 측정 가능한 지표로만 평가합니다.
빅테크 기업들이 원하는 실리는 명확합니다. 긴급 상황에서 전력망의 짐을 덜어주는 '착한 고객'임을 입증함으로써, 수년씩 걸리는 전력망 연결 인허가 대기열에서 패스트트랙을 적용받고 인프라 개체 비용 부담을 덜어내겠다는 계산입니다.
물론 소프트웨어 조율만으로 물리적인 전력 한계를 전부 극복할 수는 없습니다. Emerald AI의 수석 과학자인 Ayse Coskun은 이 기술이 발전소 추가 건설 압박을 덜어줄 수는 있지만, 늘어나는 전력 수요 자체를 완전히 없앨 수는 없다고 선을 그었습니다.
왜 중요한가
우리는 이번 AEMA 출범이 AI 인프라 경쟁의 패러다임이 데이터센터 내부의 연산 성능에서 외부 전력망과의 전략적 공존으로 완전히 전환되었음을 보여주는 신호라고 봅니다.
일반 개발자와 이용자 입장에서도 결코 먼 나라 이야기가 아닙니다. 전력망 병목 때문에 데이터센터 증설이 멈추면 결국 전체 AI 연산 비용이 치솟아 API 단가와 구독료 인상으로 이어질 수밖에 없기 때문입니다. 소프트웨어 조율로 송전망 여유를 쥐어짜 내는 시도는 장기적인 인프라 비용 상승을 억제하는 실질적인 방편이 됩니다.
빅테크의 전략도 영리합니다. 막대한 전기를 먹어 치우는 골칫덩이에서 비상시 전력망을 안정시키는 '제어 가능한 완충재'로 자신들의 역할을 재정의하며 인허가 협상력을 쥐었습니다. 송전선 증설에 10년이 걸리는 물리적 한계를 소프트웨어적 효율로 돌파하려는 셈입니다.
다만 실행 측면의 위험은 남아 있습니다. 수만 장의 GPU가 맞물려 돌아가는 초대형 파운데이션 모델 학습은 작업을 일시 중단하거나 분산 이동시킬 때 막대한 연산 손실과 재부팅 비용이 발생합니다. 폭염으로 전력망이 위기를 맞았을 때, 빅테크가 자사의 핵심 AI 개발 일정을 미루면서까지 약속한 감축 의무를 철저히 이행할 수 있을지가 이 동맹의 진짜 시험대가 될 것으로 보입니다.
출처 (2)
- blogs.nvidia.com(새 탭에서 열림)원문blogs.nvidia.com
- techcrunch.com(새 탭에서 열림)보도techcrunch.com