중국, 370억 달러 투자로 농지를 AI 데이터 허브로 탈바꿈시키다

중국은 인공지능 분야에서의 역할을 강화하기 위해 농지를 주요 기술 허브로 탈바꿈시키기 시작했습니다. 양쯔강에 있는 760에이커 규모의 섬, 우후시의 광활한 논밭이 서버 팜 건설을 위해 개간되고 있습니다. 

이러한 프로젝트 중 하나에 참여하는 공급업체 관계자는 이 사업을 "중국의 스타게이트" 구축이라고 표현하며, 오라클, 오픈AI, 소프트뱅크가 추진하는 5천억 달러 규모의 미국 데이터센터 건설 계획을 . 규모는 작지만, 이는 분산된 데이터 시설을 중앙집중화하려는 베이징의 전략을 뒷받침합니다.

원격 데이터 센터에서는 LLM을 학습시키고, 도시 근처의 서버 팜에서는 추론을 처리합니다

지난 3월, 베이징은 외딴 지역에 있는 기존 데이터 센터를 활용하여 LLM(Learning Leadership Machine)을 훈련시키는 계획을 발표했습니다. 이와 대조적으로, 새로 건설된 서버 팜은 인구 밀집 지역과 더 가까운 곳에 설치될 예정입니다. 이러한 서버 팜은 근접성을 활용하여 최종 사용자를 위한 앱 속도를 향상시키는 '추론' 작업을 처리할 것입니다. 라이언 페다시욱 전 미국 국무부 중국 담당 고문은 "중국이 제한된 컴퓨팅 자원을 최대한의 경제 생산성을 위해 활용하기 시작했다"고 말했습니다.

한 예로 우후의 "데이터 아일랜드"를 들 수 있는데, 이곳에는 차이나 텔레콤, 화웨이, 차이나 모바일, 차이나 유니콤. 이 데이터 센터는 상하이, 난징, 항저우, 쑤저우 등 양쯔강 삼각주 지역 도시들에 서비스를 제공할 것으로 기대됩니다. 

더 남쪽으로 내려가면 구이저우성이 광저우에, 간쑤성 중부의 칭양성은 충칭과 청두에 서비스를 제공할 예정이다. 시의 공지에 따르면 현재까지 15개 기업이 우후에 데이터 센터를 설립했으며, 총 투자액은 370억 달러에 달한다.

지방 정부는 AI 칩 구매 비용을 지원하기 위한 보조금을 제공하고 있습니다. 이러한 긴밀한 협력 추진은 세계적인 경쟁국에 비해 중국의 약점을 완화하려는 의도도 담고 있습니다.

미국의 수출 제한 조치로 인해 중국 기업들은 엔비디아가 제조하는 최신 프로세서와 시스템을 확보하지 못하게 되었습니다. 캠브리콘과 화웨이를중국의 생산 능력이 제한적이기 때문에 이러한 공백을 메우는 데 어려움을 겪고 있습니다. 

워싱턴은 또한 삼성전자와 TSMC가 중국 고객을 위한 첨단 인공지능 칩을 제조하는 것을 제한했습니다. 한편, 미국의 주요 기술 기업들은 하드웨어 주문을 앞다퉈 진행하고 있습니다. 구글, 메타, xAI는 엔비디아의 최신 칩 1,000개 중 10개를 도입할 예정입니다. 

데이터 센터를 칩 부족 현상을 극복하기 위해

제한된 엔비디아 GPU를 조달하는 중간 유통업자들이 활개를 치고 있다고 합니다 수출이 .

베이징은 이미 존재하는 유휴 자원을 활용하려는 시도도 하고 있습니다. 인공지능(AI) 붐으로 데이터 센터는 내몽골과 간쑤성 같은 에너지 자원이 풍부한 지역에 집중되었습니다. 그러나 숙련된 인력 부족과 제한적인 현지 수요로 인해 다른 지역의 수요가 급증하는 동안에도 귀중한 프로세서들은 활용되지 못하고 방치되었습니다.

반도체 구매는 대부분 지방 정부의 자금 지원으로 이루어졌습니다. 지방 정부는 해당 장비가 지역 GDP에 기여하기 때문에 자산 매각을 꺼립니다. 서버를 이전하는 것 또한 비용이 많이 들고 시간이 오래 걸립니다. 따라서 "기술적인 해결책을 찾아야 합니다. 바로 데이터 센터를 연결하는 것입니다."라고 제프리스의 애널리스트 에디슨 리는 말했습니다. 

베이징은 여러 사이트의 프로세서를 연결하고 통합 컴퓨팅 풀을 구축하기 위해 화웨이와 차이나텔레콤의 네트워킹 장비 사용을 지시했습니다.

중국 통신 그룹들은 서부 지역의 컴퓨팅 파워를 동부 수요 중심지로 이동시키기 위해 동일한 스위치, 라우터, 트랜스폰더 및 소프트웨어 조합을 사용하고 있습니다. 화웨이 또한 이러한 효율성 저하 문제를 해결하기 위해 노력하고 있습니다.

이 회사는 통신 및 AI 하드웨어 전문 지식을 활용하여 UB-Mesh라는 새로운 네트워킹 방식을 개발했는데, 이 방식은 네트워크를 통해 작업을 더욱 효율적으로 할당함으로써 여러 컴퓨팅 클러스터에서 LLM(학습 모델)의 학습 효율을 높일 수 있다고 주장합니다.