8GW 규모의 PORTS-Pike 캠퍼스와 2032년 완공 계획

OpenAI가 오하이오주 파이크 카운티의 PORTS-Pike 기술 캠퍼스에서 약 8GW-IT 규모의 전력 용량을 확보한다. GW-IT는 데이터센터 내부의 서버, 스토리지, 네트워크 장비 등 IT 기기를 실제로 구동하는 데 필요한 전력 용량을 뜻한다. 일반적인 데이터센터 규모를 상회하는 8GW-IT의 확보는 단일 캠퍼스가 수용할 수 있는 컴퓨팅 밀도를 극대화하여 모델 학습에 필요한 물리적 전력 제약을 해결하려는 시도다. 이는 전력 공급 능력이 곧 AI 모델의 성능 한계로 이어지는 현재의 인프라 환경에서 확보한 강력한 물리적 토대다.

전체 인프라 구축 기간은 2032년까지 총 6년으로 잡았다. 단계적 확장을 통해 전력을 공급받으며, 첫 가용 시점인 2028년에는 우선 800MW(메가와트)의 전력을 공급받아 가동을 시작한다. 800MW는 수만 대의 GPU 서버를 동시에 구동할 수 있는 전력량으로, 초기 단계부터 상당한 규모의 연산 자원을 확보하겠다는 계획이다. 이후 2032년 완공 시점까지 전력 용량을 지속적으로 증설하여 최종적으로 8GW-IT라는 초대형 규모를 완성한다.

인프라 구축에 따른 지역 경제 효과와 사회적 책임 범위도 수치로 명시했다. 6년의 건설 기간 동안 35,000명의 건설 인력을 고용하며, 캠퍼스 완공 후 운영 단계에서는 2,500명의 상시 운영 인력을 채용한다. 지역 사회 지원을 위해 OpenAI가 4,000만 달러를 출연하고 SB Energy가 추가로 4,000만 달러를 투입해 총 8,000만 달러 규모의 커뮤니티 기금을 조성한다. 이 기금은 지역 주민들이 직접 식별하고 우선순위를 정한 지역 사회 발전 사업에 사용된다.

오하이오주 대학생들을 위한 기술 교육 지원책으로 8,400만 달러 규모의 Codex 크레딧을 제공한다. Codex는 자연어를 코드로 변환하거나 코드 작성을 돕는 코딩 보조 AI다. 이 크레딧은 ChatGPT를 통해 배포되며 오하이오주 내 모든 대학생이 접근할 수 있도록 설계했다. 고가의 AI 연산 자원을 학생들에게 직접 제공함으로써 지역 내 AI 인재 양성과 기술 접근성 확대를 동시에 꾀하는 방식이다.

SB Energy 임대 모델과 NVIDIA의 15억 달러 투자 구조

SB Energy가 데이터센터의 설계부터 구축, 소유, 운영 전 과정을 전담하는 자산 관리 모델을 도입했다. OpenAI는 이 시설을 20년 동안 사용하는 장기 임대 계약을 체결하며 인프라를 확보한다. 비용 지불 방식은 선제적 투자가 아닌 가용성 기반으로 설계되었다. OpenAI는 구축된 용량이 실제로 임대 가능해지는 시점부터 발생하는 매출과 현금 흐름을 통해 임대료를 지불한다. 자산 소유에 따른 감가상각과 운영 리스크는 SB Energy가 부담하고, OpenAI는 사용량 기반의 전력 소비 모델을 통해 모델 학습에 필요한 컴퓨팅 자원을 안정적으로 공급받는 구조다. 이는 인프라 구축의 재무적 부담을 분산하면서 전력 확보의 확실성을 높이는 장치다.

NVIDIA는 SB Energy에 15억 달러 규모의 직접 투자를 단행했다. 단순한 자금 지원을 넘어 초기 4.25 IT-GW 규모의 인프라 구축을 위한 신용 지원을 병행한다. IT-GW는 IT 기기 구동에 필요한 전력 용량을 뜻하는 단위다. 이 신용 지원은 데이터센터의 부지 확보와 전력망 연결, 그리고 쉘(shell, 내부 장비 설치 전의 건물 외벽과 기본 골조) 빌드아웃 단계에 집중적으로 투입된다. NVIDIA가 자본과 신용을 동시에 제공함으로써, 하드웨어 공급망과 물리적 인프라 구축 사이의 시차를 줄이고 컴퓨팅 인프라의 구현 속도를 높이는 전략을 취했다. 결과적으로 NVIDIA는 자신의 칩이 구동될 물리적 환경의 조성 단계부터 깊게 관여한다.

전력 공급 체계는 기존 AEP(미국 전력 공사)의 인프라를 우선적으로 활용하는 방식으로 시작한다. 그러나 장기적인 전력 수요를 충족하기 위해 천연가스 발전소를 포함한 신규 발전 시설을 전력망에 직접 연결하는 작업이 수반된다. 전력을 효율적으로 전달하기 위한 신규 송전선 구축과 관련 부대 인프라 조성도 함께 진행된다. 이러한 전력망 확충은 단순한 전기 공급을 넘어 AI 컴퓨팅 클러스터의 안정적인 가동을 위한 필수 전제 조건이며, 발전소부터 송전선까지 이어지는 수직적 인프라 통합을 의미한다. 전력 인프라의 안정성은 곧 모델 학습의 연속성과 직결된다. 상세한 프로젝트 진행 상황은 portscampus.com에서 공개하고 있다.

NVIDIA 전용 인프라와 차세대 슈퍼컴퓨터 설계 표준

해당 사이트는 NVIDIA AI 컴퓨팅 인프라만 독점적으로 호스팅하며 하드웨어 구성의 완전한 단일화를 구현한다. NVIDIA와 OpenAI는 초기 설계와 테스트를 거쳐 커미셔닝(설비가 설계 목적에 맞게 설치되고 작동하는지 검증하는 시운전) 단계까지 전 과정에서 공동 협력한다. 이는 단순한 칩 공급 계약을 넘어 데이터센터의 물리적 구조, 전력 배분, 냉각 효율을 최적화하는 공동 엔지니어링 단계로 진입했음을 의미한다. 전용 인프라 구축을 통해 하드웨어와 소프트웨어 간의 최적화 경로를 단축하고, 대규모 클러스터에서 발생할 수 있는 물리적 병목 현상을 설계 단계부터 사전에 차단하는 구조다.

양사는 이번 구축 경험을 바탕으로 기술 백서를 발행하여 차세대 슈퍼컴퓨터의 설계 표준을 정립한다. 백서에는 시스템 장애 발생 시 빠르게 정상 상태로 복구하는 회복탄력적 인프라 설계법과 데이터센터에 투입되는 전원 공급 장치, 냉각 시스템 등 개별 부품의 적격성 평가 기준이 상세히 담긴다. 또한 소프트웨어 레벨에서 워크로드(컴퓨팅 자원이 처리해야 할 작업 부하)를 효율적으로 분산하고 관리하여 자원 낭비를 최소화하는 구체적인 방안을 공유한다. 이는 개별 기업의 내부 노하우를 넘어 대규모 AI 연산 환경의 범용적인 엔지니어링 가이드라인을 구축하는 과정이다.

최종적인 기술 목표는 클러스터 규모에서의 컴퓨팅 가용성(시스템이 중단 없이 서비스를 제공하는 시간의 비율) 향상과 신뢰성 증대다. 특히 수만 개의 GPU가 연결된 환경에서 빈번하게 발생하는 하드웨어 오류를 제어하여 평균 무고장 시간인 MTBF(Mean Time Between Failures)를 연장하는 것이 핵심이다. 프론티어 모델 학습 규모가 커질수록 단 한 대의 서버 장애가 전체 학습 프로세스를 중단시키고 막대한 시간과 비용 손실을 초래한다. 따라서 인프라의 물리적 안정성을 극대화해 학습 중단 횟수를 획기적으로 줄이고 전체적인 연산 효율을 높이는 설계 표준을 완성한다.

전력 인프라가 결정하는 프론티어 모델의 경쟁 우위

칩과 전력, 고속 네트워크가 결합된 데이터센터는 프론티어 모델(최첨단 거대 모델)의 성능을 결정하는 물리적 기초다. 이 세 가지 요소가 유기적으로 결합되어야만 거대 모델 학습에 필요한 방대한 데이터를 지연 없이 처리하고 연산 장치에 끊김 없이 전력을 공급할 수 있다. 물리적 토대의 완성도는 시스템의 전체 성능을 제한하는 상한선으로 작용하며, 이는 단순한 하드웨어 배치를 넘어 전력망과 네트워크 토폴로지의 최적화를 의미한다.

프론티어 모델 학습을 위한 전력 수요는 모델의 파라미터 증가와 학습 데이터 규모 확장에 따라 기하급수적으로 늘어난다. 최첨단 AI 연구소로서 기술적 우위를 유지하기 위해서는 단기적인 자원 확보가 아니라 장기적인 수요에 대응할 수 있는 전력 용량 확보가 선행되어야 한다. 모델 성능 경쟁의 중심축이 알고리즘의 효율성을 개선하는 소프트웨어 영역에서 기가와트(GW, 10억 와트) 단위의 전력을 확보하는 물리적 영역으로 이동했다.

인프라의 규모와 안정성은 모델의 신뢰성, 비용 효율성, 가용성에 직접적인 영향을 미친다. 전력 공급망의 불안정이나 네트워크 병목 현상은 학습 중단이나 연산 효율 저하를 일으켜 전체 개발 비용을 상승시킨다. 물리적 인프라의 규모가 곧 모델의 학습 반복 횟수와 데이터 처리량으로 치환되기 때문이다. 이는 결국 ChatGPT나 Codex(코딩 보조 AI) 같은 도구를 더 많은 기업과 사용자가 저렴하고 안정적으로 사용할 수 있게 만드는 핵심 변수가 된다. 물리적 인프라의 안정성이 확보되지 않은 모델은 상용 서비스 단계에서 운영 비용 상승과 응답 속도 저하라는 한계에 부딪힌다.

프론티어 모델 학습을 위해서는 8GW-IT 수준의 전력 규모 확보가 필수적이며, 이를 뒷받침하는 회복탄력적 인프라 설계와 부품 적격성 평가, 소프트웨어 레벨의 워크로드 관리 능력이 차세대 슈퍼컴퓨터의 핵심 설계 기준이 된다.