엔비디아가 빛에 투자한 이유 - 실리콘 포토닉스와 CPO의 진짜 의미
📺 원본 영상: 엔비디아가 빛에 투자한 이유 | 실리콘 포토닉스와 CPO의 진짜 의미 🎙️ 채널: 안될공학 - IT 테크 신기술 📅 정리 일자: 2026-05-18 ⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
NVIDIA가 Lumentum, Coherent, Marvell, Corning이라는 네 개의 광통신 관련 기업에 각각 수십억 달러 규모의 투자를 집중했다. 겉으로 보면 단순한 부품 업체들에 대한 분산 투자처럼 보이지만, 이 행보를 하나의 지도로 펼쳐보면 NVIDIA가 다음 세대 AI 서버에서 가장 취약한 고리를 어디로 보고 있는지가 선명하게 드러난다. 이 영상은 AI 서버의 병목이 칩 성능에서 칩 간 연결 경로로 이동하고 있다는 구조적 변화를 해설하면서, 실리콘 포토닉스(Silicon Photonics)와 Co-Packaged Optics(CPO)라는 기술이 왜 지금 이 시점에 부상하고 있는지를 심층적으로 다룬다.
NVIDIA의 광통신 투자 지형도
NVIDIA의 자금이 이번에는 칩 안쪽이 아니라 칩 사이로 흘러가기 시작했다. Lumentum과 Coherent에는 각각 20억 달러 규모의 투자가 발표됐고, Marvell에도 20억 달러가 투입됐다. Corning과는 미국 내 광 연결 제조 능력을 10배로 키우는 장기 파트너십이 체결됐으며, Corning의 광섬유 생산 능력을 50% 이상 늘리는 내용도 포함됐다.
이 네 건의 투자를 각각 따로 읽으면 서로 다른 회사들에 대한 별개의 뉴스처럼 보인다. 그러나 각 회사의 역할을 기능으로 분류하면 그림이 달라진다. Lumentum과 Coherent는 레이저와 광학 부품을 담당하고, Marvell은 커스텀 ASIC과 고속 네트워킹을 맡으며, Corning은 광섬유와 유리 소재라는 가장 물리적인 층을 책임진다. 이를 하나로 묶으면 AI 서버의 중심 축이 연산 장치에서 연결 장치로까지 확대되고 있다는 그림이 나온다.
특히 Lumentum과의 발표 내용은 단순 투자 이상의 의미를 담고 있다. 강연자에 따르면, 발표에는 고급 레이저 부품에 대한 구매 약정과 향후 생산 능력 접근권이 포함되어 있다. 이는 “좋은 부품이 있으면 나중에 사겠다”는 수준이 아니라, AI 데이터 센터에 필요한 광학 부품을 필요한 시점에 필요한 만큼 확보할 수 있도록 미리 공급망의 길목을 선점해두는 전략에 가깝다. Coherent와의 발표에서는 차세대 데이터 센터 구조를 확장하기 위한 광학 기술, 제조 능력, 연구 개발 협력이 강조됐다. Marvell과는 NVLink Fusion을 통해 커스텀 AI 인프라를 NVIDIA 생태계와 연결하겠다는 방향이 제시됐으며, 실리콘 포토닉스 협력도 함께 언급됐다.
AI 서버의 새로운 병목: 칩 사이의 연결
한때 AI 서버의 성능을 높이는 공식은 비교적 단순해 보였다. 더 좋은 GPU, 더 용량이 큰 HBM(고대역폭 메모리), 더 미세한 공정, 더 많은 전력, 이 네 가지를 확보하면 성능이 올라갔다. 실제로 GPU, HBM, 첨단 패키징 기술이 AI 서버 성능의 중심 지표였고, 지금도 그 희소성은 여전하다.
그런데 GPU의 숫자가 수천 개 단위로 늘어나면서 이와는 별개의 문제가 표면으로 드러나기 시작했다. 현재 운영되는 대형 AI 모델들은 규모가 워낙 크기 때문에, 수천 개의 GPU가 서로 데이터를 주고받으면서 협력해야만 동작한다. 하나의 칩 안에서 전기 신호가 짧은 거리를 이동하는 것과, 대규모 AI 클러스터에서 데이터가 GPU와 GPU 사이, 그리고 다른 랙(rack)과 다른 서버까지 오가야 하는 것은 전혀 다른 문제다. GPU 하나가 빠른 것과 GPU 수천 개가 동시에 일하는 것은 질적으로 다른 엔지니어링 과제인 것이다.
연결이 느리면 어떤 일이 벌어지는지 가장 직접적으로 말하면, GPU가 기다리게 된다. AI 학습이나 추론은 하나의 GPU가 혼자 계산을 끝내는 방식이 아니라, 여러 GPU가 각자의 계산을 마친 뒤 중간 결과를 서로 맞추고 다음 단계로 넘어가는 구조다. 이때 데이터가 제때 도착하지 않으면 먼저 계산을 끝낸 GPU는 다음 작업을 시작하지 못하고 대기 상태에 머물게 된다. 계산 능력은 남아있는데 데이터가 오지 않아 멈춰있는 시간이 생기는 것이다.
05:19 - 연결 지연이 GPU 대기 시간을 만드는 메커니즘 설명 - AI 학습/추론에서 다중 GPU 데이터 동기화 구조 도식
강연자는 이를 공장의 컨베이어벨트 비유로 설명한다. 개별 기계 하나하나는 매우 빠르게 돌아가는데, 그 사이를 잇는 컨베이어벨트가 너무 느리면 앞 공정에서 처리된 물건이 쌓이고 뒤 공정은 물건이 올 때까지 기다리게 된다. 결국 공장 전체의 처리량은 가장 빠른 기계가 아니라 가장 느린 이동 구간에 의해 결정된다. AI 데이터 센터에서 가장 비싼 낭비는 장비가 없는 것이 아니라, 있는 장비가 쉬는 시간이다. 학습 시간은 늘어나고, 전력은 계속 소비되며, 냉각은 이루어져야 하고, 장비의 감가상각은 진행된다. 서버가 기다리는 시간도 비용이 되는 것이 AI 데이터 센터의 경제 구조다.
왜 전기 신호가 아니라 빛인가
지금까지 데이터 센터 내부 연결의 중심은 전기 신호와 구리선이었다. 구리선은 저렴하고 익숙하며, 짧은 거리에서는 여전히 강점이 있다. 서버 내부나 인접한 장비 사이에서는 비용과 편의성 면에서 구리가 압도적으로 유리하다. 그러나 속도가 올라가고 전송 거리가 길어지면 상황이 달라진다.
전기 신호는 금속 배선을 타고 이동하는데, 거리가 길어지고 대역폭이 커지면 신호가 약해지고 잡음이 섞이며 열이 발생한다. 이를 보정하기 위해 리타이머(Retimer), 앰플리파이어(Amplifier), 신호 보상기(Signal Compensator) 같은 장치들이 중간중간 개입해야 하고, 이들 자체가 또 전력을 소비하고 열을 만들어낸다. 강연자는 이를 복도 끝의 사람에게 말을 전달하는 상황에 비유한다. 바로 옆 사람에게는 작은 목소리로도 충분하지만, 멀리 있는 사람에게 정확히 전달하려면 목소리를 키우거나 중간에서 받아 전달해주는 사람이 필요한 것처럼, 거리가 늘어날수록 신호를 유지하기 위한 부가 비용이 커진다. 예전에는 이 비용이 전체 시스템 안에서 감당 가능한 수준이었지만, AI 데이터 센터는 모든 비용이 규모와 함께 늘어날 수밖에 없는 구조이기 때문에 이 문제가 수면 위로 올라왔다.
07:43 - 구리 전기 신호 vs 광신호 비교 설명 - 거리/대역폭 증가에 따른 신호 보정 장치(리타이머, 앰플리파이어) 필요성
광신호(optical signal)는 광섬유나 광도파로(optical waveguide) 안에서 빛의 형태로 이동하기 때문에, 금속선의 저항을 밀고 가는 방식이 아니다. 강연자에 따르면, 특정 거리와 대역폭 이상에서는 전기 신호 대비 손실과 전력 부담을 줄이기에 유리한 구간이 생긴다. 빛이 중요한 이유는 멋있어서가 아니라, 멀리 많은 데이터를 보낼 때 전기 신호가 치르는 비용을 줄일 수 있기 때문이다. 가까운 거리에서는 전기 신호가 여전히 싸고 편하지만, 더 빠르게 더 멀리 더 많은 데이터를 보내야 할 때는 빛이 가진 장점이 커진다는 것이다.
실리콘 포토닉스(Silicon Photonics)란 무엇인가
실리콘 포토닉스라는 단어는 어렵게 들리지만, 방향 자체는 비교적 단순하다. 기존 반도체 공정의 기반 위에 빛이 지나갈 수 있는 경로와 신호를 변환하는 장치를 함께 만들자는 것이다. 회로 위에 전기 배선만 까는 것이 아니라, 그 옆에 광통신용 고속도로를 함께 구축하는 개념에 가깝다.
중요한 것은, 계산 자체를 전부 빛으로 대체하자는 이야기가 아니라는 점이다. 강연자가 강조하는 현실적인 변화는 데이터가 이동하는 일부 구간을 빛으로 처리하는 것이다. 가까운 거리에서는 전기 신호가 담당하고, 더 넓은 구간에서는 광신호가 개입하는 식으로 서버 안에서 역할 분담이 재편되는 것이다. 전자(electron)와 광자(photon)는 서로를 대체하는 경쟁 관계라기보다, AI 서버 안에서 각자 맡는 구간이 달라지는 관계에 가깝다. 여전히 전기 신호는 연산의 중심에 있지만, 데이터가 멀리 많이 자주 이동해야 하는 구간에서는 빛을 쓰는 편이 점점 더 매력적으로 바뀌어 가고 있다.
AI 데이터 센터에서도 계산 장치는 계속 늘어났는데 그 사이를 잇는 길이 예전 방식에 머물면, 전체 성능은 칩의 스펙표만큼 오르지 않는다는 것이 강연자의 핵심 주장이다. 도시가 커지고 차가 수십만 대로 늘어나면 차량의 최고 속도보다 도로망과 신호 체계, 교차로 설계가 실제 체감 속도를 결정하는 것처럼, GPU들이 서로 오가는 길의 설계가 전체 속도를 잡아먹기 시작했다는 것이다.
CPO(Co-Packaged Optics) - 광학을 칩 가까이로
12:53 - CPO(Co-Packaged Optics) 개념 설명 - 기존 플러그인 트랜시버 방식과 CPO 방식의 신호 경로 비교
CPO(Co-Packaged Optics)는 광학 부품을 스위치 칩과 가능한 한 가까이 패키징하는 구조를 말한다. 기존 방식에서는 스위치 칩에서 전기 신호가 출력된 뒤, 기판(보드) 위를 지나 플러그인 방식의 광 트랜시버(optical transceiver)에 도달하고 나서야 빛으로 변환됐다. 빛을 쓰긴 했지만, 전기 신호가 꽤 긴 경로를 달려야 했던 것이다.
CPO의 핵심 아이디어는 이 변환 지점을 당기는 것이다. 데이터를 빛으로 바꿀 것이라면, 멀리 가서 바꾸지 말고 칩 가까운 곳에서 바꾸자는 논리다. NVIDIA는 자사의 CPO 스위치가 기존 플러그인 트랜시버 기반 구조 대비 전력 효율과 네트워크 회복력을 크게 개선했다고 설명했다. 이는 단순한 케이블 교체가 아니라, 서버 설계의 경계선 자체가 바뀌는 문제다. 광학 부품이 랙 외부의 통신 장비에서 스위치 칩과 패키지 가까운 곳으로 들어오기 때문이다.
운영 측면에서 CPO는 기존 플러그인 방식과 근본적으로 다른 특성을 갖는다. 플러그인 광 트랜시버는 컴퓨터의 USB처럼 꽂으면 되고, 문제가 생기면 뽑아서 교체하면 된다. 반면 CPO는 그 기능을 메인보드 깊은 곳, 핵심 칩 바로 옆에 내장하는 방식에 가깝기 때문에 성능과 효율은 향상되지만, 고장 대응과 제조 난이도는 훨씬 까다로워진다. 이 점이 기존 광 모듈 업체들에게는 새로운 기회이면서 동시에 압박이기도 하다. 단기적으로는 고속 광 모듈 수요가 늘 수 있지만, 장기적으로는 광학 엔진, 패키징, 스위치 제조사, 시스템 업체 사이의 힘의 관계가 달라질 수 있다.
NVIDIA Spectrum-X Ethernet Photonics - 규모를 보여주는 숫자
NVIDIA의 Spectrum-X Ethernet Photonics는 이 기술 흐름을 제품 단위로 구현한 사례다. SN6800 스위치는 512개의 800Gbps 포트를 제공하며, 총 409.6Tbps의 대역폭을 갖는 구조로 소개됐다.
11:38 - NVIDIA Spectrum-X Ethernet Photonics SN6800 스위치 소개 - 512포트 x 800Gbps, 총 409.6Tbps 구조
강연자는 409.6Tbps라는 숫자가 너무 커서 감이 잡히지 않을 수 있다며, 이것이 매 초마다 고용량 노트북 SSD 수십 개 분량의 데이터가 스위치 하나를 통과하는 규모라고 설명한다. 물론 실제 파일 복사 속도와 단순 비교할 수는 없다. 중요한 것은 얼마나 큰 파일을 옮기느냐의 문제가 아니라, AI 서버 안에서 GPU들이 서로 주고받아야 하는 데이터를 위한 차선이 이 정도의 폭이 필요하다는 점이다. AI 모델이 커질수록 개별 계산 장치 하나가 혼자 처리하는 시간은 줄고, 서로 데이터를 교환하며 맞추는 시간은 늘어난다. 강연자는 409.6Tbps라는 숫자가 단순히 빠른 네트워크의 스펙이 아니라, AI 공장 안에서 수많은 GPU가 동시에 작동하기 위해 필요한 내부 도로의 폭을 나타내는 수치라고 표현한다.
Ayar Labs - 경쟁사들도 같은 방향을 바라본다
⚠️ STT 교정 안내: 원본 음성에서 “IALAPS”로 인식된 회사명은 투자 규모, 투자자 명단(NVIDIA·AMD·MediaTek·Alchip), 사업 영역(Optical I/O, CPO)을 종합할 때 Ayar Labs(아이얼 랩스)로 추정됩니다. 정확한 회사명은 원본 영상에서 확인하세요.
2026년 3월 Ayar Labs는 5억 달러 규모의 시리즈 E 투자를 유치했다. 회사 발표 기준으로 총 투자금은 8억 7천만 달러, 기업가치는 37억 5천만 달러로 평가됐다. 로이터도 NVIDIA가 투자자로 참여한 이 자금 조달을 보도했는데, 투자자 명단에는 NVIDIA, AMD, MediaTek, Alchip 등이 이름을 올렸다.
13:57 - Ayar Labs 시리즈 E 투자 발표 - 투자자 명단(NVIDIA, AMD, MediaTek, Alchip) 및 기업가치 37억 5천만 달러
강연자는 이 조합 자체가 흥미롭다고 지적한다. AI 반도체 시장에서 서로 경쟁하는 회사들이 같은 스타트업에 공동 투자했다는 것은, 대규모 클러스터에서 데이터 이동 효율이 중요해진다는 공통된 문제 인식이 존재한다는 뜻이기 때문이다. Ayar Labs가 노리는 영역은 Optical I/O와 CPO, 즉 칩과 칩 사이의 입출력 경로에 광학 기술을 더 깊게 내장하는 것이다. 물론 이것이 바로 대량 상용화 확정이라고 읽어서는 안 된다. 수율(yield), 신뢰성, 장기 운영 안정성, 고객 인증을 모두 통과하는 것이 남은 과제이며, 한번 빠르게 동작하는 것보다 몇 년에 걸쳐 안정적으로 반복 운영될 수 있는지가 더 중요한 검증 기준이다.
전력 문제가 만든 구조적 압력
이 모든 변화의 배경에는 전력 문제가 항상 깔려있다. IEA(국제에너지기구)는 데이터 센터의 전력 소비가 2030년까지 약 945테라와트시(TWh)에 이를 수 있다고 전망했는데, 이는 2024년의 약 415테라와트시에서 2배 이상 늘어나는 규모다.
15:09 - IEA 데이터 센터 전력 소비 전망 차트 - 2024년 415TWh에서 2030년 945TWh로의 증가 추이
강연자에 따르면 이는 일본 전체 전력 소비보다 약간 큰 수준으로, 국가 규모의 전력이 데이터 센터라는 한 분야에 집중될 수 있다는 뜻이다.
AI 데이터 센터는 연산 장치만 전기를 소비하는 것이 아니다. 메모리, 냉각, 네트워크, 전력 변환, 데이터 이동 모두가 비용으로 연결된다. 전력 수요가 커질수록 데이터를 이동시키는 데 쓰는 전력도 운영 비용으로 가시화되고, 이제는 칩 하나의 연산 성능만으로는 AI 서버의 경제성을 설명하기가 어려워졌다. 그래서 광학 인터커넥트(optical interconnect)는 단순히 더 빠른 연결 기술이 아니라, AI 공장의 전력 효율을 다시 계산하게 만드는 기술이기도 하다.
이 변화가 중요한 이유는 AI 서버를 구성하는 부품의 위계가 달라질 수 있기 때문이다. 지금은 GPU, HBM, 첨단 패키징이 가장 먼저 보이는 핵심층이다. 그런데 광학 연결이 서버 안쪽으로 들어오면, 레이저, 광소자, 광섬유, 광엔진 같은 요소들이 서버 설계의 핵심층으로 올라오게 된다.
‘광통신’이라는 단어 하나로 묶으면 안 되는 이유
강연자는 광통신이라는 하나의 키워드로 모든 관련 기업을 같은 위치에 놓는 것을 경계해야 한다고 강조한다. 광섬유 회사와 광 트랜시버 회사는 다르다. 레이저 소자 회사와 실리콘 포토닉스 설계 회사도 다르다. CPO용 광엔진을 만드는 회사와 기존 통신망용 광 모듈을 만드는 회사도 같은 위치에 있지 않다. 기술 키워드는 빠르게 번지지만, 실제 공급망의 적용과 고객 인증은 훨씬 더 느리게 따라오는 것이 매번 반복되는 사이클이기 때문이다.
특히 국내의 경우, 예전에는 광통신 기업이라고 하면 5G, 광케이블 네트워크 장비 쪽으로 분류됐다. 그런데 최근 같은 기업들이 AI 데이터 센터, CPO, 실리콘 포토닉스라는 단어와 함께 다시 거론되고 있다. 그러나 광통신이라는 카테고리로 빠르게 묶이다 보니, 실제 공급망 내에서의 위치는 그보다 훨씬 좁고 엄격하다. 어떤 회사는 광섬유에 가깝고, 어떤 회사는 통신 장비에 가깝고, 또 어떤 회사는 AI 데이터 센터용 고속 광 모듈과 가까울 수 있으며, 실제 연결되기까지 상당한 시간이 필요할 수 있다.
실리콘 포토닉스의 경우, 전자회로를 잘 만드는 능력과 광학 소자를 안정적으로 구현하는 능력은 서로 다른 역량이다. 이 둘을 같은 패키지 안에 통합하고, 열을 관리하며, 검사하는 능력이 더욱 중요해질 수밖에 없다. 특히 광학 부품은 온도와 정렬(alignment)에 매우 민감한데, AI 스위치와 가속기 주변은 이미 극도로 뜨거운 환경이다. 빛을 쓴다고 열 문제가 사라지는 것이 아니라, 열을 다루는 방식이 더 정교해져야 한다는 것이다.
마무리 - AI 인프라를 바라보는 질문이 달라져야 한다
강연자는 앞으로 확인해야 할 지표로 세 가지를 제시한다. 첫째, Spectrum-X Ethernet Photonics와 Quantum-X Photonics가 2026년 이후 실제 고객 시스템에 얼마나 들어가는지다. 이 기술이 발표 자료에 머무는지, 실제 데이터 센터 장비로 들어가는지를 확인해야 한다. 둘째, 광학 부품이 기존처럼 서버 외부의 연결 장비에 머무는지, 아니면 스위치 칩과 패키지 가까운 곳으로 들어오는지다. 셋째, AI 데이터 센터에서 실제로 측정된 전력 효율 데이터가 어떻게 나오는지다.
NVIDIA의 이번 광통신 투자는 GPU를 만드는 회사가 레이저 회사, 광섬유 회사, 광학 부품 회사, 커스텀 네트워킹 회사에 자금을 투입하기 시작했음을 의미한다. 이는 단순히 주변 장치를 챙기는 움직임이 아니라, AI 서버의 다음 비용이 어디에서 새어나올지를 미리 파악하고 그 지점을 선제적으로 붙잡으려는 시도로 해석할 수 있다.
예전에 광통신은 도시와 도시를 잇는 고속도로에 가까운 역할이었다. 데이터 센터와 데이터 센터를 연결하고, 통신사 백본망을 잇는 것이 주된 역할이었다. 그런데 이제 그 고속도로는 도시 외곽에서 끝나지 않고, 서버 랙 안쪽 스위치 칩 근처까지 들어오려 하고 있다. 강연자는 AI 인프라를 바라보는 질문이 조금씩 달라져야 할 것이라고 마무리한다. “가장 빠른 칩을 누가 만드느냐”가 중요하다는 것은 여전히 사실이다. 그러나 이제는 “그 칩들이 서로 멀어질수록 생기는 손실을 누가 가장 작게 만들 수 있느냐”라는 질문이 함께 중요해졌다. AI가 커질수록 진짜 비용은 칩 내부가 아니라 칩과 칩 사이사이에서 새고 있다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 엔비디아가 빛에 투자한 이유 | 실리콘 포토닉스와 CPO의 진짜 의미 |
| 채널 | 안될공학 - IT 테크 신기술 |
| 리포트 작성 | 2026-05-18 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.