젠슨 황은 어떻게 GPU를 AI 인프라로 바꿨나

AI 기업처럼 보이는 회사의 출발점은 게임 그래픽이었다

지금의 엔비디아를 보면 먼저 떠오르는 말은 AI 반도체예요. 그런데 이 이미지에서 바로 출발하면 중요한 질문 하나가 비어 버려요. 왜 하필 화면을 그리던 기술이 AI 시대의 핵심 인프라처럼 보이게 되었을까요?

출발점은 AI가 아니었어요. 젠슨 황은 1993년 엔비디아를 공동 창업했고, 창업 이후 CEO로 회사를 이끌어 왔어요. 그리고 엔비디아가 처음 마주한 시장은 AI 반도체가 아니라 PC 3D 그래픽과 게임·멀티미디어였어요.

3D 그래픽은 쉽게 말해, 컴퓨터가 화면 속 공간을 빠르게 계산해 보여 주는 일이에요. 게임에서 캐릭터가 움직이고, 빛이 반사되고, 배경이 입체적으로 보이려면 같은 순간에 아주 많은 계산이 필요해요. 그래서 그래픽 시장은 처음부터 “계산을 빠르게 나눠 처리하는 능력”을 강하게 요구했어요.

여기서 GPU를 이해하면 다음 이야기가 쉬워져요. GPU는 화면 그래픽 처리를 위해 발전한 병렬 처리 장치라고 볼 수 있어요. 한 사람이 긴 계산을 처음부터 끝까지 처리하는 방식이 아니라, 많은 사람이 작은 계산을 동시에 나눠 맡는 장면을 떠올리면 돼요.

이 차이가 중요해요. 엔비디아가 다루던 문제는 단순히 더 예쁜 화면을 만드는 일이 아니었어요. 많은 계산을 한꺼번에 처리해야 하는 수요를 붙잡고, 그 능력을 제품과 시장 안에서 계속 키우는 일이었어요.

엔비디아는 1999년 GPU를 회사 역사의 핵심 전환점으로 제시해요. 다만 이것을 기술사 전체에서 “엔비디아가 세계 최초로 GPU를 발명했다”는 식으로 단정할 필요는 없어요. 여기서 중요한 건 회사가 스스로의 역사에서 GPU를 큰 방향 전환의 지점으로 놓고 있다는 점이에요.

그래서 젠슨 황을 처음부터 AI를 맞힌 예언자로 보면 이야기가 너무 납작해져요. 더 정확한 출발점은, 그래픽 계산 능력을 중심에 둔 회사를 오래 이끌어 온 장기 CEO라는 점이에요. 이 출발점을 잡아야 다음 질문도 자연스러워져요. 그래픽을 위한 GPU가 어떻게 개발자들이 쓰는 더 넓은 계산 도구로 이어졌을까요?

CUDA는 GPU를 그래픽 장치에서 계산 플랫폼으로 넓혔다

좋은 칩이 있어도 개발자가 쓰기 어렵다면 시장은 넓어지지 않아요. 아무리 빠른 도구라도 손잡이가 없으면 현장에서 반복해서 쓰기 힘든 것과 비슷해요. GPU가 AI 인프라로 이어지는 길에서도 중요한 건 “얼마나 빠른가”만이 아니라 “누가, 어떻게, 계속 쓸 수 있는가”였어요.

CUDA는 이 지점에서 핵심 역할을 했어요. 간단히 말하면, CUDA는 GPU를 화면을 그리는 일 밖의 계산 작업에도 쓰도록 돕는 엔비디아의 개발 도구이자 플랫폼이에요. 예전에는 GPU가 주로 그래픽을 처리하는 장치로 이해됐다면, CUDA는 그 힘을 더 넓은 계산 문제에 연결하는 통로가 된 셈이에요.

비유하면 이래요. 원래 GPU가 그림을 아주 빠르게 그리는 전문 작업실이었다면, CUDA는 그 작업실 문 앞에 “계산도 맡길 수 있어요”라는 접수창을 만든 거예요. 개발자는 그 접수창을 통해 그래픽 API 안에 갇히지 않고, GPU의 처리량을 여러 계산 작업에 활용할 수 있게 되었어요.

여기서 말하는 범용 계산 플랫폼은 “한 가지 출력만 하는 부품”이 아니라 “여러 문제를 반복해서 올려놓을 수 있는 기반”에 가까워요. 화면을 만드는 데만 쓰이는 장치와, 과학 계산이나 데이터 처리처럼 다양한 작업을 얹을 수 있는 기반은 사업적으로 전혀 다르게 움직여요. 후자는 개발자가 배워서 쓰고, 다시 도구를 만들고, 주변에 사용법을 퍼뜨릴 여지가 커요.

그래서 CUDA의 의미는 단순히 기술 기능 하나가 늘었다는 데 있지 않아요. CUDA는 개발자들이 GPU를 다양한 계산 작업에 쓰게 만드는 소프트웨어 기반이 되었어요. 칩을 파는 회사가 아니라, 칩 위에서 사람들이 계산을 쌓아 올리게 만드는 회사로 이동할 수 있는 발판이 된 거예요.

이때 개발자 생태계라는 말도 중요해져요. 어떤 도구를 배우고 쓰는 사람이 많아질수록, 그 도구의 가치는 더 커져요. 엔비디아도 CUDA와 관련 도구를 쓰는 대규모 개발자 생태계를 자사 플랫폼 가치의 일부로 제시해요.

그래서 젠슨 황의 운영 선택을 볼 때, “GPU가 빨라서 AI에 쓰였다”라고만 말하면 절반만 보는 셈이에요. 더 흥미로운 부분은 GPU를 개발자가 반복해서 쓰는 계산 플랫폼으로 넓혔다는 점이에요. 이 전환이 있었기 때문에 다음 질문도 생겨요. 그렇게 넓어진 GPU는 실제 AI 연구와 데이터센터 수요 속에서 언제 더 큰 흐름을 타게 되었을까요?

AI 수요는 엔비디아를 데이터센터 인프라 회사로 밀어 올렸다

플랫폼이 만들어졌다고 해서 회사의 중심이 바로 바뀌지는 않아요. 아무리 좋은 도구도 실제로 써야 할 큰 문제가 생기지 않으면, 회사 안에서는 여전히 “잘 팔리는 기존 제품”이 중심에 남기 쉬워요. 엔비디아에게 그 큰 압력으로 다가온 흐름이 딥러닝과 데이터센터 수요였어요.

2012년 AlexNet 성과는 GPU가 딥러닝 학습에 강력한 도구가 될 수 있음을 보여 준 대표 사례였어요. 쉽게 말하면, 복잡한 그림 인식 문제를 풀 때 GPU가 많은 계산을 한꺼번에 처리하는 데 잘 맞는다는 장면이 뚜렷하게 보인 거예요. 엔비디아도 이 사례를 GPU와 현대 AI가 만난 상징적 전환점으로 강조해요.

여기서 중요한 건 “한 논문이 모든 것을 만들었다”가 아니에요. 이미 CUDA를 통해 GPU를 계산 플랫폼으로 넓히는 작업이 있었고, 딥러닝은 그 플랫폼이 빛날 수 있는 강한 사용처가 되었어요. 씨앗만 있어도 비가 오지 않으면 자라기 어렵듯이, GPU 계산 플랫폼도 AI 수요라는 날씨를 만나면서 더 크게 자랄 수 있었던 셈이에요.

그다음 엔비디아의 설명은 점점 칩 하나에서 벗어나요. 엔비디아는 스스로를 칩만 파는 회사가 아니라 CUDA와 소프트웨어 스택을 포함한 풀스택 컴퓨팅 인프라 기업으로 설명해요. 풀스택 컴퓨팅 인프라는 칩, 소프트웨어, 네트워킹, 시스템을 따로따로 보는 게 아니라 함께 묶어 계산 환경을 만든다는 뜻이에요.

데이터센터 규모 계산도 같은 흐름에서 이해하면 쉬워요. 이제 문제는 GPU 한 개가 빠른지가 아니라, 많은 서버와 네트워크가 함께 움직이며 거대한 계산을 얼마나 잘 처리하느냐가 되었어요. AI 수요가 커지면서 엔비디아의 초점도 개별 칩을 넘어 데이터센터 규모의 계산 인프라로 확장되었어요.

Mellanox 인수는 이 방향을 보여 주는 사례예요. 엔비디아가 GPU 계산뿐 아니라 데이터센터 네트워킹까지 묶는 쪽으로 확장했다는 뜻이거든요. 고속도로가 좋아야 많은 차가 막히지 않고 움직이듯, 데이터센터에서도 계산 장치들 사이를 빠르게 연결하는 일이 중요해져요.

FY2025 엔비디아의 매출 성장은 주로 데이터센터용 가속 컴퓨팅과 AI 솔루션 수요로 설명돼요. 또 FY2026 발표 기준으로도 매출의 중심은 데이터센터 사업에 크게 기울어 있었고, 2026년 4월 종료 분기에도 데이터센터 매출이 전체 매출의 대부분을 차지했다고 회사가 발표했어요. 이 수치들은 미래 성장을 보장하는 증거라기보다, 회사의 무게중심이 어디로 옮겨갔는지를 보여 주는 보조 맥락으로 보는 편이 안전해요.

그래서 젠슨 황을 기억하는 더 좋은 방식은 “AI를 맞힌 CEO”라는 한 줄보다 조금 더 차분해요. 그는 GPU를 그래픽 장치에서 계산 플랫폼으로 넓히고, 다시 그 플랫폼을 데이터센터 인프라 쪽으로 계속 밀어붙인 운영자에 가까워요. 엔비디아가 AI 반도체 시대의 핵심 기업처럼 보이게 된 이유도 단일 예언이나 한 번의 사건보다, 이런 재배치가 오래 반복된 결과로 보는 편이 더 정확해요.

엔비디아를 AI 시대의 핵심 기업으로 볼 때, 출발점은 AI 반도체가 아니라 PC 3D 그래픽과 게임·멀티미디어 시장이었다는 점을 먼저 기억해야 해요. 그 그래픽용 GPU가 CUDA를 통해 다양한 계산 작업에 쓰이는 플랫폼으로 넓어졌고, 딥러닝과 데이터센터 수요가 커지면서 회사의 초점도 칩 하나를 파는 일에서 풀스택 컴퓨팅 인프라로 확장됐어요.

그래서 젠슨 황을 “AI를 맞힌 사람”으로만 기억하면 이야기가 너무 작아져요. 더 중요한 핵심은 GPU를 범용 계산 플랫폼으로 키우고, 개발자 생태계와 데이터센터 인프라 쪽으로 회사를 오래 재배치해 온 운영 방식에 있어요.