맞춤형 AI 칩 — GPU 대신 ASIC을 쓰는 조건 (2026)

빅테크가 자체 AI 칩을 만드는 이유는 성능만이 아니다. 핵심은 작업이 정해져 있고 물량이 충분히 클 때 전용 칩이 더 싸진다는 점이다. 이 글은 GPU와 맞춤형 칩(ASIC)의 차이, 자체 개발이 성립하는 조건, 그리고 관련 기업을 볼 때 확인할 항목을 정리한다.

반도체 업종의 흐름은 Passive의 섹터 화면에서 비교해 볼 수 있다.

GPU와 맞춤형 칩의 차이

GPU는 범용 장치다. 학습과 추론, 그래픽까지 여러 작업을 처리할 수 있게 설계돼 있다. 그만큼 어떤 작업이든 대응하지만, 특정 작업에 필요 없는 회로도 함께 들어간다.

맞춤형 칩은 반대다. 쓸 작업을 정해두고 그에 맞춰 설계한다. 필요 없는 부분을 덜어내면 같은 성능을 더 적은 전력과 면적으로 낼 수 있다.

구분	GPU	맞춤형 칩
대응 범위	넓음	정해진 작업
개발 기간	구매만 하면 됨	설계에 1~2년
초기 비용	없음	설계·검증에 큰 비용
단위 비용	상대적으로 높음	물량이 많을수록 낮아짐
소프트웨어	생태계가 갖춰짐	직접 만들어야 함

자체 개발이 성립하는 조건

모든 기업이 자체 칩을 만들 수 있는 것은 아니다. 다음 조건이 필요하다.

첫째, 물량이다. 설계와 검증에 드는 고정비를 나눠야 하므로, 대량 배치가 전제돼야 한다. 수천 대 규모로는 GPU를 사는 편이 싸다.

둘째, 작업이 안정적이어야 한다. 칩은 한 번 만들면 바꿀 수 없다. 모델 구조가 자주 바뀌면 설계 시점의 가정이 어긋난다.

셋째, 소프트웨어를 감당할 수 있어야 한다. 컴파일러와 라이브러리를 직접 만들거나 이식해야 한다. 하드웨어보다 이쪽이 더 큰 부담인 경우가 많다.

넷째, 설계 파트너가 필요하다. 대부분의 기업은 칩 설계 전문 업체와 함께 만든다. 이 협력사가 물리 설계, 검증, 파운드리 연결을 맡는다.

두 방식은 대체가 아니라 병행이다

자체 칩을 만든다고 GPU 구매를 멈추지는 않는다. 실제로는 용도를 나눠 쓴다.

• 학습: 모델 구조가 계속 바뀌므로 범용성이 필요하다. GPU 비중이 높다.
• 추론: 같은 모델을 반복 실행한다. 맞춤형 칩이 유리한 구간이다.
• 신규 실험: 새로운 방식은 GPU에서 먼저 검증한다.

추론 비중이 커지는 국면에서 맞춤형 칩 수요가 함께 커지는 이유가 여기 있다.

관련 기업의 분기 실적은 Passive의 기업 실적 화면에서 확인할 수 있다.

확인할 지표

• 배포 단위: 대수보다 전력(기가와트) 기준 발표가 늘고 있다.
• 세대 주기: 몇 세대까지 이어지는지가 지속성을 보여준다.
• 고객 집중도: 설계 협력사 입장에서 특정 고객 비중이 높으면 위험이 크다.
• 소프트웨어 성숙도: 자체 칩에서 실제 모델이 돌아가는 사례가 나오는지.
• 비용 주장의 근거: “GPU의 절반”이라는 표현이 칩 가격 기준인지 총소유비용 기준인지.
• 네트워크 부문: 칩을 묶는 스위치와 광 부품 수요가 함께 움직인다.

정리

맞춤형 AI 칩은 작업이 정해져 있고 물량이 클 때 유리하다. 필요 없는 회로를 덜어내 전력과 면적을 줄이는 방식이다.

다만 설계 비용과 소프트웨어 부담이 크기 때문에 대규모 사업자만 선택할 수 있고, 실제로는 GPU와 병행해 쓴다. 학습은 범용, 추론은 전용으로 나누는 구성이 일반적이다.

관련 기업을 볼 때는 배포 규모와 세대 주기, 고객 집중도, 그리고 비용 주장의 기준을 함께 확인하는 편이 낫다.

반도체 종목의 실적과 수급은 Passive에서 함께 볼 수 있다.

이 글은 산업 구조를 정리한 것이며, 특정 종목의 매매를 권유하지 않는다.