ChipCurrent

SMR과 기존 원전의 차이, AI 데이터센터가 주목하는 이유와 한계

ChipCurrent — Sat, 19 Sep 2026 00:59:10 +0900

SMR 발전시설과 AI 데이터센터가 전력망으로 연결된 모습

정격출력 300MW인 SMR 한 기로 300MW급 데이터센터 한 곳을 돌릴 수 있을까요? 겉으로는 숫자가 맞아떨어지지만, 실제 전력 계산은 그렇지 않습니다. 데이터센터에서는 GPU와 서버뿐 아니라 냉각장치, UPS, 전력변환 설비도 전기를 사용합니다. 발전소 역시 정비 기간과 계통 예비력을 고려해야 합니다.

SMR이 AI 데이터센터와 잘 맞는다는 평가의 핵심은 ‘원자로 한 기로 시설 하나를 돌린다’는 데 있지 않습니다. 데이터센터가 커지는 속도에 맞춰 전원도 모듈 단위로 늘릴 수 있다는 구상에 가깝습니다.

앞선 글에서 설명했듯, 데이터센터의 전력 수요에는 서버뿐 아니라 냉각장치와 전력변환 설비의 소비전력도 포함됩니다. 자세한 계산 방식은 AI 데이터센터의 전력 소비가 빠르게 늘어나는 이유에 정리했습니다.

SMR은 단순히 작은 원전이 아닙니다

국제원자력기구(IAEA)는 SMR을 통상 모듈당 전기출력 300MWe 이하인 원자로로 분류합니다. 여기서 MWe는 열출력이 아니라 실제 전기출력을 뜻합니다. 수십 MW부터 수백 MW까지 포함하므로 ‘소형’이라는 이름과 달리 하나의 발전설비로는 결코 작은 규모가 아닙니다.

더 중요한 단어는 ‘모듈’입니다. 대형 원전은 거대한 설비를 한 부지에 건설해 한 번에 큰 출력을 확보합니다. SMR은 주요 기기와 모듈의 공장 제작 비중을 높이고, 현장에서 설치한 뒤 필요한 만큼 원자로 모듈을 추가하는 방식을 지향합니다.

원자로 기술도 하나로 정해져 있지 않습니다. NuScale은 기존 상용원전과 가까운 경수로 계열입니다. X-energy는 고온가스로, Kairos Power는 불화물염 냉각 고온로를 개발하고 있습니다. SMR은 특정 원자로의 이름이 아니라 출력 규모와 배치 방식에 가까운 분류입니다.

IAEA의 2025년 원자력 현황 보고서는 SMR의 공장 제작과 단계적 증설 가능성을 설명하면서도, 경제성을 확보하려면 설계 표준화와 반복 건설이 필요하다고 짚습니다.

대형 원전과 SMR의 사업 논리는 다릅니다

대형 원전 한 기와 단계적으로 늘리는 SMR 모듈 비교

비교 항목	기존 대형 원전	SMR
단위 출력	대체로 1GW 안팎 또는 그 이상	모듈당 통상 300MWe 이하
건설 방식	부지 중심의 대규모 일괄 건설	공장 제작 비중을 높이고 현장에서 설치
증설 방식	큰 출력을 한 번에 추가	모듈 단위로 단계적 추가 가능
초기 투자	한 프로젝트에 자금이 집중됨	작은 단위로 나눌 수 있지만 여러 모듈이 필요함
경제성의 기반	규모의 경제	표준화와 반복 생산의 학습 효과
기술 경험	장기간의 상업운전 경험이 축적됨	설계별 차이가 크고 다수는 실증·인허가 단계
안전 설계	설계에 따라 능동·피동 계통을 함께 사용	일체형 구조와 피동안전 계통을 채택한 설계가 많음

SMR이 대형 원전보다 무조건 안전하다고 단정할 수는 없습니다. 많은 설계가 작은 노심과 자연대류, 중력 등을 이용해 안전계통을 단순화하려 하지만, 안전성은 개별 설계마다 규제기관의 심사를 거쳐 입증해야 합니다.

경제성도 같은 방식으로 봐야 합니다. 대형 원전은 한 기의 출력을 키워 발전단가를 낮추는 규모의 경제를 추구합니다. SMR은 한 기의 출력을 줄이는 대신 같은 설계를 여러 번 생산하며 비용을 낮추려 합니다. 원자로가 작아졌다는 사실만으로 전기가 싸지는 것은 아닙니다.

AI 데이터센터가 SMR에 관심을 갖는 이유

AI 데이터센터는 하루 중 특정 시간에만 가동되는 시설이 아닙니다. GPU 가동률이 떨어지면 비싼 연산장비가 놀게 되므로, 안정적인 전력 공급이 사업 수익과 직접 연결됩니다. 여기에 빅테크 기업들의 무탄소 전력 조달 목표가 겹치면서 24시간 발전할 수 있는 원자력이 다시 후보로 올라왔습니다.

SMR은 출력 단위를 나눌 수 있다는 점에서 데이터센터와 접점이 있습니다. 데이터센터 캠퍼스를 단계적으로 증설한다면 처음부터 수 GW 규모의 발전소를 완성하기보다 수십~수백 MW 모듈을 추가하는 구상이 더 유연할 수 있습니다.

Google은 Kairos Power와 최대 500MW 규모의 차세대 원자로 배치를 추진하고 있습니다. 2025년 공개된 첫 사업에서는 TVA가

Hermes 2의 전력을 구매해 Google 데이터센터가 있는 지역의 전력망에 공급하며, 첫 전력 공급 목표는 2030년입니다. 원자로가 데이터센터 전용선에 바로 연결되는 방식은 아닙니다. Google의 공식 발표에 따르면 전력은 TVA 계통으로 들어가고 Google은 해

당 전력과 청정에너지 가치를 조달합니다.

Amazon과 X-energy가 추진하는 워싱턴주 사업은 Xe-100 4기, 320MW로 시작해 최대 12기, 960MW까지 확장하는 구상입니다. Amazon은 X-energy에 5억 달러를 투자했고, 2039년까지 미국에서 5GW 이상의 원전 용량을 개발한다는 목표도 제시했습니다. 다만 첫 워싱턴 프로젝트의 가동 시점 역시 2030년대 초로 잡혀 있습니다. Amazon의 SMR 계획

Google·Amazon·Microsoft의 원전 전략과 계약 구조는 빅테크가 원자력을 선택하는 이유를 다룬 이전 글에서 더 자세히 정리했습니다.

SMR 한 기와 데이터센터 한 곳을 단순 비교하면 안 됩니다

데이터센터 전력 수치를 볼 때는 그 숫자가 IT 장비 부하인지, 시설 전체 수전용량인지 먼저 확인해야 합니다. 데이터센터의 전력효율을 나타내는 PUE는 시설 전체 에너지 사용량을 IT 장비 에너지 사용량으로 나눈 값입니다.

예를 들어 IT 장비가 300MW를 사용하고 PUE가 1.2라면 시설 전체에는 약 360MW가 필요합니다. 반대로 계통에서 받을 수 있는 전력이 총 300MW라면 같은 PUE에서 IT 장비에 쓸 수 있는 전력은 약 250MW입니다.

발전소 정격출력과 데이터센터 부하가 같더라도 원자로 한 기만으로 독립 운영한다고 가정하기 어려운 이유가 여기에 있습니다. 원전의 계획정비와 예상하지 못한 정지, 송전 제약을 고려해야 하고 데이터센터에도 UPS, 배터리, 비상발전원과 전력망 연결이 필요합니다.

따라서 “300MW SMR이면 300MW 데이터센터를 돌릴 수 있다”는 식의 계산보다 데이터센터의 전체 부하, PUE, 예비전력, 계통 구조와 원자로의 실제 공급 가능 전력을 함께 봐야 합니다.

공장에서 만들면 정말 싸고 빨라질까요

SMR의 공장 제작은 비용을 낮출 가능성이 있습니다. 같은 설계를 충분히 많이 주문하고, 공급망이 동일한 부품을 반복 생산하며, 현장 공정이 표준화돼야 한다는 조건이 붙습니다. 첫 원자로 몇 기는 설계비와 인허가비, 전용 생산설비 구축비를 함께 부담합니다.

이 구조는 자동차 공장과 비슷한 면이 있지만 원자로는 생산량과 규제 조건이 전혀 다릅니다. 주문이 이어지지 않으면 공장과 공급망의 고정비를 회수하기 어렵고, 설계가 자주 바뀌면 반복 생산의 장점도 줄어듭니다.

NuScale의 미국 아이다호 프로젝트는 이 위험을 보여준 사례입니다. 미국 원자력규제위원회(NRC)의 설계 심사가 진행되는 동안 사업 준비가 상당 부분 이뤄졌지만, 전력을 구매할 참여자를 충분히 확보하지 못해 2023년 11월 종료됐습니다. 사업이 무산됐다고 해서 설계 승인까지 취소된 것은 아닙니다. NRC는 이후인 2025년 5월 NuScale US460 표준설계를 승인했습니다.

NuScale 사례는 설계 승인을 받아도 구매자와 가격 경쟁력을 확보하지 못하면 사업이 멈출 수 있다는 점을 보여줍니다. UAMPS의 사업 종료 설명과 NRC의 US460 표준설계승인 발표를 구분해서 볼 필요가 있습니다.

인허가와 핵연료도 시간표를 늦출 수 있습니다

원전 사업에는 여러 단계의 허가가 필요합니다. 표준설계가 승인됐다고 해서 특정 부지에 바로 건설하거나 전기를 판매할 수 있는 것은 아닙니다. 부지와 사업 구조에 맞는 건설·운영 허가가 별도로 필요합니다.

Kairos의 Hermes 2는 2024년 건설허가를 받았지만, 당시 NRC가 허가한 대상은 시험로 구성입니다. 이후 발표된 50MW 전력 공급 계획과 2030년 운전 목표는 추가적인 사업·규제 절차가 남아 있는 계획으로 보는 편이 정확합니다. 계약 체결, 건설허가, 상업운전은 서로 다른 단계입니다.

연료도 설계마다 사정이 다릅니다. X-energy와 Kairos를 포함한 여러 비경수형 차세대 원자로는 기존 원전보다 농축도가 높은 HALEU 연료를 사용합니다. 미국 에너지부는 미국 내 상업 공급이 충분하지 않아 공급 공백이 원자로 배치를 늦출 수 있다고 설명합니다. 이를 보완하기 위한 생산·배분 사업이 진행 중입니다. 미 에너지부 HALEU 공급 프로그램

모든 SMR이 HALEU를 쓰는 것은 아닙니다. 경수로 계열인 NuScale은 기존 원전과 유사한 저농축우라늄 연료를 사용합니다. SMR을 하나의 기술처럼 묶어 설명하면 연료와 냉각재, 폐기물 관리의 차이를 놓치게 됩니다.

SMR도 사용후핵연료를 만들며 보안, 폐기물, 지역 수용성 문제에서 자유롭지 않습니다. 시설이 작아진다고 원전 사업에 필요한 규제와 사회적 논의가 사라지는 것은 아닙니다.

주요 사업은 아직 대부분 2030년을 바라보고 있습니다

2026년 9월 기준으로 주요 프로젝트의 위치를 정리하면 다음과 같습니다.

Kairos Power·Google·TVA — 첫 사업은 최대 50MW이며, 장기적으로 500MW 배치를 추진합니다. 현재 시험로 건설허가와 사업 개발이 진행 중이고 첫 전력 공급 목표는 2030년입니다.

X-energy·Amazon·Energy Northwest — Xe-100 4기로 320MW를 먼저 확보하고, 최대 12기 960MW까지 늘리는 구상입니다. 아직 설계·사업 개발 단계이며 가동 목표는 2030년대 초입니다.

NuScale US460 — 모듈당 77MW, 6기 약 462MW 구성입니다. 미국 NRC의 표준설계승인을 받았지만 구체적인 미국 상업운전 사업은 아직 확정되지 않았습니다.

한국 i-SMR — 모듈당 170MW, 4기 680MW를 기본 구성으로 삼고 있습니다. 2026년 2월 27일 표준설계인가를 신청했고, 8월 27일 원안위가 심사계획을 보고받아 본심사에 착수했습니다. 정부의 경수형 SMR 상용화 목표는 2035년입니다. 대한민국 정책브리핑, i-SMR 설계 개요

이 일정대로라면 2020년대 후반에 급증하는 데이터센터 전력 수요를 신규 SMR이 곧바로 감당하기는 어렵습니다. 당분간은 기존 발전소 활용, 원전의 계속운전과 재가동, 가스발전, 재생에너지, 에너지저장장치, 송전망 확충이 함께 움직여야 합니다.

SMR은 2030년대의 선택지에 가깝습니다

SMR은 24시간 전력 공급과 단계적 증설을 함께 노릴 수 있는 선택지입니다. 다만 지금 발표되는 계약이 실제 공급 능력으로 이어지는지는 따로 확인해야 합니다.

볼 것은 네 가지입니다. 첫 전력 공급 시점, 확보된 용량, 인허가 단계, 핵연료 공급 계획입니다. 이 정보가 빠진 발표라면 확정된 전력 계획보다 장기 선택지를 선점한 약속에 가깝습니다.

대형 원전은 규모의 경제로 비용을 낮추고, SMR은 같은 설계의 반복 생산으로 이를 대신하려 합니다. SMR의 경쟁력은 원자로의 크기보다 같은 설계를 실제 일정과 비용 안에서 얼마나 반복해 배치할 수 있느냐로 결정될 것입니다.

참고자료

HBM4는 왜 AI 반도체의 핵심이 됐나? GPU 시대 메모리 병목의 이유

ChipCurrent — Thu, 17 Sep 2026 01:16:23 +0900

요즘 AI 반도체 이야기를 하면 가장 먼저 떠오르는 기업은 NVIDIA입니다.

실제로 생성형 AI의 학습과 추론에서 GPU가 핵심적인 역할을 하고 있습니다. 하지만 GPU 성능만 계속 높인다고 AI 서버 전체가 그만큼 빨라지는 것은 아닙니다.

GPU가 아무리 빠르게 계산할 수 있어도 계산에 필요한 데이터를 제때 공급받지 못하면 결국 기다려야 하기 때문입니다.

바로 이 지점에서 중요해지는 것이 HBM(High Bandwidth Memory·고대역폭 메모리)입니다.

최근에는 HBM3E를 넘어 차세대 HBM4가 본격적으로 등장하면서 AI 반도체 시장에서 메모리의 중요성이 더욱 커지고 있습니다.

AI GPU의 성능이 높아질수록 데이터를 빠르게 공급하는 HBM의 역할도 중요해지고 있습니다.

GPU가 빠른데 왜 메모리가 중요할까요?

AI 모델은 계산 과정에서 엄청난 양의 데이터를 계속 불러옵니다.

모델의 가중치부터 입력 데이터, 중간 연산 결과, 추론 과정에서 사용하는 KV Cache까지 GPU와 메모리 사이에서 데이터가 끊임없이 이동합니다.

문제는 GPU의 연산 능력이 빠르게 올라가면서 발생합니다.

GPU가 아무리 빠르더라도 메모리에서 데이터를 가져오는 속도가 느리다면 GPU는 다음 계산을 위해 데이터를 기다려야 합니다.

쉽게 비유하면 이렇습니다.

GPU가 공장이라면 HBM은 공장으로 부품을 공급하는 물류 시스템입니다.

공장 생산설비를 아무리 빠르게 만들어도 부품을 실어 나르는 도로가 막혀 있으면 전체 생산량은 크게 늘어나지 않습니다.

AI 반도체에서도 비슷한 현상이 발생합니다.

그래서 최근에는 GPU 자체의 연산 성능뿐 아니라 메모리 대역폭, 즉 초당 얼마나 많은 데이터를 GPU로 전달할 수 있는지가 매우 중요해졌습니다.

GPU가 공장이라면 HBM은 필요한 데이터를 공급하는 물류 시스템에 가깝습니다.

HBM은 일반 메모리와 무엇이 다를까요?

일반적인 DRAM은 여러 개의 메모리 칩을 기판 위에 배치하는 방식입니다.

HBM은 구조 자체가 다릅니다.

여러 장의 DRAM을 위로 쌓고, 칩 내부를 관통하는 연결 구조를 이용해 서로 연결합니다.

대표적인 기술이 TSV(Through Silicon Via)입니다.

쉽게 말하면 여러 층으로 쌓여 있는 메모리 사이에 수직으로 데이터가 이동할 수 있는 통로를 만드는 것입니다.

이 방식의 장점은 명확합니다.

작은 공간에 많은 메모리를 배치할 수 있고, GPU와 데이터를 주고받는 통로도 크게 넓힐 수 있습니다.

일반적인 메모리가 여러 대의 자동차가 다니는 도로라면 HBM은 훨씬 많은 데이터를 동시에 이동시킬 수 있는 대형 고속도로에 가깝습니다.

HBM은 여러 장의 DRAM을 수직으로 적층해 높은 대역폭과 공간 효율을 확보합니다.

HBM3E와 HBM4는 무엇이 달라졌을까요?

HBM4에서 가장 눈에 띄는 변화 중 하나는 데이터 통로가 크게 넓어졌다는 점입니다.

HBM3E의 인터페이스는 1,024 I/O 구조였지만 HBM4에서는 2,048 I/O로 확대됐습니다.

쉽게 말하면 데이터를 주고받는 도로의 차선이 두 배로 늘어난 셈입니다.

구분HBM3EHBM4

인터페이스	1,024 I/O	2,048 I/O
데이터 대역폭	고대역폭	더욱 확대
주요 용도	현재 AI 가속기	차세대 AI 가속기
핵심 방향	속도·용량 확대	대역폭·전력효율·Logic 고도화

HBM4는 단순히 기존 메모리를 조금 빠르게 만든 제품이라고 보기 어렵습니다.

GPU와 메모리 사이에서 동시에 이동할 수 있는 데이터의 양 자체를 크게 늘리는 방향으로 발전하고 있습니다.

삼성전자, SK하이닉스, Micron 역시 HBM4 시장을 차세대 AI 반도체 경쟁의 핵심 영역으로 보고 투자를 확대하고 있습니다.

HBM4는 HBM3E보다 데이터 인터페이스가 크게 넓어지면서 더 많은 데이터를 동시에 전달할 수 있습니다.

NVIDIA Rubin을 보면 HBM4가 왜 필요한지 알 수 있습니다

HBM4의 중요성을 보여주는 대표적인 사례가 NVIDIA의 차세대 AI GPU인 Rubin입니다.

NVIDIA가 공개한 Rubin GPU는 최대 288GB의 HBM4를 사용하고, 메모리 대역폭은 GPU 한 개당 최대 22TB/s 수준입니다.

숫자만 보면 어느 정도인지 체감하기 어렵습니다.

하지만 중요한 것은 방향입니다.

AI GPU의 연산 성능이 빠르게 높아지면서 GPU에 데이터를 공급하는 메모리 역시 그에 맞춰 훨씬 빨라져야 한다는 것입니다.

특히 최근 AI에서는 긴 Context를 처리하거나 동시에 많은 사용자의 요청을 처리해야 하는 경우가 늘고 있습니다.

이 과정에서는 모델 데이터를 빠르게 읽어오는 능력이 중요합니다.

GPU의 계산 능력은 충분하지만 메모리가 이를 따라가지 못하면 결국 전체 시스템 성능이 제한될 수 있습니다.

그래서 차세대 AI 시스템에서는

GPU + HBM + 고속 네트워크 + 첨단 패키징

을 하나의 시스템처럼 설계하는 방향으로 발전하고 있습니다.

차세대 AI GPU에서는 연산 성능만큼 HBM의 용량과 데이터 대역폭도 중요한 요소가 되고 있습니다.

HBM4에서 Base Die가 중요한 이유

HBM4에서 또 하나 주목할 부분이 있습니다.

바로 Base Die입니다.

HBM은 여러 장의 DRAM을 위로 쌓은 구조인데, 가장 아래쪽에는 이 메모리들을 연결하고 신호를 전달하는 Base Die가 위치합니다.

HBM4 세대에서는 이 Base Die의 역할이 더욱 커지고 있습니다.

단순히 메모리를 연결하는 역할을 넘어 보다 복잡한 Logic 기능이 들어가기 시작했기 때문입니다.

이 때문에 앞으로 HBM 경쟁은 단순한 DRAM 제조 기술만으로 결정되기 어렵습니다.

DRAM 공정뿐 아니라

Logic 공정, TSV, Bonding, 패키징, 전력 효율, 발열 관리

등 여러 기술이 동시에 중요해지고 있습니다.

결국 HBM은 단순한 메모리 부품이라기보다 하나의 고성능 반도체 시스템에 가까워지고 있습니다.

삼성전자·SK하이닉스·Micron이 HBM에 집중하는 이유

현재 HBM 시장에서는 삼성전자, SK하이닉스, Micron이 치열하게 경쟁하고 있습니다.

하지만 HBM 경쟁을 단순히 “누가 가장 빠른 제품을 만들었는가”라는 기준으로만 보는 것은 부족합니다.

실제 AI 서버 업체들이 중요하게 보는 요소는 훨씬 많습니다.

대표적으로

수율, 성능, 전력 효율, 발열, 고객 인증, 공급량, 패키징 능력

등이 있습니다.

AI 가속기는 매우 비싼 시스템입니다.

GPU 하나만 잘 만들어서는 서버를 구축할 수 없습니다.

HBM 공급이 부족하거나 수율이 낮다면 비싼 GPU를 확보해도 시스템 전체 생산량이 제한될 수 있습니다.

그래서 최근 HBM은 단순한 메모리 제품을 넘어 AI 인프라 공급망의 핵심 부품으로 평가받고 있습니다.

AI 반도체를 볼 때 GPU만 보면 안 되는 이유

AI 데이터센터 안에는 GPU만 존재하지 않습니다.

GPU 옆에는 HBM이 있고, 그 주변에는 CPU, 네트워크 장비, SSD, 전력 장비, 냉각 시스템 등이 함께 움직입니다.

이 모든 부품이 균형 있게 발전해야 AI 서버의 실제 성능이 올라갈 수 있습니다.

특히 GPU의 계산 능력이 빠르게 증가할수록 오히려 GPU 주변의 다른 부품이 새로운 병목이 될 가능성도 커집니다.

HBM이 주목받는 이유도 여기에 있습니다.

과거에는 AI 반도체를 볼 때

“어떤 GPU가 가장 빠른가?”

라는 질문이 중요했다면, 앞으로는 여기에 질문 하나가 더 추가됩니다.

“그 GPU에 데이터를 얼마나 빠르게 공급할 수 있는가?”

HBM4는 바로 이 문제를 해결하기 위해 등장한 기술이라고 볼 수 있습니다.

결국 중요한 것은 계산 속도와 데이터 이동의 균형입니다

AI 모델의 크기가 계속 커진다고 해서 GPU의 계산 능력만 무한정 높일 수는 없습니다.

GPU가 처리해야 하는 데이터가 많아질수록 메모리의 용량과 대역폭 역시 함께 증가해야 합니다.

그래서 앞으로 AI 반도체의 경쟁력은 단순히 GPU의 연산 속도 하나만으로 결정되기보다는

GPU 연산 성능 + HBM 대역폭 + 전력 효율 + 첨단 패키징

이 얼마나 균형 있게 결합되느냐가 중요해질 가능성이 높습니다.

NVIDIA의 차세대 GPU가 HBM4를 채택하고, 삼성전자와 SK하이닉스, Micron이 HBM 경쟁에 막대한 투자를 하는 것도 같은 이유입니다.

AI 시대에 HBM이 계속 언급되는 이유는 의외로 단순합니다.

GPU가 아무리 빨라도 필요한 데이터를 제때 가져오지 못하면 계산할 수 없기 때문입니다.

함께 보면 좋은 글

AI GPU와 HBM의 성능이 높아질수록 데이터센터에서 사용하는 전력 역시 중요한 문제가 됩니다.

AI 데이터센터는 전기를 얼마나 쓸까? GPU 시대 전력 수요가 폭증하는 이유

https://chipcurrent.tistory.com/1

AI 데이터센터는 전기를 얼마나 쓸까? GPU 시대 전력 수요가 폭증하는 이유

ChatGPT를 비롯한 생성형 AI가 빠르게 확산되면서 NVIDIA GPU와 HBM 같은 AI 반도체에 대한 관심이 크게 높아지고 있습니다.하지만 AI 산업이 성장하면서 함께 중요해지고 있는 것이 하나 더 있습니다.

chipcurrent.tistory.com

늘어나는 AI 데이터센터의 전력을 안정적으로 확보하기 위해 빅테크 기업들이 원자력과 SMR에 관심을 가지는 이유도 이전 글에서 다뤘습니다.

AI 데이터센터 시대, 왜 빅테크는 원자력을 선택하나 — 전력 확보 전쟁과 SMR의 현실

https://chipcurrent.tistory.com/2

AI 데이터센터 시대, 왜 빅테크는 원자력을 선택하나 — 전력 확보 전쟁과 SMR의 현실

AI 데이터센터 시대, 왜 빅테크는 원자력을 선택하나 — 전력 확보 전쟁과 SMR의 현실 이 글 한눈에 보기국제에너지기구(IEA)는 전 세계 데이터센터의 전력 소비가 2025년 약 485TWh에서 2030년 약 950TWh

chipcurrent.tistory.com

AI 데이터센터 시대, 왜 빅테크는 원자력을 선택하나 — 전력 확보 전쟁과 SMR의 현실

ChipCurrent — Tue, 15 Sep 2026 00:20:02 +0900

AI 데이터센터 시대, 왜 빅테크는 원자력을 선택하나 — 전력 확보 전쟁과 SMR의 현실

이 글 한눈에 보기

국제에너지기구(IEA)는 전 세계 데이터센터의 전력 소비가 2025년 약 485TWh에서 2030년 약 950TWh로 거의 두 배 늘어날 것으로 전망합니다. AI 중심 데이터센터의 전력 소비는 같은 기간 약 세 배 증가할 전망입니다.

AI 데이터센터가 실제로 왜 이렇게 많은 전력을 사용하는지는 이전 글에서 자세히 설명했습니다.

https://chipcurrent.tistory.com/1

AI 데이터센터는 전기를 얼마나 쓸까? GPU 시대 전력 수요가 폭증하는 이유

chipcurrent.tistory.com

이 전력 병목에 대응하기 위해 Microsoft는 폐쇄 원전 재가동을 뒷받침하는 장기 전력계약을 체결했고, Google과 Amazon은 차세대 원자로·SMR에 장기 베팅하고 있습니다. 다만 SMR은 연료 공급망, 인허가, 초기 프로젝트 비용 등의 과제를 안고 있어 당장 모든 AI 전력 문제를 해결하는 만능 해법은 아닙니다.

ChatGPT를 비롯한 생성형 AI가 빠르게 확산되면서 NVIDIA GPU, HBM, 첨단 패키징, 데이터센터에 막대한 투자가 이어지고 있습니다.

하지만 AI 산업이 커질수록 점점 더 중요해지는 문제가 하나 있습니다. 바로 전력입니다.

IEA의 2026년 업데이트에 따르면 전 세계 데이터센터 전력 소비는 2025년 485TWh에서 2030년 950TWh로 거의 두 배 증가할 전망입니다. 특히 AI에 특화된 데이터센터의 소비전력은 같은 기간 세 배로 늘어날 것으로 예상됩니다.

AI 경쟁은 이제 “누가 더 많은 GPU를 확보하느냐”에서 “누가 GPU를 계속 돌릴 전력을 확보하느냐”로 확장되고 있습니다.

AI 데이터센터는 왜 원자력에 관심을 가질까?

대규모 AI 서비스를 운영하는 데이터센터는 하루 몇 시간만 가동하는 시설이 아닙니다. 연중무휴로 안정적인 컴퓨팅 서비스를 제공해야 하기 때문에 대규모 전력을 지속적으로 공급받아야 합니다.

태양광과 풍력은 중요한 저탄소 전력원이지만 시간과 기상조건에 따라 발전량이 변합니다. 반면 원자력은 높은 이용률로 대규모 전력을 장시간 공급할 수 있습니다.

따라서 AI 데이터센터가 원하는 것은 단순히 “많은 전기”가 아니라 “대규모로, 안정적으로, 장기간 확보할 수 있는 전기”에 가깝습니다.

진짜 병목은 발전소만이 아니라 전력망이다

국가 전체 발전량이 충분하더라도 데이터센터를 원하는 위치에 바로 지을 수 있는 것은 아닙니다.

전기는 발전소에서 생산된 뒤 송전선 → 변전소 → 배전설비 → 데이터센터를 거쳐야 합니다. 특정 지역에 수백MW급 또는 그 이상의 신규 수요가 몰리면 발전량과 별개로 송전·변전 용량이 병목이 될 수 있습니다.

IEA는 현재 계획된 전 세계 데이터센터 용량 가운데 약 20%가 2030년까지 전력망 연결 제약 때문에 지연될 위험이 있다고 분석했습니다.

GPU와 서버는 비교적 빠르게 조달할 수 있지만, 발전소와 송전망은 계획·인허가·건설에 훨씬 긴 시간이 필요합니다. 결국 AI 산업의 확장 속도와 전력 인프라의 건설 속도가 서로 다르다는 점이 핵심 문제입니다.

빅테크 3사, 서로 다른 원자력 카드를 꺼내다

Microsoft — 폐쇄된 원전을 다시 살리는 전략

Microsoft와 미국 전력회사 Constellation은 2024년 20년 전력구매계약(PPA)을 체결했습니다. 이 계약은 과거 경제성 문제로 폐쇄된 Three Mile Island Unit 1을 Crane Clean Energy Center라는 이름으로 재가동하는 프로젝트의 핵심 기반이 됐습니다.

발전용량은 약 835MW입니다. Constellation은 현재 NRC 승인 등 필요한 절차를 전제로 2027년 재가동을 목표로 하고 있습니다.

1979년 사고가 발생했던 원자로는 Unit 2입니다. 이번에 재가동을 추진하는 Unit 1은 별개의 원자로이며 2019년 경제성 문제로 운전을 종료했습니다.

Microsoft 전략의 핵심은 새로운 원전을 처음부터 짓는 대신 이미 존재하는 대규모 원전 자산을 다시 활용해 비교적 빠르게 전력을 확보하는 것입니다.

Google — 차세대 원자로를 2030년대 전력원으로 준비

Google은 Kairos Power와 장기 협력하고 있습니다. 2025년에는 Kairos Power와 Tennessee Valley Authority(TVA)가 전력구매계약을 체결해, Oak Ridge의 Hermes 2가 최대 50MW의 전력을 TVA 전력망에 공급하도록 했습니다.

운전 목표는 2030년입니다. Google과 Kairos Power의 전체 협력은 여러 차세대 원자로 배치를 통해 2035년까지 최대 500MW의 신규 원자력 용량을 확보하는 것을 목표로 합니다.

Hermes 2는 NRC의 건설허가를 받았고, 2026년에는 실제 착공 단계에 들어갔습니다.

Amazon — X-energy와 대규모 SMR 배치에 베팅

Amazon은 X-energy에 5억 달러를 투자했고, 양사는 2039년까지 미국에서 5GW 이상의 신규 원자력 프로젝트를 지원한다는 목표를 제시했습니다.

워싱턴주에서는 Energy Northwest와 함께 X-energy의 Xe-100을 활용하는 프로젝트를 추진합니다. 초기 계획은 4개 모듈, 총 320MW이며 향후 최대 960MW까지 확장할 수 있도록 구상돼 있습니다.

다만 이 프로젝트들은 초기 2030년대 가동을 목표로 하는 장기 프로젝트입니다. Amazon도 기존 원전 활용과 차세대 원자로 투자를 동시에 추진하고 있습니다.

SMR은 정확히 무엇인가?

SMR은 Small Modular Reactor, 소형모듈원자로의 약자입니다.

핵심은 단순히 “작은 원전”이라는 데 있지 않습니다. 원자로와 주요 설비를 표준화·모듈화해 제작하고, 필요한 발전 규모에 따라 여러 모듈을 배치하는 방식을 지향합니다.

기존 대형 원전이 하나의 대형 설비로 대규모 전력을 공급한다면, SMR은 상대적으로 작은 원자로 모듈을 조합해 수요와 투자 규모에 맞추는 방식을 목표로 합니다.

구분기존 대형 원전SMR

발전 규모	매우 큼	모듈당 상대적으로 작음
건설 방식	대규모 현장 건설 중심	표준화·모듈 제작 확대 지향
상용 운전 경험	매우 많음	아직 초기
확장성	낮은 편	모듈 추가 방식으로 확장 가능
현재 현실성	높음	기술별로 상용화 단계가 다름
장기 잠재력	높음	높지만 경제성 검증 필요

데이터센터와 SMR의 궁합이 좋다고 평가받는 이유는 확장성, 상대적으로 작은 단위의 발전설비, 그리고 24시간 전력을 공급할 수 있다는 특성 때문입니다.

하지만 이론적 장점과 실제 상업성이 동일한 것은 아닙니다.

그렇다면 SMR이 지금 당장 AI 전력 문제를 해결할 수 있을까?

현재 기준으로는 그렇지 않습니다. 크게 세 가지 이유가 있습니다.

첫째, 시간

IEA는 첫 SMR들이 대체로 2030년 전후부터 전력시장에 등장할 것으로 전망합니다. 반면 AI 데이터센터의 전력 수요 증가는 이미 진행 중입니다.

따라서 2020년대 후반의 급격한 수요 증가를 차세대 SMR만으로 해결하는 것은 현실적이지 않습니다.

둘째, 핵연료 공급망

미국 에너지부에 따르면 많은 차세대 원자로 설계는 HALEU(High-Assay Low-Enriched Uranium)를 필요로 합니다.

하지만 미국 내 상업적 HALEU 공급은 아직 충분하지 않습니다. DOE는 공급 공백이 차세대 원자로 배치를 지연시킬 수 있다고 명시하고 있습니다.

셋째, 비용과 반복 건설 경험

SMR 경제성의 핵심 논리는 동일 설계를 반복 생산하고 모듈화를 통해 비용을 낮추는 데 있습니다.

하지만 첫 번째 프로젝트에는 설계 검증, 인허가, 공급망 구축, 초기 생산설비 등의 비용이 들어갑니다. 따라서 SMR의 경제성이 실제로 얼마나 좋아질지는 상업 프로젝트가 반복 건설되면서 축적되는 실제 비용 데이터로 확인해야 합니다.

SMR은 “완성된 해결책”이라기보다, 빅테크와 에너지 업계가 2030년대를 보고 선점하려는 전력 옵션에 가깝습니다.

그런데도 빅테크는 왜 지금부터 투자할까?

Google과 Amazon이 차세대 원자로에 투자하는 이유는 내년에 전기를 받기 위해서가 아닙니다.

데이터센터는 매우 빠르게 늘어나지만 발전소와 전력망은 개발에 긴 시간이 필요합니다. 2030년대에 전력이 필요해진 뒤 발전소를 준비하기 시작하면 이미 늦을 수 있습니다.

결국 AI 기업들은 GPU뿐 아니라 미래의 전력 공급 능력까지 미리 확보하려는 것입니다.

당장은 기존 원전 활용이 더 빠른 카드다

단기적으로는 새로운 SMR보다 기존 원전의 계속운전, 출력 증강, 폐쇄 원전 재가동이 더 빠르게 대규모 전력을 확보할 수 있는 경우가 있습니다.

Crane Clean Energy Center가 대표적인 사례입니다. Constellation은 기존 원전의 수명 연장과 출력 증강에도 투자를 확대하고 있습니다.

즉 AI 전력시장에서는 신규 원전만 볼 것이 아니라 기존 원전의 가치 재평가도 함께 봐야 합니다.

재생에너지 대 원자력이 아니라 ‘조합’의 문제다

IEA 전망에서 2030년까지 늘어나는 데이터센터 전력 수요를 충당하는 가장 큰 신규 전력원 중 하나는 여전히 재생에너지입니다. 천연가스도 중요한 역할을 맡고, 원자력은 특히 2030년 이후 역할이 커질 가능성이 있습니다.

현실적인 AI 전력 시스템은 어느 하나의 발전원이 모든 문제를 해결하기보다 원자력 + 재생에너지 + 천연가스 + ESS + 송전망을 조합하는 형태에 가까울 가능성이 높습니다.

한국은 어떻게 움직이고 있을까?

한국도 SMR 상용화를 구체적인 일정으로 옮기고 있습니다.

정부는 2035년 경수형 SMR 상용화를 목표로 하고 있으며, 한국수력원자력은 국내 첫 상용 SMR 후보부지로 부산 기장군을 선정했습니다.

한국형 i-SMR 설계는 모듈당 170MWe, 4개 모듈 기준 총 680MWe 규모입니다. 혁신형SMR기술개발사업단·한국수력원자력·한국원자력연구원은 2026년 2월 표준설계인가를 신청했고, 원자력안전위원회는 2026년 8월 심사계획을 보고받았습니다.

정부는 비경수형 SMR에 대해서도 2030년대 건설 착수를 목표로 기술개발과 사업화를 추진하고 있습니다.

핵융합 분야도 일정이 구체화됐습니다. 정부의 2026년 ‘7대 SEED’ 계획은 2035년까지 100MW급 실증을 위한 한국형 혁신 핵융합로 건설, 2030년대 말 전력 생산, 2040년대 상용 전력공급을 목표로 제시하고 있습니다.

팩트체크 포인트
기존 초안에 있던 “핵융합 실증로 목표가 2050년 이후에서 2035년으로 당겨졌다” 또는 “2039년 전력 생산이 확정됐다”는 표현은 공식 자료와 정확히 일치하지 않아 제외했습니다. 현재 공식 표현은 ‘2035년 한국형 혁신 핵융합로 건설’과 ‘2030년대 말 전력 생산 목표’에 가깝습니다.

국내 공급망에서 주목할 기업 — 두산에너빌리티

국내 원전·SMR 공급망에서 두산에너빌리티는 눈여겨볼 기업입니다.

두산에너빌리티는 NuScale Power에 2019년과 2021년 지분투자를 진행하며 전략적 협력관계를 구축했고, NuScale SMR의 주요 기자재 공급 파트너로 참여하고 있습니다.

여기에 X-energy와도 협력을 확대하고 있습니다. 2025년 12월에는 X-energy의 Xe-100 원자로 16대에 들어갈 핵심 단조 소재 예약계약을 체결했습니다. 2026년 8월에는 미국 TerraPower와도 SMR 핵심 기자재 제작 계약을 체결했습니다.

가스터빈 분야에서도 AI 데이터센터 전력 수요와 연결되는 움직임이 확인됩니다. 두산에너빌리티는 2025년 미국 ‘빅테크 기업’과 380MW급 가스터빈 공급계약을 체결했고, 2026년에도 미국 데이터센터용 가스터빈 수주를 확대했습니다.

다만 회사 공식 발표에서는 해당 빅테크의 이름을 공개하지 않았습니다. 따라서 이를 xAI라고 단정하는 표현은 제외하는 것이 정확합니다.

수주 숫자도 구분할 필요가 있습니다. 두산에너빌리티 에너빌리티 부문은 2025년 약 14.7조원의 역대 최대 수주를 달성했고, 회사가 제시한 2026년 수주 계획은 약 13.3조원입니다. 따라서 “2026년 수주 목표 10조원을 넘어 14조원이 가시권”이라는 표현은 시점이 섞인 내용이라 수정했습니다.

또한 ‘2026년 영업이익 2조원 시대’는 회사의 공식 2026년 가이던스가 아니므로 본문에서 제외하는 것이 안전합니다.

핵심은 숫자 하나가 아니라, 두산에너빌리티가 대형 원전 + SMR 주요 기자재 + 가스터빈 세 영역에 동시에 노출돼 있다는 점입니다. AI 데이터센터의 전력투자가 원전과 가스발전을 동시에 자극한다면 이 공급망 포지션은 분명 주목할 만합니다.

AI 경쟁은 결국 에너지 경쟁으로 확장된다

AI 산업의 가치사슬을 다시 보면 연결이 분명해집니다.

AI 서비스 → GPU → HBM·첨단 패키징 → AI 서버 → 데이터센터 → 냉각 → 전력망 → 발전소

초기 AI 투자자들은 NVIDIA GPU에 집중했습니다. 이후 HBM과 TSMC의 첨단 패키징 생산능력이 새로운 병목으로 떠올랐습니다.

이제 그다음 병목으로 전력과 전력망이 등장하고 있습니다.

충분한 GPU를 확보했더라도 이를 가동할 데이터센터와 전력이 부족하면 AI 컴퓨팅 능력을 실제 서비스로 연결할 수 없습니다.

그래서 앞으로 AI 산업을 분석할 때는 반도체 기업뿐 아니라 원전, SMR, 천연가스 발전, 전력망, 변압기, 스위치기어, 냉각장비 같은 인프라 산업도 함께 살펴볼 필요가 있습니다.

결론 — 원자력은 해결책 중 하나이지, 유일한 답은 아니다

기존 대형 원전은 이미 검증된 기술이고 대규모 전력을 안정적으로 공급할 수 있어 AI 데이터센터 수요와 잘 맞습니다.

SMR은 확장성과 모듈화 측면에서 잠재력이 크지만 아직 상용화 초기 단계이며, 연료 공급망·인허가·첫 프로젝트 비용을 넘어야 합니다.

시간대를 나눠보면 다음과 같이 정리할 수 있습니다.

시기현실적인 AI 전력 공급 옵션

단기 — 2020년대 후반	기존 원전, 원전 수명연장·재가동, 천연가스, 재생에너지, ESS, 전력망 증설
중기 — 2030년대 초	신규 원전 프로젝트 확대 + 첫 차세대 원자로·SMR 상용 프로젝트
장기 — 2030년대 이후	SMR·차세대 원전 + 재생에너지 + 저장장치 + 강화된 전력망의 조합

AI 산업이 성장할수록 전력은 단순한 비용 항목이 아니라 AI 인프라의 핵심 경쟁자원이 되고 있습니다.

Microsoft, Google, Amazon의 움직임은 이를 잘 보여줍니다. 각 기업이 선택한 기술은 다르지만 공통점은 하나입니다.

AI 기업들은 이제 GPU뿐 아니라 앞으로 필요한 전력까지 선점하려 하고 있습니다.

따라서 앞으로 더 중요한 질문은 “원전이 AI를 살릴 것인가?”보다 “누가 가장 빠르고 안정적으로 AI에 필요한 전력을 확보할 것인가?”일지도 모릅니다.

다음 글에서는 여기서 한 단계 더 들어가 SMR이 기존 원전과 정확히 무엇이 다른지, 그리고 X-energy·Kairos Power·NuScale 같은 차세대 원자로 기업들이 어떤 기술과 사업모델을 가지고 경쟁하고 있는지 살펴보겠습니다.

참고자료

ChipCurrent
반도체·AI·데이터센터·에너지 산업을 쉽고 깊게 분석합니다.

AI 데이터센터는 전기를 얼마나 쓸까? GPU 시대 전력 수요가 폭증하는 이유

ChipCurrent — Mon, 14 Sep 2026 20:22:00 +0900

ChatGPT를 비롯한 생성형 AI가 빠르게 확산되면서 NVIDIA GPU와 HBM 같은 AI 반도체에 대한 관심이 크게 높아지고 있습니다.

하지만 AI 산업이 성장하면서 함께 중요해지고 있는 것이 하나 더 있습니다.

바로 전력입니다.

AI 모델을 학습하고 서비스하려면 수많은 GPU가 필요합니다. 대형 AI 데이터센터에는 수천 개에서 수만 개 규모의 AI 가속기가 설치될 수 있으며, 이를 운영하기 위해서는 GPU뿐 아니라 CPU, HBM, 네트워크 장비, 저장장치, 냉각 시스템, UPS와 전력변환 설비까지 모두 전력을 사용합니다.

따라서 AI 시대를 이해하려면 반도체만 봐서는 부족합니다.

AI → 반도체 → 데이터센터 → 전력

이 연결 구조를 함께 볼 필요가 있습니다.

AI 데이터센터는 왜 전기를 많이 사용할까?

가장 큰 이유는 역시 GPU입니다.

생성형 AI의 학습과 추론 과정에서는 엄청난 양의 연산을 동시에 처리해야 합니다.

이를 위해 데이터센터에서는 수많은 GPU를 서로 연결해 병렬로 작동시킵니다.

문제는 GPU가 늘어날수록 GPU의 전력 소비만 증가하는 것이 아니라는 점입니다.

GPU가 연산에 필요한 데이터를 빠르게 주고받기 위해 사용하는 HBM(High Bandwidth Memory), CPU, 네트워크 장비, 스토리지 역시 함께 증가합니다.

AI 서버에서 발생하는 열을 제거하기 위한 냉각 시스템도 필요합니다.

결국 AI 데이터센터의 전력 소비는 크게 다음과 같이 구성됩니다.

GPU·CPU 등 서버 장비
HBM 및 메모리
고속 네트워크 장비
저장장치
냉각 시스템
UPS 및 전력변환 설비
조명·보안 등 기타 시설

따라서 GPU 한 개의 소비전력에 GPU 숫자를 단순히 곱하는 것만으로는 데이터센터 전체의 전력 소비량을 알 수 없습니다.

GPU는 시작일 뿐입니다.

AI 데이터센터에서는 GPU만큼 네트워크도 중요하다

AI 데이터센터와 일반적인 데이터센터의 중요한 차이 중 하나는 GPU끼리 데이터를 얼마나 빠르게 주고받을 수 있느냐입니다.

대규모 AI 모델을 학습할 때 하나의 GPU만 사용하는 것이 아니라 수백 개, 수천 개 이상의 GPU가 동시에 계산을 처리합니다.

이 과정에서 GPU 사이에 막대한 양의 데이터가 이동합니다.

따라서 고속 네트워크 스위치와 광통신 장비, 인터커넥트 기술도 필요합니다.

AI 컴퓨팅 규모가 커질수록 단순히 GPU를 많이 확보하는 것만으로는 충분하지 않습니다.

GPU와 GPU를 연결하는 네트워크, 메모리 대역폭, 서버 구조 전체가 함께 발전해야 합니다.

이 때문에 AI 데이터센터 투자가 확대되면 GPU뿐 아니라 HBM, 네트워크 장비, 광통신, 전력장비 산업에도 영향을 줄 수 있습니다.

같은 GPU를 사용해도 데이터센터마다 전력 효율은 다르다

AI 데이터센터의 전력 소비를 이야기할 때 자주 등장하는 지표가 있습니다.

바로 PUE(Power Usage Effectiveness)입니다.

PUE는 데이터센터의 전력 효율을 나타내는 대표적인 지표입니다.

계산 방법은 다음과 같습니다.

PUE = 데이터센터 전체 에너지 사용량 ÷ IT 장비 에너지 사용량

예를 들어 GPU와 서버 등 IT 장비가 100만큼의 에너지를 사용하고 데이터센터 전체 시설이 120만큼을 사용한다면 PUE는 1.2입니다.

이론적으로 PUE가 1에 가까워질수록 IT 장비 이외의 냉각이나 전력변환 과정에서 사용하는 에너지가 적다는 의미입니다.

즉 동일한 GPU를 사용하더라도 냉각 시스템, 전력변환 효율, 건물 설계 등에 따라 실제 데이터센터 전체 전력 사용량은 달라질 수 있습니다.

앞으로 AI 데이터센터의 경쟁력은 단순히 GPU를 얼마나 많이 확보했느냐만으로 결정되지 않을 가능성이 높습니다.

같은 전력을 사용하면서 얼마나 많은 AI 연산을 처리할 수 있는가가 더욱 중요해질 수 있습니다.

냉각 기술이 중요한 이유

GPU가 고성능화될수록 해결해야 할 또 하나의 문제가 있습니다.

바로 열입니다.

고성능 AI 서버가 대규모로 작동하면 엄청난 열이 발생합니다.

열을 제대로 제거하지 못하면 GPU 성능을 유지하기 어렵고 장비의 안정성에도 영향을 줄 수 있습니다.

과거 데이터센터에서는 차가운 공기를 이용해 서버를 식히는 공랭 방식이 널리 사용됐습니다.

하지만 AI 서버의 전력 밀도가 높아지면서 액체냉각(Liquid Cooling)에 대한 관심도 커지고 있습니다.

액체를 이용하면 고밀도 서버에서 발생하는 열을 보다 효과적으로 제거할 수 있기 때문입니다.

따라서 AI 데이터센터의 확대는 GPU 기업에만 기회가 되는 것이 아닙니다.

냉각장비와 열관리 시스템을 비롯해 UPS, 변압기, 전력반도체, 케이블, 전력관리 시스템 등 다양한 인프라 산업에도 새로운 수요를 만들 수 있습니다.

AI 때문에 실제 전력 수요가 증가하고 있을까?

이미 변화가 나타나고 있습니다.

미국 에너지정보청(EIA)은 2026년 9월 발표한 단기 에너지 전망에서 미국의 전력 판매량이 2026년 약 4조 1,350억 kWh, 2027년 약 4조 2,110억 kWh에 이를 것으로 전망했습니다.

2026년에 이어 2027년에도 기록적인 수준입니다.

EIA는 이러한 전력 수요 증가의 주요 배경 가운데 하나로 데이터센터 개발과 제조업 활동 증가를 지목하고 있습니다.

즉 AI 데이터센터 확대가 단순한 IT 업계의 이야기를 넘어 국가 전체의 전력수요에도 영향을 주기 시작한 것입니다.

한국도 AI·반도체 때문에 막대한 전력이 필요하다

한국도 상황은 비슷합니다.

2026년 9월 한국 정부는 반도체 클러스터와 AI 데이터센터 확대 등에 따라 향후 25~30GW 규모의 추가적인 전력 수요가 발생할 수 있다고 전망했습니다.

25~30GW는 결코 작은 규모가 아닙니다.

AI 산업을 확대하려면 데이터센터만 건설하면 되는 것이 아니라 그 데이터센터와 반도체 공장에 전력을 공급할 발전설비와 송전망도 함께 확충해야 한다는 의미입니다.

특히 한국은 삼성전자와 SK하이닉스를 중심으로 대규모 반도체 생산시설 투자가 진행되고 있습니다.

여기에 AI 데이터센터까지 빠르게 늘어나면 반도체 산업과 데이터센터 산업이 동시에 대규모 전력을 요구하게 됩니다.

이 때문에 앞으로 한국의 AI·반도체 경쟁력에서도 안정적인 전력 공급 능력이 중요한 요소가 될 가능성이 높습니다.

데이터센터를 어디에 짓느냐도 달라진다

과거 데이터센터의 입지를 결정할 때는 통신망, 토지 가격, 고객과의 거리 등이 중요한 요소였습니다.

하지만 AI 데이터센터의 규모가 커지면서 이제는 하나의 조건이 더욱 중요해지고 있습니다.

대규모 전력을 실제로 공급받을 수 있는가입니다.

전력 생산량이 충분하더라도 필요한 지역까지 전기를 전달할 송전망이나 변전소 용량이 부족하면 문제가 발생할 수 있습니다.

발전소에서 전기를 생산했다고 해서 곧바로 데이터센터에서 사용할 수 있는 것은 아닙니다.

발전

↓

송전망

↓

변전소

↓

배전설비

↓

데이터센터

의 과정을 거쳐야 합니다.

따라서 AI 시대의 전력 문제는 단순히 발전소를 얼마나 많이 가지고 있는가의 문제가 아닙니다.

전력망 전체의 문제입니다.

발전소보다 송전망이 먼저 병목이 될 수도 있다

AI 데이터센터가 빠르게 증가하면서 앞으로 주목해야 할 부분은 발전량뿐만이 아닙니다.

송전망과 변전설비입니다.

대형 데이터센터가 들어오면 특정 지역에 갑자기 매우 큰 전력 수요가 발생할 수 있습니다.

하지만 송전선로와 변전소는 단기간에 쉽게 확장할 수 있는 시설이 아닙니다.

대규모 전력 인프라 건설에는 막대한 비용과 시간이 필요합니다.

따라서 충분한 발전설비를 가지고 있는 국가라도 데이터센터가 필요한 위치에 적절한 전력을 공급하지 못한다면 AI 인프라 확대에 제약이 생길 수 있습니다.

AI 시대에는 발전소뿐 아니라 변압기, 송전선, 변전소, 스위치기어, UPS와 같은 전력 장비에도 관심이 커질 수밖에 없는 이유입니다.

그래서 원자력이 다시 주목받고 있다

AI 데이터센터는 기본적으로 24시간 운영되는 시설입니다.

AI 서비스가 밤이라고 멈추는 것이 아니기 때문에 안정적인 전력 공급이 중요합니다.

이 때문에 AI 데이터센터와 관련해 원자력, 천연가스, 재생에너지, 에너지저장장치(ESS) 등 다양한 전력원이 함께 논의되고 있습니다.

그 가운데 원자력이 다시 주목받는 이유 중 하나는 대규모 전력을 비교적 안정적으로 지속 공급할 수 있기 때문입니다.

특히 데이터센터와 반도체 공장처럼 장시간 안정적인 전력 공급이 중요한 시설에서는 이러한 특성이 중요하게 평가될 수 있습니다.

다만 원자력만으로 모든 문제가 해결되는 것은 아닙니다.

신규 발전소를 건설하려면 막대한 투자비와 긴 건설기간이 필요하고, 안전성과 지역 수용성 등의 문제도 고려해야 합니다.

재생에너지는 탄소 배출 측면에서 장점이 있지만 발전량의 변동성을 보완하기 위한 전력망과 저장장치가 필요할 수 있습니다.

천연가스는 상대적으로 유연하게 발전량을 조정할 수 있지만 연료가격과 탄소배출 문제가 존재합니다.

결국 AI 시대의 전력 공급은 특정 발전원 하나가 모든 것을 해결하기보다는 원자력·가스·재생에너지·ESS·전력망을 어떻게 조합하느냐의 문제가 될 가능성이 높습니다.

이 때문에 AI 데이터센터와 관련해 원자력, 천연가스, 재생에너지, 에너지저장장치(ESS) 등 다양한 전력원이 함께 논의되고 있습니다.
AI 데이터센터와 원자력이 왜 함께 주목받는지는 다음 글에서 더 자세히 다뤘습니다.

https://chipcurrent.tistory.com/2

AI 데이터센터 시대, 왜 빅테크는 원자력을 선택하나 — 전력 확보 전쟁과 SMR의 현실

chipcurrent.tistory.com

AI 경쟁은 결국 인프라 경쟁으로 확대되고 있다

AI 경쟁의 초반에는 좋은 AI 모델을 누가 만드는지가 가장 큰 관심사였습니다.

이후에는 NVIDIA GPU와 HBM 같은 고성능 반도체를 누가 더 많이 확보하느냐가 중요한 문제가 됐습니다.

하지만 AI 서비스 규모가 계속 커지면서 경쟁의 범위도 점점 넓어지고 있습니다.

AI 모델

↓

GPU

↓

HBM과 첨단 반도체

↓

고속 네트워크

↓

AI 서버

↓

데이터센터

↓

냉각 시스템

↓

송전망과 변전소

↓

발전소

AI 산업은 이제 이 모든 요소가 연결된 거대한 인프라 산업으로 발전하고 있습니다.

이 가운데 하나라도 부족하면 AI 인프라 전체의 확장 속도가 느려질 수 있습니다.

반도체와 전력은 이제 함께 봐야 한다

AI 사용량이 증가하면 더 많은 연산 능력이 필요합니다.

더 많은 연산 능력을 확보하려면 더 많은 GPU가 필요합니다.

GPU를 제대로 활용하려면 HBM과 첨단 패키징, 고속 네트워크가 필요합니다.

이 장비들을 운영하려면 더 큰 데이터센터가 필요합니다.

그리고 데이터센터를 운영하기 위해서는 결국 막대한 전력이 필요합니다.

즉 AI 산업의 구조는 다음과 같이 이어집니다.

AI 서비스 → GPU → HBM·첨단 반도체 → 데이터센터 → 전력

그래서 앞으로 AI 산업을 분석할 때 NVIDIA나 AMD와 같은 GPU 기업만 보는 것만으로는 부족합니다.

삼성전자, SK하이닉스, 마이크론과 같은 메모리 기업,

TSMC와 삼성 파운드리,

데이터센터 사업자,

냉각장비 업체,

전력장비 기업,

발전사업자,

송전망까지 함께 살펴볼 필요가 있습니다.

AI 산업의 성장이 계속된다면 미래의 병목은 반도체 생산능력뿐만 아니라 전력과 인프라에서 발생할 수도 있기 때문입니다.

정리

AI 데이터센터의 전력 문제는 단순히 "GPU가 전기를 많이 사용한다"는 이야기로 끝나지 않습니다.

GPU가 증가하면 HBM과 네트워크 장비가 증가하고,

서버가 증가하면 더 많은 냉각설비가 필요하며,

데이터센터가 커지면 발전소뿐 아니라 송전망과 변전소까지 확충해야 합니다.

결국 AI 시대의 경쟁력은

연산능력 + 반도체 + 데이터센터 + 에너지

를 얼마나 효율적으로 확보하느냐에 달려 있을 가능성이 높습니다.

AI 시대에는 데이터가 새로운 석유라는 표현보다 어쩌면 전력이 AI를 움직이는 연료라는 표현이 더 현실적일지도 모릅니다.

다음 글에서는 여기서 한 단계 더 들어가 AI 데이터센터와 원자력 발전이 왜 함께 언급되고 있는지, 그리고 원전과 SMR이 실제 AI 전력 문제의 해결책이 될 수 있는지를 살펴보겠습니다.

https://chipcurrent.tistory.com/2

AI 데이터센터 시대, 왜 빅테크는 원자력을 선택하나 — 전력 확보 전쟁과 SMR의 현실

chipcurrent.tistory.com

참고자료

U.S. Energy Information Administration(EIA), Short-Term Energy Outlook, September 2026
U.S. Department of Energy, Best Practices Guide for Energy-Efficient Data Center Design
Reuters, South Korea's power demand set to soar on AI boom as nation weighs expanding nuclear energy, September 8, 2026

ChipCurrent

반도체·AI·데이터센터·에너지 산업을 쉽고 깊게 분석합니다.