NVIDIA가 AI 스타트업에 투자해 GPU 부족을 키웠다는 WSJ 보도
Nvidia allegedly engineered scarcity by funding AI startups to buy its GPUs
TL;DR Highlight
WSJ: NVIDIA가 투자한 스타트업이 다시 NVIDIA GPU를 사게 했다는 의혹
Who Should Read
GPU 가격·공급 변동이 클라우드 비용과 추론 인프라 계획에 영향을 주는 LLM 서비스 백엔드 개발자
Core Mechanics
- WSJ가 순환 투자 의혹을 보도했다
- NVIDIA가 AI 스타트업에 투자하고, 그 스타트업이 NVIDIA GPU를 사서 데이터센터를 짓게 했다는 내용이다.
- 목적은 높은 수요 인식을 유지하고 TSMC발 반도체 물량을 소화하는 것이라고 주장한다.
- CFO가 순환 금융 축소를 요구했다
- 8월 회의에서 Kress가 순환 금융(투자한 곳이 다시 내 제품을 사는 구조) 축소를 밀었다고 한다.
- OpenAI와의 2,500억 달러 규모 딜 축소도 거론됐다.
- Huang가 Kress를 질책했다고 한다
- Huang가 Kress를 "deer in the headlights"라고 불렀다는 내용이다.
- 하이퍼스케일러가 자체 칩으로 이동 중이다
- 기성 부품 대신 맞춤형 솔루션으로 옮기는 흐름이 배경으로 나온다.
- 이에 소형 클라우드 업체 투자를 더 밀었다는 설명이다.
- TSMC 물량이 "avalanche"처럼 몰려온다
- NVIDIA가 즉시 살 곳이 없는 GPU 물량을 떠안을 상황이었다고 한다.
- 투자받은 업체가 GPU를 살 돈이 없을 수 있다
- Kress는 이런 소형 클라우드가 NVIDIA GPU를 감당 못 해 재무적 막다른 길이 될 수 있다고 지적했다.
Community Reactions
- WSJ 원문을 읽으라는 의견
- TechPowerUp은 Wccftech를 거쳐 WSJ를 옮긴 3차 보도라는 지적이 있었다.
- 원문은 다른 이야기를 더 잘 전한다는 의견이다.
- 평범한 사업 전략이라는 반론
- 공급 병목으로 재고는 다 팔리니, 가격을 올리면 하이퍼스케일러만 남는다는 설명이다.
- 그래서 neocloud에 금융을 제공해 고객 기반과 CUDA 네트워크 효과를 지킨다는 의견이다.
- 수요 감소를 막으려 했다는 업계 경험
- 팹리스 회사에서 일한 댓글러는 TSMC 웨이퍼를 수년 전 계약으로 사야 해서 쉽게 못 빠진다고 했다.
- 하이퍼스케일러가 자체 AI 칩을 만들어 실제 수요가 줄었고, 그래서 Jensen이 순환 딜로 대응했다는 견해다.
- 새로운 사실이 아니라는 반응도 많았다
- 순환 금융은 이미 알려져 있었다는 댓글이 여럿 있었다.
- 스스로 가격을 올리면 되는데 프록시로 사는 건 이해가 안 된다는 의문도 있었다.
How to Apply
- GPU 단가 변동 시나리오 표 만들기
- 오늘 30분간 현재 쓰는 GPU 클라우드의 시간당 단가와 월 사용량을 정리하라.
- 단가가 오르거나 내릴 때의 월 비용 변화를 두 줄로 계산하라.
- 추론 인프라를 특정 벤더에 묶지 않기
- 모델 호출 계층을 인터페이스로 분리하라.
- 대체 GPU 공급처나 다른 칩으로 바꿔 테스트할 수 있게 하라.
- neocloud 계약 전 재무 위험 확인하기
- 업체의 투자자와 GPU 조달 방식을 계약 전에 물어라.
- 원문이 지적한 재무적 막다른 길 위험을 SLA와 해지 조건에 반영하라.
Try It
# Claude 또는 ChatGPT에 그대로 붙여넣기 (원문 내용을 비용 점검에 옮긴 간이 버전)
우리 서비스는 GPU 클라우드에서 LLM 추론을 돌린다.
현재 월 GPU 비용: {{월 비용}}
주요 공급처: {{클라우드 업체}}
월 사용 GPU 시간: {{시간}}
GPU 단가가 20% 오를 때와 20% 내릴 때의 월 비용 변화를 표로 계산해 줘.
그리고 공급처를 바꿀 때 점검할 항목을 5개 알려 줘.
이어서 해 볼 것: 결과 표를 팀 위키에 붙이고 단가 변동 시 대응 기준을 정하기.Terminology
관련 논문
Gemini 4 Neon 출시: 프런티어급 성능, 빠른 속도, 낮은 작업당 비용
Gemini 4 Neon은 Carbon보다 작업당 비용 32%↓, 입력 $3·출력 $15
AI가 All About Berlin을 죽이고 있다
Google AI Overviews 도입 후 베를린 가이드 사이트 트래픽이 70~75% 줄었다
모든 걸 LLM에 맡기지 마라: PostHog의 decision model 활용기
PostHog는 작은 decision model로 LLM 호출 98.7%를 건너뛰었다
GPT-6.2 Astra·Sol 출시, 댓글로 본 비용·속도와 에이전트 동작 후기
GPT-6.2 Astra·Sol은 비용이 크게 줄었지만 과설계·조기 종료 후기가 엇갈린다
TrnRT: AWS Trainium용 오픈소스 LLM 추론 엔진
trn2.48xlarge 한 대로 GLM-5.3-Flash를 OpenAI 호환 API로 서빙한다
언제 줌해야 할까: VLM에게 이미지는 얼마나 작아야 너무 작은가
큰 사진을 타일로 쪼개 보내니 Claude·Gemini 정확도가 11~14.5%p 올랐다
최신 LLM의 Positional Embedding 이해하기
GPT-2부터 RoPE까지, LLM이 토큰 위치를 넣는 방식을 정리했다
DeepSeek V3를 순수 JAX 190줄로 구현해 MacBook Air에서 학습
DeepSeek V3 핵심 구조를 JAX 190줄로 짜서 맥북에어에서 2.6시간 학습