알리바바의 반도체 설계 자회사 T-Head는 상하이에서 열린 세계인공지능대회에서 자체 AI 가속기 ‘젠우’ 시리즈의 기반 소프트웨어 ‘SAIL’ 전체 기술 스택을 오픈소스로 공개한다고 밝혔어요. 개발자는 이를 무료로 내려받아 주요 AI 프레임워크와 모델을 젠우 칩에 연결하고 최적화할 수 있고, 기존 AI 모델을 SAIL 환경으로 옮기는 작업을 일주일 이내에 끝낼 수 있다고도 주장했어요.

겉으로 보면 소프트웨어 공개 소식이지만, 실제로는 생태계 진입 장벽을 낮추려는 선택에 가까워요. 닫힌 도구로 독자성을 만들기보다, 먼저 개발자가 손대볼 수 있는 환경을 열어 둔 거예요. 칩 하나만으로는 부족하고, 개발자가 익숙하게 쓰는 작업 환경까지 묶어야 경쟁력이 생긴다는 판단이 읽혀요.

이번 발표가 엔비디아 CUDA에 대한 도전장으로 읽히는 이유는 명확해요. CUDA는 단순한 프로그래밍 도구가 아니라, 라이브러리와 컴파일러, 추론 엔진, 개발 문서, 최적화 노하우가 오래 쌓인 작업 환경이기 때문이에요. 많은 AI 모델과 서비스가 이 환경을 기준으로 만들어져 있어서, 다른 칩으로 옮기려면 코드 수정과 성능 검증에 적지 않은 비용이 들어요.

그래서 경쟁의 무게중심도 달라졌어요. 반도체 회로 자체보다 개발자의 습관과 기존 코드가 더 강한 방어선이 될 수 있다는 점이 드러난 거예요. 알리바바가 SAIL을 공개한 것도 결국 이 방어선을 정면으로 건드려 보겠다는 뜻으로 읽을 수 있어요.

다만 오픈소스 공개만으로 CUDA를 곧바로 대체할 수는 없어요. 기사에서도 소프트웨어는 공개할 수 있어도, 생태계는 선언만으로 만들어지지 않는다고 짚고 있어요. 수십만 개발자가 남긴 코드와 오류 해결 경험, 성능 최적화 자료, 안정적인 도구와 기술지원이 쌓여야 실제 이동 비용이 줄어들어요.

현장 연구에서도 비엔비디아 가속기로 대형 AI 모델을 옮길 때 연산자 지원 부족, 수치 오류, 병렬처리 불안정, 디버깅 도구 부족 때문에 소스코드를 여러 차례 수정해야 했다고 해요. 결국 중요한 건 공개 여부가 아니라, 실제로 옮겨 쓸 때 손해가 덜한 환경을 만들 수 있느냐예요.

이번 흐름은 알리바바만의 이야기가 아니에요. 화웨이는 어센드 칩용 CANN과 마인드스포어를 확대하고 있고, 무어스레드와 캠브리콘도 독자 소프트웨어 환경을 구축하고 있어요. 미국의 첨단 AI 반도체 수출 제한이 강해질수록 중국 기업 입장에서는 엔비디아 칩과 CUDA에 동시에 기대기 어려워졌기 때문이에요.

이제 경쟁은 칩을 더 잘 만드는 문제에서 끝나지 않아요. 칩, 모델, 클라우드, 개발 도구가 한 묶음으로 작동할 때 비로소 실제 채택이 일어나요. 그래서 이번 공개는 기술 과시보다, 공급망과 개발 환경을 함께 묶어 자립도를 높이려는 산업 전략에 더 가깝게 읽혀요.

앞으로 AI 인프라나 개발 플랫폼을 볼 때는 기능의 스펙만 보면 부족해요. 개발자가 기존 코드를 얼마나 덜 고쳐도 되는지, 도구와 문서가 얼마나 촘촘한지, 문제가 생겼을 때 복구 가능한지까지 함께 봐야 해요. 표면적인 성능 수치보다 실제 이동 비용이 더 중요할 수 있기 때문이에요.

또 하나는 공개의 의미를 과장하지 않는 태도예요. 오픈소스라는 이름이 붙어도, 누가 오래 쓰고 누가 유지보수하고 누가 생태계를 채우는지는 별개의 문제예요. 새로운 AI 플랫폼을 볼 때도 결국 묻게 되는 건 하나예요. 이 환경은 개발자를 잠깐 모으는 데 그칠까요, 아니면 오래 머물게 만들까요.