소프트뱅크 오하이오 10GW 데이터센터: AI 인프라 의사결정자를 위한 실전 가이드

3. 단계별 실행 방법: AI 인프라 용량 계획

Step 1: 현재 워크로드 전력 산정

# GPU별 TDP 기준 예시 (실제 PUE 적용 필요)
H100_TDP=700  # W
NUM_GPUS=1000
PUE=1.3       # 냉각 포함

TOTAL_POWER_KW=$(echo "($H100_TDP * $NUM_GPUS * $PUE) / 1000" | bc)
echo "필요 전력: ${TOTAL_POWER_KW} kW"
# 1000 H100 기준 → 약 910kW

Step 2: 성장률 기반 3년 예측

# 간단한 용량 계획 스크립트
current_gpu_count = 1000
annual_growth_rate = 1.5  # 50% YoY 성장 가정
years = 3

for year in range(1, years + 1):
    projected = current_gpu_count * (annual_growth_rate ** year)
    power_kw = (projected * 700 * 1.3) / 1000
    print(f"Year {year}: {projected:.0f} GPUs → {power_kw:.0f} kW ({power_kw/1000:.2f} MW)")

Step 3: 리드타임 역산 일정

핵심 인사이트: 지금 결정하면 2029년에 가동 가능. 2027년 필요하면 클라우드 브릿지 필수.

Step 4: 비용 모델링

# 연간 비용 비교 (단순화)
cloud_hourly = 2.5  # $/GPU-hr
colo_monthly = 500  # $/GPU-mo (전력+공간)
utilization = 0.7   # 70% 가동률

gpu_count = 1000
hours_per_month = 730

cloud_monthly = cloud_hourly * hours_per_month * utilization * gpu_count
colo_monthly_total = colo_monthly * gpu_count

print(f"클라우드: ${cloud_monthly:,.0f}/월")
print(f"코로케이션: ${colo_monthly_total:,.0f}/월")
print(f"절감률: {(1 - colo_monthly_total/cloud_monthly) * 100:.1f}%")
# 클라우드: $1,277,500/월
# 코로케이션: $500,000/월
# 절감률: 60.9%