AWS와 Anthropic의 Trainium 계약이 드러낸 AI 인프라 수직통합

장기 컴퓨팅 약정이 만든 AWS와 Anthropic의 결속

2026년 4월 AWS와 Anthropic은 2036년까지 최대 5기가와트(GW)의 Trainium 컴퓨팅 용량을 확보하는 계약을 맺었다. Anthropic은 앞으로 10년간 AWS 기술에 $1,000억 이상을 투입하기로 했고, 대상은 Trainium2와 Trainium4, 미래 세대 칩까지 이어진다.

Amazon은 즉시 $50억을 추가 투자하고, 마일스톤 달성에 따라 투자 규모를 최대 $200억까지 확대하기로 했다. 기존 $80억을 더하면 Amazon의 Anthropic 누적 투자액은 최대 $330억이다.

용량 확장에도 일정이 잡혀 있다. 2026년 2분기부터 Trainium2 신규 용량이 본격 투입되고, 2026년 말에는 Trainium2와 Trainium3를 합친 1GW 용량이 온라인 상태가 된다. Anthropic은 Project Rainier에서 약 50만 개의 Trainium2 칩으로 Claude 모델을 훈련하고 있다. Amazon에 배치된 AI 칩은 전체적으로 2.1백만 개 이상이며, 이 계약으로 250~300만 XPU까지 확장될 전망이다.

⤢✕

Trainium이 맡는 역할과 AWS의 설계 범위

Trainium은 Annapurna Labs가 설계한 훈련 전용 ASIC이다. AWS가 외부 GPU 의존도를 낮추고 Claude의 훈련·추론 비용을 직접 통제하려는 수단이다.

현재 대규모 배치의 중심은 Trainium2다. Project Rainier에서 Claude 훈련에 쓰이며, 동급 GPU와 비교해 약 30% 높은 가격 대비 성능을 제공한다. 2026년 초 출하를 시작한 Trainium3는 FP8 기준 2.52 PFLOPs를 제공하고, Trainium2보다 메모리 용량은 1.5배, 대역폭은 1.7배다. 가격 대비 성능도 Trainium2 대비 30~40% 향상시키는 것이 핵심이다.

Trainium4는 2027년 이후 등장할 차세대 칩으로 개발 중이다. NVIDIA NVLink Fusion과 연동해 이기종 클러스터 구성을 지원하는 방향이다.

이 흐름에서 AWS가 소유하려는 범위는 칩에 그치지 않는다. Annapurna Labs의 반도체 설계부터 서버와 랙, Nitro 하이퍼바이저, SageMaker와 Bedrock까지 이어지는 구조다. 레이어 사이의 최적화를 직접 수행하면서, 타사 칩 가격 협상에서도 레버리지를 확보하려는 접근이다.

가속기마다 다른 훈련·추론 포지셔닝

항목	AWS Trainium3	Google TPU v6e (Trillium)	Microsoft Maia 200
주요 용도	훈련·추론 혼합	훈련·추론 혼합	추론 최적화
FP8 연산	2.52 PFLOPs	TPU v5e 대비 4.7×	5 PFLOPs
FP4 연산	—	—	10+ PFLOPs
메모리	Trainium2 대비 1.5×	32 GB HBM/칩	216 GB HBM3e
메모리 대역폭	Trainium2 대비 1.7×	—	7 TB/s
주요 고객	Anthropic, 기업	Google 내부, 기업	OpenAI, Microsoft 365
공개 시점	2026년 초	GA (100,000+ 배치)	2026년 1월 출시

Google의 Trillium(TPU v6e)은 훈련과 추론을 함께 겨냥한다. TPU v5e 대비 4.7배 피크 연산을 제공하며, 10만 개 이상이 이미 배치된 인프라다.

Microsoft Maia 200은 대규모 LLM 추론에 무게를 둔다. FP4 기준 10 PFLOPs 이상, 216 GB HBM3e, 7 TB/s 대역폭을 제시한다. Microsoft는 Maia 200이 Google TPU와 AWS Trainium3보다 FP4 기준 약 3배 성능을 낸다고 주장한다.

칩 조달을 넘어 비용·공급망·전력까지

자체 가속기에 대한 투자는 기술 자립만으로 설명되지 않는다. 먼저 비용 구조가 달라진다. 풀스택을 통제하면 각 레이어에서 발생하던 마진을 내부화할 수 있다. AWS에서 Claude를 훈련하고 서빙할 때 Anthropic이 외부 GPU 업체에 지불할 비용은 AWS 내부에 남는다. Trainium이 NVIDIA H100 대비 30~40% 저렴한 총소유비용(TCO)을 제공한다면, 연간 수백억 달러 규모의 AI 컴퓨팅 비용에서 절감 효과가 생긴다.

공급망에서도 선택지가 늘어난다. NVIDIA GPU 공급은 TSMC 파운드리 의존도가 높고 지정학적 리스크에 취약하다. 자체 칩을 TSMC에 직접 발주하면 Nvidia라는 중간 레이어가 사라지고, 우선 배정 협상력이 생긴다. Amazon은 2026년 $2,000억 규모의 자본지출 계획 중 상당 부분을 AI 인프라와 자체 칩 확대에 배정했다.

5GW는 서버 수량의 문제가 아니다. 미국 중형 도시 수준의 전력 소비를 감당할 데이터센터 입지, 액체 냉각 인프라, 전력 회사와의 장기 계약이 같이 준비되어야 한다. Amazon은 2026년에만 데이터센터와 AI 인프라 확장에 $200억 이상을 지출할 계획이다.

플랫폼 최적화가 만드는 이전 비용

이 계약에서 Anthropic이 받는 것은 장기적인 컴퓨팅 용량이고, AWS가 받는 것은 예측 가능한 수요다. $1,000억, 10년이라는 조건은 양측이 계약에서 이탈할 비용을 크게 높인다.

기업 고객에게도 비슷한 구도가 적용된다. AWS Trainium, Google TPU, Microsoft Maia는 모두 자사 클라우드 생태계에 맞춰진 도구다. SageMaker의 Trainium 최적화 커널, Google Cloud의 TPU-VM 아키텍처, Azure의 Maia-Copilot 통합을 사용하기 시작하면 다른 플랫폼으로 옮기는 비용은 커진다. 하이퍼스케일러가 장기 약정에 상당한 할인을 제공하는 이유도 초기 비용의 매력과 지출 약정, 데이터 이동 비용을 함께 묶기 위해서다.

3대 하이퍼스케일러의 자체 칩 배치는 NVIDIA 의존도를 전략적으로 낮추는 동시에, TSMC 등 파운드리와의 협상 카드를 각자가 갖게 한다. 2026년 기준 하이퍼스케일러 전체 AI 투자(Capex)는 $7,000억 수준으로 추산되며, 자체 칩 배포 비중은 계속 증가 중이다.

AWS와 Anthropic의 계약은 AI 인프라가 단기 조달에서 장기 전략으로 이동하고 있음을 드러낸다. Trainium 5GW 확보는 Claude를 GPU 조달 리스크에서 분리하는 한편, AWS가 AI 플랫폼 수익을 자체 실리콘 경제에 묶는 구조다. Google TPU와 Microsoft Maia까지 포함하면, 이제 경쟁은 칩 스펙만이 아니라 수직통합된 공급망과 장기 고객 생태계를 얼마나 깊게 구축하는가에 달려 있다.