장바구니에 노트북 세 대를 담아놓고 일주일째 결제 버튼을 못 누르고 계신가요. "AI 개발 노트북"을 검색하면 CPU·RAM·GPU·VRAM에 별 이름 같은 모델명까지 쏟아지는데, 정작 뭐부터 봐야 하는지 순서를 짚어주는 곳이 없죠. 이 글은 딥러닝 노트북을 고를 때 확인할 다섯 가지를 우선순위대로 정리합니다. 돈을 어디에 몰고 어디서 아낄지가 읽고 나면 정해집니다.
- 가장 먼저 볼 건 CPU가 아니라 GPU VRAM — 최소 8GB, 여유가 되면 16GB.
- 다음은 RAM 32GB, 저장장치는 1TB NVMe. CPU는 최신 세대면 중간 등급으로 충분.
- 본격 학습이라면 노트북에 다 때려박기보다 클라우드 GPU와 나눠 쓰는 조합이 가성비의 정답.
확인 순서를 한 줄로 요약하면 이렇습니다. ① GPU VRAM → ② RAM → ③ 저장장치 → ④ CPU → ⑤ 발열·냉각. 위에서부터 예산을 배분하면 큰 실수는 거의 안 나옵니다.
1순위, 왜 CPU가 아니라 GPU VRAM부터일까
노트북 스펙표를 위에서부터 읽으면 CPU가 제일 먼저 나옵니다. 그래서 다들 여기서 고민을 시작하죠. 그런데 딥러닝에서 CPU는 조연입니다. 주연은 GPU, 그중에서도 VRAM이라 불리는 그래픽 메모리예요.
🖼️ 추천 이미지 자리 — 🎨 버튼으로 아래 설명을 이용해 이미지를 만들면 이 블록이 교체됩니다.
새벽 어두운 방, 책상 위 게이밍 노트북 클로즈업. 검은 터미널 화면에 초록색 딥러닝 학습 로그가 줄줄이 흐르다가 중간에 붉은 'CUDA out of memory' 에러 한 줄이 선명하게 떠 있다. 화면 불빛만이 기계식 키보드를 은은하게 비추는 오버더숄더 구도. 청록색 로그와 붉은 에러의 색 대비, 몰입된 새벽 코딩의 긴장감. 가로 16:9 비율.
모델과 데이터를 이 메모리에 올려놓고 계산하기 때문에, VRAM이 부족하면 계산이 느려지는 게 아니라 아예 시작을 못 합니다. 가장 흔한 장면이 빨간 글씨의 'CUDA out of memory' 에러예요.
8GB짜리로 요즘 유행하는 모델을 조금만 크게 잡아도 이 에러를 만납니다. 배치 사이즈를 줄이면 되긴 하지만, 그만큼 학습이 느려지죠.
결정적으로 VRAM은 램처럼 나중에 추가 장착이 안 됩니다. 살 때 정한 용량이 그 노트북의 평생 한계예요. 다른 건 몰라도 이 숫자만큼은 넉넉하게 잡으세요.
2·3순위, RAM과 저장장치는 어디까지 맞출까
GPU를 정했다면 다음은 시스템 RAM입니다. VRAM과 헷갈리기 쉬운데, 이건 데이터를 불러오고 전처리할 때 쓰는 일반 메모리예요.
브라우저 탭 수십 개에 주피터 노트북, 도커 컨테이너까지 켜두는 개발자의 하루를 떠올려 보세요. 16GB는 금방 바닥납니다. 32GB가 마음 편한 기준선이에요.
저장장치엔 함정이 하나 숨어 있습니다. SATA SSD와 NVMe SSD는 이름은 비슷해도 데이터 읽는 속도가 확연히 갈려요. 대용량 데이터를 반복해서 불러오는 학습에선 이 차이가 체감으로 옵니다. 용량은 넉넉히, 종류는 NVMe로.
- RAM: 16GB는 최소, 32GB가 실사용 권장선
- 저장장치: 1TB NVMe SSD 이상이면 한동안 걱정 없음
- CPU(4순위): 최신 세대라면 중간 등급만 돼도 병목이 거의 없음
- 발열·냉각(5순위): 오래 돌리면 성능이 깎이므로 냉각과 어댑터 용량도 확인
등급별로 한눈에 보는 가성비 기준표
말로 풀면 복잡하니 표로 정리했습니다. 아래는 2026년 7월 기준, 용도별로 어느 정도 잡으면 되는지에 대한 큰 그림이에요. 모델명 대신 기준으로 적었으니 매장에서 스펙표를 볼 때 옆에 두고 대조해 보세요.
| 용도 | GPU VRAM | RAM | 저장장치 |
|---|---|---|---|
| 입문·학습(강의 실습, 소형 모델) | 8GB | 16~32GB | 512GB~1TB NVMe |
| 실무·프로젝트(중형 모델 파인튜닝) | 12~16GB | 32GB | 1TB NVMe |
| 본격 연구(대형 모델, 잦은 학습) | 16GB 이상 + 클라우드 병행 | 32~64GB | 1TB 이상 NVMe |
가성비 관점에서 진짜 눈여겨볼 건 맨 아랫줄입니다. 노트북에 최상위 GPU를 넣는 순간, 가격은 완만하게가 아니라 계단식으로 뜁니다.
그래서 직접 따져보면 이렇습니다. 최상위 GPU 노트북 한 대에 예산을 몰아넣는 대신, VRAM 8GB급 노트북을 사고 무거운 학습만 클라우드 GPU에 며칠 단위로 맡기는 조합 — 매달 학습을 잠깐씩만 돌리는 사람에겐 후자가 오래 남는 선택일 때가 많아요.
🖼️ 추천 이미지 자리 — 🎨 버튼으로 아래 설명을 이용해 이미지를 만들면 이 블록이 교체됩니다.
밝은 카페 창가 원목 테이블, 노트북 한 대가 정면에서 살짝 측면으로 놓여 있다. 화면 왼쪽엔 코드 에디터, 오른쪽엔 클라우드 GPU 사용량 그래프 대시보드가 나란히 떠 있다. 옆에는 아메리카노 한 잔과 손바닥만 한 수첩. 창으로 자연광이 부드럽게 드는 미니멀 구도, 따뜻한 우드톤과 화이트 배경, 노트북과 클라우드를 나눠 쓰는 여유로운 작업 분위기. 가로 16:9 비율.
사면 후회하는 사람 vs 만족하는 사람
커뮤니티 후기를 훑어보면 패턴이 반복됩니다. 후회하는 쪽에서 가장 많이 나오는 말이 "VRAM을 아꼈더니 몇 달 만에 벽을 느꼈다"예요.
당장은 예제가 잘 돌아 만족했는데, 조금 큰 모델을 만지는 순간 한계에 부딪혔다는 이야기죠. 반대로 CPU 등급에 돈을 몰아줬다가 학습이 느려 실망했다는 후기도 흔합니다. 우선순위를 거꾸로 잡은 경우예요.
만족하는 쪽은 반대로 움직입니다. VRAM을 먼저 넉넉히 잡고, CPU는 중간에서 타협하고, 남는 예산을 RAM과 저장장치에 나눴어요. 여기에 하나 더, 발열 관리가 좋은 모델을 고른 사람들의 만족도가 유독 높습니다.
학습은 몇 시간씩 GPU를 풀가동합니다. 냉각이 부실하면 성능이 스스로 깎이는 스로틀링이 걸려 비싼 GPU가 제 실력을 못 내죠. 스펙표엔 안 적히지만 실사용에선 크게 갈리는 5순위, 바로 발열입니다.
그래서 지금 당신에게 맞는 선택은
다섯 가지 순서를 다시 붙여보면 VRAM → RAM → 저장장치 → CPU → 발열. 이 줄만 지켜도 노트북 선택 기준에서 큰 실수는 피합니다. 예산이 빠듯하면 VRAM 8GB에 RAM 32GB로 시작해 클라우드를 곁들이는 쪽이, 무리해서 최상위 GPU를 지르는 것보다 오래 만족스러울 가능성이 높아요.
오늘 당장 할 일은 하나입니다. 장바구니에 담아둔 노트북들의 스펙표를 열어 'GPU'와 'VRAM'부터 확인해 보세요. 그 숫자가 8GB에 못 미친다면, 나머지가 아무리 화려해도 딥러닝 노트북 후보에서는 한 번 더 의심해 볼 대상입니다.
좋은 도구는 오래 함께 갑니다. 처음 고를 때 딱 한 칸만 더 신경 쓰면, 몇 달 뒤의 당신이 오늘의 당신에게 고마워할 거예요.
Q. 맥북으로도 AI 개발이 되나요?
됩니다. 애플 실리콘은 통합 메모리를 그래픽 계산에도 나눠 쓸 수 있어 추론이나 소규모 작업엔 강점이 있어요. 다만 딥러닝 생태계 상당수가 엔비디아의 CUDA를 기준으로 만들어져 있어, 라이브러리 호환이나 대규모 학습에서는 아직 손이 더 가는 편입니다. 용도에 따라 갈리는 선택이라 보시면 됩니다.
Q. 게이밍 노트북을 개발용으로 써도 되나요?
오히려 가성비 좋은 선택이 되곤 합니다. 강력한 외장 GPU가 들어간 게이밍 노트북은 같은 성능의 '전문가용'보다 저렴한 경우가 많거든요. 대신 발열과 무게, 배터리는 감수해야 합니다. 냉각 성능이 괜찮은 모델을 고르는 게 핵심이에요.
Q. VRAM 8GB로 어디까지 할 수 있나요?
강의 실습, 소형 모델 다루기, 이미지 분류 같은 기본기를 익히기엔 충분합니다. 다만 큰 언어 모델을 직접 파인튜닝하는 단계로 가면 배치 사이즈를 줄이거나 클라우드의 힘을 빌려야 하는 순간이 옵니다. 입문용으론 합격, 본격 연구용으론 아쉬움. 이렇게 기억하시면 됩니다.
