노트북을 고르기 시작했을 때만 해도 그래픽카드는 크게 신경 쓰지 않았다.
내가 하는 건 주로 Java/Spring 개발이고,
IntelliJ를 켜고,
Spring Boot를 띄우고,
DB를 보고,
Docker를 사용하는 정도다.
게임용 노트북을 사려는 것도 아니었다.
그런데 어느 순간 나는 노트북 사양표에서
RTX 5050과 RTX 5070을 비교하고 있었다.
원인은 Ollama였다.
개발자가 갑자기 RTX를 보기 시작한 이유
Security Lens를 만들면서 Ollama를 직접 설치해봤다.
Gemma 같은 모델을 내려받고 로컬에서 직접 실행해보니 ChatGPT나 Claude를 API로 호출해서 사용하는 것과 느낌이 꽤 달랐다.
내 컴퓨터가 직접 모델을 돌린다.
신기했다.
그리고 바로 다음 생각이 들었다.
이걸 노트북에서도 계속 해보려면 GPU가 있어야 하나?
여기서 일이 커졌다.
원래는
CPU / RAM / SSD / 무게
정도만 보던 노트북 선택 기준에 갑자기
CUDA / VRAM / RTX 5050 / RTX 5070
까지 들어오기 시작했다.
노트북 하나 사는데 공부할 게 왜 이렇게 많은지 모르겠다.
우선 개발만 한다면 RTX 5070까지 필요할까?
내 기준에서는 아니다.
Spring Boot 개발을 한다고 RTX 5070이 필요한 건 아니다.
Java 컴파일이나 IntelliJ, DB, Git 같은 일반적인 백엔드 개발에서는 GPU보다 CPU와 RAM, SSD가 훨씬 직접적으로 체감된다.
그래서 내가 하는 일이 계속
- Java / Spring Boot
- IntelliJ
- Docker
- PostgreSQL이나 MySQL
- 브라우저
- Git
정도였다면 외장 GPU를 이렇게 오래 고민하지 않았을 것 같다.
문제는 로컬 AI였다.
RTX 5050과 5070은 얼마나 다를까?
노트북용 RTX 기준으로 NVIDIA 공식 사양을 찾아봤다.
| CUDA 코어 | 2,560 | 4,608 |
| AI TOPS | 440 | 798 |
| VRAM | 8GB GDDR7 | 8GB GDDR7 |
| 메모리 인터페이스 | 128-bit | 128-bit |
| GPU 전력 범위 | 35~100W | 50~100W |
당연히 5070이 더 강하다.
CUDA 코어 수도 훨씬 많고 AI 연산 성능도 올라간다. NVIDIA 공식 노트북 사양 기준으로 RTX 5050 Laptop은 2,560 CUDA 코어와 440 AI TOPS, RTX 5070 Laptop은 4,608 CUDA 코어와 798 AI TOPS다.
그런데 Ollama를 생각하면서 보다 보니 이상하게 한 줄이 계속 눈에 들어왔다.
VRAM 8GB.
둘 다 8GB다.
여기가 내가 생각했던 것과 조금 달랐다.
Ollama에서는 GPU 이름만 보면 안 됐다
처음에는 당연히 이렇게 생각했다.
5070이면 5050보다 훨씬 좋은 모델을 돌릴 수 있는 거 아닌가?
그런데 로컬 LLM에서는 조금 다르게 봐야 했다.
모델을 GPU에서 돌리려면 모델의 가중치뿐 아니라 실행 과정에서 필요한 메모리도 VRAM에 올라간다.
모델 크기, 양자화 방식, 컨텍스트 길이 등에 따라 필요한 메모리가 달라진다.
그래서 GPU 연산 성능이 아무리 빨라도 VRAM에 모델이 충분히 들어가지 않으면 다른 문제가 생긴다.
쉽게 생각하면 이런 느낌이다.
RTX 5070은 일을 훨씬 빨리 하는 사람인데,
5050과 5070 모두 책상 크기가 8GB인 셈이다.
일하는 속도는 다르지만
책상 위에 한 번에 펼쳐놓을 수 있는 자료의 양은 비슷하다.
이걸 알고 나니 5050과 5070을 보는 기준이 조금 달라졌다.
그렇다면 5070은 의미가 없을까?
그건 아니다.
같은 크기의 모델을 돌린다면 5070의 높은 연산 성능은 충분히 의미가 있다.
NVIDIA의 공식 사양에서도 5070 Laptop의 CUDA 코어와 AI 연산 성능은 5050보다 크게 높다.
Ollama 역시 NVIDIA GPU 가속을 활용하며, 최근 버전에서는 NVIDIA 하드웨어의 추론 성능 최적화도 계속 진행되고 있다. Ollama는 2026년 0.30 업데이트에서 NVIDIA 환경에서 최대 20% 수준의 성능 향상을 언급했고 Vulkan 지원도 기본 활성화했다.
그러니까 같은 8GB VRAM 범위 안에서 모델을 돌린다면
5050보다 5070이 더 빠른 선택이 될 가능성이 높다.
다만 내가 궁금했던 건 이것이었다.
그 속도 차이를 위해 노트북의 가격과 무게, 발열까지 감수할 것인가?
여기서부터는 벤치마크 숫자만으로 결정하기 어려웠다.
노트북 GPU는 같은 RTX 5070이라고 끝이 아니었다
또 하나 알게 된 게 있다.
데스크톱 그래픽카드와 달리 노트북 GPU는 같은 이름을 달고 있어도 제품마다 성능 차이가 날 수 있다.
전력 설정 때문이다.
NVIDIA가 공개한 범위만 봐도 RTX 5050 Laptop은 35~100W, RTX 5070 Laptop은 50~100W 범위로 구성될 수 있다.
결국
RTX 5070 노트북이니까 무조건 빠르겠지.
하고 모델명만 보는 것도 정확하지 않았다.
노트북의 냉각 구조, GPU 전력 설정, 두께와 무게까지 같이 봐야 했다.
여기까지 오니 노트북 고르는 게 점점 자동차 옵션 고르는 것처럼 느껴졌다.
Ollama를 조금 만져보는 개발자라면 RTX 5050도 의미가 있다
내가 Ollama를 사용하는 목적을 다시 생각해봤다.
나는 거대한 모델을 하루 종일 돌리려는 게 아니다.
로컬 LLM이 어떻게 동작하는지 직접 만져보고,
Spring Boot 프로젝트에 붙여보고,
작은 모델을 이용해 기능을 만들고,
API 방식과 로컬 실행 방식의 차이를 경험하는 게 먼저다.
그 정도라면 RTX 5050급 GPU도 꽤 흥미로운 선택이라고 생각했다.
특히 5050 Laptop에도 8GB GDDR7 VRAM이 탑재된다.
그런데 여기서 욕심이 생긴다.
그래도 5070이면 더 빠르잖아?
맞다.
그리고 이 질문을 몇 번 반복하면 노트북 가격이 계속 올라간다.
그런데 큰 모델까지 생각하면 이야기가 또 달라진다
재미있는 건 RTX 5050에서 5070으로 올려도 노트북용 기준 VRAM은 둘 다 8GB라는 점이다.
그래서 “더 큰 로컬 LLM을 GPU에 올리고 싶다”가 목적이라면 5050 → 5070만 보는 것이 정답은 아닐 수 있다.
예를 들어 RTX 5070 Ti Laptop부터는 NVIDIA 공식 사양상 12GB GDDR7 VRAM으로 올라간다.
이때부터는 단순 연산 속도뿐 아니라 GPU에 담을 수 있는 모델의 여유 자체가 달라진다.
그래서 내가 로컬 AI용 노트북을 고른다면 이제는 이렇게 볼 것 같다.
5050 vs 5070
보다는
8GB VRAM으로 충분한가?
를 먼저 생각한다.
그다음에 같은 VRAM 안에서 더 빠른 추론이 필요하면 5070을 보는 식이다.
이 순서가 훨씬 이해하기 쉬웠다.
개발자라면 GPU보다 먼저 봐야 할 것도 있다
Ollama 때문에 한동안 그래픽카드에 꽂혀 있었지만 다시 개발환경을 생각해보니 우선순위가 보였다.
내가 하루에 가장 오래 사용하는 건 Ollama가 아니다.
IntelliJ이고,
브라우저이고,
Spring Boot이고,
Docker다.
그래서 개발용 노트북에서는 여전히
CPU → RAM → SSD → 화면과 무게
가 먼저다.
그리고
로컬 AI를 얼마나 자주 사용할 것인가
에 따라 GPU의 중요도가 올라간다.
내 기준을 정리하면 이렇다.
| Java/Spring 웹 개발 위주 | 외장 GPU가 필수는 아님 |
| 가끔 Ollama로 작은 모델 테스트 | 5050급도 충분히 고려 가능 |
| 로컬 LLM을 자주 사용하고 속도가 중요 | 5070의 성능 차이가 의미 있음 |
| 더 큰 모델을 GPU에 올리는 것이 중요 | GPU 등급보다 VRAM부터 확인 |
| AI 모델 학습·영상·3D까지 본격적 | 더 높은 GPU와 VRAM 고려 |
이건 어디까지나 내가 개발용 노트북을 고르면서 세운 기준이다.
게임 성능을 기준으로 보면 결론이 또 달라질 수 있다.
그래서 나는 RTX 5070으로 갔을까?
결국 아니다.
노트북을 알아보는 동안 RTX 5050 모델까지 진지하게 봤고 5070도 비교했다.
그런데 마지막에는 내가 실제로 이 노트북으로 무엇을 가장 많이 할지를 다시 생각했다.
내 주 작업은 여전히 개발이다.
코딩하고,
브라우저를 띄우고,
글을 쓰고,
프로젝트를 만들고,
노트북을 들고 밖에서도 작업해야 한다.
그래서 결국 나는 LG 그램 17 Ultra 7 구독으로 결정했다.
로컬 AI 성능 하나만 극대화하기보다
내가 매일 사용하는 전체 환경을 선택한 셈이다.
신기하게도 처음에는
RTX 5050이냐 5070이냐
를 고민했는데,
마지막 질문은
나는 이 GPU를 실제로 얼마나 사용할까?
였다.
노트북을 고를 때는 이 질문이 더 중요했던 것 같다.
그래도 Ollama는 직접 돌려볼 생각이다
GPU를 최우선으로 선택하지 않았다고 로컬 AI에 관심이 없어진 건 아니다.
오히려 반대다.
노트북이 오면 내가 실제로 사용하는 환경을 그대로 만들어볼 생각이다.
- IntelliJ
- Spring Boot
- Docker
- Ollama
- 로컬 LLM
그리고 직접 확인해보고 싶다.
외장 GPU에 욕심을 내지 않은 개발용 노트북에서 Ollama는 실제로 어디까지 쓸 만할까?
스펙표를 보는 건 여기까지다.
다음에는 실제로 돌려보고 써봐야겠다.
같이 읽으면 좋은 글
-> 2026 개발자 노트북 추천 — 입문용·실무용·휴대용으로 나눠봤다
'개발 노트' 카테고리의 다른 글
| LG 그램 프로 17 개발자 첫인상 | 17인치인데 이렇게 가벼워도 되나 (0) | 2026.10.03 |
|---|---|
| Spring Boot 환경변수 설정 — application.properties에 API Key를 직접 넣으면 안 되는 이유 (0) | 2026.10.02 |
| Railway Spring Boot PORT 설정 — server.port=${PORT:8080}를 쓴 이유 (0) | 2026.09.30 |
| Ollama 최소 사양 — RAM 16GB·32GB보다 VRAM을 먼저 보게 된 이유 (0) | 2026.09.29 |
| Java EXIF 읽기 — metadata-extractor로 GPS·촬영시간·기기정보 추출해봤다 (0) | 2026.09.28 |