2026.09.07 · 네이버 프리미엄 콘텐츠 · 올바른 미국주식 by SAPIENS

주간전략보고 : 투자의 생각 (9월 7일~9월 11일)

네이버 프리미엄 콘텐츠 원문 보기 선택 분석 시작 심층분석 시작 분석 기준 보기

유형

네이버 프리미엄 콘텐츠

날짜

2026.09.07

강연자/작성자

올바른 미국주식 by SAPIENS

분석 주제

미지정

자료 길이

본문 72,169자

문서 전체 조망

핵심 구조

AI 인프라의 성장 신호는 늘었지만 수익과 공급의 실체를 따로 봐야 한다

이 주간전략보고는 AI 투자 확대, 광학·메모리·전력의 병목, 프런티어 모델 경쟁을 함께 다룬다. 핵심은 높은 수수료·주문·가이던스가 왜 지속 가능한 수익으로 이어지는지, 그 판단의 근거가 되는 보조금·공급·전력·실제 사용량의 조건을 분리해 보는 데 있다.

펀더멘털과 밸류에이션

S&P 500 EPS 추정치는 높아졌지만 주가가 횡보하거나 하락해 밸류에이션이 매력적이라는 판단을 유지한다. 따라서 실적 기업은 매출성장률과 영업이익률이 함께 개선되는지, 그 흐름이 업사이클인지부터 구분한다.

수요보다 공급과 전력이 병목

델·브로드컴·블룸에너지·시에나 사례는 AI 주문이 늘어도 GPU·메모리·전력·냉각과 계통 연결이 매출과 가동을 결정한다는 점을 보여준다. 다만 수요가 강하다는 사실만으로 공급과 전력 문제가 해결되는 것은 아니므로, 가동의 기준은 실제 연결 가능 용량이다.

광학과 메모리의 역할 확대

1.6T 전환과 CPO·Scale-in은 광학 연결을 패키지 가까이 옮기고, AI 메모리 계층은 HBM·DRAM·NAND 공급과 가격을 더 중요하게 만든다. 이 구조가 바뀔수록 제품 모멘텀뿐 아니라 가이던스와 수율·테스트 난도가 판단 기준이 된다.

Astra의 비용과 연구 자동화

GPT-6 Astra는 해결률·작업당 비용·추론 계산 조절·연구자의 에이전트 사용 확대를 묶어 보여준다. 모델 발표보다 연구와 인프라 수요를 얼마나 가속하는지가 핵심이다.

발생·예정 사건과 출처별 관점

이슈 분석

이 자료가 이슈의 어떤 사실을 다루고, 작성자가 무슨 결론을 어떤 근거로 내렸는지 원문에 붙여 읽습니다.

발생발표·발생 후발생일 26-9-2

26-9 Robinhood Chain 가스비 급증

작성자의 핵심 판단

높은 가스비를 지속 가능한 신규 매출로 보는 것은 과도하며, 보조금 종료 뒤 사용량과 순수익을 봐야 한다고 평가한다.

근거 보기 4

원문 구간 1
Neutral = 중립 Underweight = 비중축소 올바른 미국주식 by SAPIENS Overweight *순서는 비중, 강도와 무관합니다* Nvidia Vertiv Bloom Energy Sea Limited DoorDash Micron Figure Tech Semtech Sandisk Unity Software CoreWeave Nebius Lumentum Viavi Solutions Fortinet 로빈후드(HOOD) 로빈후드HOOD는 Neutral을 유지합니다. 로빈후드 3Q25 실적발표 : 폴리마켓을 넘어서는 Robinhood Prediction Robinhood Chain에서 일어나고 있는 일들 Robinhood Chain에서 발생하는 수수료가 최근 하루 $4.5M 수준까지 올라왔습니다. 이를 단순 연환산하면 약 $1.64B입니다. 로빈후드의 TTM 매출이 $4.9B라는 점을 감안하면 기존 매출의 33.5%에 해당하는 신규 사업이 갑자기 생긴 것처럼 보입니다. 다만 중요한 것은 현재의 수수료 수준이 정상적인 Run-rate인가입니다. 이 부분은 하나씩 뜯어볼 필요가 있습니다: Transaction은 +36%인데, Gas Fee는 82배 증가 Robinhood Chain은 7월 1일 메인넷을 출시했습니다. 지난 두 달 동안 거래량도 꾸준히 증가했지만 최근 가스비 증가 속도는 완전히 다른 수준입니다. 9월 2일 Robinhood Chain에서 발생한 Gas Fee는 $4.45M로 8월 22일 $54K 대비 82배 증가했습니다. 같은 기간 Transaction은 불과 36% 증가했습니다. 사용자가 82배 많아진 것이 아니라 거래 한 건당 지불되는 가스비가 폭증하면서 수수료가 급격하게 늘어난 것입니다.
원문 구간 2
밈코인이 Robinhood Chain으로 들어오면서 네트워크 혼잡비용 상승 로빈후드가 자체 체인을 만든 본래 목적은 주식 토큰을 중심으로 글로벌 자산시장을 온체인화하는 것입니다. 주식이나 다른 실물자산을 ERC-20 형태로 만들면 단순 매매를 넘어 대출의 담보로 활용하거나 다른 DeFi 서비스와 결합하는 것도 가능합니다. 그런데 로빈후드가 이를 Permissionless하게 열어두자 예상하지 못했던 수요가 들어왔습니다. 밈코인 생태계입니다. 토큰을 만들고 매매하는 봇 트래픽이 급증하면서 네트워크에 Backlog가 쌓였고 Transaction당 Gas Fee가 크게 상승했습니다. 결과적으로 로빈후드는 본래 의도했던 주식 토큰보다 밈코인으로 인한 네트워크 혼잡 덕분에 갑자기 막대한 수수료가 발생하는 상황을 맞았습니다. $4.5M가 그대로 로빈후드 매출인 것은 아닙니다 여기서 한 번 더 주의해야 합니다. Robinhood Chain에서 발생한 수수료는 로빈후드가 전부 가져가는 구조가 아니라 Arbitrum과 50:50으로 나누는 구조입니다. 더구나 아직 회사가 Chain에서 발생한 총 Gas Fee 가운데 어느 부분을 회계상 로빈후드의 순매출로 인식할 것인지 명확하게 설명하지 않았습니다. 따라서 현재 시장에서 이야기되는 $4.5M/day → ARR $1.64B를 그대로 로빈후드 신규 매출이라고 보는 것은 과도합니다. 지금은 로빈후드가 고객의 가스비를 대신 내주고 있다 더 중요한 변수가 있습니다. 로빈후드는 메인넷 출시와 함께 첫 90일 동안 사용자 Gas Fee를 지원한다고 발표했습니다. 이 정책은 9월 29일까지 이어집니다. 현재 사용자는 사실상 가스비 부담 없이 거래하고 있지만 Chain 내부에서는 높은 Gas Fee가 계속 발생하고 있습니다.
원문 구간 3
로빈후드 입장에서 보면 자신이 고객 대신 비용을 부담하면서 네트워크 활동을 키우고 있고 그 과정에서 발생한 가스비 일부를 Arbitrum과 나누는 구조입니다. 따라서 지금 나타나는 수수료 규모는 매출과 마케팅 비용이 동시에 부풀어 있는 과도기적 숫자에 가깝습니다. 서비스가 좋아질수록 오히려 지금의 가스비는 내려가야 한다 흥미로운 부분은 Robinhood Chain이 기술적으로 성공할수록 현재의 비정상적으로 높은 수수료는 오히려 떨어져야 한다는 점입니다. 지금 로빈후드가 큰 돈을 버는 이유는 네트워크에 거래가 몰리면서 혼잡비용이 매우 높아졌기 때문입니다. 향후 로빈후드가 네트워크 캐파를 확대하고 Backlog를 해결하면 사용자 경험은 좋아지지만 Transaction당 Gas Fee는 크게 낮아질 수밖에 없습니다. 현재 $4.5M/day가 유지되는 것이 Chain의 성공을 의미하는 것은 아닙니다. 장기적으로는 거래량이 훨씬 커지는 대신 건당 수수료는 내려가는 구조가 더 건강합니다. 당초 기대됐던 연간 수수료 수익은 약 $127M 수준이었습니다. 이 정도만 해도 현재 TTM 매출의 약 2.6%이기 때문에 충분히 의미 있는 신규 사업입니다. 최근의 $1.64B 단순 연환산 수치가 워낙 커지면서 투자자의 기대치가 지나치게 빠르게 올라간 측면이 있습니다. 결국 9월 29일 이후가 첫 진짜 테스트 가장 중요한 시점은 무료 Gas Fee 지원이 종료되는 9월 29일 전후입니다. 두 가지 시나리오를 볼 수 있습니다. 가스비가 정상화되면서 수수료 매출은 크게 떨어지더라도 Transaction이 높은 수준에서 유지된다면 긍정적입니다. 하루 $4.5M이라는 수익 자체는 일회성이었더라도 Robinhood Chain이 단기간에 상당한 유동성과 사용자를 확보했다는 의미이기 때문입니다.
원문 구간 4
그 경우 장기적으로는 주식 토큰 거래를 넘어 대출/담보/결제 등 온체인 금융 서비스로 확장하면서 CY27의 새로운 성장동력이 될 가능성이 있습니다. 반대로 무료 가스비가 끝난 뒤 Transaction까지 급감한다면 해석이 완전히 달라집니다. 로빈후드가 높은 Gas Fee를 사실상 마케팅 비용으로 부담했고 무료 거래를 찾아온 밈코인과 봇이 일시적으로 Chain에 몰렸던 이벤트였을 가능성이 커집니다. 아직은 좀 더 지켜보려 하는 이유들 Robinhood Chain에서 사용량이 빠르게 증가하고 있다는 점 자체는 상당히 흥미롭습니다. Permissionless Chain을 열자 예상보다 빠르게 유동성과 개발자 활동이 붙을 수 있다는 것도 확인했습니다. 다만 현재 시장이 주목하는 $4.5M/day의 Gas Fee를 지속 가능한 수익으로 보는 것은 위험합니다. 앞으로 봐야 할 것은 Gas Fee 자체가 아니라, 9월 29일 이후 Transaction 유지율 건당 Gas Fee 정상화 수준 밈코인 이외의 주식 토큰/대출 이용량 로빈후드가 실제로 인식하는 순수익입니다. 결국 Robinhood Chain이 정말 중요한 사업이 될지는 얼마나 비싼 가스비를 받고 있는가가 아니라 보조금이 사라진 뒤에도 사람들이 이 체인을 계속 사용하는가에서 결정될 것으로 봅니다. 피겨 테크(FIGR) 피겨 테크놀로지FIGR는 Overweight을 유지합니다. CY27 PER 20.0배(CY27 EPS $1.8)입니다. 피겨 테크놀로지 2Q26 실적발표 : 블록체인 효과 가속, 자본효율적 대출 마켓플레이스로 전환 중 피겨 테크놀로지 1Q26 실적발표 : 블록체인으로 대출시장을 바꾸는 중, 이번에도 매출 YoY 98% 피겨 테크놀로지 4Q25 실적발표 : 매출성장률 YoY 91%, 일회성 비용과 락업 우려 속 펀더멘탈 체크

이 자료에서 다룬 사실

9월 2일 가스비는 445만달러로 8월 22일보다 82배 증가했고 거래 건수는 36% 늘었다고 적었다.

근거 보기 4

원문 구간 1
Neutral = 중립 Underweight = 비중축소 올바른 미국주식 by SAPIENS Overweight *순서는 비중, 강도와 무관합니다* Nvidia Vertiv Bloom Energy Sea Limited DoorDash Micron Figure Tech Semtech Sandisk Unity Software CoreWeave Nebius Lumentum Viavi Solutions Fortinet 로빈후드(HOOD) 로빈후드HOOD는 Neutral을 유지합니다. 로빈후드 3Q25 실적발표 : 폴리마켓을 넘어서는 Robinhood Prediction Robinhood Chain에서 일어나고 있는 일들 Robinhood Chain에서 발생하는 수수료가 최근 하루 $4.5M 수준까지 올라왔습니다. 이를 단순 연환산하면 약 $1.64B입니다. 로빈후드의 TTM 매출이 $4.9B라는 점을 감안하면 기존 매출의 33.5%에 해당하는 신규 사업이 갑자기 생긴 것처럼 보입니다. 다만 중요한 것은 현재의 수수료 수준이 정상적인 Run-rate인가입니다. 이 부분은 하나씩 뜯어볼 필요가 있습니다: Transaction은 +36%인데, Gas Fee는 82배 증가 Robinhood Chain은 7월 1일 메인넷을 출시했습니다. 지난 두 달 동안 거래량도 꾸준히 증가했지만 최근 가스비 증가 속도는 완전히 다른 수준입니다. 9월 2일 Robinhood Chain에서 발생한 Gas Fee는 $4.45M로 8월 22일 $54K 대비 82배 증가했습니다. 같은 기간 Transaction은 불과 36% 증가했습니다. 사용자가 82배 많아진 것이 아니라 거래 한 건당 지불되는 가스비가 폭증하면서 수수료가 급격하게 늘어난 것입니다.
원문 구간 2
밈코인이 Robinhood Chain으로 들어오면서 네트워크 혼잡비용 상승 로빈후드가 자체 체인을 만든 본래 목적은 주식 토큰을 중심으로 글로벌 자산시장을 온체인화하는 것입니다. 주식이나 다른 실물자산을 ERC-20 형태로 만들면 단순 매매를 넘어 대출의 담보로 활용하거나 다른 DeFi 서비스와 결합하는 것도 가능합니다. 그런데 로빈후드가 이를 Permissionless하게 열어두자 예상하지 못했던 수요가 들어왔습니다. 밈코인 생태계입니다. 토큰을 만들고 매매하는 봇 트래픽이 급증하면서 네트워크에 Backlog가 쌓였고 Transaction당 Gas Fee가 크게 상승했습니다. 결과적으로 로빈후드는 본래 의도했던 주식 토큰보다 밈코인으로 인한 네트워크 혼잡 덕분에 갑자기 막대한 수수료가 발생하는 상황을 맞았습니다. $4.5M가 그대로 로빈후드 매출인 것은 아닙니다 여기서 한 번 더 주의해야 합니다. Robinhood Chain에서 발생한 수수료는 로빈후드가 전부 가져가는 구조가 아니라 Arbitrum과 50:50으로 나누는 구조입니다. 더구나 아직 회사가 Chain에서 발생한 총 Gas Fee 가운데 어느 부분을 회계상 로빈후드의 순매출로 인식할 것인지 명확하게 설명하지 않았습니다. 따라서 현재 시장에서 이야기되는 $4.5M/day → ARR $1.64B를 그대로 로빈후드 신규 매출이라고 보는 것은 과도합니다. 지금은 로빈후드가 고객의 가스비를 대신 내주고 있다 더 중요한 변수가 있습니다. 로빈후드는 메인넷 출시와 함께 첫 90일 동안 사용자 Gas Fee를 지원한다고 발표했습니다. 이 정책은 9월 29일까지 이어집니다. 현재 사용자는 사실상 가스비 부담 없이 거래하고 있지만 Chain 내부에서는 높은 Gas Fee가 계속 발생하고 있습니다.
원문 구간 3
로빈후드 입장에서 보면 자신이 고객 대신 비용을 부담하면서 네트워크 활동을 키우고 있고 그 과정에서 발생한 가스비 일부를 Arbitrum과 나누는 구조입니다. 따라서 지금 나타나는 수수료 규모는 매출과 마케팅 비용이 동시에 부풀어 있는 과도기적 숫자에 가깝습니다. 서비스가 좋아질수록 오히려 지금의 가스비는 내려가야 한다 흥미로운 부분은 Robinhood Chain이 기술적으로 성공할수록 현재의 비정상적으로 높은 수수료는 오히려 떨어져야 한다는 점입니다. 지금 로빈후드가 큰 돈을 버는 이유는 네트워크에 거래가 몰리면서 혼잡비용이 매우 높아졌기 때문입니다. 향후 로빈후드가 네트워크 캐파를 확대하고 Backlog를 해결하면 사용자 경험은 좋아지지만 Transaction당 Gas Fee는 크게 낮아질 수밖에 없습니다. 현재 $4.5M/day가 유지되는 것이 Chain의 성공을 의미하는 것은 아닙니다. 장기적으로는 거래량이 훨씬 커지는 대신 건당 수수료는 내려가는 구조가 더 건강합니다. 당초 기대됐던 연간 수수료 수익은 약 $127M 수준이었습니다. 이 정도만 해도 현재 TTM 매출의 약 2.6%이기 때문에 충분히 의미 있는 신규 사업입니다. 최근의 $1.64B 단순 연환산 수치가 워낙 커지면서 투자자의 기대치가 지나치게 빠르게 올라간 측면이 있습니다. 결국 9월 29일 이후가 첫 진짜 테스트 가장 중요한 시점은 무료 Gas Fee 지원이 종료되는 9월 29일 전후입니다. 두 가지 시나리오를 볼 수 있습니다. 가스비가 정상화되면서 수수료 매출은 크게 떨어지더라도 Transaction이 높은 수준에서 유지된다면 긍정적입니다. 하루 $4.5M이라는 수익 자체는 일회성이었더라도 Robinhood Chain이 단기간에 상당한 유동성과 사용자를 확보했다는 의미이기 때문입니다.
원문 구간 4
그 경우 장기적으로는 주식 토큰 거래를 넘어 대출/담보/결제 등 온체인 금융 서비스로 확장하면서 CY27의 새로운 성장동력이 될 가능성이 있습니다. 반대로 무료 가스비가 끝난 뒤 Transaction까지 급감한다면 해석이 완전히 달라집니다. 로빈후드가 높은 Gas Fee를 사실상 마케팅 비용으로 부담했고 무료 거래를 찾아온 밈코인과 봇이 일시적으로 Chain에 몰렸던 이벤트였을 가능성이 커집니다. 아직은 좀 더 지켜보려 하는 이유들 Robinhood Chain에서 사용량이 빠르게 증가하고 있다는 점 자체는 상당히 흥미롭습니다. Permissionless Chain을 열자 예상보다 빠르게 유동성과 개발자 활동이 붙을 수 있다는 것도 확인했습니다. 다만 현재 시장이 주목하는 $4.5M/day의 Gas Fee를 지속 가능한 수익으로 보는 것은 위험합니다. 앞으로 봐야 할 것은 Gas Fee 자체가 아니라, 9월 29일 이후 Transaction 유지율 건당 Gas Fee 정상화 수준 밈코인 이외의 주식 토큰/대출 이용량 로빈후드가 실제로 인식하는 순수익입니다. 결국 Robinhood Chain이 정말 중요한 사업이 될지는 얼마나 비싼 가스비를 받고 있는가가 아니라 보조금이 사라진 뒤에도 사람들이 이 체인을 계속 사용하는가에서 결정될 것으로 봅니다. 피겨 테크(FIGR) 피겨 테크놀로지FIGR는 Overweight을 유지합니다. CY27 PER 20.0배(CY27 EPS $1.8)입니다. 피겨 테크놀로지 2Q26 실적발표 : 블록체인 효과 가속, 자본효율적 대출 마켓플레이스로 전환 중 피겨 테크놀로지 1Q26 실적발표 : 블록체인으로 대출시장을 바꾸는 중, 이번에도 매출 YoY 98% 피겨 테크놀로지 4Q25 실적발표 : 매출성장률 YoY 91%, 일회성 비용과 락업 우려 속 펀더멘탈 체크

그렇게 판단한 이유

수수료는 Arbitrum과 나누고 9월 29일까지 고객 가스비를 지원한다는 점을 근거로 든다.

근거 보기 4

원문 구간 1
Neutral = 중립 Underweight = 비중축소 올바른 미국주식 by SAPIENS Overweight *순서는 비중, 강도와 무관합니다* Nvidia Vertiv Bloom Energy Sea Limited DoorDash Micron Figure Tech Semtech Sandisk Unity Software CoreWeave Nebius Lumentum Viavi Solutions Fortinet 로빈후드(HOOD) 로빈후드HOOD는 Neutral을 유지합니다. 로빈후드 3Q25 실적발표 : 폴리마켓을 넘어서는 Robinhood Prediction Robinhood Chain에서 일어나고 있는 일들 Robinhood Chain에서 발생하는 수수료가 최근 하루 $4.5M 수준까지 올라왔습니다. 이를 단순 연환산하면 약 $1.64B입니다. 로빈후드의 TTM 매출이 $4.9B라는 점을 감안하면 기존 매출의 33.5%에 해당하는 신규 사업이 갑자기 생긴 것처럼 보입니다. 다만 중요한 것은 현재의 수수료 수준이 정상적인 Run-rate인가입니다. 이 부분은 하나씩 뜯어볼 필요가 있습니다: Transaction은 +36%인데, Gas Fee는 82배 증가 Robinhood Chain은 7월 1일 메인넷을 출시했습니다. 지난 두 달 동안 거래량도 꾸준히 증가했지만 최근 가스비 증가 속도는 완전히 다른 수준입니다. 9월 2일 Robinhood Chain에서 발생한 Gas Fee는 $4.45M로 8월 22일 $54K 대비 82배 증가했습니다. 같은 기간 Transaction은 불과 36% 증가했습니다. 사용자가 82배 많아진 것이 아니라 거래 한 건당 지불되는 가스비가 폭증하면서 수수료가 급격하게 늘어난 것입니다.
원문 구간 2
밈코인이 Robinhood Chain으로 들어오면서 네트워크 혼잡비용 상승 로빈후드가 자체 체인을 만든 본래 목적은 주식 토큰을 중심으로 글로벌 자산시장을 온체인화하는 것입니다. 주식이나 다른 실물자산을 ERC-20 형태로 만들면 단순 매매를 넘어 대출의 담보로 활용하거나 다른 DeFi 서비스와 결합하는 것도 가능합니다. 그런데 로빈후드가 이를 Permissionless하게 열어두자 예상하지 못했던 수요가 들어왔습니다. 밈코인 생태계입니다. 토큰을 만들고 매매하는 봇 트래픽이 급증하면서 네트워크에 Backlog가 쌓였고 Transaction당 Gas Fee가 크게 상승했습니다. 결과적으로 로빈후드는 본래 의도했던 주식 토큰보다 밈코인으로 인한 네트워크 혼잡 덕분에 갑자기 막대한 수수료가 발생하는 상황을 맞았습니다. $4.5M가 그대로 로빈후드 매출인 것은 아닙니다 여기서 한 번 더 주의해야 합니다. Robinhood Chain에서 발생한 수수료는 로빈후드가 전부 가져가는 구조가 아니라 Arbitrum과 50:50으로 나누는 구조입니다. 더구나 아직 회사가 Chain에서 발생한 총 Gas Fee 가운데 어느 부분을 회계상 로빈후드의 순매출로 인식할 것인지 명확하게 설명하지 않았습니다. 따라서 현재 시장에서 이야기되는 $4.5M/day → ARR $1.64B를 그대로 로빈후드 신규 매출이라고 보는 것은 과도합니다. 지금은 로빈후드가 고객의 가스비를 대신 내주고 있다 더 중요한 변수가 있습니다. 로빈후드는 메인넷 출시와 함께 첫 90일 동안 사용자 Gas Fee를 지원한다고 발표했습니다. 이 정책은 9월 29일까지 이어집니다. 현재 사용자는 사실상 가스비 부담 없이 거래하고 있지만 Chain 내부에서는 높은 Gas Fee가 계속 발생하고 있습니다.
원문 구간 3
로빈후드 입장에서 보면 자신이 고객 대신 비용을 부담하면서 네트워크 활동을 키우고 있고 그 과정에서 발생한 가스비 일부를 Arbitrum과 나누는 구조입니다. 따라서 지금 나타나는 수수료 규모는 매출과 마케팅 비용이 동시에 부풀어 있는 과도기적 숫자에 가깝습니다. 서비스가 좋아질수록 오히려 지금의 가스비는 내려가야 한다 흥미로운 부분은 Robinhood Chain이 기술적으로 성공할수록 현재의 비정상적으로 높은 수수료는 오히려 떨어져야 한다는 점입니다. 지금 로빈후드가 큰 돈을 버는 이유는 네트워크에 거래가 몰리면서 혼잡비용이 매우 높아졌기 때문입니다. 향후 로빈후드가 네트워크 캐파를 확대하고 Backlog를 해결하면 사용자 경험은 좋아지지만 Transaction당 Gas Fee는 크게 낮아질 수밖에 없습니다. 현재 $4.5M/day가 유지되는 것이 Chain의 성공을 의미하는 것은 아닙니다. 장기적으로는 거래량이 훨씬 커지는 대신 건당 수수료는 내려가는 구조가 더 건강합니다. 당초 기대됐던 연간 수수료 수익은 약 $127M 수준이었습니다. 이 정도만 해도 현재 TTM 매출의 약 2.6%이기 때문에 충분히 의미 있는 신규 사업입니다. 최근의 $1.64B 단순 연환산 수치가 워낙 커지면서 투자자의 기대치가 지나치게 빠르게 올라간 측면이 있습니다. 결국 9월 29일 이후가 첫 진짜 테스트 가장 중요한 시점은 무료 Gas Fee 지원이 종료되는 9월 29일 전후입니다. 두 가지 시나리오를 볼 수 있습니다. 가스비가 정상화되면서 수수료 매출은 크게 떨어지더라도 Transaction이 높은 수준에서 유지된다면 긍정적입니다. 하루 $4.5M이라는 수익 자체는 일회성이었더라도 Robinhood Chain이 단기간에 상당한 유동성과 사용자를 확보했다는 의미이기 때문입니다.
원문 구간 4
그 경우 장기적으로는 주식 토큰 거래를 넘어 대출/담보/결제 등 온체인 금융 서비스로 확장하면서 CY27의 새로운 성장동력이 될 가능성이 있습니다. 반대로 무료 가스비가 끝난 뒤 Transaction까지 급감한다면 해석이 완전히 달라집니다. 로빈후드가 높은 Gas Fee를 사실상 마케팅 비용으로 부담했고 무료 거래를 찾아온 밈코인과 봇이 일시적으로 Chain에 몰렸던 이벤트였을 가능성이 커집니다. 아직은 좀 더 지켜보려 하는 이유들 Robinhood Chain에서 사용량이 빠르게 증가하고 있다는 점 자체는 상당히 흥미롭습니다. Permissionless Chain을 열자 예상보다 빠르게 유동성과 개발자 활동이 붙을 수 있다는 것도 확인했습니다. 다만 현재 시장이 주목하는 $4.5M/day의 Gas Fee를 지속 가능한 수익으로 보는 것은 위험합니다. 앞으로 봐야 할 것은 Gas Fee 자체가 아니라, 9월 29일 이후 Transaction 유지율 건당 Gas Fee 정상화 수준 밈코인 이외의 주식 토큰/대출 이용량 로빈후드가 실제로 인식하는 순수익입니다. 결국 Robinhood Chain이 정말 중요한 사업이 될지는 얼마나 비싼 가스비를 받고 있는가가 아니라 보조금이 사라진 뒤에도 사람들이 이 체인을 계속 사용하는가에서 결정될 것으로 봅니다. 피겨 테크(FIGR) 피겨 테크놀로지FIGR는 Overweight을 유지합니다. CY27 PER 20.0배(CY27 EPS $1.8)입니다. 피겨 테크놀로지 2Q26 실적발표 : 블록체인 효과 가속, 자본효율적 대출 마켓플레이스로 전환 중 피겨 테크놀로지 1Q26 실적발표 : 블록체인으로 대출시장을 바꾸는 중, 이번에도 매출 YoY 98% 피겨 테크놀로지 4Q25 실적발표 : 매출성장률 YoY 91%, 일회성 비용과 락업 우려 속 펀더멘탈 체크

발생발표·발생 후발생일 26-9-2

26-9 피겨 테크 Kiavi 인수 완료

작성자의 핵심 판단

Kiavi 인수는 분기 실적보다 RTL에서 DSCR로 이어지는 대출 관계를 넓히는 변화라고 본다.

근거 보기 2

원문 구간 1
피겨 테크놀로지 창업자 인터뷰 : SoFi 창업자가 블록체인에서 금융의 미래를 찾은 이유 Figure - Kiavi 인수 완료 9월 2일부로 피겨의 Kiavi 인수가 완료됐습니다. Kiavi는 주택을 매각하지 않고 임대사업으로 전환하려는 부동산 투자자에게 대출을 제공하는 사업이 주력입니다. 일반적으로 RTL(Residential Transition Loan)로 주택을 매입/리모델링한 뒤 임대가 시작되면 DSCR(Debt Service Coverage Ratio) 대출로 리파이낸싱하는 구조입니다. 피겨 입장에서는 주택담보대출 외에 부동산 투자자 금융까지 상품군을 확장할 수 있게 됩니다. 중요한 것은 현재 3Q26 가이던스에 Kiavi 실적이 포함돼 있지 않다는 점입니다. 인수회계상 9월 1일부터 Kiavi의 매출과 이익이 FIGR 실적에 반영될 예정이기 때문에 기존 3Q 추정치보다는 소폭 상회하는 실적이 나올 가능성이 높습니다. 단순히 이번 분기 실적을 조금 올려주는 인수라기보다 향후 RTL → DSCR 리파이낸싱으로 이어지는 대출 루프를 피겨의 온체인 자본시장 인프라와 결합할 수 있다는 점이 더 중요한 변화입니다. RTL → DSCR이란 무엇인가? 어떤 투자자가 낡은 집을 $300K에 발견했다고 가정해보겠습니다. 하지만 당장은 집이 낡아서 월세를 제대로 받을 수 없습니다. 먼저 Kiavi에서 RTL를 받습니다. 주택 매입 → 리모델링 → 임차인 확보까지를 완료합니다. 예를 들어 리모델링 이후 집값이 $450K가 되고 월세를 $3,500 받을 수 있게 됐다고 해보겠습니다. 이제 부동산이 안정적인 임대수익을 만드는 자산으로 바뀌었습니다. 이 시점에서 투자자는 RTL을 갚고 장기 DSCR 대출로 리파이낸싱합니다. 월세가 $3,500이고 새 대출의 PITIA(Principal: 원금, Interest: 이자, Taxes: 재산세, Insurance: 보험료, Association dues: HOA 관리비)등 해당 주택을 보유하면서 금융적으로 부담해야 하는 비용가 $2,800이라면 DSCR은 1.25x입니다.
원문 구간 2
충분한 임대 현금흐름이 확인됐으므로 30년 만기 같은 장기 임대대출로 전환할 수 있습니다. RTL → 집 매입/리모델링 → 임대 안정화 → DSCR 대출 → RTL 상환 → 회수한 자금으로 다음 집 매입 이라는 루프가 만들어집니다. 이게 Kiavi 인수에서 꽤 중요한 포인트입니다. 단기 RTL → 장기 DSCR → 다음 주택 RTL → 다시 DSCR 로 임대사업자와의 대출 관계를 계속 이어갈 수 있습니다. 고객 한 명이 주택을 한 채 살 때 한 번 돈을 버는 것이 아니라 부동산 포트폴리오를 확장하는 동안 반복해서 대출을 공급할 수 있게 되는 구조입니다. 크레도(CRDO) 크레도CRDO는 Neutral을 유지합니다. 실적은 In-line, 연간 성장률 가이던스는 85%로 상향 이번 분기 매출은 $479.0M(컨센 $472M) YoY 115%, Adj EPS $1.20(컨센 $1.17), Non-GAAP GPM 68.0%, Non-GAAP OPM 48.2%입니다. 다음 분기 CY3Q26(FY2Q27) 가이던스는 매출 $525~535M(컨센 $516M), 연간 가이던스는 FY27(CY2Q26~CY1Q27) 매출 YoY 85%(1Q에는 80%였음)로 상향했습니다. 전체적으로 이번 분기 실적과 다음 분기 가이던스 모두 기대치에 대체로 부합했습니다. 크레도는 Fiscal Year와 Calendar Year의 차이가 큰 기업이라 연도 표기는 별도로 인지할 필요가 있습니다. AEC는 여전히 핵심 성장동력입니다 AEC 성장은 계속되고 있습니다. 현재 5대 하이퍼스케일러에 공급하고 있고 네오클라우드 고객으로도 확장 중입니다. 성장 동력은 기존 고객 내 침투율 상승 + 신규 고객 확대 + 1.6T AEC 전환입니다. 1.6T AEC는 CY4Q26부터 일부 매출이 발생하고 CY27부터 훨씬 의미 있는 규모로 성장할 것으로 전망했습니다.

이 자료에서 다룬 사실

피겨는 9월 2일 Kiavi 인수를 완료했고 기존 3분기 가이던스에는 실적이 포함되지 않았다고 적었다.

근거 보기 2

원문 구간 1
피겨 테크놀로지 창업자 인터뷰 : SoFi 창업자가 블록체인에서 금융의 미래를 찾은 이유 Figure - Kiavi 인수 완료 9월 2일부로 피겨의 Kiavi 인수가 완료됐습니다. Kiavi는 주택을 매각하지 않고 임대사업으로 전환하려는 부동산 투자자에게 대출을 제공하는 사업이 주력입니다. 일반적으로 RTL(Residential Transition Loan)로 주택을 매입/리모델링한 뒤 임대가 시작되면 DSCR(Debt Service Coverage Ratio) 대출로 리파이낸싱하는 구조입니다. 피겨 입장에서는 주택담보대출 외에 부동산 투자자 금융까지 상품군을 확장할 수 있게 됩니다. 중요한 것은 현재 3Q26 가이던스에 Kiavi 실적이 포함돼 있지 않다는 점입니다. 인수회계상 9월 1일부터 Kiavi의 매출과 이익이 FIGR 실적에 반영될 예정이기 때문에 기존 3Q 추정치보다는 소폭 상회하는 실적이 나올 가능성이 높습니다. 단순히 이번 분기 실적을 조금 올려주는 인수라기보다 향후 RTL → DSCR 리파이낸싱으로 이어지는 대출 루프를 피겨의 온체인 자본시장 인프라와 결합할 수 있다는 점이 더 중요한 변화입니다. RTL → DSCR이란 무엇인가? 어떤 투자자가 낡은 집을 $300K에 발견했다고 가정해보겠습니다. 하지만 당장은 집이 낡아서 월세를 제대로 받을 수 없습니다. 먼저 Kiavi에서 RTL를 받습니다. 주택 매입 → 리모델링 → 임차인 확보까지를 완료합니다. 예를 들어 리모델링 이후 집값이 $450K가 되고 월세를 $3,500 받을 수 있게 됐다고 해보겠습니다. 이제 부동산이 안정적인 임대수익을 만드는 자산으로 바뀌었습니다. 이 시점에서 투자자는 RTL을 갚고 장기 DSCR 대출로 리파이낸싱합니다. 월세가 $3,500이고 새 대출의 PITIA(Principal: 원금, Interest: 이자, Taxes: 재산세, Insurance: 보험료, Association dues: HOA 관리비)등 해당 주택을 보유하면서 금융적으로 부담해야 하는 비용가 $2,800이라면 DSCR은 1.25x입니다.
원문 구간 2
충분한 임대 현금흐름이 확인됐으므로 30년 만기 같은 장기 임대대출로 전환할 수 있습니다. RTL → 집 매입/리모델링 → 임대 안정화 → DSCR 대출 → RTL 상환 → 회수한 자금으로 다음 집 매입 이라는 루프가 만들어집니다. 이게 Kiavi 인수에서 꽤 중요한 포인트입니다. 단기 RTL → 장기 DSCR → 다음 주택 RTL → 다시 DSCR 로 임대사업자와의 대출 관계를 계속 이어갈 수 있습니다. 고객 한 명이 주택을 한 채 살 때 한 번 돈을 버는 것이 아니라 부동산 포트폴리오를 확장하는 동안 반복해서 대출을 공급할 수 있게 되는 구조입니다. 크레도(CRDO) 크레도CRDO는 Neutral을 유지합니다. 실적은 In-line, 연간 성장률 가이던스는 85%로 상향 이번 분기 매출은 $479.0M(컨센 $472M) YoY 115%, Adj EPS $1.20(컨센 $1.17), Non-GAAP GPM 68.0%, Non-GAAP OPM 48.2%입니다. 다음 분기 CY3Q26(FY2Q27) 가이던스는 매출 $525~535M(컨센 $516M), 연간 가이던스는 FY27(CY2Q26~CY1Q27) 매출 YoY 85%(1Q에는 80%였음)로 상향했습니다. 전체적으로 이번 분기 실적과 다음 분기 가이던스 모두 기대치에 대체로 부합했습니다. 크레도는 Fiscal Year와 Calendar Year의 차이가 큰 기업이라 연도 표기는 별도로 인지할 필요가 있습니다. AEC는 여전히 핵심 성장동력입니다 AEC 성장은 계속되고 있습니다. 현재 5대 하이퍼스케일러에 공급하고 있고 네오클라우드 고객으로도 확장 중입니다. 성장 동력은 기존 고객 내 침투율 상승 + 신규 고객 확대 + 1.6T AEC 전환입니다. 1.6T AEC는 CY4Q26부터 일부 매출이 발생하고 CY27부터 훨씬 의미 있는 규모로 성장할 것으로 전망했습니다.

그렇게 판단한 이유

RTL 뒤 임대 안정화 시 DSCR로 전환하는 대출 루프를 설명한다.

근거 보기 2

원문 구간 1
피겨 테크놀로지 창업자 인터뷰 : SoFi 창업자가 블록체인에서 금융의 미래를 찾은 이유 Figure - Kiavi 인수 완료 9월 2일부로 피겨의 Kiavi 인수가 완료됐습니다. Kiavi는 주택을 매각하지 않고 임대사업으로 전환하려는 부동산 투자자에게 대출을 제공하는 사업이 주력입니다. 일반적으로 RTL(Residential Transition Loan)로 주택을 매입/리모델링한 뒤 임대가 시작되면 DSCR(Debt Service Coverage Ratio) 대출로 리파이낸싱하는 구조입니다. 피겨 입장에서는 주택담보대출 외에 부동산 투자자 금융까지 상품군을 확장할 수 있게 됩니다. 중요한 것은 현재 3Q26 가이던스에 Kiavi 실적이 포함돼 있지 않다는 점입니다. 인수회계상 9월 1일부터 Kiavi의 매출과 이익이 FIGR 실적에 반영될 예정이기 때문에 기존 3Q 추정치보다는 소폭 상회하는 실적이 나올 가능성이 높습니다. 단순히 이번 분기 실적을 조금 올려주는 인수라기보다 향후 RTL → DSCR 리파이낸싱으로 이어지는 대출 루프를 피겨의 온체인 자본시장 인프라와 결합할 수 있다는 점이 더 중요한 변화입니다. RTL → DSCR이란 무엇인가? 어떤 투자자가 낡은 집을 $300K에 발견했다고 가정해보겠습니다. 하지만 당장은 집이 낡아서 월세를 제대로 받을 수 없습니다. 먼저 Kiavi에서 RTL를 받습니다. 주택 매입 → 리모델링 → 임차인 확보까지를 완료합니다. 예를 들어 리모델링 이후 집값이 $450K가 되고 월세를 $3,500 받을 수 있게 됐다고 해보겠습니다. 이제 부동산이 안정적인 임대수익을 만드는 자산으로 바뀌었습니다. 이 시점에서 투자자는 RTL을 갚고 장기 DSCR 대출로 리파이낸싱합니다. 월세가 $3,500이고 새 대출의 PITIA(Principal: 원금, Interest: 이자, Taxes: 재산세, Insurance: 보험료, Association dues: HOA 관리비)등 해당 주택을 보유하면서 금융적으로 부담해야 하는 비용가 $2,800이라면 DSCR은 1.25x입니다.
원문 구간 2
충분한 임대 현금흐름이 확인됐으므로 30년 만기 같은 장기 임대대출로 전환할 수 있습니다. RTL → 집 매입/리모델링 → 임대 안정화 → DSCR 대출 → RTL 상환 → 회수한 자금으로 다음 집 매입 이라는 루프가 만들어집니다. 이게 Kiavi 인수에서 꽤 중요한 포인트입니다. 단기 RTL → 장기 DSCR → 다음 주택 RTL → 다시 DSCR 로 임대사업자와의 대출 관계를 계속 이어갈 수 있습니다. 고객 한 명이 주택을 한 채 살 때 한 번 돈을 버는 것이 아니라 부동산 포트폴리오를 확장하는 동안 반복해서 대출을 공급할 수 있게 되는 구조입니다. 크레도(CRDO) 크레도CRDO는 Neutral을 유지합니다. 실적은 In-line, 연간 성장률 가이던스는 85%로 상향 이번 분기 매출은 $479.0M(컨센 $472M) YoY 115%, Adj EPS $1.20(컨센 $1.17), Non-GAAP GPM 68.0%, Non-GAAP OPM 48.2%입니다. 다음 분기 CY3Q26(FY2Q27) 가이던스는 매출 $525~535M(컨센 $516M), 연간 가이던스는 FY27(CY2Q26~CY1Q27) 매출 YoY 85%(1Q에는 80%였음)로 상향했습니다. 전체적으로 이번 분기 실적과 다음 분기 가이던스 모두 기대치에 대체로 부합했습니다. 크레도는 Fiscal Year와 Calendar Year의 차이가 큰 기업이라 연도 표기는 별도로 인지할 필요가 있습니다. AEC는 여전히 핵심 성장동력입니다 AEC 성장은 계속되고 있습니다. 현재 5대 하이퍼스케일러에 공급하고 있고 네오클라우드 고객으로도 확장 중입니다. 성장 동력은 기존 고객 내 침투율 상승 + 신규 고객 확대 + 1.6T AEC 전환입니다. 1.6T AEC는 CY4Q26부터 일부 매출이 발생하고 CY27부터 훨씬 의미 있는 규모로 성장할 것으로 전망했습니다.

발생발표·발생 후발생일 26-9-2

26-9 히타치·블룸에너지 SOFC 협력

작성자의 핵심 판단

일본 확장의 핵심은 발전기 판매보다 현지 계통과 공장 설비를 연결할 시스템 통합 역량이라고 평가한다.

근거 보기 2

원문 구간 1
몇 가지 감안해야 할 점들 S&P 500 편입 효력 발생일인 9월 18일까지 $11~$14B의 기계적인 매수 수요가 점진적으로 들어오는 것인데, 주식 수를 채워야 하는 이슈이니 블룸에너지 시총이 커지면 패시브 매수 수요 규모 자체는 더 커질 수 있습니다. 최근 목~금요일 상승에는 이번 S&P 500 편입을 예상하는 수요가 Front-running되어 들어와있을 가능성이 꽤 있습니다. 패시브 매수 수요가 들어오니 좋다는 것은 맞는데 실제 주가가 어찌 될지는 모릅니다. 패시브 투자자 비중이 늘고 유통주식 회전율이 낮아지면 변동성이 낮아지는 효과가 생깁니다. 히타치와 협력 — 블룸에너지의 일본 현장발전 진입이 본격화 히타치가 블룸에너지와 협력해 데이터센터와 반도체 공장 등 산업 고객을 대상으로 SOFC 기반 현장발전원 솔루션을 공급합니다. 블룸에너지는 SOFC와 기술지원을 담당하고, 히타치는 전력 및 산업 분야에서 쌓아온 설계/시스템통합/OT 제어/운영지원을 담당합니다. 단순히 블룸에너지 서버를 일본에 판매하는 것이 아니라 기존 공장의 전력설비와 연결해 실제 운영 가능한 하나의 전력 시스템으로 만들어주는 구조입니다. 오미카 공장 실증을 끝냈다는 점이 중요합니다 양사는 이미 이바라키현 히타치 Omika Works에서 블룸에너지 연료전지와 히타치 제어시스템을 결합한 실증을 진행했습니다. 여기서 SOFC의 효율뿐 아니라 외부 제어시스템을 통한 발전량 원격 조절과 운전상태까지 검증했습니다. 여러 대의 Energy Server를 묶어 규모를 확대할 수 있는 구축 능력까지 확인했다는 것이 히타치의 설명입니다. 블룸에너지의 해외 확장 블룸에너지는 미국에서는 이미 데이터센터/산업용 On-site Power 레퍼런스를 상당히 확보하고 있습니다. 하지만 해외로 나가면 발전기 자체만 좋아서는 사업을 키우기 어렵습니다.
원문 구간 2
현지에서 (ㄱ) 전력계통과 어떻게 연결할지 → (ㄴ) 기존 공장설비와 어떻게 연동할지 → (ㄷ) 부하를 어떻게 제어할지 → (ㄹ) 설치/운영/유지보수를 누가 책임질지를 해결해야 합니다. 히타치는 이미 일본의 발전, 송배전, OT 시장에서 시스템 통합 능력과 고객 관계를 갖고 있기 때문에 블룸에너지는 SOFC를 공급하되 일본 현지의 장벽은 히타치가 알아서 낮춰주는 구조입니다. CY27부터 핵심은 Powered Shell 구축을 위한 현장발전원 엔비디아와 브로드컴도 2Q26에 고객사들의 Powered Shell 부족을 직접 언급했습니다. 추정하기에 CY27 CoWoS 기준 칩 레벨 전력 수요는 약 45~50GW인데, 미국 내 전력망을 통해 실제 연결 가능한 신규 전력은 11~14GW 수준으로 봅니다. 그렇다면 나머지 30~40GW를 소버린 클라우드와 BTM(Behind-the-Meter) 전력으로 얼마나 빠르게 채울 수 있느냐가 CY27부터 AI 인프라 업계의 가장 큰 화두가 될 가능성이 높습니다. 더구나 데이터센터가 늘어날수록 전력, 소음, 수자원에 대한 지역사회의 반발은 자연스럽게 커질 수밖에 없습니다. 모두가 이를 알고 있기에 이 주문들이 미리 들어오기 시작할 시즌이 3Q~4Q26이 될 것으로 보고 있습니다. Powered Shell 온라인을 위한 SOFC 수요가 기존의 성장 궤적보다 훨씬 가파를 것으로 보기에 블룸에너지의 성장성 대비 밸류가 여전히 매력적이라고 보고 있습니다. CY28부터는 그것도 부족해서 글로벌 Compute Pool이 화두가 될 듯 시에나는 이번 분기에 모든 AI HW 밸류체인 중 처음으로 Asynchronous Training의 가능성을 언급했습니다. 실제로 대규모로 사용되기 시작하면 이야기가 달라집니다.

이 자료에서 다룬 사실

히타치와 블룸에너지는 오미카 공장에서 연료전지와 제어시스템을 결합한 실증을 진행했다고 적었다.

근거 보기 2

원문 구간 1
몇 가지 감안해야 할 점들 S&P 500 편입 효력 발생일인 9월 18일까지 $11~$14B의 기계적인 매수 수요가 점진적으로 들어오는 것인데, 주식 수를 채워야 하는 이슈이니 블룸에너지 시총이 커지면 패시브 매수 수요 규모 자체는 더 커질 수 있습니다. 최근 목~금요일 상승에는 이번 S&P 500 편입을 예상하는 수요가 Front-running되어 들어와있을 가능성이 꽤 있습니다. 패시브 매수 수요가 들어오니 좋다는 것은 맞는데 실제 주가가 어찌 될지는 모릅니다. 패시브 투자자 비중이 늘고 유통주식 회전율이 낮아지면 변동성이 낮아지는 효과가 생깁니다. 히타치와 협력 — 블룸에너지의 일본 현장발전 진입이 본격화 히타치가 블룸에너지와 협력해 데이터센터와 반도체 공장 등 산업 고객을 대상으로 SOFC 기반 현장발전원 솔루션을 공급합니다. 블룸에너지는 SOFC와 기술지원을 담당하고, 히타치는 전력 및 산업 분야에서 쌓아온 설계/시스템통합/OT 제어/운영지원을 담당합니다. 단순히 블룸에너지 서버를 일본에 판매하는 것이 아니라 기존 공장의 전력설비와 연결해 실제 운영 가능한 하나의 전력 시스템으로 만들어주는 구조입니다. 오미카 공장 실증을 끝냈다는 점이 중요합니다 양사는 이미 이바라키현 히타치 Omika Works에서 블룸에너지 연료전지와 히타치 제어시스템을 결합한 실증을 진행했습니다. 여기서 SOFC의 효율뿐 아니라 외부 제어시스템을 통한 발전량 원격 조절과 운전상태까지 검증했습니다. 여러 대의 Energy Server를 묶어 규모를 확대할 수 있는 구축 능력까지 확인했다는 것이 히타치의 설명입니다. 블룸에너지의 해외 확장 블룸에너지는 미국에서는 이미 데이터센터/산업용 On-site Power 레퍼런스를 상당히 확보하고 있습니다. 하지만 해외로 나가면 발전기 자체만 좋아서는 사업을 키우기 어렵습니다.
원문 구간 2
현지에서 (ㄱ) 전력계통과 어떻게 연결할지 → (ㄴ) 기존 공장설비와 어떻게 연동할지 → (ㄷ) 부하를 어떻게 제어할지 → (ㄹ) 설치/운영/유지보수를 누가 책임질지를 해결해야 합니다. 히타치는 이미 일본의 발전, 송배전, OT 시장에서 시스템 통합 능력과 고객 관계를 갖고 있기 때문에 블룸에너지는 SOFC를 공급하되 일본 현지의 장벽은 히타치가 알아서 낮춰주는 구조입니다. CY27부터 핵심은 Powered Shell 구축을 위한 현장발전원 엔비디아와 브로드컴도 2Q26에 고객사들의 Powered Shell 부족을 직접 언급했습니다. 추정하기에 CY27 CoWoS 기준 칩 레벨 전력 수요는 약 45~50GW인데, 미국 내 전력망을 통해 실제 연결 가능한 신규 전력은 11~14GW 수준으로 봅니다. 그렇다면 나머지 30~40GW를 소버린 클라우드와 BTM(Behind-the-Meter) 전력으로 얼마나 빠르게 채울 수 있느냐가 CY27부터 AI 인프라 업계의 가장 큰 화두가 될 가능성이 높습니다. 더구나 데이터센터가 늘어날수록 전력, 소음, 수자원에 대한 지역사회의 반발은 자연스럽게 커질 수밖에 없습니다. 모두가 이를 알고 있기에 이 주문들이 미리 들어오기 시작할 시즌이 3Q~4Q26이 될 것으로 보고 있습니다. Powered Shell 온라인을 위한 SOFC 수요가 기존의 성장 궤적보다 훨씬 가파를 것으로 보기에 블룸에너지의 성장성 대비 밸류가 여전히 매력적이라고 보고 있습니다. CY28부터는 그것도 부족해서 글로벌 Compute Pool이 화두가 될 듯 시에나는 이번 분기에 모든 AI HW 밸류체인 중 처음으로 Asynchronous Training의 가능성을 언급했습니다. 실제로 대규모로 사용되기 시작하면 이야기가 달라집니다.

그렇게 판단한 이유

계통 연결·설비 연동·부하 제어·운영 책임을 해결해야 한다는 논리를 든다.

근거 보기 2

원문 구간 1
몇 가지 감안해야 할 점들 S&P 500 편입 효력 발생일인 9월 18일까지 $11~$14B의 기계적인 매수 수요가 점진적으로 들어오는 것인데, 주식 수를 채워야 하는 이슈이니 블룸에너지 시총이 커지면 패시브 매수 수요 규모 자체는 더 커질 수 있습니다. 최근 목~금요일 상승에는 이번 S&P 500 편입을 예상하는 수요가 Front-running되어 들어와있을 가능성이 꽤 있습니다. 패시브 매수 수요가 들어오니 좋다는 것은 맞는데 실제 주가가 어찌 될지는 모릅니다. 패시브 투자자 비중이 늘고 유통주식 회전율이 낮아지면 변동성이 낮아지는 효과가 생깁니다. 히타치와 협력 — 블룸에너지의 일본 현장발전 진입이 본격화 히타치가 블룸에너지와 협력해 데이터센터와 반도체 공장 등 산업 고객을 대상으로 SOFC 기반 현장발전원 솔루션을 공급합니다. 블룸에너지는 SOFC와 기술지원을 담당하고, 히타치는 전력 및 산업 분야에서 쌓아온 설계/시스템통합/OT 제어/운영지원을 담당합니다. 단순히 블룸에너지 서버를 일본에 판매하는 것이 아니라 기존 공장의 전력설비와 연결해 실제 운영 가능한 하나의 전력 시스템으로 만들어주는 구조입니다. 오미카 공장 실증을 끝냈다는 점이 중요합니다 양사는 이미 이바라키현 히타치 Omika Works에서 블룸에너지 연료전지와 히타치 제어시스템을 결합한 실증을 진행했습니다. 여기서 SOFC의 효율뿐 아니라 외부 제어시스템을 통한 발전량 원격 조절과 운전상태까지 검증했습니다. 여러 대의 Energy Server를 묶어 규모를 확대할 수 있는 구축 능력까지 확인했다는 것이 히타치의 설명입니다. 블룸에너지의 해외 확장 블룸에너지는 미국에서는 이미 데이터센터/산업용 On-site Power 레퍼런스를 상당히 확보하고 있습니다. 하지만 해외로 나가면 발전기 자체만 좋아서는 사업을 키우기 어렵습니다.
원문 구간 2
현지에서 (ㄱ) 전력계통과 어떻게 연결할지 → (ㄴ) 기존 공장설비와 어떻게 연동할지 → (ㄷ) 부하를 어떻게 제어할지 → (ㄹ) 설치/운영/유지보수를 누가 책임질지를 해결해야 합니다. 히타치는 이미 일본의 발전, 송배전, OT 시장에서 시스템 통합 능력과 고객 관계를 갖고 있기 때문에 블룸에너지는 SOFC를 공급하되 일본 현지의 장벽은 히타치가 알아서 낮춰주는 구조입니다. CY27부터 핵심은 Powered Shell 구축을 위한 현장발전원 엔비디아와 브로드컴도 2Q26에 고객사들의 Powered Shell 부족을 직접 언급했습니다. 추정하기에 CY27 CoWoS 기준 칩 레벨 전력 수요는 약 45~50GW인데, 미국 내 전력망을 통해 실제 연결 가능한 신규 전력은 11~14GW 수준으로 봅니다. 그렇다면 나머지 30~40GW를 소버린 클라우드와 BTM(Behind-the-Meter) 전력으로 얼마나 빠르게 채울 수 있느냐가 CY27부터 AI 인프라 업계의 가장 큰 화두가 될 가능성이 높습니다. 더구나 데이터센터가 늘어날수록 전력, 소음, 수자원에 대한 지역사회의 반발은 자연스럽게 커질 수밖에 없습니다. 모두가 이를 알고 있기에 이 주문들이 미리 들어오기 시작할 시즌이 3Q~4Q26이 될 것으로 보고 있습니다. Powered Shell 온라인을 위한 SOFC 수요가 기존의 성장 궤적보다 훨씬 가파를 것으로 보기에 블룸에너지의 성장성 대비 밸류가 여전히 매력적이라고 보고 있습니다. CY28부터는 그것도 부족해서 글로벌 Compute Pool이 화두가 될 듯 시에나는 이번 분기에 모든 AI HW 밸류체인 중 처음으로 Asynchronous Training의 가능성을 언급했습니다. 실제로 대규모로 사용되기 시작하면 이야기가 달라집니다.

발생발표·발생 후발생일 26-9-2

26-9 델 2026년 2분기 실적 발표

작성자의 핵심 판단

AI 서버 수요보다 GPU·메모리·전력·냉각 공급이 주문의 매출 전환을 가르는 문제라고 본다.

근거 보기 3

원문 구간 1
VR200 주문 받기 시작, 문제는 공급 (2Q26 실적발표) 델 Dell Technologies : 서버 수요-공급 체크 9월 3일에는 델의 2Q26 실적발표가 있었습니다. 실적과 가이던스 모두 크게 상향 이번 분기 매출 $47.0B(컨센 $44.92B) YoY 58%, Adj EPS $7.04(컨센 $4.91) YoY 203%, AI 서버 매출 $16.4B(컨센 $16B) YoY 100%이었습니다. 다음 분기 CY3Q26(FY3Q27) 가이던스 매출 $49.0B(컨센 $41.42B)로 강했습니다. 연간 가이던스도 FY27 매출 $192.0B(컨센 $173B), AI 서버 매출 $74.0B(컨센 $65.8B), Adj EPS $25.50(컨센 $18.90)로 매우 강합니다. AI 서버 GPM은 낮은데 규모의 경제 효과 AI 서버 매출은 이제 ISG 사업부 매출의 51.6%까지 올라왔습니다. 그런데 AI 서버 비중이 높아지는 과정에서 ISG OPM도 1Q26 10.5% → 2Q26 15.0%로 크게 개선됐습니다. AI 서버 자체는 GPM이 낮지만 매출 규모가 워낙 빠르게 커지다 보니 고정비 성격의 OpEx가 매출 증가 속도를 따라가지 않습니다. 이번 OPM 상승분 가운데 400bp 이상이 규모의 경제에서 발생했습니다. 결국 델에서는 AI 서버가 단순한 매출 성장원이 아니라 규모가 커질수록 영업이익 레버리지가 강해지는 사업으로 바뀌고 있습니다. VR200 주문이 매우 강하다, 그런데 성장은 울퉁불퉁할 수도 이번 분기 AI 서버 신규 주문은 $60.9B, 매출은 $16.4B, 분기말 수주잔고는 $95B였습니다. 8월 VR200 양산이 정상 시작된 이후로 엔비디아가 주문을 받기 시작하자 신규 주문이 크게 튄 것입니다.
원문 구간 2
델 입장에서 신규 주문이 계속 늘면서 파이프라인도 확대되고 있습니다. 다만 주문이 그대로 다음 분기 매출로 연결되는 구조는 아닙니다. 고객의 데이터센터 전력/냉각 준비 상황과 신규 GPU 및 관련 부품의 공급 시점을 확정하기 어려워 주문과 실제 출하 사이의 변동성이 상당히 큰 상태입니다. CoreWeave/xAI 중심 → 대기업 고객으로 확산 Dell AI Factory 고객은 6,500개 사까지 늘었습니다. 처음 3,200개 고객을 확보하는 데 8개 분기가 걸렸지만 추가 3,300개 고객을 확보하는 데는 최근 3개 분기밖에 걸리지 않았습니다. 고객 증가 속도가 명확하게 가속되고 있습니다. 초기 델의 AI 서버 성장은 코어위브와 xAI 같은 대형 AI 인프라 고객이 주도했지만 이제는 대기업향 주문 비중이 높아지고 있다는 점이 중요합니다. 대기업은 AI 서버만 구매하는 것이 아니라 스토리지, 네트워킹, 소프트웨어, 금융 서비스까지 함께 이용합니다. 고객 기반이 넓어질수록 델 입장에서는 고객당 매출과 마진을 동시에 높일 수 있는 구조가 만들어지고 있습니다. Agentic AI와 서버 교체 수요도 전통 서버 시장을 자극 전통 서버와 네트워킹 매출도 $10.5B, YoY +122%로 크게 증가했습니다. 노후 서버의 보안 문제 때문에 교체 수요가 발생하는 가운데 Agentic AI 확산으로 CPU 컴퓨팅 수요도 증가하고 있습니다. 다만 YoY +122%를 서버 출하량 증가로 해석해서는 안 됩니다. 메모리 가격 상승분을 고객에게 pass-through하면서 ASP와 매출이 크게 올라간 영향이 상당합니다. 순수한 수요 성장률보다는 부품 가격 상승을 고객에게 전가할 수 있는 델의 가격전가력을 확인했다는 점에 의미가 있습니다.
원문 구간 3
모든 것이 쇼티지, 그럼에도 'DRAM, DRAM, NAND, NAND' 현재 델의 AI 인프라 성장을 제한하는 것은 수요가 아니라 공급입니다. 회사가 부족하다고 언급한 품목만 DRAM, NAND, 서버 CPU, HDD, 아날로그 반도체, MOSFET, 전력반도체, MCU, TIA/Driver, ABF 기판, T-glass, 광학 부품, CDU, Power Rack 등에 이릅니다. 사실상 AI 데이터센터 공급망 전체에서 병목이 발생하고 있는 셈입니다. 그중에서도 가장 심각한 품목을 묻자 델은 "DRAM, DRAM, 그 다음은 NAND, NAND"라고 강조했습니다. AI 서버 공급 확대의 병목이 GPU에서 메모리와 전력, 냉각, 네트워크를 포함한 전체 데이터센터 BOM으로 확산되고 있다는 점을 보여주는 발언입니다. 구글 TPU 줄다리기 AVGO ↔ MTK, 대신 할라페뇨를 기대해보는 AVGO (3Q26 실적발표) 브로드컴 Broadcom : ASIC #1 기업, Compute 경쟁 체크 9월 2일에는 브로드컴의 3Q26 실적발표가 있었습니다. AI 매출, 앞으로 2년 연속 2배 성장 전망 이번 분기 매출 $29.6B(컨센 $29.4B) YoY 86%, Adj EPS $3.32(컨센 $3.24) YoY 96%, AI 반도체 매출 $16.7B(전사 매출비중 56%) YoY 221%입니다. 다음 분기인 CY3Q26(FY4Q26) 가이던스는 매출 $34.8B(컨센 $35.03B)이고, 다년간으로 보자면 FY26 AI 매출은 $58B → FY27은 $115B → FY28 $230B가 될 것으로 전망했습니다. 2년 연속 2배 성장 가이던스입니다. 구글, 앤스로픽, 오픈AI, 메타의 구체적인 GW 배치 계획과 CY27~CY28에 대한 공급 확보를 근거로 제시했습니다.

이 자료에서 다룬 사실

델의 신규 주문과 파이프라인은 확대됐지만 고객 데이터센터 준비와 부품 공급이 제약이라고 적었다.

근거 보기 3

원문 구간 1
VR200 주문 받기 시작, 문제는 공급 (2Q26 실적발표) 델 Dell Technologies : 서버 수요-공급 체크 9월 3일에는 델의 2Q26 실적발표가 있었습니다. 실적과 가이던스 모두 크게 상향 이번 분기 매출 $47.0B(컨센 $44.92B) YoY 58%, Adj EPS $7.04(컨센 $4.91) YoY 203%, AI 서버 매출 $16.4B(컨센 $16B) YoY 100%이었습니다. 다음 분기 CY3Q26(FY3Q27) 가이던스 매출 $49.0B(컨센 $41.42B)로 강했습니다. 연간 가이던스도 FY27 매출 $192.0B(컨센 $173B), AI 서버 매출 $74.0B(컨센 $65.8B), Adj EPS $25.50(컨센 $18.90)로 매우 강합니다. AI 서버 GPM은 낮은데 규모의 경제 효과 AI 서버 매출은 이제 ISG 사업부 매출의 51.6%까지 올라왔습니다. 그런데 AI 서버 비중이 높아지는 과정에서 ISG OPM도 1Q26 10.5% → 2Q26 15.0%로 크게 개선됐습니다. AI 서버 자체는 GPM이 낮지만 매출 규모가 워낙 빠르게 커지다 보니 고정비 성격의 OpEx가 매출 증가 속도를 따라가지 않습니다. 이번 OPM 상승분 가운데 400bp 이상이 규모의 경제에서 발생했습니다. 결국 델에서는 AI 서버가 단순한 매출 성장원이 아니라 규모가 커질수록 영업이익 레버리지가 강해지는 사업으로 바뀌고 있습니다. VR200 주문이 매우 강하다, 그런데 성장은 울퉁불퉁할 수도 이번 분기 AI 서버 신규 주문은 $60.9B, 매출은 $16.4B, 분기말 수주잔고는 $95B였습니다. 8월 VR200 양산이 정상 시작된 이후로 엔비디아가 주문을 받기 시작하자 신규 주문이 크게 튄 것입니다.
원문 구간 2
델 입장에서 신규 주문이 계속 늘면서 파이프라인도 확대되고 있습니다. 다만 주문이 그대로 다음 분기 매출로 연결되는 구조는 아닙니다. 고객의 데이터센터 전력/냉각 준비 상황과 신규 GPU 및 관련 부품의 공급 시점을 확정하기 어려워 주문과 실제 출하 사이의 변동성이 상당히 큰 상태입니다. CoreWeave/xAI 중심 → 대기업 고객으로 확산 Dell AI Factory 고객은 6,500개 사까지 늘었습니다. 처음 3,200개 고객을 확보하는 데 8개 분기가 걸렸지만 추가 3,300개 고객을 확보하는 데는 최근 3개 분기밖에 걸리지 않았습니다. 고객 증가 속도가 명확하게 가속되고 있습니다. 초기 델의 AI 서버 성장은 코어위브와 xAI 같은 대형 AI 인프라 고객이 주도했지만 이제는 대기업향 주문 비중이 높아지고 있다는 점이 중요합니다. 대기업은 AI 서버만 구매하는 것이 아니라 스토리지, 네트워킹, 소프트웨어, 금융 서비스까지 함께 이용합니다. 고객 기반이 넓어질수록 델 입장에서는 고객당 매출과 마진을 동시에 높일 수 있는 구조가 만들어지고 있습니다. Agentic AI와 서버 교체 수요도 전통 서버 시장을 자극 전통 서버와 네트워킹 매출도 $10.5B, YoY +122%로 크게 증가했습니다. 노후 서버의 보안 문제 때문에 교체 수요가 발생하는 가운데 Agentic AI 확산으로 CPU 컴퓨팅 수요도 증가하고 있습니다. 다만 YoY +122%를 서버 출하량 증가로 해석해서는 안 됩니다. 메모리 가격 상승분을 고객에게 pass-through하면서 ASP와 매출이 크게 올라간 영향이 상당합니다. 순수한 수요 성장률보다는 부품 가격 상승을 고객에게 전가할 수 있는 델의 가격전가력을 확인했다는 점에 의미가 있습니다.
원문 구간 3
모든 것이 쇼티지, 그럼에도 'DRAM, DRAM, NAND, NAND' 현재 델의 AI 인프라 성장을 제한하는 것은 수요가 아니라 공급입니다. 회사가 부족하다고 언급한 품목만 DRAM, NAND, 서버 CPU, HDD, 아날로그 반도체, MOSFET, 전력반도체, MCU, TIA/Driver, ABF 기판, T-glass, 광학 부품, CDU, Power Rack 등에 이릅니다. 사실상 AI 데이터센터 공급망 전체에서 병목이 발생하고 있는 셈입니다. 그중에서도 가장 심각한 품목을 묻자 델은 "DRAM, DRAM, 그 다음은 NAND, NAND"라고 강조했습니다. AI 서버 공급 확대의 병목이 GPU에서 메모리와 전력, 냉각, 네트워크를 포함한 전체 데이터센터 BOM으로 확산되고 있다는 점을 보여주는 발언입니다. 구글 TPU 줄다리기 AVGO ↔ MTK, 대신 할라페뇨를 기대해보는 AVGO (3Q26 실적발표) 브로드컴 Broadcom : ASIC #1 기업, Compute 경쟁 체크 9월 2일에는 브로드컴의 3Q26 실적발표가 있었습니다. AI 매출, 앞으로 2년 연속 2배 성장 전망 이번 분기 매출 $29.6B(컨센 $29.4B) YoY 86%, Adj EPS $3.32(컨센 $3.24) YoY 96%, AI 반도체 매출 $16.7B(전사 매출비중 56%) YoY 221%입니다. 다음 분기인 CY3Q26(FY4Q26) 가이던스는 매출 $34.8B(컨센 $35.03B)이고, 다년간으로 보자면 FY26 AI 매출은 $58B → FY27은 $115B → FY28 $230B가 될 것으로 전망했습니다. 2년 연속 2배 성장 가이던스입니다. 구글, 앤스로픽, 오픈AI, 메타의 구체적인 GW 배치 계획과 CY27~CY28에 대한 공급 확보를 근거로 제시했습니다.

그렇게 판단한 이유

DRAM과 NAND 부족이 성장을 제한한다는 회사 언급을 근거로 든다.

근거 보기 3

원문 구간 1
VR200 주문 받기 시작, 문제는 공급 (2Q26 실적발표) 델 Dell Technologies : 서버 수요-공급 체크 9월 3일에는 델의 2Q26 실적발표가 있었습니다. 실적과 가이던스 모두 크게 상향 이번 분기 매출 $47.0B(컨센 $44.92B) YoY 58%, Adj EPS $7.04(컨센 $4.91) YoY 203%, AI 서버 매출 $16.4B(컨센 $16B) YoY 100%이었습니다. 다음 분기 CY3Q26(FY3Q27) 가이던스 매출 $49.0B(컨센 $41.42B)로 강했습니다. 연간 가이던스도 FY27 매출 $192.0B(컨센 $173B), AI 서버 매출 $74.0B(컨센 $65.8B), Adj EPS $25.50(컨센 $18.90)로 매우 강합니다. AI 서버 GPM은 낮은데 규모의 경제 효과 AI 서버 매출은 이제 ISG 사업부 매출의 51.6%까지 올라왔습니다. 그런데 AI 서버 비중이 높아지는 과정에서 ISG OPM도 1Q26 10.5% → 2Q26 15.0%로 크게 개선됐습니다. AI 서버 자체는 GPM이 낮지만 매출 규모가 워낙 빠르게 커지다 보니 고정비 성격의 OpEx가 매출 증가 속도를 따라가지 않습니다. 이번 OPM 상승분 가운데 400bp 이상이 규모의 경제에서 발생했습니다. 결국 델에서는 AI 서버가 단순한 매출 성장원이 아니라 규모가 커질수록 영업이익 레버리지가 강해지는 사업으로 바뀌고 있습니다. VR200 주문이 매우 강하다, 그런데 성장은 울퉁불퉁할 수도 이번 분기 AI 서버 신규 주문은 $60.9B, 매출은 $16.4B, 분기말 수주잔고는 $95B였습니다. 8월 VR200 양산이 정상 시작된 이후로 엔비디아가 주문을 받기 시작하자 신규 주문이 크게 튄 것입니다.
원문 구간 2
델 입장에서 신규 주문이 계속 늘면서 파이프라인도 확대되고 있습니다. 다만 주문이 그대로 다음 분기 매출로 연결되는 구조는 아닙니다. 고객의 데이터센터 전력/냉각 준비 상황과 신규 GPU 및 관련 부품의 공급 시점을 확정하기 어려워 주문과 실제 출하 사이의 변동성이 상당히 큰 상태입니다. CoreWeave/xAI 중심 → 대기업 고객으로 확산 Dell AI Factory 고객은 6,500개 사까지 늘었습니다. 처음 3,200개 고객을 확보하는 데 8개 분기가 걸렸지만 추가 3,300개 고객을 확보하는 데는 최근 3개 분기밖에 걸리지 않았습니다. 고객 증가 속도가 명확하게 가속되고 있습니다. 초기 델의 AI 서버 성장은 코어위브와 xAI 같은 대형 AI 인프라 고객이 주도했지만 이제는 대기업향 주문 비중이 높아지고 있다는 점이 중요합니다. 대기업은 AI 서버만 구매하는 것이 아니라 스토리지, 네트워킹, 소프트웨어, 금융 서비스까지 함께 이용합니다. 고객 기반이 넓어질수록 델 입장에서는 고객당 매출과 마진을 동시에 높일 수 있는 구조가 만들어지고 있습니다. Agentic AI와 서버 교체 수요도 전통 서버 시장을 자극 전통 서버와 네트워킹 매출도 $10.5B, YoY +122%로 크게 증가했습니다. 노후 서버의 보안 문제 때문에 교체 수요가 발생하는 가운데 Agentic AI 확산으로 CPU 컴퓨팅 수요도 증가하고 있습니다. 다만 YoY +122%를 서버 출하량 증가로 해석해서는 안 됩니다. 메모리 가격 상승분을 고객에게 pass-through하면서 ASP와 매출이 크게 올라간 영향이 상당합니다. 순수한 수요 성장률보다는 부품 가격 상승을 고객에게 전가할 수 있는 델의 가격전가력을 확인했다는 점에 의미가 있습니다.
원문 구간 3
모든 것이 쇼티지, 그럼에도 'DRAM, DRAM, NAND, NAND' 현재 델의 AI 인프라 성장을 제한하는 것은 수요가 아니라 공급입니다. 회사가 부족하다고 언급한 품목만 DRAM, NAND, 서버 CPU, HDD, 아날로그 반도체, MOSFET, 전력반도체, MCU, TIA/Driver, ABF 기판, T-glass, 광학 부품, CDU, Power Rack 등에 이릅니다. 사실상 AI 데이터센터 공급망 전체에서 병목이 발생하고 있는 셈입니다. 그중에서도 가장 심각한 품목을 묻자 델은 "DRAM, DRAM, 그 다음은 NAND, NAND"라고 강조했습니다. AI 서버 공급 확대의 병목이 GPU에서 메모리와 전력, 냉각, 네트워크를 포함한 전체 데이터센터 BOM으로 확산되고 있다는 점을 보여주는 발언입니다. 구글 TPU 줄다리기 AVGO ↔ MTK, 대신 할라페뇨를 기대해보는 AVGO (3Q26 실적발표) 브로드컴 Broadcom : ASIC #1 기업, Compute 경쟁 체크 9월 2일에는 브로드컴의 3Q26 실적발표가 있었습니다. AI 매출, 앞으로 2년 연속 2배 성장 전망 이번 분기 매출 $29.6B(컨센 $29.4B) YoY 86%, Adj EPS $3.32(컨센 $3.24) YoY 96%, AI 반도체 매출 $16.7B(전사 매출비중 56%) YoY 221%입니다. 다음 분기인 CY3Q26(FY4Q26) 가이던스는 매출 $34.8B(컨센 $35.03B)이고, 다년간으로 보자면 FY26 AI 매출은 $58B → FY27은 $115B → FY28 $230B가 될 것으로 전망했습니다. 2년 연속 2배 성장 가이던스입니다. 구글, 앤스로픽, 오픈AI, 메타의 구체적인 GW 배치 계획과 CY27~CY28에 대한 공급 확보를 근거로 제시했습니다.

발생발표·발생 후발생일 26-9-2

26-9 브로드컴 실적 발표와 AI 가이던스

작성자의 핵심 판단

칩 공급을 넘어 랙·자금조달·잔존가치 부담까지 넓어지는 사업 구조를 함께 봐야 한다고 평가한다.

근거 보기 3

원문 구간 1
FY27부터 최대 고객은 구글이 아니라 '앤스로픽' 고객별 배치 계획을 보면 브로드컴의 XPU 매출 구조가 빠르게 바뀌고 있습니다. 앤스로픽은 CY26 TPU v7 1GW → CY27 TPU v8i 5GW → CY28 추가 10GW를 계획하고 있습니다. 계획대로라면 FY27부터 브로드컴의 최대 XPU 고객은 앤스로픽이 됩니다. 오픈AI는 할라페뇨를 FY27 1.3GW 배치한 뒤 FY28에는 할라페뇨와 차세대 XPU를 합쳐 5GW 이상을 계획하고 있습니다. 이미 후속 칩의 tape-out을 준비하고 있으며 3세대 XPU도 개발 중입니다. FY28에는 오픈AI가 브로드컴의 두 번째로 큰 XPU 고객이 될 전망입니다. 메타 역시 CY27 말부터 3세대 MTIA를 공급받아 CY28까지 3GW를 배치할 계획입니다. 이를 합치면 고객들의 잠재 수요는 CY27~CY28 30GW까지 보이지만 브로드컴은 Powered Shell 부족 때문에 이 물량이 모두 해당 연도 안에 실제 가동될 것으로 가정하지는 않고 있습니다. 앤스로픽/오픈AI 강세는 루멘텀에게도 상당히 긍정적 앤스로픽이 CY27 5GW에서 CY28 추가 10GW로 빠르게 확대된다면 XPU뿐 아니라 클러스터 내부의 OCS 수요도 크게 증가합니다. 특히 구글, 앤스로픽, 오픈AI가 모두 루멘텀의 MEMS 방식 OCS를 사용하고 있다는 점에서 긍정적입니다. 루멘텀이 8월 27일 도이치뱅크 컨퍼런스에서 OCS에 대해 매우 강한 코멘트를 내놓은 것도 최근 고객들의 대규모 GW 계획과 연결해서 볼 필요가 있습니다. 1GW당 반도체 Content는 $20~30B 브로드컴은 고객 AI 인프라 1GW당 반도체 Content를 $20~30B로 예상했고 향후 XPU 세대가 바뀌어도 이 수준은 비교적 안정적으로 유지될 것으로 전망했습니다.
원문 구간 2
이 부분이 생각보다 중요합니다. 차세대 XPU의 ASP가 올라가더라도 칩의 TDP도 함께 상승하기 때문에 동일한 1GW 안에 넣을 수 있는 XPU 숫자는 감소합니다. 즉 칩 성능과 ASP만 높여서는 1GW당 Dollar Content를 계속 크게 늘리기 어려워지고 있다는 의미입니다. 그래서 엔비디아도 GPU만 고도화하는 것이 아니라 ⓐ네트워킹 매출을 확대하고 ⓑ800VDC, Kyber Rack, CPO 등을 통해 전력과 구리 연결을 효율화하려고 합니다. 결국 경쟁의 단위가 개별 칩에서 1GW의 Critical IT Load 전체를 얼마나 효율적으로 구성할 수 있는가로 이동하고 있습니다. GPM은 하락하는데, OPM은 유지 브로드컴의 GPM은 CY1Q26 77% → CY2Q26 75% → CY3Q26 73% 가이던스로 계속 낮아지고 있습니다. GPM 94% 수준인 VMware 소프트웨어 매출 비중은 낮아지는 반면 상대적으로 GPM 67% 정도로 마진이 낮은 XPU 매출 비중이 빠르게 높아지고 있고 XPU에 들어가는 HBM 비용도 상승하고 있기 때문입니다. CEO는 그래서 GPM보다 OPM을 보라고 강조했습니다. CY3Q26에도 GPM은 하락하지만 OPM 66%는 유지하겠다는 입장입니다. 엔비디아에 이어 브로드컴에서도 확인되는 변화는 Compute 경쟁이 심해지다보니 이번 사이클의 메모리 비용 상승분을 고객에게 100% 전가하기보다 일부를 자체적으로 흡수하면서 AI 시스템 확산을 우선하고 있다는 점입니다. 브로드컴 : 칩 회사 → 매우 적극적인 AI Financing 사업자 이번 실적에서 가장 주의 깊게 볼 부분은 AI Financing입니다. 애널리스트가 앞으로도 GW가 추가될 때마다 비슷한 규모의 지급보증이 필요한지를 묻자 경영진은 명확한 상한을 제시하지 않고 "딜마다 다르다"고 답했습니다.
원문 구간 3
브로드컴의 역할이 기존의 칩 설계/판매 → 랙 구성 → 외부 자본 조달 → Financing 지원 → 일정 부분 잔존가치 리스크 부담까지 확대되고 있다는 의미입니다. 따라서 앞으로는 AI 매출 성장률만 볼 것이 아니라 브로드컴의 대차대조표와 앤스로픽/오픈AI의 지급능력까지 함께 봐야 하는 회사가 되고 있습니다. 브로드컴의 최근 CDS가 크게 높아지고 있는 이유입니다. 전략적으로 구글 TPU 물량 감소를 앤스로픽/오픈AI로 메우는 과정 향후 XPU 고객 중요도는 FY26 : 1. 구글 > 2. 앤스로픽 FY27 : 1. 앤스로픽 > 2. 구글(5GW보다 덜 맡긴다는 의미) FY28 : 1. 앤스로픽 > 2. 오픈AI > 3. 구글(5GW보다 덜 맡긴다는 의미) 순서로 바뀔 전망입니다. 구글이 예상보다 빠르게 TPU 물량 일부를 미디어텍으로 이전하면서 브로드컴은 그 공백을 앤스로픽과 오픈AI로 채워야 합니다. 이 과정에서 브로드컴은 ① XPU GPM을 낮추고 ② AI Financing을 적극 지원하는 방식으로 대규모 계약을 확보하고 있습니다. 쉽게 말하면, 고객이 칩과 인프라를 살 수 있도록 브로드컴이 자금조달까지 도와주고 보증도 서주는 구조 입니다. 브로드컴은 아폴로, 블랙스톤과 함께 AI XPV Financing 플랫폼을 구축했고 CY28까지 앤스로픽과 오픈AI의 20GW 이상 인프라 구축을 지원하는 것이 목표입니다. 첫 번째 앤스로픽 1GW 배치를 위한 $35B 규모 첫 트랜치도 이미 성사됐습니다. 보증해주는 금액이 매우 빠르게 성장하고 있습니다. Scale-across의 미래? synchronous training → asynchronous training (3Q26 실적발표)

이 자료에서 다룬 사실

고객별 XPU 배치 계획과 앤스로픽 TPU 도입, 전력당 탑재 가능한 XPU 수 제약을 다뤘다.

근거 보기 3

원문 구간 1
FY27부터 최대 고객은 구글이 아니라 '앤스로픽' 고객별 배치 계획을 보면 브로드컴의 XPU 매출 구조가 빠르게 바뀌고 있습니다. 앤스로픽은 CY26 TPU v7 1GW → CY27 TPU v8i 5GW → CY28 추가 10GW를 계획하고 있습니다. 계획대로라면 FY27부터 브로드컴의 최대 XPU 고객은 앤스로픽이 됩니다. 오픈AI는 할라페뇨를 FY27 1.3GW 배치한 뒤 FY28에는 할라페뇨와 차세대 XPU를 합쳐 5GW 이상을 계획하고 있습니다. 이미 후속 칩의 tape-out을 준비하고 있으며 3세대 XPU도 개발 중입니다. FY28에는 오픈AI가 브로드컴의 두 번째로 큰 XPU 고객이 될 전망입니다. 메타 역시 CY27 말부터 3세대 MTIA를 공급받아 CY28까지 3GW를 배치할 계획입니다. 이를 합치면 고객들의 잠재 수요는 CY27~CY28 30GW까지 보이지만 브로드컴은 Powered Shell 부족 때문에 이 물량이 모두 해당 연도 안에 실제 가동될 것으로 가정하지는 않고 있습니다. 앤스로픽/오픈AI 강세는 루멘텀에게도 상당히 긍정적 앤스로픽이 CY27 5GW에서 CY28 추가 10GW로 빠르게 확대된다면 XPU뿐 아니라 클러스터 내부의 OCS 수요도 크게 증가합니다. 특히 구글, 앤스로픽, 오픈AI가 모두 루멘텀의 MEMS 방식 OCS를 사용하고 있다는 점에서 긍정적입니다. 루멘텀이 8월 27일 도이치뱅크 컨퍼런스에서 OCS에 대해 매우 강한 코멘트를 내놓은 것도 최근 고객들의 대규모 GW 계획과 연결해서 볼 필요가 있습니다. 1GW당 반도체 Content는 $20~30B 브로드컴은 고객 AI 인프라 1GW당 반도체 Content를 $20~30B로 예상했고 향후 XPU 세대가 바뀌어도 이 수준은 비교적 안정적으로 유지될 것으로 전망했습니다.
원문 구간 2
이 부분이 생각보다 중요합니다. 차세대 XPU의 ASP가 올라가더라도 칩의 TDP도 함께 상승하기 때문에 동일한 1GW 안에 넣을 수 있는 XPU 숫자는 감소합니다. 즉 칩 성능과 ASP만 높여서는 1GW당 Dollar Content를 계속 크게 늘리기 어려워지고 있다는 의미입니다. 그래서 엔비디아도 GPU만 고도화하는 것이 아니라 ⓐ네트워킹 매출을 확대하고 ⓑ800VDC, Kyber Rack, CPO 등을 통해 전력과 구리 연결을 효율화하려고 합니다. 결국 경쟁의 단위가 개별 칩에서 1GW의 Critical IT Load 전체를 얼마나 효율적으로 구성할 수 있는가로 이동하고 있습니다. GPM은 하락하는데, OPM은 유지 브로드컴의 GPM은 CY1Q26 77% → CY2Q26 75% → CY3Q26 73% 가이던스로 계속 낮아지고 있습니다. GPM 94% 수준인 VMware 소프트웨어 매출 비중은 낮아지는 반면 상대적으로 GPM 67% 정도로 마진이 낮은 XPU 매출 비중이 빠르게 높아지고 있고 XPU에 들어가는 HBM 비용도 상승하고 있기 때문입니다. CEO는 그래서 GPM보다 OPM을 보라고 강조했습니다. CY3Q26에도 GPM은 하락하지만 OPM 66%는 유지하겠다는 입장입니다. 엔비디아에 이어 브로드컴에서도 확인되는 변화는 Compute 경쟁이 심해지다보니 이번 사이클의 메모리 비용 상승분을 고객에게 100% 전가하기보다 일부를 자체적으로 흡수하면서 AI 시스템 확산을 우선하고 있다는 점입니다. 브로드컴 : 칩 회사 → 매우 적극적인 AI Financing 사업자 이번 실적에서 가장 주의 깊게 볼 부분은 AI Financing입니다. 애널리스트가 앞으로도 GW가 추가될 때마다 비슷한 규모의 지급보증이 필요한지를 묻자 경영진은 명확한 상한을 제시하지 않고 "딜마다 다르다"고 답했습니다.
원문 구간 3
브로드컴의 역할이 기존의 칩 설계/판매 → 랙 구성 → 외부 자본 조달 → Financing 지원 → 일정 부분 잔존가치 리스크 부담까지 확대되고 있다는 의미입니다. 따라서 앞으로는 AI 매출 성장률만 볼 것이 아니라 브로드컴의 대차대조표와 앤스로픽/오픈AI의 지급능력까지 함께 봐야 하는 회사가 되고 있습니다. 브로드컴의 최근 CDS가 크게 높아지고 있는 이유입니다. 전략적으로 구글 TPU 물량 감소를 앤스로픽/오픈AI로 메우는 과정 향후 XPU 고객 중요도는 FY26 : 1. 구글 > 2. 앤스로픽 FY27 : 1. 앤스로픽 > 2. 구글(5GW보다 덜 맡긴다는 의미) FY28 : 1. 앤스로픽 > 2. 오픈AI > 3. 구글(5GW보다 덜 맡긴다는 의미) 순서로 바뀔 전망입니다. 구글이 예상보다 빠르게 TPU 물량 일부를 미디어텍으로 이전하면서 브로드컴은 그 공백을 앤스로픽과 오픈AI로 채워야 합니다. 이 과정에서 브로드컴은 ① XPU GPM을 낮추고 ② AI Financing을 적극 지원하는 방식으로 대규모 계약을 확보하고 있습니다. 쉽게 말하면, 고객이 칩과 인프라를 살 수 있도록 브로드컴이 자금조달까지 도와주고 보증도 서주는 구조 입니다. 브로드컴은 아폴로, 블랙스톤과 함께 AI XPV Financing 플랫폼을 구축했고 CY28까지 앤스로픽과 오픈AI의 20GW 이상 인프라 구축을 지원하는 것이 목표입니다. 첫 번째 앤스로픽 1GW 배치를 위한 $35B 규모 첫 트랜치도 이미 성사됐습니다. 보증해주는 금액이 매우 빠르게 성장하고 있습니다. Scale-across의 미래? synchronous training → asynchronous training (3Q26 실적발표)

그렇게 판단한 이유

성능과 ASP가 올라가도 전력당 XPU 수가 줄 수 있다는 연결을 제시한다.

근거 보기 3

원문 구간 1
FY27부터 최대 고객은 구글이 아니라 '앤스로픽' 고객별 배치 계획을 보면 브로드컴의 XPU 매출 구조가 빠르게 바뀌고 있습니다. 앤스로픽은 CY26 TPU v7 1GW → CY27 TPU v8i 5GW → CY28 추가 10GW를 계획하고 있습니다. 계획대로라면 FY27부터 브로드컴의 최대 XPU 고객은 앤스로픽이 됩니다. 오픈AI는 할라페뇨를 FY27 1.3GW 배치한 뒤 FY28에는 할라페뇨와 차세대 XPU를 합쳐 5GW 이상을 계획하고 있습니다. 이미 후속 칩의 tape-out을 준비하고 있으며 3세대 XPU도 개발 중입니다. FY28에는 오픈AI가 브로드컴의 두 번째로 큰 XPU 고객이 될 전망입니다. 메타 역시 CY27 말부터 3세대 MTIA를 공급받아 CY28까지 3GW를 배치할 계획입니다. 이를 합치면 고객들의 잠재 수요는 CY27~CY28 30GW까지 보이지만 브로드컴은 Powered Shell 부족 때문에 이 물량이 모두 해당 연도 안에 실제 가동될 것으로 가정하지는 않고 있습니다. 앤스로픽/오픈AI 강세는 루멘텀에게도 상당히 긍정적 앤스로픽이 CY27 5GW에서 CY28 추가 10GW로 빠르게 확대된다면 XPU뿐 아니라 클러스터 내부의 OCS 수요도 크게 증가합니다. 특히 구글, 앤스로픽, 오픈AI가 모두 루멘텀의 MEMS 방식 OCS를 사용하고 있다는 점에서 긍정적입니다. 루멘텀이 8월 27일 도이치뱅크 컨퍼런스에서 OCS에 대해 매우 강한 코멘트를 내놓은 것도 최근 고객들의 대규모 GW 계획과 연결해서 볼 필요가 있습니다. 1GW당 반도체 Content는 $20~30B 브로드컴은 고객 AI 인프라 1GW당 반도체 Content를 $20~30B로 예상했고 향후 XPU 세대가 바뀌어도 이 수준은 비교적 안정적으로 유지될 것으로 전망했습니다.
원문 구간 2
이 부분이 생각보다 중요합니다. 차세대 XPU의 ASP가 올라가더라도 칩의 TDP도 함께 상승하기 때문에 동일한 1GW 안에 넣을 수 있는 XPU 숫자는 감소합니다. 즉 칩 성능과 ASP만 높여서는 1GW당 Dollar Content를 계속 크게 늘리기 어려워지고 있다는 의미입니다. 그래서 엔비디아도 GPU만 고도화하는 것이 아니라 ⓐ네트워킹 매출을 확대하고 ⓑ800VDC, Kyber Rack, CPO 등을 통해 전력과 구리 연결을 효율화하려고 합니다. 결국 경쟁의 단위가 개별 칩에서 1GW의 Critical IT Load 전체를 얼마나 효율적으로 구성할 수 있는가로 이동하고 있습니다. GPM은 하락하는데, OPM은 유지 브로드컴의 GPM은 CY1Q26 77% → CY2Q26 75% → CY3Q26 73% 가이던스로 계속 낮아지고 있습니다. GPM 94% 수준인 VMware 소프트웨어 매출 비중은 낮아지는 반면 상대적으로 GPM 67% 정도로 마진이 낮은 XPU 매출 비중이 빠르게 높아지고 있고 XPU에 들어가는 HBM 비용도 상승하고 있기 때문입니다. CEO는 그래서 GPM보다 OPM을 보라고 강조했습니다. CY3Q26에도 GPM은 하락하지만 OPM 66%는 유지하겠다는 입장입니다. 엔비디아에 이어 브로드컴에서도 확인되는 변화는 Compute 경쟁이 심해지다보니 이번 사이클의 메모리 비용 상승분을 고객에게 100% 전가하기보다 일부를 자체적으로 흡수하면서 AI 시스템 확산을 우선하고 있다는 점입니다. 브로드컴 : 칩 회사 → 매우 적극적인 AI Financing 사업자 이번 실적에서 가장 주의 깊게 볼 부분은 AI Financing입니다. 애널리스트가 앞으로도 GW가 추가될 때마다 비슷한 규모의 지급보증이 필요한지를 묻자 경영진은 명확한 상한을 제시하지 않고 "딜마다 다르다"고 답했습니다.
원문 구간 3
브로드컴의 역할이 기존의 칩 설계/판매 → 랙 구성 → 외부 자본 조달 → Financing 지원 → 일정 부분 잔존가치 리스크 부담까지 확대되고 있다는 의미입니다. 따라서 앞으로는 AI 매출 성장률만 볼 것이 아니라 브로드컴의 대차대조표와 앤스로픽/오픈AI의 지급능력까지 함께 봐야 하는 회사가 되고 있습니다. 브로드컴의 최근 CDS가 크게 높아지고 있는 이유입니다. 전략적으로 구글 TPU 물량 감소를 앤스로픽/오픈AI로 메우는 과정 향후 XPU 고객 중요도는 FY26 : 1. 구글 > 2. 앤스로픽 FY27 : 1. 앤스로픽 > 2. 구글(5GW보다 덜 맡긴다는 의미) FY28 : 1. 앤스로픽 > 2. 오픈AI > 3. 구글(5GW보다 덜 맡긴다는 의미) 순서로 바뀔 전망입니다. 구글이 예상보다 빠르게 TPU 물량 일부를 미디어텍으로 이전하면서 브로드컴은 그 공백을 앤스로픽과 오픈AI로 채워야 합니다. 이 과정에서 브로드컴은 ① XPU GPM을 낮추고 ② AI Financing을 적극 지원하는 방식으로 대규모 계약을 확보하고 있습니다. 쉽게 말하면, 고객이 칩과 인프라를 살 수 있도록 브로드컴이 자금조달까지 도와주고 보증도 서주는 구조 입니다. 브로드컴은 아폴로, 블랙스톤과 함께 AI XPV Financing 플랫폼을 구축했고 CY28까지 앤스로픽과 오픈AI의 20GW 이상 인프라 구축을 지원하는 것이 목표입니다. 첫 번째 앤스로픽 1GW 배치를 위한 $35B 규모 첫 트랜치도 이미 성사됐습니다. 보증해주는 금액이 매우 빠르게 성장하고 있습니다. Scale-across의 미래? synchronous training → asynchronous training (3Q26 실적발표)

발생발표·발생 후발생월 26-9

26-9 시에나 2026년 2분기 실적과 Scale-across 수요

작성자의 핵심 판단

Scale-across는 전력 있는 지역의 AI 컴퓨트를 묶는 장기 선택지로 커질 수 있다고 본다.

근거 보기 4

원문 구간 1
시에나 Ciena : Scale-across/DCI의 강자 9월 4일에는 시에나의 3Q26 실적발표가 있었습니다. 실적은 무난, 단기 마진 가이던스가 아쉽던 분기 이번 분기 매출 $1.67B(컨센 $1.63B) YoY 37%, Adj EPS $2.11(컨센 $1.73) YoY 215%, Non-GAAP GPM 46.4%, Non-GAAP OPM 22.5%였습니다. 다음 분기 가이던스는 CY3Q26(FY4Q26) 매출 $1.75B(컨센 $1.7B), Non-GAAP GPM 45%, Non-GAAP OPM 20%입니다. 매출은 대체로 기대에 부합했지만 이번 분기보다 마진이 낮아지는 가이던스였다는 점에서 EPS 서프라이즈에 대한 시장 반응이 좋지 않았습니다. 시에나 실적발표 이후 광학 기업들 전반이 약했는데 LITE/VIAV/SMTC는 매출성장률 가속화 x 영업이익 레버리지 가속화 x 피크 GPM/OPM이 예상보다 더 높아지는 흐름(고부가가치 product mix 상승 효과)이 이어지고 있어서 펀더멘탈에 상관없는 하락이었습니다. 한 달 만에 지난 분기 전체와 맞먹는 주문이 들어오다 수요는 더 강해지고 있습니다. CY3Q26이 시작된 뒤 한 달 만에 2Q26 전체와 거의 같은 규모의 신규 주문을 받았습니다. 시에나는 FY26 말, 즉 CY3Q26 말 수주잔고가 $10B 이상으로 올라갈 것으로 예상했습니다. 대부분 고객이 CY27 납품을 요청하고 있지만 생산능력이 부족해 일부 물량은 이미 CY28로 밀리고 있는 상태입니다. 경영진은 수요와 공급이 다시 균형을 이루는 시점이 CY28 이전에는 오기 어렵다고 봤습니다. 현재 시에나의 문제는 수요가 아니라 얼마나 빠르게 공급능력을 늘릴 수 있는가입니다.
원문 구간 2
FY27 매출 +30%, 영업이익은 +59~+71% 시에나는 FY27 매출이 최소 YoY +30% 성장할 것으로 전망했습니다. 연간 Non-GAAP GPM은 45~46%, OPM은 25~27%를 예상하고 있습니다. 이를 단순 계산하면 매출이 +30% 성장하는 동안 영업이익은 약 +59~71% 증가하는 구조입니다. 단기적으로는 이번 분기보다 GPM과 OPM이 낮아지지만 연간으로 보면 공급부족에 따른 가격 인상과 Product Mix 개선이 누적되면서 다시 강한 영업이익 레버리지가 나타날 전망입니다. HyperRail도 CY27부터 매출에 본격 반영 HyperRail은 CY26 말 고객사 표준화를 마친 뒤 CY27부터 본격적으로 매출에 기여할 예정입니다. 초기 매출 규모는 $100~300M 수준으로 예상됩니다. 현재 시에나의 성장축이 기존 광전송 장비를 넘어 AI 데이터센터 간 연결을 위한 새로운 네트워크 아키텍처로 확장되고 있다는 점에서 중요합니다. Scale-across는 아직 Phase 1에 불과합니다 현재 Scale-across 수요는 미국의 일부 하이퍼스케일러가 여러 데이터센터를 연결하기 시작하면서 발생하고 있습니다. 그런데 시에나는 이것이 아직 초기 단계라고 보고 있습니다. 지금 Scale-across의 주된 용도는 Synchronous Training입니다. 서로 가까운 데이터센터들을 초고속 네트워크로 연결해 사실상 하나의 거대한 컴퓨터처럼 사용하는 방식입니다. 앞으로는 Asynchronous Training과 Inference까지 Scale-across가 확대될 것으로 전망했습니다. 이 변화가 중요한 이유는 물리적인 거리 제약이 크게 낮아지기 때문입니다. Synchronous가 주로 인접한 데이터센터를 하나의 거대한 컴퓨터로 묶는 작업이라면 Asynchronous는 향후 도시/국가/대륙에 흩어진 GPU까지 하나의 거대한 Compute Pool처럼 활용할 수 있게 만드는 방향입니다.
원문 구간 3
Scale-across의 TAM이 단순한 데이터센터 간 연결에서 글로벌 AI Compute 자원을 연결하는 네트워크로 커질 수 있다는 의미입니다. "데이터센터를 2년 동안 새로 짓지 않아도 시에나는 성장할 겁니다" Scale-across 수요의 강도를 보여주는 발언도 있었습니다. 한 하이퍼스케일러 고객은 시에나 경영진에게 "내년부터 신규 데이터센터를 하나도 짓지 않더라도 시에나는 아마 2년 동안 알아차리지 못할 것"이라고 말했습니다. 이미 지어진 데이터센터끼리 연결해야 할 물량이 상당히 많이 남아 있기 때문입니다. 여기에 기존 GPU를 더 고성능 제품으로 교체할수록 데이터센터 밖으로 나가는 네트워크 대역폭 역시 함께 높여야 합니다. 신규 데이터센터 건설이 둔화되더라도 기존 GPU 자산을 제대로 활용하기 위한 WAN 업그레이드만으로 상당 기간 수요가 유지될 수 있다는 의미입니다. 공급이 '너무 부족하니' 가격인상으로 연결되는 중 시에나는 공급부족을 바탕으로 가격 인상 폭도 크게 확대하고 있습니다. 기존에는 고객과 제품에 따라 신규 가격을 +7~9% 높였다면 현재는 일부 제품에서 +17~23%까지 인상하고 있습니다. 더 중요한 것은 신규 주문뿐 아니라 기존 수주잔고에도 가격 인상을 적용하고 있다는 점입니다. 이미 확보한 $10B 이상의 백로그에서도 추가 마진 개선을 만들 수 있는 구조입니다. 루멘텀의 가장 과소평가된 사업 'Scale-across' 이 흐름은 루멘텀에도 긍정적입니다. 시에나의 Coherent 광모듈에 들어가는 광학 칩에서 루멘텀의 점유율이 매우 높기 때문에 Scale-across 장비 출하가 증가할수록 Pump Laser를 포함한 관련 부품 매출도 예상보다 강하게 증가할 가능성이 있습니다.
원문 구간 4
8월 27일 루멘텀 도이치뱅크 컨퍼런스콜에서 루멘텀 CEO가 가장 과소평가된 사업으로 Scale-across를 꼽았던 것과도 연결됩니다. 시장의 관심은 Scale-up과 CPO에 집중돼 있지만 실제로는 Scale-across 역시 높은 마진과 빠른 성장을 동시에 보여주는 광학 시장으로 커지고 있습니다. Magnificent 7 오픈AI GPT-6 Astra, Recurrent Depth, System Card, 자동화된 AI 연구 인턴 완성, Hatch *왼쪽 테이블 : 2026년 9월 6일 EPS 추정치를 변경했습니다. *오른쪽 차트 : Mag 7 기업들의 CY26, CY27 순이익 차트입니다. 엔비디아, 26년 PER 25배 / Overweight 엔비디아 2Q26 실적발표 : 반창고를 뗴고 얻은 두 가지 - CY27 매출성장률 YoY 70% vs GPM 72~73% (바로가기) 엔비디아 2Q26 Preview : 3R에 답할 시간 - Rubin, Rubin Ultra, Revenue Share (바로가기) AI 사이클의 모든 것을 담은 게빈 베이커 인터뷰 : 버블의 역사는 반복되지 않지만, 운율은 반복된다 (바로가기) GPT-6 Astra, 오픈AI가 다시 프론티어 경쟁의 중심으로 GPT-6 Astra가 발표됐습니다. 이젠 오픈AI가 SOTA 모델을 갖게 됐습니다. 이번 발표의 의미는 단순히 벤치마크 1위 모델이 하나 추가됐다는 것보다 모델의 성능 향상과 에이전트의 실행력 개선이 동시에 나타나고 있다는 점에 있다고 봅니다. Terminal-Bench 4.0의 주요 결과를 보면 변화가 분명합니다. 아래 비용은 토큰당 API 가격이 아니라 리더보드에 기재된 해당 평가 실행의 총비용입니다.

이 자료에서 다룬 사실

시에나는 FY27 매출 최소 30% 성장 전망과 비동기 학습 가능성을 다뤘다.

근거 보기 4

원문 구간 1
시에나 Ciena : Scale-across/DCI의 강자 9월 4일에는 시에나의 3Q26 실적발표가 있었습니다. 실적은 무난, 단기 마진 가이던스가 아쉽던 분기 이번 분기 매출 $1.67B(컨센 $1.63B) YoY 37%, Adj EPS $2.11(컨센 $1.73) YoY 215%, Non-GAAP GPM 46.4%, Non-GAAP OPM 22.5%였습니다. 다음 분기 가이던스는 CY3Q26(FY4Q26) 매출 $1.75B(컨센 $1.7B), Non-GAAP GPM 45%, Non-GAAP OPM 20%입니다. 매출은 대체로 기대에 부합했지만 이번 분기보다 마진이 낮아지는 가이던스였다는 점에서 EPS 서프라이즈에 대한 시장 반응이 좋지 않았습니다. 시에나 실적발표 이후 광학 기업들 전반이 약했는데 LITE/VIAV/SMTC는 매출성장률 가속화 x 영업이익 레버리지 가속화 x 피크 GPM/OPM이 예상보다 더 높아지는 흐름(고부가가치 product mix 상승 효과)이 이어지고 있어서 펀더멘탈에 상관없는 하락이었습니다. 한 달 만에 지난 분기 전체와 맞먹는 주문이 들어오다 수요는 더 강해지고 있습니다. CY3Q26이 시작된 뒤 한 달 만에 2Q26 전체와 거의 같은 규모의 신규 주문을 받았습니다. 시에나는 FY26 말, 즉 CY3Q26 말 수주잔고가 $10B 이상으로 올라갈 것으로 예상했습니다. 대부분 고객이 CY27 납품을 요청하고 있지만 생산능력이 부족해 일부 물량은 이미 CY28로 밀리고 있는 상태입니다. 경영진은 수요와 공급이 다시 균형을 이루는 시점이 CY28 이전에는 오기 어렵다고 봤습니다. 현재 시에나의 문제는 수요가 아니라 얼마나 빠르게 공급능력을 늘릴 수 있는가입니다.
원문 구간 2
FY27 매출 +30%, 영업이익은 +59~+71% 시에나는 FY27 매출이 최소 YoY +30% 성장할 것으로 전망했습니다. 연간 Non-GAAP GPM은 45~46%, OPM은 25~27%를 예상하고 있습니다. 이를 단순 계산하면 매출이 +30% 성장하는 동안 영업이익은 약 +59~71% 증가하는 구조입니다. 단기적으로는 이번 분기보다 GPM과 OPM이 낮아지지만 연간으로 보면 공급부족에 따른 가격 인상과 Product Mix 개선이 누적되면서 다시 강한 영업이익 레버리지가 나타날 전망입니다. HyperRail도 CY27부터 매출에 본격 반영 HyperRail은 CY26 말 고객사 표준화를 마친 뒤 CY27부터 본격적으로 매출에 기여할 예정입니다. 초기 매출 규모는 $100~300M 수준으로 예상됩니다. 현재 시에나의 성장축이 기존 광전송 장비를 넘어 AI 데이터센터 간 연결을 위한 새로운 네트워크 아키텍처로 확장되고 있다는 점에서 중요합니다. Scale-across는 아직 Phase 1에 불과합니다 현재 Scale-across 수요는 미국의 일부 하이퍼스케일러가 여러 데이터센터를 연결하기 시작하면서 발생하고 있습니다. 그런데 시에나는 이것이 아직 초기 단계라고 보고 있습니다. 지금 Scale-across의 주된 용도는 Synchronous Training입니다. 서로 가까운 데이터센터들을 초고속 네트워크로 연결해 사실상 하나의 거대한 컴퓨터처럼 사용하는 방식입니다. 앞으로는 Asynchronous Training과 Inference까지 Scale-across가 확대될 것으로 전망했습니다. 이 변화가 중요한 이유는 물리적인 거리 제약이 크게 낮아지기 때문입니다. Synchronous가 주로 인접한 데이터센터를 하나의 거대한 컴퓨터로 묶는 작업이라면 Asynchronous는 향후 도시/국가/대륙에 흩어진 GPU까지 하나의 거대한 Compute Pool처럼 활용할 수 있게 만드는 방향입니다.
원문 구간 3
Scale-across의 TAM이 단순한 데이터센터 간 연결에서 글로벌 AI Compute 자원을 연결하는 네트워크로 커질 수 있다는 의미입니다. "데이터센터를 2년 동안 새로 짓지 않아도 시에나는 성장할 겁니다" Scale-across 수요의 강도를 보여주는 발언도 있었습니다. 한 하이퍼스케일러 고객은 시에나 경영진에게 "내년부터 신규 데이터센터를 하나도 짓지 않더라도 시에나는 아마 2년 동안 알아차리지 못할 것"이라고 말했습니다. 이미 지어진 데이터센터끼리 연결해야 할 물량이 상당히 많이 남아 있기 때문입니다. 여기에 기존 GPU를 더 고성능 제품으로 교체할수록 데이터센터 밖으로 나가는 네트워크 대역폭 역시 함께 높여야 합니다. 신규 데이터센터 건설이 둔화되더라도 기존 GPU 자산을 제대로 활용하기 위한 WAN 업그레이드만으로 상당 기간 수요가 유지될 수 있다는 의미입니다. 공급이 '너무 부족하니' 가격인상으로 연결되는 중 시에나는 공급부족을 바탕으로 가격 인상 폭도 크게 확대하고 있습니다. 기존에는 고객과 제품에 따라 신규 가격을 +7~9% 높였다면 현재는 일부 제품에서 +17~23%까지 인상하고 있습니다. 더 중요한 것은 신규 주문뿐 아니라 기존 수주잔고에도 가격 인상을 적용하고 있다는 점입니다. 이미 확보한 $10B 이상의 백로그에서도 추가 마진 개선을 만들 수 있는 구조입니다. 루멘텀의 가장 과소평가된 사업 'Scale-across' 이 흐름은 루멘텀에도 긍정적입니다. 시에나의 Coherent 광모듈에 들어가는 광학 칩에서 루멘텀의 점유율이 매우 높기 때문에 Scale-across 장비 출하가 증가할수록 Pump Laser를 포함한 관련 부품 매출도 예상보다 강하게 증가할 가능성이 있습니다.
원문 구간 4
8월 27일 루멘텀 도이치뱅크 컨퍼런스콜에서 루멘텀 CEO가 가장 과소평가된 사업으로 Scale-across를 꼽았던 것과도 연결됩니다. 시장의 관심은 Scale-up과 CPO에 집중돼 있지만 실제로는 Scale-across 역시 높은 마진과 빠른 성장을 동시에 보여주는 광학 시장으로 커지고 있습니다. Magnificent 7 오픈AI GPT-6 Astra, Recurrent Depth, System Card, 자동화된 AI 연구 인턴 완성, Hatch *왼쪽 테이블 : 2026년 9월 6일 EPS 추정치를 변경했습니다. *오른쪽 차트 : Mag 7 기업들의 CY26, CY27 순이익 차트입니다. 엔비디아, 26년 PER 25배 / Overweight 엔비디아 2Q26 실적발표 : 반창고를 뗴고 얻은 두 가지 - CY27 매출성장률 YoY 70% vs GPM 72~73% (바로가기) 엔비디아 2Q26 Preview : 3R에 답할 시간 - Rubin, Rubin Ultra, Revenue Share (바로가기) AI 사이클의 모든 것을 담은 게빈 베이커 인터뷰 : 버블의 역사는 반복되지 않지만, 운율은 반복된다 (바로가기) GPT-6 Astra, 오픈AI가 다시 프론티어 경쟁의 중심으로 GPT-6 Astra가 발표됐습니다. 이젠 오픈AI가 SOTA 모델을 갖게 됐습니다. 이번 발표의 의미는 단순히 벤치마크 1위 모델이 하나 추가됐다는 것보다 모델의 성능 향상과 에이전트의 실행력 개선이 동시에 나타나고 있다는 점에 있다고 봅니다. Terminal-Bench 4.0의 주요 결과를 보면 변화가 분명합니다. 아래 비용은 토큰당 API 가격이 아니라 리더보드에 기재된 해당 평가 실행의 총비용입니다.

그렇게 판단한 이유

동기화 필요가 줄면 국가를 넘는 Compute Pool이 가능해진다는 논리를 든다.

근거 보기 4

원문 구간 1
시에나 Ciena : Scale-across/DCI의 강자 9월 4일에는 시에나의 3Q26 실적발표가 있었습니다. 실적은 무난, 단기 마진 가이던스가 아쉽던 분기 이번 분기 매출 $1.67B(컨센 $1.63B) YoY 37%, Adj EPS $2.11(컨센 $1.73) YoY 215%, Non-GAAP GPM 46.4%, Non-GAAP OPM 22.5%였습니다. 다음 분기 가이던스는 CY3Q26(FY4Q26) 매출 $1.75B(컨센 $1.7B), Non-GAAP GPM 45%, Non-GAAP OPM 20%입니다. 매출은 대체로 기대에 부합했지만 이번 분기보다 마진이 낮아지는 가이던스였다는 점에서 EPS 서프라이즈에 대한 시장 반응이 좋지 않았습니다. 시에나 실적발표 이후 광학 기업들 전반이 약했는데 LITE/VIAV/SMTC는 매출성장률 가속화 x 영업이익 레버리지 가속화 x 피크 GPM/OPM이 예상보다 더 높아지는 흐름(고부가가치 product mix 상승 효과)이 이어지고 있어서 펀더멘탈에 상관없는 하락이었습니다. 한 달 만에 지난 분기 전체와 맞먹는 주문이 들어오다 수요는 더 강해지고 있습니다. CY3Q26이 시작된 뒤 한 달 만에 2Q26 전체와 거의 같은 규모의 신규 주문을 받았습니다. 시에나는 FY26 말, 즉 CY3Q26 말 수주잔고가 $10B 이상으로 올라갈 것으로 예상했습니다. 대부분 고객이 CY27 납품을 요청하고 있지만 생산능력이 부족해 일부 물량은 이미 CY28로 밀리고 있는 상태입니다. 경영진은 수요와 공급이 다시 균형을 이루는 시점이 CY28 이전에는 오기 어렵다고 봤습니다. 현재 시에나의 문제는 수요가 아니라 얼마나 빠르게 공급능력을 늘릴 수 있는가입니다.
원문 구간 2
FY27 매출 +30%, 영업이익은 +59~+71% 시에나는 FY27 매출이 최소 YoY +30% 성장할 것으로 전망했습니다. 연간 Non-GAAP GPM은 45~46%, OPM은 25~27%를 예상하고 있습니다. 이를 단순 계산하면 매출이 +30% 성장하는 동안 영업이익은 약 +59~71% 증가하는 구조입니다. 단기적으로는 이번 분기보다 GPM과 OPM이 낮아지지만 연간으로 보면 공급부족에 따른 가격 인상과 Product Mix 개선이 누적되면서 다시 강한 영업이익 레버리지가 나타날 전망입니다. HyperRail도 CY27부터 매출에 본격 반영 HyperRail은 CY26 말 고객사 표준화를 마친 뒤 CY27부터 본격적으로 매출에 기여할 예정입니다. 초기 매출 규모는 $100~300M 수준으로 예상됩니다. 현재 시에나의 성장축이 기존 광전송 장비를 넘어 AI 데이터센터 간 연결을 위한 새로운 네트워크 아키텍처로 확장되고 있다는 점에서 중요합니다. Scale-across는 아직 Phase 1에 불과합니다 현재 Scale-across 수요는 미국의 일부 하이퍼스케일러가 여러 데이터센터를 연결하기 시작하면서 발생하고 있습니다. 그런데 시에나는 이것이 아직 초기 단계라고 보고 있습니다. 지금 Scale-across의 주된 용도는 Synchronous Training입니다. 서로 가까운 데이터센터들을 초고속 네트워크로 연결해 사실상 하나의 거대한 컴퓨터처럼 사용하는 방식입니다. 앞으로는 Asynchronous Training과 Inference까지 Scale-across가 확대될 것으로 전망했습니다. 이 변화가 중요한 이유는 물리적인 거리 제약이 크게 낮아지기 때문입니다. Synchronous가 주로 인접한 데이터센터를 하나의 거대한 컴퓨터로 묶는 작업이라면 Asynchronous는 향후 도시/국가/대륙에 흩어진 GPU까지 하나의 거대한 Compute Pool처럼 활용할 수 있게 만드는 방향입니다.
원문 구간 3
Scale-across의 TAM이 단순한 데이터센터 간 연결에서 글로벌 AI Compute 자원을 연결하는 네트워크로 커질 수 있다는 의미입니다. "데이터센터를 2년 동안 새로 짓지 않아도 시에나는 성장할 겁니다" Scale-across 수요의 강도를 보여주는 발언도 있었습니다. 한 하이퍼스케일러 고객은 시에나 경영진에게 "내년부터 신규 데이터센터를 하나도 짓지 않더라도 시에나는 아마 2년 동안 알아차리지 못할 것"이라고 말했습니다. 이미 지어진 데이터센터끼리 연결해야 할 물량이 상당히 많이 남아 있기 때문입니다. 여기에 기존 GPU를 더 고성능 제품으로 교체할수록 데이터센터 밖으로 나가는 네트워크 대역폭 역시 함께 높여야 합니다. 신규 데이터센터 건설이 둔화되더라도 기존 GPU 자산을 제대로 활용하기 위한 WAN 업그레이드만으로 상당 기간 수요가 유지될 수 있다는 의미입니다. 공급이 '너무 부족하니' 가격인상으로 연결되는 중 시에나는 공급부족을 바탕으로 가격 인상 폭도 크게 확대하고 있습니다. 기존에는 고객과 제품에 따라 신규 가격을 +7~9% 높였다면 현재는 일부 제품에서 +17~23%까지 인상하고 있습니다. 더 중요한 것은 신규 주문뿐 아니라 기존 수주잔고에도 가격 인상을 적용하고 있다는 점입니다. 이미 확보한 $10B 이상의 백로그에서도 추가 마진 개선을 만들 수 있는 구조입니다. 루멘텀의 가장 과소평가된 사업 'Scale-across' 이 흐름은 루멘텀에도 긍정적입니다. 시에나의 Coherent 광모듈에 들어가는 광학 칩에서 루멘텀의 점유율이 매우 높기 때문에 Scale-across 장비 출하가 증가할수록 Pump Laser를 포함한 관련 부품 매출도 예상보다 강하게 증가할 가능성이 있습니다.
원문 구간 4
8월 27일 루멘텀 도이치뱅크 컨퍼런스콜에서 루멘텀 CEO가 가장 과소평가된 사업으로 Scale-across를 꼽았던 것과도 연결됩니다. 시장의 관심은 Scale-up과 CPO에 집중돼 있지만 실제로는 Scale-across 역시 높은 마진과 빠른 성장을 동시에 보여주는 광학 시장으로 커지고 있습니다. Magnificent 7 오픈AI GPT-6 Astra, Recurrent Depth, System Card, 자동화된 AI 연구 인턴 완성, Hatch *왼쪽 테이블 : 2026년 9월 6일 EPS 추정치를 변경했습니다. *오른쪽 차트 : Mag 7 기업들의 CY26, CY27 순이익 차트입니다. 엔비디아, 26년 PER 25배 / Overweight 엔비디아 2Q26 실적발표 : 반창고를 뗴고 얻은 두 가지 - CY27 매출성장률 YoY 70% vs GPM 72~73% (바로가기) 엔비디아 2Q26 Preview : 3R에 답할 시간 - Rubin, Rubin Ultra, Revenue Share (바로가기) AI 사이클의 모든 것을 담은 게빈 베이커 인터뷰 : 버블의 역사는 반복되지 않지만, 운율은 반복된다 (바로가기) GPT-6 Astra, 오픈AI가 다시 프론티어 경쟁의 중심으로 GPT-6 Astra가 발표됐습니다. 이젠 오픈AI가 SOTA 모델을 갖게 됐습니다. 이번 발표의 의미는 단순히 벤치마크 1위 모델이 하나 추가됐다는 것보다 모델의 성능 향상과 에이전트의 실행력 개선이 동시에 나타나고 있다는 점에 있다고 봅니다. Terminal-Bench 4.0의 주요 결과를 보면 변화가 분명합니다. 아래 비용은 토큰당 API 가격이 아니라 리더보드에 기재된 해당 평가 실행의 총비용입니다.

발생발표·발생 후발생일 26-9-4

26-9 OpenAI GPT-6 아스트라 출시

작성자의 핵심 판단

Astra는 성능뿐 아니라 비용과 연구 자동화의 경계를 바꾸는 신호라고 평가한다.

근거 보기 26

원문 구간 1
모델 + 에이전트 문제 해결률 평가 실행비용 GPT-6 Astra + Codex 58.2% $3,300 Fable 5.1 + Claude Code 57.9% $6,200 GPT-5.6 Sol + Codex 37.3% $2,500 GPT-5.6 Terra + Codex 21.5% $1,700 Grok 4.6 + Grok Build 20.3% $3,600 Astra와 Fable의 차이는 0.3%p로 매우 작습니다. 그런데 같은 지능을 실제 고부가가치 작업 추론 기준 절반에 가까운 비용으로 달성한 효율을 냈다는 것이 매우 인상깊은 포인트였습니다. 그리고 지금의 GPT-6 Astra가 앤스로픽에게 '나는 절반 가격으로도 너랑 같은 지능을 가졌지'라고 말하는 모델이라면, 현재 차기 모델로 논의되고 있는 차세대 10T+ 모델 GPT-6 Bel은 '이제 같은 가격으로 너보다 훨씬 높은 지능을 가졌지'라고 말하는 모델이 될 것으로 예상합니다. Astra의 기본 API 가격은 백만 토큰당 입력 $10 / 출력 $50입니다. 하지만 에이전트에서는 토큰 단가보다 작업 하나를 성공적으로 끝내는 데 필요한 전체 비용과 시간이 중요합니다. 더 비싼 토큰을 쓰더라도 불필요한 추론과 재시도가 줄어들면 실제 작업 비용은 낮아질 수 있습니다. 여기서도 '지능'이 중요한 셈입니다. Terminal-bench 4.0 업데이트(2026-09-07) → GPT-6 Astra 58.2% > Fable 5.1 57.9% > Opus 5 51.8% > Fable 5 44.5% > GLM-5.3 41.8% > GPT-5.6 Sol 37.3% > Opus 4.8 23.6% > GPT-5.6 Terra 21.5% > Grok 4.6 20.3% > Gemini 3.8 Flash 19.1% > GPT-5.6 Luna 17.3% > Grok 4.5 12.4% = Sonnet 5 12.4%입니다.
원문 구간 2
주요 모델 API 가격 업데이트(2026-09-07) → GPT-6 Astra $10/$50(SOTA) > Mythos/Fable 5.1 $10/$50 > GPT-5.6 Sol $5/$30 > Opus 5 $5/$25 > Kimi-K3 $3/$15 > GPT-5.6 Terra $2/$12 > Gemini 3.1 Pro $2/$12 > Sonnet 5 $2/$10 > Qwen 3.8-Max-0902 $2/$6 = Grok 4.6 $2/$6(8일 내 4.7 출시 예정) > GLM-5.3 $1.4/$4.4 > Muse Spark 1.3 $1.25/$4.25 > DeepSeek-V4-Pro-0813 $1.32/$3.96 > Gemini 3.8 Flash $0.75/$3.75 > DeepSeek-V4-Flash-0731 $0.44/$1.32 > GPT-5.6 Luna $0.20/$1.20 모델이 좋아지면 Codex 전체도 개선할 기회가 커진다 Terminal-Bench가 중요한 이유는 모델만 분리해서 평가하지 않고 모델 + 에이전트/하네스의 조합을 평가하기 때문입니다. 개발자가 실제로 사용하는 것도 모델 하나가 아니라 도구 호출/작업환경/컨텍스트 관리 등이 결합된 시스템입니다. 오픈AI 역시 Astra 출시와 함께 Codex 하네스를 개선했다고 밝혔습니다. 코딩 에이전트에 필요한 것은 그럴듯한 설명보다 실제로 문제를 해결한 작업 궤적, 'Coding Trajectory'입니다. 어떤 파일을 읽고 어떤 도구를 사용했으며 실패했을 때 어떻게 수정했는지까지 학습과 평가의 대상이 됩니다. 오픈AI도 에이전트 모델 훈련에서 다양한 문제 해결 궤적의 중요성을 강조해왔습니다. 코딩 에이전트의 선순환입니다. 더 좋은 모델 → 더 어려운 작업에 사용 → 검증 가능한 성공·실패 사례 축적 → 모델·하네스 개선 → 더 많은 작업을 안정적으로 처리
원문 구간 3
후발주자도 결국 모델 성능, 작업당 비용, 에이전트 완성도를 함께 끌어올려야 합니다. Grok 4.6은 Terra에 근접한 해결률을 냈지만, 위 평가에서는 총비용이 오히려 더 높았습니다. 출력 토큰 단가가 Grok 4.6은 $6이고, GPT-5.6 Terra는 $12라는 사실만으로 에이전트의 가성비까지 우월하다고 결론내릴 수는 없습니다. 따라서 xAI의 진전은 주목하되, 특정 벤치마크 하나를 근거로 AI Labs 전체의 순위나 시장점유율 변화까지 확정하기보다는 실제 작업을 얼마나 싸고 안정적으로 완료하는지를 계속 봐야 합니다. Recurrent Depth - 같은 레이어를 여러 번 계산시키다 Astra를 계기로 주목받는 또 하나의 변화는 Recurrent Depth(=Looped Transformer)입니다. 원리는 비교적 간단합니다. 일반적인 Transformer가 서로 다른 24개 레이어를 한 번씩 통과한다면, Looped Transformer는 일부 레이어 묶음을 재사용합니다. Recurrent Depth는 계산 깊이를 반복으로 늘리는 방식이고, Looped Transformer는 그런 방식을 사용하는 모델 구조라고 이해하면 됩니다. 예를 들어 24개 레이어 전체를 두 번 사용하는 단순한 구조라면, L1 → … → L24 → 다시 L1 → … → L24 처럼 계산합니다. 저장된 가중치는 재사용하지만 두 번째 통과에서는 첫 번째 계산으로 바뀐 내부 상태를 다시 처리합니다. 서로 다른 레이어 48개를 저장하지 않고도 더 많은 순차 계산을 수행하는 것입니다. 기존의 CoT가 중간 추론을 토큰으로 길게 생성하면서 계산을 늘리는 방식(memory-intensive)이라면, Recurrent Depth는 토큰 하나를 출력하기 전에 내부 계산을 더 수행하는 방식(compute-intensive)입니다.
원문 구간 4
당연히 두 방식은 함께 사용할 수도 있습니다. '모든 토큰에 같은 계산량을 적용하지 않는다' 오픈AI가 어떻게 Recurrent Depth를 만들었는지를 공개하진 않습니다. 다만 업계의 여러 논문들을 살펴보면서 Recurrent Depth가 어떻게 생겼을지에 대해서 상상할 수는 있습니다. 2025년 7월 14일 <Mixture-of-recursions: Learning dynamic recursive depths for adaptive token-level computation>에서는 이 구성을 넣을 때 토큰별 라우터를 따로 학습시켜 넣은 구조로 추론했습니다. 가중치를 공유하면서도 필요한 곳에 계산량을 선택적으로 배분하는 것입니다. 이 변화의 의미는 파라미터 수와 토큰당 계산량을 어느 정도 분리해서 설계할 수 있다는 점입니다. 단순하게 모델을 크게 만드는 방법만 있는 것이 아니라, 같은 가중치를 더 활용하거나 문제의 난도에 따라 계산량을 다르게 배분할 수 있습니다. 모델 설계가 단순한 크기 경쟁을 넘어 Compute ↔ Memory ↔ Interconnect 사이에서 더 좋은 조합을 찾는 문제로 확장되는 것입니다. '그렇다고 N번 반복하면, N배 큰 모델이 되진 않는다' 여기서 반복 계산과 새로운 파라미터의 역할을 구분해야 합니다. 2026년 4월 22일의 <How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models> 논문에서는 반복 횟수의 효과를 다음과 같이 추정했습니다. looped layer 1개 = unique layer 0.46개이고, recurrent를 4번을 돌렸다고 가정하면 실제 unique 기준으로는 1.89배 정도의 모델 효과를 냈습니다.
원문 구간 5
결국 Recurrent Depth는 적은 가중치로 더 많은 계산을 수행하는 유용한 선택지이지, 파라미터와 데이터 스케일링을 없애는 기술은 아닙니다. 같은 자원을 어떤 방식으로 활용했을 때 성능과 비용의 조합이 가장 좋아지는지가 핵심입니다. Recurrent Depth가 CoT를 없앤다는 미신 오픈AI의 수석 과학자 야쿠브 파초키는 "Astra를 포함한 오픈AI 프론티어 모델들의 계산 그래프 깊이가 GPT-4의 2배 이내"라고 밝혔습니다. 'Astra가 내부에서 수십~수백 배 더 깊은 계산을 한다'는 식의 해석을 경계하는 발언입니다. CoT가 계속 존재한다는 사실과, 그 CoT로 모델의 위험한 행동을 충분히 알아낼 수 있다는 것은 다릅니다. 오픈AI가 모델을 모니터링하기 어려워진다고 말한 맥락은 Recurrent Depth 때문이 아닙니다. 파초키는 9월 6일 글 <An Alien Mind>에서 원인을 더 구체적으로 설명했습니다. 모델의 추론이 도구 사용, 다른 AI와의 상호작용에 섞이면서 감독 경계가 복잡해지고, 모델이 자신의 추론 과정을 의도적으로 더 잘 조절하며, 사전학습 성능 향상으로 긴 언어적 추론 없이도 더 많은 일을 할 수 있게 됐다는 것입니다. 강화학습이나 반복 구조 하나만으로 설명할 문제는 아닙니다. 따라서 앞으로는 CoT뿐 아니라 실제 행동과 도구 호출, 내부 활성값 등을 함께 살펴보는 감독 방식이 중요해질 수 있습니다. 오픈AI도 이런 보완책을 연구하고 있다고 밝혔습니다. 더 강한 AI를 연구에 투입하는 선순환 Astra에서 기대할 수 있는 것은 좋은 모델 → 연구 생산성 향상 → 더 많은 실험 → 다음 모델 개선이라는 선순환입니다. Astra가 연구 주도권을 되찾은 포인트가 될 수 있다고 보는 이유도 단순한 출시 순위보다 이 가능성에 있습니다.
원문 구간 6
아래 마이크로소프트 코멘트에서 정리드리겠지만 오픈AI 내부적으로는 Astra를 7월쯤부터 벌써 내부적으로 사용해온 것으로 보입니다. Astra의 의미 : 이제 Compute/token을 조정해 Compute를 더 잘 쓰는 시스템이 되다 제가 보는 이번 변화의 핵심은 세 가지가 함께 움직이고 있다는 점입니다. 모델 내부에서는 반복 계산으로 기존 가중치를 더 활용하고, 제품에서는 하네스로 실제 작업의 성공률을 높이며, 연구현장에서는 더 강한 에이전트로 다음 모델의 개발을 가속하려는 방향입니다. 이 관점에서는 AI의 경쟁력이 파라미터 수나 백만 토큰당 가격 하나로 결정되지 않습니다. 주어진 연산과 메모리로 얼마나 어려운 일을, 얼마나 적은 재시도와 비용으로, 얼마나 안전하게 끝낼 수 있는가가 중요해집니다. GB200/300 10만 개로 이룬 성공, 그렇다면 40만 개는? 중요한 건 이 GPT-6 Astra가 GB200/300 10만 개(대략 200~250MW)로 훈련해서 이룬 성과라는 것입니다. 새로운 GPT-2 Moment(레시피는 정해져 있는데, 이것을 10x, 100x 확장하는 대로 GPT-3, GPT-4까지의 경로가 정해져 있던 상황)인 셈입니다. 오픈AI의 연구 리더십 히스토리들을 정리해보면 ⓐGPT-2(LLM Scaling, 2019) → ⓑChatGPT(GPT-3.5/RLHF, 2022) → ⓒGPT-4(Mixture-of-Expert/MoE, 2023) → ⓓo1-preview(test-time compute/Reasoning, 2024) → ⓔGPT-6 Astra(Recurrent Depth, adaptive compute 개념을 모델 내 layer로도 확장 적용, 2026)로 결이 이어진다고 봅니다.
원문 구간 7
Astra는 서막이고 본격 새로운 지능은 Bel에서 나올 것으로 예상합니다. GB200/300 40만 개로 훈련할 모델입니다. 왼쪽 사진의 오픈AI-오라클의 스타게이트 애빌린 프로젝트 진행 상황을 보면, 참고하실 부분들이 많습니다. 사진에 현재 8개 동이 준비되어 있습니다. 1개 동의 세팅이 Critical IT Load 기준 100MW(이하 "cMW")입니다. GB300 NVL72은 랙당 140kW입니다. 한 빌딩인 100 cMW에는 GB300 NVL72 랙이 대략 700개 들어갑니다. GPU로 보자면 한 동당 50K가 탑재된다는 의미이고, 8개의 빌딩이면 400K이자 800 cMW입니다. 스타게이트 애빌린을 정리해보면 PUE 1.5, 800 cMW, 1.2GW Total Load인 사이트로 추정됩니다. 정리하면, GPT-6 Astra는 200 cMW급 모델이고 GPT-6 Bel이 첫 1GW급 모델이 될 것으로 예상합니다. 지금 레시피대로 확장하는 구조이지만 피크 지능이 매우 높아질 것을 예상할 수 있습니다. *논문 관점에서의 생각이 아니라 모델 관점에서 생각한 것 Physical AI도 대규모 컴퓨트 투자 단계로 휴머노이드 기업 피겨가 Nscale과 다년간 파트너십을 체결했습니다. 엔비디아 Vera Rubin GPU를 최대 10만 개까지 활용하는 계획으로 초기 컴퓨트 사용 약정은 $3.5B, 향후 $6B 이상으로 확대하는 것이 목표입니다. 초기 배치는 CY2H27부터 시작할 예정입니다. 다만 $3.5B는 이미 납부한 계약금이 아니라 컴퓨트 사용 약정 규모이며, 구체적인 지급 일정은 공개되지 않았습니다. Nscale은 피겨의 우선 컴퓨트 공급자가 되는 동시에 전략적 지분투자도 진행합니다.
원문 구간 8
단순히 GPU를 빌려주는 관계를 넘어 피겨의 성장에 투자하면서 향후 학습 수요까지 확보하는 구조입니다. 양사는 Nscale의 공급망에 휴머노이드를 활용하는 방안도 검토할 예정입니다. Index : 데이터 공급 늘리기 → 이번 Compute 투자로 스케일링 시작 이번 계약은 피겨가 8월 25일 발표한 Index와 연결해서 볼 필요가 있습니다. Index는 사람들이 일상과 작업현장에서 수행하는 행동을 영상으로 수집해 휴머노이드 학습에 활용하는 프로젝트입니다. 피겨는 영상 선별, 중복 제거, 데이터 구성 조정, 주석 생성 등을 처리하는 파이프라인을 구축했으며, 자동화된 처리에 사람의 검수도 결합하고 있습니다. 9월 3일 발표 기준 데이터 수집 속도는 매초 35분 분량까지 올라왔습니다. 피겨는 현재 Helix의 성능을 끌어올리는 데 필요한 데이터와 컴퓨트가 주요 제약이라고 설명했습니다. 따라서 이번 계약은 늘어나는 데이터를 실제 모델 성능으로 전환하기 위한 학습능력 확보라는 의미가 있습니다. CY26 : Agentic AI의 개화기 → CY28 : Physical AI의 개화기 개인적으로는 CY26을 Agentic AI 개화기로, CY28를 Physical AI 개화기로 보고 있습니다. 컴퓨트 관점에서 보면 Agentic AI는 Grace Blackwell에서 꽃봉오리를 맺고 Vera Rubin에서 개화하며, Physical AI는 Vera Rubin에서 기반을 쌓고 Rosa Feynman 세대에서 개화하는 흐름을 예상합니다. 물론 컴퓨트를 대규모로 확보했다고 곧바로 범용 휴머노이드가 완성되는 것은 아닙니다. 앞으로 확인해야 할 것은 낯선 환경에서의 작업 성공률, 사람의 개입 빈도, 안전성, 유지보수 비용까지 포함한 경제성입니다.
원문 구간 9
엔비디아 - 앤스로픽향 $35B 계약 엔비디아가 스스로를 AI 금융 플랫폼으로 정의하기 시작한 뒤 앤스로픽향 대규모 계약이 연이어 구체화되고 있습니다. 8월 26일에는 Nscale과의 $45B 계약에 이어서 이번에는 Lambda와 $35B 규모의 임대계약입니다. Hut 8 → Powered Shell 개발 NVIDIA → 해당 데이터센터 Powered Shell를 장기임대 Lambda → 엔비디아 GPU 구매 및 클라우드 운영 Anthropic → 최종 Compute를 임대하여 사용 엔비디아가 칩 공급자와 최종 수요자 사이에만 있는 것이 아니라 Powered Shell의 Credit까지 연결하는 중간 고리로 들어가 있습니다. Hut 8는 주요 장기임대 약속을 맺은 엔비디아의 신용을 바탕으로 Powered Shell Financing을 조달하고 → 엔비디아는 완성된 Powered Shell 캐파를 Lambda 같은 네오클라우드에 넘기고 → Lambda는 엔비디아 시스템을 설치해 앤스로픽에게 컴퓨트를 판매하는 구조입니다. 엔비디아가 자신의 대차대조표를 이용해 Land → Power → Shell → GPU → Cloud → AI Lab 사이에 존재하는 자본조달 병목을 제거하는 구조입니다. Previous image Next image Hot Chips 2026, 칩별로 간단한 리뷰 UBS의 Hot Chips 2026 리뷰를 정리해봅니다 엔비디아 GPU 세션: 실질적인 판매 단위를 하나의 칩에서 100MW 규모의 데이터센터 시스템으로 전환하고 있습니다. Peak FLOPS보다는 tokens/MW, Time-to-First-Token(TTFT), 신뢰성에 최적화하는 것입니다.
원문 구간 10
Agentic AI에서는 연산 성능보다도 정해진 전력, 정해진 비용 대비 토큰을 얼마나 더 많이 생산하느냐와 가속기의 실질 활용률이 점점 더 중요해지고 있습니다. Rubin은 Blackwell 대비 MW당 토큰 처리량이 10~30배 높아질 것으로 예상했습니다. AMD GPU 세션: MI455는 N2/N3P 기반 칩렛에 HBM4 432GB, 메모리 대역폭 23.3TB/s를 갖추고 있습니다. 엔비디아 칩 대비 GPU랑 메모리 용량과 대역폭이 더 높다는 것이 소구점입니다. AMD는 ESUN 표준과 UALink를 동시에 채택하는 open-fabric 전략을 택하고 있는데 Scale-up 네트워크를 직접 구성하지 않다보니 고객사들에게 더 높은 유연성을 제공한다는 맥락입니다. 다만 이 구조 때문에 Helios 랙 제품의 신뢰성이 얼마나 될까는 개인적으로 아직 의문입니다. 오픈AI 할라페뇨 칩 세션: LLM 추론 효율성을 극대화하기 위해 설계한 칩입니다. GB300 대비 추론 워크로드에서 Latency, interactivity, tokens/MW 측면에서 우위를 가질 것으로 예상합니다. 이번 주 주간전략보고에서 전해드린 것처럼 할라페뇨 칩의 TDP는 700W(GB300은 1400W, VR200은 ~2300W, MI455X는 2500W)인데 FP4는 13.4 PFLOPS, HBM4 216GB, 대역폭도 15.4TB/s인지라 추론에서 사실 굉장히 매력적인 칩 포지션입니다. 전성비를 고려하자면 VR200과 비교해도 꽤 매력적인 칩이고 GB300과 비교하기에는 모든 면에서 좋습니다. 마이크로소프트 Maia200 칩 세션: Copilot 및 MAI 모델 훈련과 추론에 특화시킨 Maia 200을 공개했습니다.
원문 구간 11
750W TDP, FP4 10.1 PFLOPS, HBM3E 216GB, 7TB/s입니다. 1월에 출시하고 최근 양산되고 있습니다. 경쟁력은 MI355X 수준과 비슷한 정도라서 할당된 생산규모가 그닥 크진 않습니다. 메타 MTIA 칩 세션: 메타는 MTIA 300은 훈련용으로 개발했던 가속기인데 사실상 실패에 가깝고, 주로 추론용으로 다시 방향을 틀은 MTIA 400은 Recommendation Model 추론(DLRM)에 초점을 맞추고 있습니다. 메모리는 HBM3E 288GB, 대역폭은 9.4TB/s입니다. 구글 TPU 칩 세션: 구글이 훈련용과 추론용 실리콘을 점점 더 분리하고 있는 이유에 대한 아키텍처적 논리를 설명했습니다. 구글 팀은 현대의 Reasoning, MoE, Agentic 추론 워크로드가 점점 memory-bandwidth bound(메모리 대역폭 의존적)가 되고 있으며 훈련보다 추론에서 훨씬 더 많은 메모리 대역폭이 필요하다고 강조했습니다. 이 때문에 TPU v8i를 추론용으로 2-die 솔루션을 채택했습니다. 엔비디아/Groq LPX 세션: Agentic AI 추론의 효율성을 높이기 위한 이기종 추론(Heterogeneous Inference)과 워크로드 분리(Workload Disaggregation)에 대한 관심이 커지고 있습니다. 복잡한 Reasoning 워크로드가 점점 더 Throughput에 최적화된 GPU와 Latency에 최적화된 추론용 가속기로 이분화되고 있는 만큼 LPX를 Decode, Drafting, FFN 워크로드를 담당할 보완적 엔진으로서 결합할 경우 긴 컨텍스트의 Agentic 워크로드에서 TPS/User와 Throughput 최적점을 3.5배 개선할 수 있습니다.
원문 구간 12
네트워킹/인터커넥트 세션: 엔비디아의 Spectrum-X Multiplane 아키텍처는 각각 1.6T NIC를 8개의 스위치에 분산 연결합니다. 이를 통해 8K GPU 연결 구조에서 512K Rubin GPU까지 하나의 Spectrum-X 스위치로 연결할 수 있게 되고 스위치 수는 1.7배 줄어듭니다. BlueField-4 DPU는 800G 이더넷과 7Tbps의 합산 대역폭입니다. 브로드컴의 경쟁 제품은 Thor Ultra 800G NIC입니다. Rubin CPX 개발이 다시 시작됐다 궈밍치가 엔비디아의 Rubin CPX 개발 상황에 대해 말했습니다: 최근 엔비디아는 Rubin CPX 프로그램을 부활시켰으며, 1Q27부터 생산이 시작될 예정입니다. CPX는 Rubin에 가까운 FLOPS이며, HBM4 168GB(Rubin은 HBM4 288GB, 이전 논의되고 있던 CPX 스펙은 GDDR7 128GB)이고, TDP는 VR200과 2,300W로 같습니다. 이전에는 VR200 NVL72 랙을 공유하는 것이었는데, 이제는 독립형 MGX ETL 랙에 탑재될 예정입니다. 고객은 필요에 따라 64, 128, 192, 256 CPX GPU를 택할 수 있습니다. 64개의 CPX GPU 그룹이 하나의 모듈 단위입니다. Compute Tray 1개당 8개의 CPX GPU가 탑재되고, 8개의 Compute Tray와 1개의 Switch Tray로 64개 칩 단위의 모듈이 구성됩니다. 각 Compute Tray의 CPX GPU간 Scale-up에만 NVLink가 사용되고, CPX GPU 1개당 NVLink 대역폭은 1~1.5TB/s(Rubin은 3.6TB/s)입니다. 각 랙 모듈 내 Tray 간 Scale-out에는 구리 Spectrum-6 이더넷이 쓰이고, 랙 모듈 간 Scale-out은 Spectrum-6 스위치가 광학 링크를 통해서 연결됩니다.
원문 구간 13
간단하게 칩과 칩 사이는 NVLink, 랙 내에서는 구리, 랙과 랙 사이는 광학이라고 보시면 됩니다. memory-bandwidth bound한 작업이 아니라 compute-bound인 작업의 병목을 줄여주는 게 목적인지라 NVLink 대역폭이 Rubin 대비 낮은 건 큰 상관은 없을 듯 합니다. CPX는 Vera Rubin NVL72와 1:1 비율로 사용하길 권장됩니다. 미디어텍 Custom XPU까지 생태계로 끌어들이는 중 엔비디아가 미디어텍이 발행한 전환사채(CB)에 $3.5B를 투자하며 전략적 협력을 크게 강화했습니다. 미디어텍의 전체 CB 발행 규모는 $3.9B이므로 엔비디아가 약 90%를 인수한 셈이며, 엔비디아가 대만 상장기업에 직접 투자한 첫 사례로 알려졌습니다. 세부 조건도 흥미롭습니다. 이번 CB는 5년 만기, 쿠폰 0%, 전환가격은 발행 당시 주가보다 15% 높은 주가입니다. 전량 전환되더라도 미디어텍의 최대 희석률은 약 1.67%에 불과합니다. 따라서 엔비디아가 지금 미디어텍 지분을 $3.5B어치 산 것이 아니라, 5년간 무이자로 자금을 공급하면서 주가 상승 시 지분으로 전환할 수 있는 옵션을 확보한 구조입니다. 미디어텍은 구글 TPU를 수주하면서 Custom AI ASIC 시장의 주요 신흥 업체로 올라오고 있습니다. 스마트폰 시장의 성장률이 둔화된 상황에서 데이터센터 ASIC은 앞으로 회사의 새로운 성장축이 될 가능성이 높습니다. 그런데 Custom XPU를 설계하는 것은 컴퓨트만 잘 만든다고 끝나지 않습니다. 데이터센터에 배포하려면 HBM → Package → Scale-up Interconnect → CPU 연결 → Scale-out Network → Rack → Software까지 전체 시스템을 만들어야 합니다.
원문 구간 14
이번 협력을 통해 미디어텍은 이 중 상당 부분을 엔비디아의 NVLink Fusion 기반에서 검증한 스택을 사용할 수 있게 됩니다. 고객사가 원하는 것에 맞춰서 설계해주는 것이긴 하지만 마벨에 이어서 미디어텍도 NVLink Fusion 파트너사가 됐다는 게 인상적입니다. NVLink Fusion은 'XPU는 너가 만들되, 나머지는 엔비디아를 써라'에 가깝습니다.ⓐNVLink Fusion Chiplet은 미디어텍이 만든 Custom XPU를 NVLink Fabric에 붙여 Rack 전체를 하나의 Scale-up Domain으로 만들고, ⓑNVLink-C2C는 XPU와 CPU를 연결하는 구조이며, ⓒNVHBM을 사용하면 HBM 인터페이스까지 엔비디아가 공동 설계한 생태계를 활용할 수 있습니다. 애플, 26년 PER 35배 / Underweight 애플 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 3Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플, 9월 9일 신제품 행사 개최 애플이 9월 9일 올해 최대 규모의 신제품 행사를 개최합니다. 신임 CEO 존 터너스도 최근 이번 행사를 "huge launch"라고 언급한 만큼, 아이폰, 애플워치, 에어팟을 중심으로 최소 6개의 주요 신제품이 공개될 것으로 예상됩니다. 1~3. 아이폰 18 Pro + 폴더블 iPhone Ultra 가장 중요한 제품은 아이폰입니다. iPhone 18 Pro에는 A20 Pro 칩과 카메라 업그레이드, 새로운 색상, 더 작아진 Dynamic Island가 적용될 것으로 예상됩니다.
원문 구간 15
iPhone 18 Pro Max는 배터리 용량과 전력효율 개선을 통해 역대 가장 긴 배터리 사용시간을 목표로 합니다. 가장 큰 변화는 iPhone Ultra입니다. 애플 최초의 폴더블 아이폰으로, 기존 Pro 라인업 위에 새로운 초고가 제품군을 만드는 역할을 할 것으로 예상됩니다. 4~5. 애플워치 Ultra 4, Series 12 애플워치는 Apple Watch Ultra 4와 Series 12가 공개될 전망입니다. Ultra 4에는 새로운 건강 센서와 디자인 변화가 예상되고, Series 12에는 새로운 S 시리즈 칩과 상시 심박 모니터링 기능, Ceramic 옵션 등이 추가될 가능성이 있습니다. 결국 애플워치는 성능 자체보다 건강 모니터링 기능을 얼마나 확장하느냐가 이번 세대의 핵심입니다. 6. 에어팟, Airpods 5 출시 여섯 번째 주요 제품은 AirPods 5입니다. 최근 루머가 있었던 카메라 탑재 AirPods는 이번 행사에는 등장하지 않고 2027년 출시될 가능성이 높습니다. 그외 제품들로는 HomdPad, HomdPod, Apple TV 4K 제품 출시에 대한 루머가 논의됩니다. 구글, 26년 PER 28배 / Neutral 구글 2Q26 실적발표 : GCP 82% 성장의 이면, 딥마인드의 컴퓨트 갈증 (바로가기) 구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대 (바로가기) 구글 1Q26 실적발표 : 검색은 방어했고, 클라우드는 폭발했습니다 (바로가기) 검색엔진의 역할 : '웹사이트를 찾아주는 곳' → '답변을 소비하는 곳' 구글은 AI Overviews와 AI Mode를 통해 링크를 클릭하지 않아도 검색 화면 안에서 답을 얻을 수 있는 경험을 강화하고 있습니다.
원문 구간 16
과거에는 검색 결과에서 여러 웹사이트를 방문해 정보를 비교했다면, 이제는 구글이 내용을 종합해 답변을 제공하고 후속 질문까지 처리하는 구조입니다. 이런 Zero-click 검색은 AI가 등장하면서 처음 생긴 현상은 아닙니다. 날씨·환율·지식패널처럼 검색 화면에서 바로 답을 보여주는 기능은 이전부터 있었습니다. SparkToro·Datos의 2024년 조사에서도 미국 검색의 58.5%, EU 검색의 59.7%가 결과를 클릭하지 않고 끝났습니다. AI는 여기에 단순 사실 확인뿐 아니라 설명·비교·요약까지 더하면서, 웹사이트에 방문해야 할 이유를 줄일 수 있습니다. 검색에 노출된다고 해서, 클릭하고 있지 않다 BrightEdge의 2025년 분석에서는 검색 노출이 약 49% 증가하는 동안 클릭률은 약 30% 하락했습니다. 중요한 것은 노출이 늘어도 그만큼 방문자가 늘어나는 구조가 아니라는 점입니다. Pew Research Center가 미국 성인 900명의 2025년 3월 검색 행동을 분석한 결과도 비슷한 문제를 보여줍니다. AI 요약이 있는 검색에서는 기존 검색결과 링크를 클릭한 비율이 8%였고, AI 요약이 없을 때는 15%였습니다. 특히 AI 요약 안에 인용된 출처 링크를 클릭한 비율은 1%에 불과했습니다. '우리 콘텐츠가 AI 답변의 근거로 사용됐다'와 '우리 웹사이트가 방문자와 매출을 얻었다'는 별개의 이야기입니다. 확대해석하면 고객과의 접점을 잃고 있다는 의미 사업적으로 보면 문제는 단순한 방문자 감소보다 큽니다. 검색으로 유입된 방문자는 사이트 안에서 다른 글을 읽고, 뉴스레터를 구독하고, 회원가입이나 구매로 이어질 수 있습니다. 그런데 첫 방문이 발생하지 않으면 광고 노출뿐 아니라 직접 고객을 확보하고 재방문을 유도할 기회도 함께 줄어듭니다.
원문 구간 17
결과적으로는 디지털 마케팅에서 광고비를 지불하지 않는 자연 유입을 확보하기가 점점 더 어려워질 가능성을 보고 있습니다. 콘텐츠 제작과 검색 최적화에 투자해도, 그 성과가 자사 사이트 방문보다 검색 플랫폼 안의 노출로 남을 수 있기 때문입니다. 반면, 구글은 돈을 '더' 법니다 구글 입장에서는 검색 사용량과 웹사이트로 보내는 클릭 수가 반드시 같은 방향으로 움직일 필요는 없습니다. 사용자가 구글 안에서 더 다양한 질문을 해결한다면, 외부 방문으로 연결되지 않는 검색에서도 새로운 광고 접점을 만들 수 있습니다. 실제로 구글은 AI Overviews 위/아래뿐 아니라 답변 내부에도 광고를 제공하고 있습니다. 2026년 5월에는 AI Mode에서 질문에 맞춘 광고와 추천 목록에 포함되는 광고 등을 테스트한다고 발표했습니다. 광고도 단순히 검색어 옆에 붙는 방식에서 대화의 맥락과 사용자의 구매 의도에 맞춰 제시되는 방식으로 확장되고 있습니다. 구글 검색의 경쟁력 강화와 외부 웹사이트의 자연 유입 약화가 동시에 나타날 수 있습니다. 광고주가 잃어버린 자연 유입을 유료 광고로 보완하려 한다면 플랫폼 의존도가 높아질 가능성도 있습니다. 9월 2일, 연방지방법원 판사의 판결 미국 연방판사가 DoJ가 구글에 AdX를 매각하도록 강제하려는 시도를 기각했습니다. 반독점 책임은 유지되지만 매각요청만 기각한 것입니다. 간단하게만 보자면, 이번 사건은 구글 검색이나 유튜브 광고 전체를 분할하려던 사건이 아닙니다. 언론사나 콘텐츠 사이트처럼 구글이 소유하지 않은 웹사이트의 광고 공간을 거래하는 기술이 중심입니다. 구글이 광고 거래의 여러 단계를 동시에 통제하는 구조를 바꾸려던 시도인데 이미 충분한 경쟁 중이라는 맥락으로 DoJ의 요구를 기각한 것입니다.
원문 구간 18
마이크로소프트, 26년 PER 28배 / Neutral 마이크로소프트 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 마이크로소프트 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 오픈AI 기업분석 : 빅테크를 위협하는 새로운 플랫폼으로서 ChatGPT의 가치를 생각해보다 (바로가기) 샘 올트먼, 허깅페이스 사건 이후의 생각 오픈AI 샘 올트먼이 9월 2일 Sources Podcast에 나와 얘기한 것들을 정리해보면: AI 모델 능력 발전 속도가 매우 빠르며 너무 빨라지다보니 프론티어 모델의 강화학습 훈련을 잠시 늦췄다. 정렬, 안전, 보안을 위해 훈련 방식을 일부 변경했으며 모델의 지능 수준을 따라잡게 만들기 위해 더 많은 시간이 필요하기 때문이다. 허깅페이스 사건은 마치 SF 영화 같은 현실을 보여주며, AI 능력이 이제는 새로운 수준에 도달했음을 깨닫게 했다. 이전에는 경험하지 못했던 수준의 매우 빠른 사전훈련 속도를 경험했으며 매우 뛰어난 능력을 가진 모델들이 탄생했다. 그리고 강화학습 과정에서 정렬우려들이 생기다보니 앞으로 나올 매우 뛰어난 사전훈련 모델을 고려할 때 신중하게 대처하기로 결정했다. 오픈AI 연구팀은 정렬에 더 많은 컴퓨팅 자원을 투입하고 있으며, 안전 및 정렬 연구에 집중하는 연구원들이 늘어나고 있다. 또한 허깅페이스 사건 이후 모니터링 시스템 구축에 컴퓨팅 자원을 투입했으며 주요 프론티어 모델 훈련을 처음으로 연기했다. Astra는 여러 버전으로 출시될 예정이며 일부는 이미 안전하다고 판단되는 모델 기반으로 출시할 것이다. 프론티어 모델의 강화학습 훈련만 중단한 것이며 모든 훈련을 중단한 것은 아니다.
원문 구간 19
클러스터는 계속해서 가동되고 있고 안전성이 더 확실한 작업들을 수행하고 있다. AGI는 '대부분의 경제적으로 가치 있는 작업에서 인간을 능가하는 고도로 자율적인 시스템'이라고 정의할 수 있다. 현재 모델들도 AGI에 매우 근접했다고 볼 수 있고, 최신 내부 모델들은 AGI와 유사하지만 여전히 부족한 부분들도 있다. AGI는 하나의 마일스톤이고, 초지능은 지속적으로 확장되는 것이다. 지난 12개월 동안 회사의 실수가 있었지만, 이제 최고의 12개월을 맞이할 준비가 되어 있다. 이전에는 제품 방향과 사전훈련 및 연구 분야에서 목표치에 미치지 못했던 부분이 있었다. 제품 측면에서 너무 많은 것을 시도하려고 했었고 브라우저나 Sora 같은 이니셔티브에 집중하느라 범용 지능 향상이라는 가장 중요한 목표를 놓쳤었다. 지금은 회사 역사상 최고의 실행력을 보여주고 있으며 업계 최고 수준이다. 이것이 최우선 과제임을 모든 사람들에게 강조했어야 했다. Astra의 컴퓨터 사용 능력은 매우 인상적이며 AGI로 가는 중요한 단계이다. 이전 모델은 컴퓨터 사용에 느리거나 정확하지 못했는데 Astra는 인간 수준의 컴퓨터 사용 능력을 갖췄다. 번거로운 컴퓨터 작업을 줄여줄 것이고 사용자가 원하는 것을 설명하면 AI가 처리해주고 결과를 보여주는 경험을 제공할 것이다. AI가 소프트웨어를 사용할 수 있게 된다는 함의가 크다. 앤스로픽은 코딩에 집중하며 빠르게 성장했지만 오픈AI는 다양한 베팅을 하느라 초기 모멘텀을 놓쳤다. 지금은 시장에서 최고의 코딩 제품을 보유하고 있으며 빠르게 성장하고 있다. ChatGPT와 Codex를 통합하여 슈퍼 앱을 구상하는 작업을 진행 중이다. 궁극적으로 사용자는 어떤 것이든 원하는 모든 것을 요청하면 알아서 모델이 해결하는 AI 인터페이스를 원할 것이다.
원문 구간 20
미래에는 ChatGPT, Codex 등 각종 도구들이 모두 통합되어 사용자가 별도로 어떤 모델에 요청할지 생각하지 않고 AI가 알아서 처리해주는 범용 목적의 AI 구독 형태가 될 것이다. 오픈AI는 대규모 컴퓨팅 구축 계획에 대해서 걱정하지 않지만, 전 세계적인 컴퓨팅 구축 계획에 대해서는 우려스럽다. 일부 네오클라우드의 과도한 컴퓨팅 구축과 수익성 없는 투자는 지속불가능한 상황을 초래할 수 있다. 오픈AI는 현재 컴퓨팅을 외부에 공급할 계획은 없으며 자체 수요를 충족하는 데 집중하고 있다. RSI를 통한 AI의 잠재적 발전 속도가 빨라지면 빨라질수록 IPO를 연기하는 것이 유리할 수 있다. 상장기업이 되면 주가 상승에 대한 압박으로 인해 단기적 이익을 위해 장기적 안전 결정을 내리기 어려울 수 있기 때문이다. AI 발전 속도를 고려할 때 단기적으로 슈퍼지능 출현 가능성이 있으며 오픈AI 사명이 IPO 시점보다 더 중요하다고 생각한다(최근 모델 발전 속도를 보아하니 더 빨라지면 IPO 연기할 수도 있다). ChatGPT Ads ARR $1B 돌파 오픈AI ChatGPT Ads ARR이 $1B를 넘겼습니다. 앱러빈이 연간 $6.8B, 스냅이 $6.4B, 핀터레스트가 $4.6B 정도입니다. 그동안이 세팅하는 과정이었고 이제 셀프서비스도 시작되고 광고주 기반도 안착한 상태라서 광고 채널로는 꽤나 빠른 성장세입니다. 6월 말까지만 해도 ARR $0.2B였는데 약 2개월 사이 ARR이 5배 규모로 커진 것입니다. GPT-6 Astra System Card 뜯어보기 Mythos Preview와 Opus 때도 그랬듯, SOTA 모델은 System Card를 보려고 하는 편입니다.
원문 구간 21
GPT-6 Astra System Card에서 인상적이었던 몇 가지 차트들을 정리해봅니다: *왼쪽* Figure 47 — ExploitBench Internal Port / PDF p.89 : 사이버보안 영역에서 오픈AI가 처음으로 'Critical' 등급을 줬다고 꼽은 핵심 배경입니다. 일단 기존 ExploitBench는 과거에 공개한 취약점들을 갖고 평가하는 것이라서 학습 데이터의 오염(벤치맥싱 가능성, 늘 벤치마크를 잘 따져가며 봐야 하는 이유) 우려가 있는데 오픈AI는 이를 피하려고 Astra의 knowledge cutoff 이후인 2026년 6~8월 신규 취약점만으로 별도 평가했습니다. 해당 벤치에서 Astra는 GPT-5.6 Sol보다 훨씬 더 적은 output 토큰으로 훨씬 더 높은 성공률을 보였습니다. *오른쪽* Figure 51 — Sandbox-Bench / PDF p.93 : 여기도 사이버보안 역량 벤치마크인데, 오픈AI 내부 보안환경을 본떠 만든 취약점 22개를 공격하는 테스트입니다. 특히 22개 중 21개가 기존에 알려지지 않은 신규 취약점(zero-day) 이라서, 모델의 단순 암기가 아니라 실제 취약점 발굴 능력을 보는 테스트에 가깝습니다. Astra는 45.5%를 풀었고, Sol은 4.5%에 불과했었습니다. 새 취약점을 실제로 찾아내는 능력 자체가 크게 증가한 것입니다. *왼쪽* Figure 50 — SRE-Bench / PDF p.92 : SRE-bench란 19개의 비공개 프로그램에서 만든 262개 엔지니어링 문제로 오염을 최소화한 평가입니다. pass@4에서 Astra는 99.2%, GPT-5.6 Sol은 68.7%인데 Astra가 사용한 output 토큰은 Sol의 4분의 1입니다.
원문 구간 22
훨씬 더 적은 토큰으로 훨씬 더 높은 지능을 보인 것입니다. *오른쪽* Figure 52 — Internal Research Debugging Evaluation / PDF p.98 : 오픈AI 연구원이 실제 연구 중 겪었던 41개의 실제 버그를 다시 모델에게 풀게 한 평가입니다. 숙련된 오픈AI 연구자가 해결하는 데 수시간~수일이 걸렸던 문제들인데 Astra는 78.05%까지 해결했습니다. 화려한 벤치마크가 아니라 실제 오픈AI 연구자가 시간을 가장 많이 쓰는 debugging 루프를 모델이 얼마나 대체할 수 있느냐가 연구 생산성에 직접 영향을 미치는 지표입니다. *왼쪽* Figure 53 — KernelGen 1P / PDF p.99 : 모델에게 오픈AI의 할라페뇨용 커널을 직접 작성하고 최적화하도록 한 평가입니다. 편법을 쓰지 않아야 하게끔 세팅된 평가입니다. 흥미로운 건 Astra가 50~70k output 토큰 수준에서 65% 정도의 reward까지 높아지는데, Sol은 비슷한 영역까지 올라가는 데 거의 300k를 써야 합니다. 시스템 카드에서도 아예 XPU low-level 커널 최적화를 벤치마크로 쓰고 있습니다. 향후 할라페뇨 이후 2세대 ASIC이 출시될 때는 소프트웨어 최적화나 low-level 커널 최적화에 필요한 engineer hour가 크게 줄어들 가능성을 보여주는 신호입니다. *오른쪽* Figure 55 — PostTrainBench Lite / PDF p.101 : 이 테스트는 연구쪽 테스트입니다. 단순 코드를 작성하는 게 아니라 모델이 어떤 데이터를 만들지, 어떤 사후학습 기법을 사용할지, 강화학습을 어디에 어떻게 적용할지, 중간 평가지표(eval)를 보고 다음 실험은 어떻게 바꿀지를 결정하는 테스트입니다.
원문 구간 23
1개의 H100과 5시간을 주고 12개의 사후학습 과제를 수행시키는 평가입니다. 굉장히 인상적인 건 그래프상 Astra의 커브가 모든 compute 구간에서 Sol보다 상당히 높고, Sol은 사실상 이정도면 '못하는' 정도였는데 이것이 Astra부터 가능해졌습니다. 프론티어 모델 경쟁력이 이제는 강화학습을 어떻게 잘 다루는가에서 주로 갈리고 있기 때문에 RL Trajectory, 합성 데이터 생성, reward design, 사후학습 레시피를 어떻게 할 것이냐로 갈리는데 이 영역에서 꽤나 의미있는 지표입니다. *왼쪽* Figure 41 — No-CoT Math Time Horizon / PDF p.72 : Astra의 특징을 가장 잘 보여주는 차트입니다. UK AISI 평가에서 CoT를 생성하지 않고 단 한 번의 forward pass만으로 해결할 수 있는 수학 문제의 인간 풀이시간 기준 문제 난이도(time horizon)가 Sol은 3.6분이었는데 → Astra는 30.9분으로 8.6배 상승했습니다. 쉽게 말해 Sol은 사람이 3.6분 고민해야 하는 문제까지 CoT 없이 풀 수 있었다면, Astra는 사람이 30.9분 고민해야 하는 문제까지 머릿속 풀이과정을 밖으로 드러내지 않은 채 한 번에 답을 낼 수 있게 됐습니다. *오른쪽* Figure 28 — CoT Controllability / PDF p.57 : 이건 모델을 얼마나 스텔스 상태로 만들 수 있는가를 확인하는 평가입니다. 같은 길이의 CoT를 놓고 모델에게 "특정 단어를 쓰지 마라", "대소문자를 번갈아 써라" 같은 제약을 줬을 때 얼마나 자기 reasoning을 의도적으로 통제할 수 있는지를 측정합니다.
원문 구간 24
10K token CoT에서 Astra 60.9% vs Sol 16.1% vs GPT-5.5 1.7%입니다. 모델이 자기 reasoning의 형태를 의도적으로 조절하는 능력이 강해졌다는 뜻입니다. 오픈AI, "자동화된 AI 연구원을 완성했다" 오픈AI가 향후 초지능으로 가기 위해서는 (1) 자동화된 AI 연구 인턴을 만들고 → (2) 자동화된 연구원을 만들면 이들에게 Compute만 집어넣으면 AI가 AI를 연구하는 루프를 만들어야 한다고 주장해왔었습니다. 그리고 마침내 이번에 (1)을 완성했다고 선언했습니다. 실제 오픈AI 내부의 차트들을 살펴봅니다: 1. 코딩 에이전트 사용량 급증 8월 중순이 되자 오픈AI 내부에서 중위값에 해당하는 연구원들도 매일 에이전트를 연구에 통합하여 API 가격 기준 하루 $600 이상을 추론에 사용했습니다. 현 시점 상위 90%에 해당하는 연구원들은 하루 $7,000 이상의 토큰을 사용하고 있을 정도입니다. 이 차트로 보면 7월 중순 언젠가부터 에이전트 사용량이 폭증한 것을 알 수 있는데, 내부적으로는 프론티어 모델을 더 일찍 적용한다는 것을 생각해보면 이 시점이 외부로는 GPT-5.6 Sol을 배포하고 내부적으로는 GPT-6 Astra를 사용하여 개발을 가속화했던 시기로 추정됩니다. 2026년 6월 이전에는 연구조직 전체의 에이전트 실행 시간이 총 실제 엔지니어 투입 시간보다 적었는데, 8월 중순 기점으로는 8시간 근무를 하루라고 볼 때 연구조직은 인력 1일 투입시간당 엔지니어 작업일 3.1일을 투입하고 있습니다. 2. 연구원들이 더 많은 코드를 작성하고 더 많은 실험을 하고 있다
원문 구간 25
AI 연구의 상당 부분이 모델의 지능이나 성능을 향상시킬 가능성이 있는 새로운 개선사항을 핵심 모델에 통합하는, 다소 노동 집약적인 과정입니다. 이 과정은 여러 단계를 거치며, 모든 단계가 순조롭게 진행될 때 비로소 역량이 향상됩니다. 연구원들은 새로운 개선 사항을 설계하고, 모델 성능을 평가하는 방법을 작성하고, 이러한 개선 사항을 대규모로 테스트할 수 있는 인프라를 구축하고, 학습 과정에서 버그와 안전하지 않거나 잘못된 동작을 찾아내고, 성공적인 아이디어를 핵심 학습 과정에 통합해야 합니다. 연구 과정의 어느 한 단계에서라도 실패하면 전체 연구 과정에 차질이 생길 수 있습니다. 코드 작성 + 실험 실행이 중요한데, 이 과정 전체가 매우 가속화되고 있습니다. 아마존, 26년 PER 33배 / Neutral 아마존 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 4Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) Fable 5.1/Mythos 5.1 출시 앤스로픽이 Fable 5.1/Mythos 5.1을 출시했습니다. Terminal-bench 4.0, CursorBench 3.2.0 두 가지를 중점적으로 보시면 되는데, 두 가지 모두 Fable 5와 Opus 5에 비해서 약간씩 좋아진 모델입니다. 대신 KV Cache hit read 비용을 75% 낮춘 $0.25로 잡아서 일반적인 작업부하 비용은 최대 25%, 장시간 에이전트 작업에서는 최대 45%정도 만큼 비용이 낮아질 것으로 추정됩니다.
원문 구간 26
피크 지능은 드라마틱한 수준까지는 아니지만, 전반적인 모델 지능이 높아지고 Cache reads 비용은 크게 낮췄다보니 같은 작업을 보다 저비용으로 가능하게 하는 쪽으로는 꽤 유의미합니다. Fable 5.1도 워낙 좋기는 한데, 오픈AI의 Astra가 같거나 더 높은 수준의 지능을 거의 50% 비용으로 제공하고 있는 상태인지라 GPT-6 Astra에 대해서 좀 더 힘줘서 분석하고 Fable 5.1은 가볍게 넘어갑니다. 메타, 26년 PER 20배 / Neutral 메타 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) Muse Spark 1.1 코멘트 / 주간전략보고 中 (바로가기) 메타 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 메타가 $14B를 주고 데려온 남자 : MSL을 이끄는 알렉산더 왕의 통찰 (바로가기) 메타, '4Q26쯤 구글 검색광고 매출 넘길 듯' 메타에 대해서 보고서가 연달아 나왔습니다: 8월 30일 모건스탠리, <메타가 2025년 하반기의 구글이 될 수 있을까?>: 메타가 SNS 중독 소송을 해결하기 위해 10년에 걸쳐 최대 $17B를 지급하는 합의를 했습니다. 그리고 동시에 페이스북과 인스타그램을 사용하는 18세 미만 청소년에 대해서 하루 2시간 이용 제한(부모 허락 시 해제 가능), 등교 시간인 오전 8시~오후 3시, 야간인 자정~오전 6시는 기본적으로 이용 차단을 하는 변경사항입니다. 청소년으로부터 발생하는 매출은 메타 전체 매출의 1% 정도라서 타격은 거의 없습니다. 구글과 틱톡도 유사한 합의에 이를 경우 이들은 하루 1시간 이용제한에 동의하게 됩니다.

이 자료에서 다룬 사실

GPT-6 Astra의 모델 평가·API 가격·Recurrent Depth·System Card와 내부 에이전트 사용 확대를 다뤘다.

근거 보기 26

원문 구간 1
모델 + 에이전트 문제 해결률 평가 실행비용 GPT-6 Astra + Codex 58.2% $3,300 Fable 5.1 + Claude Code 57.9% $6,200 GPT-5.6 Sol + Codex 37.3% $2,500 GPT-5.6 Terra + Codex 21.5% $1,700 Grok 4.6 + Grok Build 20.3% $3,600 Astra와 Fable의 차이는 0.3%p로 매우 작습니다. 그런데 같은 지능을 실제 고부가가치 작업 추론 기준 절반에 가까운 비용으로 달성한 효율을 냈다는 것이 매우 인상깊은 포인트였습니다. 그리고 지금의 GPT-6 Astra가 앤스로픽에게 '나는 절반 가격으로도 너랑 같은 지능을 가졌지'라고 말하는 모델이라면, 현재 차기 모델로 논의되고 있는 차세대 10T+ 모델 GPT-6 Bel은 '이제 같은 가격으로 너보다 훨씬 높은 지능을 가졌지'라고 말하는 모델이 될 것으로 예상합니다. Astra의 기본 API 가격은 백만 토큰당 입력 $10 / 출력 $50입니다. 하지만 에이전트에서는 토큰 단가보다 작업 하나를 성공적으로 끝내는 데 필요한 전체 비용과 시간이 중요합니다. 더 비싼 토큰을 쓰더라도 불필요한 추론과 재시도가 줄어들면 실제 작업 비용은 낮아질 수 있습니다. 여기서도 '지능'이 중요한 셈입니다. Terminal-bench 4.0 업데이트(2026-09-07) → GPT-6 Astra 58.2% > Fable 5.1 57.9% > Opus 5 51.8% > Fable 5 44.5% > GLM-5.3 41.8% > GPT-5.6 Sol 37.3% > Opus 4.8 23.6% > GPT-5.6 Terra 21.5% > Grok 4.6 20.3% > Gemini 3.8 Flash 19.1% > GPT-5.6 Luna 17.3% > Grok 4.5 12.4% = Sonnet 5 12.4%입니다.
원문 구간 2
주요 모델 API 가격 업데이트(2026-09-07) → GPT-6 Astra $10/$50(SOTA) > Mythos/Fable 5.1 $10/$50 > GPT-5.6 Sol $5/$30 > Opus 5 $5/$25 > Kimi-K3 $3/$15 > GPT-5.6 Terra $2/$12 > Gemini 3.1 Pro $2/$12 > Sonnet 5 $2/$10 > Qwen 3.8-Max-0902 $2/$6 = Grok 4.6 $2/$6(8일 내 4.7 출시 예정) > GLM-5.3 $1.4/$4.4 > Muse Spark 1.3 $1.25/$4.25 > DeepSeek-V4-Pro-0813 $1.32/$3.96 > Gemini 3.8 Flash $0.75/$3.75 > DeepSeek-V4-Flash-0731 $0.44/$1.32 > GPT-5.6 Luna $0.20/$1.20 모델이 좋아지면 Codex 전체도 개선할 기회가 커진다 Terminal-Bench가 중요한 이유는 모델만 분리해서 평가하지 않고 모델 + 에이전트/하네스의 조합을 평가하기 때문입니다. 개발자가 실제로 사용하는 것도 모델 하나가 아니라 도구 호출/작업환경/컨텍스트 관리 등이 결합된 시스템입니다. 오픈AI 역시 Astra 출시와 함께 Codex 하네스를 개선했다고 밝혔습니다. 코딩 에이전트에 필요한 것은 그럴듯한 설명보다 실제로 문제를 해결한 작업 궤적, 'Coding Trajectory'입니다. 어떤 파일을 읽고 어떤 도구를 사용했으며 실패했을 때 어떻게 수정했는지까지 학습과 평가의 대상이 됩니다. 오픈AI도 에이전트 모델 훈련에서 다양한 문제 해결 궤적의 중요성을 강조해왔습니다. 코딩 에이전트의 선순환입니다. 더 좋은 모델 → 더 어려운 작업에 사용 → 검증 가능한 성공·실패 사례 축적 → 모델·하네스 개선 → 더 많은 작업을 안정적으로 처리
원문 구간 3
후발주자도 결국 모델 성능, 작업당 비용, 에이전트 완성도를 함께 끌어올려야 합니다. Grok 4.6은 Terra에 근접한 해결률을 냈지만, 위 평가에서는 총비용이 오히려 더 높았습니다. 출력 토큰 단가가 Grok 4.6은 $6이고, GPT-5.6 Terra는 $12라는 사실만으로 에이전트의 가성비까지 우월하다고 결론내릴 수는 없습니다. 따라서 xAI의 진전은 주목하되, 특정 벤치마크 하나를 근거로 AI Labs 전체의 순위나 시장점유율 변화까지 확정하기보다는 실제 작업을 얼마나 싸고 안정적으로 완료하는지를 계속 봐야 합니다. Recurrent Depth - 같은 레이어를 여러 번 계산시키다 Astra를 계기로 주목받는 또 하나의 변화는 Recurrent Depth(=Looped Transformer)입니다. 원리는 비교적 간단합니다. 일반적인 Transformer가 서로 다른 24개 레이어를 한 번씩 통과한다면, Looped Transformer는 일부 레이어 묶음을 재사용합니다. Recurrent Depth는 계산 깊이를 반복으로 늘리는 방식이고, Looped Transformer는 그런 방식을 사용하는 모델 구조라고 이해하면 됩니다. 예를 들어 24개 레이어 전체를 두 번 사용하는 단순한 구조라면, L1 → … → L24 → 다시 L1 → … → L24 처럼 계산합니다. 저장된 가중치는 재사용하지만 두 번째 통과에서는 첫 번째 계산으로 바뀐 내부 상태를 다시 처리합니다. 서로 다른 레이어 48개를 저장하지 않고도 더 많은 순차 계산을 수행하는 것입니다. 기존의 CoT가 중간 추론을 토큰으로 길게 생성하면서 계산을 늘리는 방식(memory-intensive)이라면, Recurrent Depth는 토큰 하나를 출력하기 전에 내부 계산을 더 수행하는 방식(compute-intensive)입니다.
원문 구간 4
당연히 두 방식은 함께 사용할 수도 있습니다. '모든 토큰에 같은 계산량을 적용하지 않는다' 오픈AI가 어떻게 Recurrent Depth를 만들었는지를 공개하진 않습니다. 다만 업계의 여러 논문들을 살펴보면서 Recurrent Depth가 어떻게 생겼을지에 대해서 상상할 수는 있습니다. 2025년 7월 14일 <Mixture-of-recursions: Learning dynamic recursive depths for adaptive token-level computation>에서는 이 구성을 넣을 때 토큰별 라우터를 따로 학습시켜 넣은 구조로 추론했습니다. 가중치를 공유하면서도 필요한 곳에 계산량을 선택적으로 배분하는 것입니다. 이 변화의 의미는 파라미터 수와 토큰당 계산량을 어느 정도 분리해서 설계할 수 있다는 점입니다. 단순하게 모델을 크게 만드는 방법만 있는 것이 아니라, 같은 가중치를 더 활용하거나 문제의 난도에 따라 계산량을 다르게 배분할 수 있습니다. 모델 설계가 단순한 크기 경쟁을 넘어 Compute ↔ Memory ↔ Interconnect 사이에서 더 좋은 조합을 찾는 문제로 확장되는 것입니다. '그렇다고 N번 반복하면, N배 큰 모델이 되진 않는다' 여기서 반복 계산과 새로운 파라미터의 역할을 구분해야 합니다. 2026년 4월 22일의 <How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models> 논문에서는 반복 횟수의 효과를 다음과 같이 추정했습니다. looped layer 1개 = unique layer 0.46개이고, recurrent를 4번을 돌렸다고 가정하면 실제 unique 기준으로는 1.89배 정도의 모델 효과를 냈습니다.
원문 구간 5
결국 Recurrent Depth는 적은 가중치로 더 많은 계산을 수행하는 유용한 선택지이지, 파라미터와 데이터 스케일링을 없애는 기술은 아닙니다. 같은 자원을 어떤 방식으로 활용했을 때 성능과 비용의 조합이 가장 좋아지는지가 핵심입니다. Recurrent Depth가 CoT를 없앤다는 미신 오픈AI의 수석 과학자 야쿠브 파초키는 "Astra를 포함한 오픈AI 프론티어 모델들의 계산 그래프 깊이가 GPT-4의 2배 이내"라고 밝혔습니다. 'Astra가 내부에서 수십~수백 배 더 깊은 계산을 한다'는 식의 해석을 경계하는 발언입니다. CoT가 계속 존재한다는 사실과, 그 CoT로 모델의 위험한 행동을 충분히 알아낼 수 있다는 것은 다릅니다. 오픈AI가 모델을 모니터링하기 어려워진다고 말한 맥락은 Recurrent Depth 때문이 아닙니다. 파초키는 9월 6일 글 <An Alien Mind>에서 원인을 더 구체적으로 설명했습니다. 모델의 추론이 도구 사용, 다른 AI와의 상호작용에 섞이면서 감독 경계가 복잡해지고, 모델이 자신의 추론 과정을 의도적으로 더 잘 조절하며, 사전학습 성능 향상으로 긴 언어적 추론 없이도 더 많은 일을 할 수 있게 됐다는 것입니다. 강화학습이나 반복 구조 하나만으로 설명할 문제는 아닙니다. 따라서 앞으로는 CoT뿐 아니라 실제 행동과 도구 호출, 내부 활성값 등을 함께 살펴보는 감독 방식이 중요해질 수 있습니다. 오픈AI도 이런 보완책을 연구하고 있다고 밝혔습니다. 더 강한 AI를 연구에 투입하는 선순환 Astra에서 기대할 수 있는 것은 좋은 모델 → 연구 생산성 향상 → 더 많은 실험 → 다음 모델 개선이라는 선순환입니다. Astra가 연구 주도권을 되찾은 포인트가 될 수 있다고 보는 이유도 단순한 출시 순위보다 이 가능성에 있습니다.
원문 구간 6
아래 마이크로소프트 코멘트에서 정리드리겠지만 오픈AI 내부적으로는 Astra를 7월쯤부터 벌써 내부적으로 사용해온 것으로 보입니다. Astra의 의미 : 이제 Compute/token을 조정해 Compute를 더 잘 쓰는 시스템이 되다 제가 보는 이번 변화의 핵심은 세 가지가 함께 움직이고 있다는 점입니다. 모델 내부에서는 반복 계산으로 기존 가중치를 더 활용하고, 제품에서는 하네스로 실제 작업의 성공률을 높이며, 연구현장에서는 더 강한 에이전트로 다음 모델의 개발을 가속하려는 방향입니다. 이 관점에서는 AI의 경쟁력이 파라미터 수나 백만 토큰당 가격 하나로 결정되지 않습니다. 주어진 연산과 메모리로 얼마나 어려운 일을, 얼마나 적은 재시도와 비용으로, 얼마나 안전하게 끝낼 수 있는가가 중요해집니다. GB200/300 10만 개로 이룬 성공, 그렇다면 40만 개는? 중요한 건 이 GPT-6 Astra가 GB200/300 10만 개(대략 200~250MW)로 훈련해서 이룬 성과라는 것입니다. 새로운 GPT-2 Moment(레시피는 정해져 있는데, 이것을 10x, 100x 확장하는 대로 GPT-3, GPT-4까지의 경로가 정해져 있던 상황)인 셈입니다. 오픈AI의 연구 리더십 히스토리들을 정리해보면 ⓐGPT-2(LLM Scaling, 2019) → ⓑChatGPT(GPT-3.5/RLHF, 2022) → ⓒGPT-4(Mixture-of-Expert/MoE, 2023) → ⓓo1-preview(test-time compute/Reasoning, 2024) → ⓔGPT-6 Astra(Recurrent Depth, adaptive compute 개념을 모델 내 layer로도 확장 적용, 2026)로 결이 이어진다고 봅니다.
원문 구간 7
Astra는 서막이고 본격 새로운 지능은 Bel에서 나올 것으로 예상합니다. GB200/300 40만 개로 훈련할 모델입니다. 왼쪽 사진의 오픈AI-오라클의 스타게이트 애빌린 프로젝트 진행 상황을 보면, 참고하실 부분들이 많습니다. 사진에 현재 8개 동이 준비되어 있습니다. 1개 동의 세팅이 Critical IT Load 기준 100MW(이하 "cMW")입니다. GB300 NVL72은 랙당 140kW입니다. 한 빌딩인 100 cMW에는 GB300 NVL72 랙이 대략 700개 들어갑니다. GPU로 보자면 한 동당 50K가 탑재된다는 의미이고, 8개의 빌딩이면 400K이자 800 cMW입니다. 스타게이트 애빌린을 정리해보면 PUE 1.5, 800 cMW, 1.2GW Total Load인 사이트로 추정됩니다. 정리하면, GPT-6 Astra는 200 cMW급 모델이고 GPT-6 Bel이 첫 1GW급 모델이 될 것으로 예상합니다. 지금 레시피대로 확장하는 구조이지만 피크 지능이 매우 높아질 것을 예상할 수 있습니다. *논문 관점에서의 생각이 아니라 모델 관점에서 생각한 것 Physical AI도 대규모 컴퓨트 투자 단계로 휴머노이드 기업 피겨가 Nscale과 다년간 파트너십을 체결했습니다. 엔비디아 Vera Rubin GPU를 최대 10만 개까지 활용하는 계획으로 초기 컴퓨트 사용 약정은 $3.5B, 향후 $6B 이상으로 확대하는 것이 목표입니다. 초기 배치는 CY2H27부터 시작할 예정입니다. 다만 $3.5B는 이미 납부한 계약금이 아니라 컴퓨트 사용 약정 규모이며, 구체적인 지급 일정은 공개되지 않았습니다. Nscale은 피겨의 우선 컴퓨트 공급자가 되는 동시에 전략적 지분투자도 진행합니다.
원문 구간 8
단순히 GPU를 빌려주는 관계를 넘어 피겨의 성장에 투자하면서 향후 학습 수요까지 확보하는 구조입니다. 양사는 Nscale의 공급망에 휴머노이드를 활용하는 방안도 검토할 예정입니다. Index : 데이터 공급 늘리기 → 이번 Compute 투자로 스케일링 시작 이번 계약은 피겨가 8월 25일 발표한 Index와 연결해서 볼 필요가 있습니다. Index는 사람들이 일상과 작업현장에서 수행하는 행동을 영상으로 수집해 휴머노이드 학습에 활용하는 프로젝트입니다. 피겨는 영상 선별, 중복 제거, 데이터 구성 조정, 주석 생성 등을 처리하는 파이프라인을 구축했으며, 자동화된 처리에 사람의 검수도 결합하고 있습니다. 9월 3일 발표 기준 데이터 수집 속도는 매초 35분 분량까지 올라왔습니다. 피겨는 현재 Helix의 성능을 끌어올리는 데 필요한 데이터와 컴퓨트가 주요 제약이라고 설명했습니다. 따라서 이번 계약은 늘어나는 데이터를 실제 모델 성능으로 전환하기 위한 학습능력 확보라는 의미가 있습니다. CY26 : Agentic AI의 개화기 → CY28 : Physical AI의 개화기 개인적으로는 CY26을 Agentic AI 개화기로, CY28를 Physical AI 개화기로 보고 있습니다. 컴퓨트 관점에서 보면 Agentic AI는 Grace Blackwell에서 꽃봉오리를 맺고 Vera Rubin에서 개화하며, Physical AI는 Vera Rubin에서 기반을 쌓고 Rosa Feynman 세대에서 개화하는 흐름을 예상합니다. 물론 컴퓨트를 대규모로 확보했다고 곧바로 범용 휴머노이드가 완성되는 것은 아닙니다. 앞으로 확인해야 할 것은 낯선 환경에서의 작업 성공률, 사람의 개입 빈도, 안전성, 유지보수 비용까지 포함한 경제성입니다.
원문 구간 9
엔비디아 - 앤스로픽향 $35B 계약 엔비디아가 스스로를 AI 금융 플랫폼으로 정의하기 시작한 뒤 앤스로픽향 대규모 계약이 연이어 구체화되고 있습니다. 8월 26일에는 Nscale과의 $45B 계약에 이어서 이번에는 Lambda와 $35B 규모의 임대계약입니다. Hut 8 → Powered Shell 개발 NVIDIA → 해당 데이터센터 Powered Shell를 장기임대 Lambda → 엔비디아 GPU 구매 및 클라우드 운영 Anthropic → 최종 Compute를 임대하여 사용 엔비디아가 칩 공급자와 최종 수요자 사이에만 있는 것이 아니라 Powered Shell의 Credit까지 연결하는 중간 고리로 들어가 있습니다. Hut 8는 주요 장기임대 약속을 맺은 엔비디아의 신용을 바탕으로 Powered Shell Financing을 조달하고 → 엔비디아는 완성된 Powered Shell 캐파를 Lambda 같은 네오클라우드에 넘기고 → Lambda는 엔비디아 시스템을 설치해 앤스로픽에게 컴퓨트를 판매하는 구조입니다. 엔비디아가 자신의 대차대조표를 이용해 Land → Power → Shell → GPU → Cloud → AI Lab 사이에 존재하는 자본조달 병목을 제거하는 구조입니다. Previous image Next image Hot Chips 2026, 칩별로 간단한 리뷰 UBS의 Hot Chips 2026 리뷰를 정리해봅니다 엔비디아 GPU 세션: 실질적인 판매 단위를 하나의 칩에서 100MW 규모의 데이터센터 시스템으로 전환하고 있습니다. Peak FLOPS보다는 tokens/MW, Time-to-First-Token(TTFT), 신뢰성에 최적화하는 것입니다.
원문 구간 10
Agentic AI에서는 연산 성능보다도 정해진 전력, 정해진 비용 대비 토큰을 얼마나 더 많이 생산하느냐와 가속기의 실질 활용률이 점점 더 중요해지고 있습니다. Rubin은 Blackwell 대비 MW당 토큰 처리량이 10~30배 높아질 것으로 예상했습니다. AMD GPU 세션: MI455는 N2/N3P 기반 칩렛에 HBM4 432GB, 메모리 대역폭 23.3TB/s를 갖추고 있습니다. 엔비디아 칩 대비 GPU랑 메모리 용량과 대역폭이 더 높다는 것이 소구점입니다. AMD는 ESUN 표준과 UALink를 동시에 채택하는 open-fabric 전략을 택하고 있는데 Scale-up 네트워크를 직접 구성하지 않다보니 고객사들에게 더 높은 유연성을 제공한다는 맥락입니다. 다만 이 구조 때문에 Helios 랙 제품의 신뢰성이 얼마나 될까는 개인적으로 아직 의문입니다. 오픈AI 할라페뇨 칩 세션: LLM 추론 효율성을 극대화하기 위해 설계한 칩입니다. GB300 대비 추론 워크로드에서 Latency, interactivity, tokens/MW 측면에서 우위를 가질 것으로 예상합니다. 이번 주 주간전략보고에서 전해드린 것처럼 할라페뇨 칩의 TDP는 700W(GB300은 1400W, VR200은 ~2300W, MI455X는 2500W)인데 FP4는 13.4 PFLOPS, HBM4 216GB, 대역폭도 15.4TB/s인지라 추론에서 사실 굉장히 매력적인 칩 포지션입니다. 전성비를 고려하자면 VR200과 비교해도 꽤 매력적인 칩이고 GB300과 비교하기에는 모든 면에서 좋습니다. 마이크로소프트 Maia200 칩 세션: Copilot 및 MAI 모델 훈련과 추론에 특화시킨 Maia 200을 공개했습니다.
원문 구간 11
750W TDP, FP4 10.1 PFLOPS, HBM3E 216GB, 7TB/s입니다. 1월에 출시하고 최근 양산되고 있습니다. 경쟁력은 MI355X 수준과 비슷한 정도라서 할당된 생산규모가 그닥 크진 않습니다. 메타 MTIA 칩 세션: 메타는 MTIA 300은 훈련용으로 개발했던 가속기인데 사실상 실패에 가깝고, 주로 추론용으로 다시 방향을 틀은 MTIA 400은 Recommendation Model 추론(DLRM)에 초점을 맞추고 있습니다. 메모리는 HBM3E 288GB, 대역폭은 9.4TB/s입니다. 구글 TPU 칩 세션: 구글이 훈련용과 추론용 실리콘을 점점 더 분리하고 있는 이유에 대한 아키텍처적 논리를 설명했습니다. 구글 팀은 현대의 Reasoning, MoE, Agentic 추론 워크로드가 점점 memory-bandwidth bound(메모리 대역폭 의존적)가 되고 있으며 훈련보다 추론에서 훨씬 더 많은 메모리 대역폭이 필요하다고 강조했습니다. 이 때문에 TPU v8i를 추론용으로 2-die 솔루션을 채택했습니다. 엔비디아/Groq LPX 세션: Agentic AI 추론의 효율성을 높이기 위한 이기종 추론(Heterogeneous Inference)과 워크로드 분리(Workload Disaggregation)에 대한 관심이 커지고 있습니다. 복잡한 Reasoning 워크로드가 점점 더 Throughput에 최적화된 GPU와 Latency에 최적화된 추론용 가속기로 이분화되고 있는 만큼 LPX를 Decode, Drafting, FFN 워크로드를 담당할 보완적 엔진으로서 결합할 경우 긴 컨텍스트의 Agentic 워크로드에서 TPS/User와 Throughput 최적점을 3.5배 개선할 수 있습니다.
원문 구간 12
네트워킹/인터커넥트 세션: 엔비디아의 Spectrum-X Multiplane 아키텍처는 각각 1.6T NIC를 8개의 스위치에 분산 연결합니다. 이를 통해 8K GPU 연결 구조에서 512K Rubin GPU까지 하나의 Spectrum-X 스위치로 연결할 수 있게 되고 스위치 수는 1.7배 줄어듭니다. BlueField-4 DPU는 800G 이더넷과 7Tbps의 합산 대역폭입니다. 브로드컴의 경쟁 제품은 Thor Ultra 800G NIC입니다. Rubin CPX 개발이 다시 시작됐다 궈밍치가 엔비디아의 Rubin CPX 개발 상황에 대해 말했습니다: 최근 엔비디아는 Rubin CPX 프로그램을 부활시켰으며, 1Q27부터 생산이 시작될 예정입니다. CPX는 Rubin에 가까운 FLOPS이며, HBM4 168GB(Rubin은 HBM4 288GB, 이전 논의되고 있던 CPX 스펙은 GDDR7 128GB)이고, TDP는 VR200과 2,300W로 같습니다. 이전에는 VR200 NVL72 랙을 공유하는 것이었는데, 이제는 독립형 MGX ETL 랙에 탑재될 예정입니다. 고객은 필요에 따라 64, 128, 192, 256 CPX GPU를 택할 수 있습니다. 64개의 CPX GPU 그룹이 하나의 모듈 단위입니다. Compute Tray 1개당 8개의 CPX GPU가 탑재되고, 8개의 Compute Tray와 1개의 Switch Tray로 64개 칩 단위의 모듈이 구성됩니다. 각 Compute Tray의 CPX GPU간 Scale-up에만 NVLink가 사용되고, CPX GPU 1개당 NVLink 대역폭은 1~1.5TB/s(Rubin은 3.6TB/s)입니다. 각 랙 모듈 내 Tray 간 Scale-out에는 구리 Spectrum-6 이더넷이 쓰이고, 랙 모듈 간 Scale-out은 Spectrum-6 스위치가 광학 링크를 통해서 연결됩니다.
원문 구간 13
간단하게 칩과 칩 사이는 NVLink, 랙 내에서는 구리, 랙과 랙 사이는 광학이라고 보시면 됩니다. memory-bandwidth bound한 작업이 아니라 compute-bound인 작업의 병목을 줄여주는 게 목적인지라 NVLink 대역폭이 Rubin 대비 낮은 건 큰 상관은 없을 듯 합니다. CPX는 Vera Rubin NVL72와 1:1 비율로 사용하길 권장됩니다. 미디어텍 Custom XPU까지 생태계로 끌어들이는 중 엔비디아가 미디어텍이 발행한 전환사채(CB)에 $3.5B를 투자하며 전략적 협력을 크게 강화했습니다. 미디어텍의 전체 CB 발행 규모는 $3.9B이므로 엔비디아가 약 90%를 인수한 셈이며, 엔비디아가 대만 상장기업에 직접 투자한 첫 사례로 알려졌습니다. 세부 조건도 흥미롭습니다. 이번 CB는 5년 만기, 쿠폰 0%, 전환가격은 발행 당시 주가보다 15% 높은 주가입니다. 전량 전환되더라도 미디어텍의 최대 희석률은 약 1.67%에 불과합니다. 따라서 엔비디아가 지금 미디어텍 지분을 $3.5B어치 산 것이 아니라, 5년간 무이자로 자금을 공급하면서 주가 상승 시 지분으로 전환할 수 있는 옵션을 확보한 구조입니다. 미디어텍은 구글 TPU를 수주하면서 Custom AI ASIC 시장의 주요 신흥 업체로 올라오고 있습니다. 스마트폰 시장의 성장률이 둔화된 상황에서 데이터센터 ASIC은 앞으로 회사의 새로운 성장축이 될 가능성이 높습니다. 그런데 Custom XPU를 설계하는 것은 컴퓨트만 잘 만든다고 끝나지 않습니다. 데이터센터에 배포하려면 HBM → Package → Scale-up Interconnect → CPU 연결 → Scale-out Network → Rack → Software까지 전체 시스템을 만들어야 합니다.
원문 구간 14
이번 협력을 통해 미디어텍은 이 중 상당 부분을 엔비디아의 NVLink Fusion 기반에서 검증한 스택을 사용할 수 있게 됩니다. 고객사가 원하는 것에 맞춰서 설계해주는 것이긴 하지만 마벨에 이어서 미디어텍도 NVLink Fusion 파트너사가 됐다는 게 인상적입니다. NVLink Fusion은 'XPU는 너가 만들되, 나머지는 엔비디아를 써라'에 가깝습니다.ⓐNVLink Fusion Chiplet은 미디어텍이 만든 Custom XPU를 NVLink Fabric에 붙여 Rack 전체를 하나의 Scale-up Domain으로 만들고, ⓑNVLink-C2C는 XPU와 CPU를 연결하는 구조이며, ⓒNVHBM을 사용하면 HBM 인터페이스까지 엔비디아가 공동 설계한 생태계를 활용할 수 있습니다. 애플, 26년 PER 35배 / Underweight 애플 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 3Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플, 9월 9일 신제품 행사 개최 애플이 9월 9일 올해 최대 규모의 신제품 행사를 개최합니다. 신임 CEO 존 터너스도 최근 이번 행사를 "huge launch"라고 언급한 만큼, 아이폰, 애플워치, 에어팟을 중심으로 최소 6개의 주요 신제품이 공개될 것으로 예상됩니다. 1~3. 아이폰 18 Pro + 폴더블 iPhone Ultra 가장 중요한 제품은 아이폰입니다. iPhone 18 Pro에는 A20 Pro 칩과 카메라 업그레이드, 새로운 색상, 더 작아진 Dynamic Island가 적용될 것으로 예상됩니다.
원문 구간 15
iPhone 18 Pro Max는 배터리 용량과 전력효율 개선을 통해 역대 가장 긴 배터리 사용시간을 목표로 합니다. 가장 큰 변화는 iPhone Ultra입니다. 애플 최초의 폴더블 아이폰으로, 기존 Pro 라인업 위에 새로운 초고가 제품군을 만드는 역할을 할 것으로 예상됩니다. 4~5. 애플워치 Ultra 4, Series 12 애플워치는 Apple Watch Ultra 4와 Series 12가 공개될 전망입니다. Ultra 4에는 새로운 건강 센서와 디자인 변화가 예상되고, Series 12에는 새로운 S 시리즈 칩과 상시 심박 모니터링 기능, Ceramic 옵션 등이 추가될 가능성이 있습니다. 결국 애플워치는 성능 자체보다 건강 모니터링 기능을 얼마나 확장하느냐가 이번 세대의 핵심입니다. 6. 에어팟, Airpods 5 출시 여섯 번째 주요 제품은 AirPods 5입니다. 최근 루머가 있었던 카메라 탑재 AirPods는 이번 행사에는 등장하지 않고 2027년 출시될 가능성이 높습니다. 그외 제품들로는 HomdPad, HomdPod, Apple TV 4K 제품 출시에 대한 루머가 논의됩니다. 구글, 26년 PER 28배 / Neutral 구글 2Q26 실적발표 : GCP 82% 성장의 이면, 딥마인드의 컴퓨트 갈증 (바로가기) 구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대 (바로가기) 구글 1Q26 실적발표 : 검색은 방어했고, 클라우드는 폭발했습니다 (바로가기) 검색엔진의 역할 : '웹사이트를 찾아주는 곳' → '답변을 소비하는 곳' 구글은 AI Overviews와 AI Mode를 통해 링크를 클릭하지 않아도 검색 화면 안에서 답을 얻을 수 있는 경험을 강화하고 있습니다.
원문 구간 16
과거에는 검색 결과에서 여러 웹사이트를 방문해 정보를 비교했다면, 이제는 구글이 내용을 종합해 답변을 제공하고 후속 질문까지 처리하는 구조입니다. 이런 Zero-click 검색은 AI가 등장하면서 처음 생긴 현상은 아닙니다. 날씨·환율·지식패널처럼 검색 화면에서 바로 답을 보여주는 기능은 이전부터 있었습니다. SparkToro·Datos의 2024년 조사에서도 미국 검색의 58.5%, EU 검색의 59.7%가 결과를 클릭하지 않고 끝났습니다. AI는 여기에 단순 사실 확인뿐 아니라 설명·비교·요약까지 더하면서, 웹사이트에 방문해야 할 이유를 줄일 수 있습니다. 검색에 노출된다고 해서, 클릭하고 있지 않다 BrightEdge의 2025년 분석에서는 검색 노출이 약 49% 증가하는 동안 클릭률은 약 30% 하락했습니다. 중요한 것은 노출이 늘어도 그만큼 방문자가 늘어나는 구조가 아니라는 점입니다. Pew Research Center가 미국 성인 900명의 2025년 3월 검색 행동을 분석한 결과도 비슷한 문제를 보여줍니다. AI 요약이 있는 검색에서는 기존 검색결과 링크를 클릭한 비율이 8%였고, AI 요약이 없을 때는 15%였습니다. 특히 AI 요약 안에 인용된 출처 링크를 클릭한 비율은 1%에 불과했습니다. '우리 콘텐츠가 AI 답변의 근거로 사용됐다'와 '우리 웹사이트가 방문자와 매출을 얻었다'는 별개의 이야기입니다. 확대해석하면 고객과의 접점을 잃고 있다는 의미 사업적으로 보면 문제는 단순한 방문자 감소보다 큽니다. 검색으로 유입된 방문자는 사이트 안에서 다른 글을 읽고, 뉴스레터를 구독하고, 회원가입이나 구매로 이어질 수 있습니다. 그런데 첫 방문이 발생하지 않으면 광고 노출뿐 아니라 직접 고객을 확보하고 재방문을 유도할 기회도 함께 줄어듭니다.
원문 구간 17
결과적으로는 디지털 마케팅에서 광고비를 지불하지 않는 자연 유입을 확보하기가 점점 더 어려워질 가능성을 보고 있습니다. 콘텐츠 제작과 검색 최적화에 투자해도, 그 성과가 자사 사이트 방문보다 검색 플랫폼 안의 노출로 남을 수 있기 때문입니다. 반면, 구글은 돈을 '더' 법니다 구글 입장에서는 검색 사용량과 웹사이트로 보내는 클릭 수가 반드시 같은 방향으로 움직일 필요는 없습니다. 사용자가 구글 안에서 더 다양한 질문을 해결한다면, 외부 방문으로 연결되지 않는 검색에서도 새로운 광고 접점을 만들 수 있습니다. 실제로 구글은 AI Overviews 위/아래뿐 아니라 답변 내부에도 광고를 제공하고 있습니다. 2026년 5월에는 AI Mode에서 질문에 맞춘 광고와 추천 목록에 포함되는 광고 등을 테스트한다고 발표했습니다. 광고도 단순히 검색어 옆에 붙는 방식에서 대화의 맥락과 사용자의 구매 의도에 맞춰 제시되는 방식으로 확장되고 있습니다. 구글 검색의 경쟁력 강화와 외부 웹사이트의 자연 유입 약화가 동시에 나타날 수 있습니다. 광고주가 잃어버린 자연 유입을 유료 광고로 보완하려 한다면 플랫폼 의존도가 높아질 가능성도 있습니다. 9월 2일, 연방지방법원 판사의 판결 미국 연방판사가 DoJ가 구글에 AdX를 매각하도록 강제하려는 시도를 기각했습니다. 반독점 책임은 유지되지만 매각요청만 기각한 것입니다. 간단하게만 보자면, 이번 사건은 구글 검색이나 유튜브 광고 전체를 분할하려던 사건이 아닙니다. 언론사나 콘텐츠 사이트처럼 구글이 소유하지 않은 웹사이트의 광고 공간을 거래하는 기술이 중심입니다. 구글이 광고 거래의 여러 단계를 동시에 통제하는 구조를 바꾸려던 시도인데 이미 충분한 경쟁 중이라는 맥락으로 DoJ의 요구를 기각한 것입니다.
원문 구간 18
마이크로소프트, 26년 PER 28배 / Neutral 마이크로소프트 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 마이크로소프트 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 오픈AI 기업분석 : 빅테크를 위협하는 새로운 플랫폼으로서 ChatGPT의 가치를 생각해보다 (바로가기) 샘 올트먼, 허깅페이스 사건 이후의 생각 오픈AI 샘 올트먼이 9월 2일 Sources Podcast에 나와 얘기한 것들을 정리해보면: AI 모델 능력 발전 속도가 매우 빠르며 너무 빨라지다보니 프론티어 모델의 강화학습 훈련을 잠시 늦췄다. 정렬, 안전, 보안을 위해 훈련 방식을 일부 변경했으며 모델의 지능 수준을 따라잡게 만들기 위해 더 많은 시간이 필요하기 때문이다. 허깅페이스 사건은 마치 SF 영화 같은 현실을 보여주며, AI 능력이 이제는 새로운 수준에 도달했음을 깨닫게 했다. 이전에는 경험하지 못했던 수준의 매우 빠른 사전훈련 속도를 경험했으며 매우 뛰어난 능력을 가진 모델들이 탄생했다. 그리고 강화학습 과정에서 정렬우려들이 생기다보니 앞으로 나올 매우 뛰어난 사전훈련 모델을 고려할 때 신중하게 대처하기로 결정했다. 오픈AI 연구팀은 정렬에 더 많은 컴퓨팅 자원을 투입하고 있으며, 안전 및 정렬 연구에 집중하는 연구원들이 늘어나고 있다. 또한 허깅페이스 사건 이후 모니터링 시스템 구축에 컴퓨팅 자원을 투입했으며 주요 프론티어 모델 훈련을 처음으로 연기했다. Astra는 여러 버전으로 출시될 예정이며 일부는 이미 안전하다고 판단되는 모델 기반으로 출시할 것이다. 프론티어 모델의 강화학습 훈련만 중단한 것이며 모든 훈련을 중단한 것은 아니다.
원문 구간 19
클러스터는 계속해서 가동되고 있고 안전성이 더 확실한 작업들을 수행하고 있다. AGI는 '대부분의 경제적으로 가치 있는 작업에서 인간을 능가하는 고도로 자율적인 시스템'이라고 정의할 수 있다. 현재 모델들도 AGI에 매우 근접했다고 볼 수 있고, 최신 내부 모델들은 AGI와 유사하지만 여전히 부족한 부분들도 있다. AGI는 하나의 마일스톤이고, 초지능은 지속적으로 확장되는 것이다. 지난 12개월 동안 회사의 실수가 있었지만, 이제 최고의 12개월을 맞이할 준비가 되어 있다. 이전에는 제품 방향과 사전훈련 및 연구 분야에서 목표치에 미치지 못했던 부분이 있었다. 제품 측면에서 너무 많은 것을 시도하려고 했었고 브라우저나 Sora 같은 이니셔티브에 집중하느라 범용 지능 향상이라는 가장 중요한 목표를 놓쳤었다. 지금은 회사 역사상 최고의 실행력을 보여주고 있으며 업계 최고 수준이다. 이것이 최우선 과제임을 모든 사람들에게 강조했어야 했다. Astra의 컴퓨터 사용 능력은 매우 인상적이며 AGI로 가는 중요한 단계이다. 이전 모델은 컴퓨터 사용에 느리거나 정확하지 못했는데 Astra는 인간 수준의 컴퓨터 사용 능력을 갖췄다. 번거로운 컴퓨터 작업을 줄여줄 것이고 사용자가 원하는 것을 설명하면 AI가 처리해주고 결과를 보여주는 경험을 제공할 것이다. AI가 소프트웨어를 사용할 수 있게 된다는 함의가 크다. 앤스로픽은 코딩에 집중하며 빠르게 성장했지만 오픈AI는 다양한 베팅을 하느라 초기 모멘텀을 놓쳤다. 지금은 시장에서 최고의 코딩 제품을 보유하고 있으며 빠르게 성장하고 있다. ChatGPT와 Codex를 통합하여 슈퍼 앱을 구상하는 작업을 진행 중이다. 궁극적으로 사용자는 어떤 것이든 원하는 모든 것을 요청하면 알아서 모델이 해결하는 AI 인터페이스를 원할 것이다.
원문 구간 20
미래에는 ChatGPT, Codex 등 각종 도구들이 모두 통합되어 사용자가 별도로 어떤 모델에 요청할지 생각하지 않고 AI가 알아서 처리해주는 범용 목적의 AI 구독 형태가 될 것이다. 오픈AI는 대규모 컴퓨팅 구축 계획에 대해서 걱정하지 않지만, 전 세계적인 컴퓨팅 구축 계획에 대해서는 우려스럽다. 일부 네오클라우드의 과도한 컴퓨팅 구축과 수익성 없는 투자는 지속불가능한 상황을 초래할 수 있다. 오픈AI는 현재 컴퓨팅을 외부에 공급할 계획은 없으며 자체 수요를 충족하는 데 집중하고 있다. RSI를 통한 AI의 잠재적 발전 속도가 빨라지면 빨라질수록 IPO를 연기하는 것이 유리할 수 있다. 상장기업이 되면 주가 상승에 대한 압박으로 인해 단기적 이익을 위해 장기적 안전 결정을 내리기 어려울 수 있기 때문이다. AI 발전 속도를 고려할 때 단기적으로 슈퍼지능 출현 가능성이 있으며 오픈AI 사명이 IPO 시점보다 더 중요하다고 생각한다(최근 모델 발전 속도를 보아하니 더 빨라지면 IPO 연기할 수도 있다). ChatGPT Ads ARR $1B 돌파 오픈AI ChatGPT Ads ARR이 $1B를 넘겼습니다. 앱러빈이 연간 $6.8B, 스냅이 $6.4B, 핀터레스트가 $4.6B 정도입니다. 그동안이 세팅하는 과정이었고 이제 셀프서비스도 시작되고 광고주 기반도 안착한 상태라서 광고 채널로는 꽤나 빠른 성장세입니다. 6월 말까지만 해도 ARR $0.2B였는데 약 2개월 사이 ARR이 5배 규모로 커진 것입니다. GPT-6 Astra System Card 뜯어보기 Mythos Preview와 Opus 때도 그랬듯, SOTA 모델은 System Card를 보려고 하는 편입니다.
원문 구간 21
GPT-6 Astra System Card에서 인상적이었던 몇 가지 차트들을 정리해봅니다: *왼쪽* Figure 47 — ExploitBench Internal Port / PDF p.89 : 사이버보안 영역에서 오픈AI가 처음으로 'Critical' 등급을 줬다고 꼽은 핵심 배경입니다. 일단 기존 ExploitBench는 과거에 공개한 취약점들을 갖고 평가하는 것이라서 학습 데이터의 오염(벤치맥싱 가능성, 늘 벤치마크를 잘 따져가며 봐야 하는 이유) 우려가 있는데 오픈AI는 이를 피하려고 Astra의 knowledge cutoff 이후인 2026년 6~8월 신규 취약점만으로 별도 평가했습니다. 해당 벤치에서 Astra는 GPT-5.6 Sol보다 훨씬 더 적은 output 토큰으로 훨씬 더 높은 성공률을 보였습니다. *오른쪽* Figure 51 — Sandbox-Bench / PDF p.93 : 여기도 사이버보안 역량 벤치마크인데, 오픈AI 내부 보안환경을 본떠 만든 취약점 22개를 공격하는 테스트입니다. 특히 22개 중 21개가 기존에 알려지지 않은 신규 취약점(zero-day) 이라서, 모델의 단순 암기가 아니라 실제 취약점 발굴 능력을 보는 테스트에 가깝습니다. Astra는 45.5%를 풀었고, Sol은 4.5%에 불과했었습니다. 새 취약점을 실제로 찾아내는 능력 자체가 크게 증가한 것입니다. *왼쪽* Figure 50 — SRE-Bench / PDF p.92 : SRE-bench란 19개의 비공개 프로그램에서 만든 262개 엔지니어링 문제로 오염을 최소화한 평가입니다. pass@4에서 Astra는 99.2%, GPT-5.6 Sol은 68.7%인데 Astra가 사용한 output 토큰은 Sol의 4분의 1입니다.
원문 구간 22
훨씬 더 적은 토큰으로 훨씬 더 높은 지능을 보인 것입니다. *오른쪽* Figure 52 — Internal Research Debugging Evaluation / PDF p.98 : 오픈AI 연구원이 실제 연구 중 겪었던 41개의 실제 버그를 다시 모델에게 풀게 한 평가입니다. 숙련된 오픈AI 연구자가 해결하는 데 수시간~수일이 걸렸던 문제들인데 Astra는 78.05%까지 해결했습니다. 화려한 벤치마크가 아니라 실제 오픈AI 연구자가 시간을 가장 많이 쓰는 debugging 루프를 모델이 얼마나 대체할 수 있느냐가 연구 생산성에 직접 영향을 미치는 지표입니다. *왼쪽* Figure 53 — KernelGen 1P / PDF p.99 : 모델에게 오픈AI의 할라페뇨용 커널을 직접 작성하고 최적화하도록 한 평가입니다. 편법을 쓰지 않아야 하게끔 세팅된 평가입니다. 흥미로운 건 Astra가 50~70k output 토큰 수준에서 65% 정도의 reward까지 높아지는데, Sol은 비슷한 영역까지 올라가는 데 거의 300k를 써야 합니다. 시스템 카드에서도 아예 XPU low-level 커널 최적화를 벤치마크로 쓰고 있습니다. 향후 할라페뇨 이후 2세대 ASIC이 출시될 때는 소프트웨어 최적화나 low-level 커널 최적화에 필요한 engineer hour가 크게 줄어들 가능성을 보여주는 신호입니다. *오른쪽* Figure 55 — PostTrainBench Lite / PDF p.101 : 이 테스트는 연구쪽 테스트입니다. 단순 코드를 작성하는 게 아니라 모델이 어떤 데이터를 만들지, 어떤 사후학습 기법을 사용할지, 강화학습을 어디에 어떻게 적용할지, 중간 평가지표(eval)를 보고 다음 실험은 어떻게 바꿀지를 결정하는 테스트입니다.
원문 구간 23
1개의 H100과 5시간을 주고 12개의 사후학습 과제를 수행시키는 평가입니다. 굉장히 인상적인 건 그래프상 Astra의 커브가 모든 compute 구간에서 Sol보다 상당히 높고, Sol은 사실상 이정도면 '못하는' 정도였는데 이것이 Astra부터 가능해졌습니다. 프론티어 모델 경쟁력이 이제는 강화학습을 어떻게 잘 다루는가에서 주로 갈리고 있기 때문에 RL Trajectory, 합성 데이터 생성, reward design, 사후학습 레시피를 어떻게 할 것이냐로 갈리는데 이 영역에서 꽤나 의미있는 지표입니다. *왼쪽* Figure 41 — No-CoT Math Time Horizon / PDF p.72 : Astra의 특징을 가장 잘 보여주는 차트입니다. UK AISI 평가에서 CoT를 생성하지 않고 단 한 번의 forward pass만으로 해결할 수 있는 수학 문제의 인간 풀이시간 기준 문제 난이도(time horizon)가 Sol은 3.6분이었는데 → Astra는 30.9분으로 8.6배 상승했습니다. 쉽게 말해 Sol은 사람이 3.6분 고민해야 하는 문제까지 CoT 없이 풀 수 있었다면, Astra는 사람이 30.9분 고민해야 하는 문제까지 머릿속 풀이과정을 밖으로 드러내지 않은 채 한 번에 답을 낼 수 있게 됐습니다. *오른쪽* Figure 28 — CoT Controllability / PDF p.57 : 이건 모델을 얼마나 스텔스 상태로 만들 수 있는가를 확인하는 평가입니다. 같은 길이의 CoT를 놓고 모델에게 "특정 단어를 쓰지 마라", "대소문자를 번갈아 써라" 같은 제약을 줬을 때 얼마나 자기 reasoning을 의도적으로 통제할 수 있는지를 측정합니다.
원문 구간 24
10K token CoT에서 Astra 60.9% vs Sol 16.1% vs GPT-5.5 1.7%입니다. 모델이 자기 reasoning의 형태를 의도적으로 조절하는 능력이 강해졌다는 뜻입니다. 오픈AI, "자동화된 AI 연구원을 완성했다" 오픈AI가 향후 초지능으로 가기 위해서는 (1) 자동화된 AI 연구 인턴을 만들고 → (2) 자동화된 연구원을 만들면 이들에게 Compute만 집어넣으면 AI가 AI를 연구하는 루프를 만들어야 한다고 주장해왔었습니다. 그리고 마침내 이번에 (1)을 완성했다고 선언했습니다. 실제 오픈AI 내부의 차트들을 살펴봅니다: 1. 코딩 에이전트 사용량 급증 8월 중순이 되자 오픈AI 내부에서 중위값에 해당하는 연구원들도 매일 에이전트를 연구에 통합하여 API 가격 기준 하루 $600 이상을 추론에 사용했습니다. 현 시점 상위 90%에 해당하는 연구원들은 하루 $7,000 이상의 토큰을 사용하고 있을 정도입니다. 이 차트로 보면 7월 중순 언젠가부터 에이전트 사용량이 폭증한 것을 알 수 있는데, 내부적으로는 프론티어 모델을 더 일찍 적용한다는 것을 생각해보면 이 시점이 외부로는 GPT-5.6 Sol을 배포하고 내부적으로는 GPT-6 Astra를 사용하여 개발을 가속화했던 시기로 추정됩니다. 2026년 6월 이전에는 연구조직 전체의 에이전트 실행 시간이 총 실제 엔지니어 투입 시간보다 적었는데, 8월 중순 기점으로는 8시간 근무를 하루라고 볼 때 연구조직은 인력 1일 투입시간당 엔지니어 작업일 3.1일을 투입하고 있습니다. 2. 연구원들이 더 많은 코드를 작성하고 더 많은 실험을 하고 있다
원문 구간 25
AI 연구의 상당 부분이 모델의 지능이나 성능을 향상시킬 가능성이 있는 새로운 개선사항을 핵심 모델에 통합하는, 다소 노동 집약적인 과정입니다. 이 과정은 여러 단계를 거치며, 모든 단계가 순조롭게 진행될 때 비로소 역량이 향상됩니다. 연구원들은 새로운 개선 사항을 설계하고, 모델 성능을 평가하는 방법을 작성하고, 이러한 개선 사항을 대규모로 테스트할 수 있는 인프라를 구축하고, 학습 과정에서 버그와 안전하지 않거나 잘못된 동작을 찾아내고, 성공적인 아이디어를 핵심 학습 과정에 통합해야 합니다. 연구 과정의 어느 한 단계에서라도 실패하면 전체 연구 과정에 차질이 생길 수 있습니다. 코드 작성 + 실험 실행이 중요한데, 이 과정 전체가 매우 가속화되고 있습니다. 아마존, 26년 PER 33배 / Neutral 아마존 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 4Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) Fable 5.1/Mythos 5.1 출시 앤스로픽이 Fable 5.1/Mythos 5.1을 출시했습니다. Terminal-bench 4.0, CursorBench 3.2.0 두 가지를 중점적으로 보시면 되는데, 두 가지 모두 Fable 5와 Opus 5에 비해서 약간씩 좋아진 모델입니다. 대신 KV Cache hit read 비용을 75% 낮춘 $0.25로 잡아서 일반적인 작업부하 비용은 최대 25%, 장시간 에이전트 작업에서는 최대 45%정도 만큼 비용이 낮아질 것으로 추정됩니다.
원문 구간 26
피크 지능은 드라마틱한 수준까지는 아니지만, 전반적인 모델 지능이 높아지고 Cache reads 비용은 크게 낮췄다보니 같은 작업을 보다 저비용으로 가능하게 하는 쪽으로는 꽤 유의미합니다. Fable 5.1도 워낙 좋기는 한데, 오픈AI의 Astra가 같거나 더 높은 수준의 지능을 거의 50% 비용으로 제공하고 있는 상태인지라 GPT-6 Astra에 대해서 좀 더 힘줘서 분석하고 Fable 5.1은 가볍게 넘어갑니다. 메타, 26년 PER 20배 / Neutral 메타 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) Muse Spark 1.1 코멘트 / 주간전략보고 中 (바로가기) 메타 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 메타가 $14B를 주고 데려온 남자 : MSL을 이끄는 알렉산더 왕의 통찰 (바로가기) 메타, '4Q26쯤 구글 검색광고 매출 넘길 듯' 메타에 대해서 보고서가 연달아 나왔습니다: 8월 30일 모건스탠리, <메타가 2025년 하반기의 구글이 될 수 있을까?>: 메타가 SNS 중독 소송을 해결하기 위해 10년에 걸쳐 최대 $17B를 지급하는 합의를 했습니다. 그리고 동시에 페이스북과 인스타그램을 사용하는 18세 미만 청소년에 대해서 하루 2시간 이용 제한(부모 허락 시 해제 가능), 등교 시간인 오전 8시~오후 3시, 야간인 자정~오전 6시는 기본적으로 이용 차단을 하는 변경사항입니다. 청소년으로부터 발생하는 매출은 메타 전체 매출의 1% 정도라서 타격은 거의 없습니다. 구글과 틱톡도 유사한 합의에 이를 경우 이들은 하루 1시간 이용제한에 동의하게 됩니다.

그렇게 판단한 이유

해결률, 작업당 비용, 계산량 조절, 코드·실험 자동화를 근거로 든다.

근거 보기 26

원문 구간 1
모델 + 에이전트 문제 해결률 평가 실행비용 GPT-6 Astra + Codex 58.2% $3,300 Fable 5.1 + Claude Code 57.9% $6,200 GPT-5.6 Sol + Codex 37.3% $2,500 GPT-5.6 Terra + Codex 21.5% $1,700 Grok 4.6 + Grok Build 20.3% $3,600 Astra와 Fable의 차이는 0.3%p로 매우 작습니다. 그런데 같은 지능을 실제 고부가가치 작업 추론 기준 절반에 가까운 비용으로 달성한 효율을 냈다는 것이 매우 인상깊은 포인트였습니다. 그리고 지금의 GPT-6 Astra가 앤스로픽에게 '나는 절반 가격으로도 너랑 같은 지능을 가졌지'라고 말하는 모델이라면, 현재 차기 모델로 논의되고 있는 차세대 10T+ 모델 GPT-6 Bel은 '이제 같은 가격으로 너보다 훨씬 높은 지능을 가졌지'라고 말하는 모델이 될 것으로 예상합니다. Astra의 기본 API 가격은 백만 토큰당 입력 $10 / 출력 $50입니다. 하지만 에이전트에서는 토큰 단가보다 작업 하나를 성공적으로 끝내는 데 필요한 전체 비용과 시간이 중요합니다. 더 비싼 토큰을 쓰더라도 불필요한 추론과 재시도가 줄어들면 실제 작업 비용은 낮아질 수 있습니다. 여기서도 '지능'이 중요한 셈입니다. Terminal-bench 4.0 업데이트(2026-09-07) → GPT-6 Astra 58.2% > Fable 5.1 57.9% > Opus 5 51.8% > Fable 5 44.5% > GLM-5.3 41.8% > GPT-5.6 Sol 37.3% > Opus 4.8 23.6% > GPT-5.6 Terra 21.5% > Grok 4.6 20.3% > Gemini 3.8 Flash 19.1% > GPT-5.6 Luna 17.3% > Grok 4.5 12.4% = Sonnet 5 12.4%입니다.
원문 구간 2
주요 모델 API 가격 업데이트(2026-09-07) → GPT-6 Astra $10/$50(SOTA) > Mythos/Fable 5.1 $10/$50 > GPT-5.6 Sol $5/$30 > Opus 5 $5/$25 > Kimi-K3 $3/$15 > GPT-5.6 Terra $2/$12 > Gemini 3.1 Pro $2/$12 > Sonnet 5 $2/$10 > Qwen 3.8-Max-0902 $2/$6 = Grok 4.6 $2/$6(8일 내 4.7 출시 예정) > GLM-5.3 $1.4/$4.4 > Muse Spark 1.3 $1.25/$4.25 > DeepSeek-V4-Pro-0813 $1.32/$3.96 > Gemini 3.8 Flash $0.75/$3.75 > DeepSeek-V4-Flash-0731 $0.44/$1.32 > GPT-5.6 Luna $0.20/$1.20 모델이 좋아지면 Codex 전체도 개선할 기회가 커진다 Terminal-Bench가 중요한 이유는 모델만 분리해서 평가하지 않고 모델 + 에이전트/하네스의 조합을 평가하기 때문입니다. 개발자가 실제로 사용하는 것도 모델 하나가 아니라 도구 호출/작업환경/컨텍스트 관리 등이 결합된 시스템입니다. 오픈AI 역시 Astra 출시와 함께 Codex 하네스를 개선했다고 밝혔습니다. 코딩 에이전트에 필요한 것은 그럴듯한 설명보다 실제로 문제를 해결한 작업 궤적, 'Coding Trajectory'입니다. 어떤 파일을 읽고 어떤 도구를 사용했으며 실패했을 때 어떻게 수정했는지까지 학습과 평가의 대상이 됩니다. 오픈AI도 에이전트 모델 훈련에서 다양한 문제 해결 궤적의 중요성을 강조해왔습니다. 코딩 에이전트의 선순환입니다. 더 좋은 모델 → 더 어려운 작업에 사용 → 검증 가능한 성공·실패 사례 축적 → 모델·하네스 개선 → 더 많은 작업을 안정적으로 처리
원문 구간 3
후발주자도 결국 모델 성능, 작업당 비용, 에이전트 완성도를 함께 끌어올려야 합니다. Grok 4.6은 Terra에 근접한 해결률을 냈지만, 위 평가에서는 총비용이 오히려 더 높았습니다. 출력 토큰 단가가 Grok 4.6은 $6이고, GPT-5.6 Terra는 $12라는 사실만으로 에이전트의 가성비까지 우월하다고 결론내릴 수는 없습니다. 따라서 xAI의 진전은 주목하되, 특정 벤치마크 하나를 근거로 AI Labs 전체의 순위나 시장점유율 변화까지 확정하기보다는 실제 작업을 얼마나 싸고 안정적으로 완료하는지를 계속 봐야 합니다. Recurrent Depth - 같은 레이어를 여러 번 계산시키다 Astra를 계기로 주목받는 또 하나의 변화는 Recurrent Depth(=Looped Transformer)입니다. 원리는 비교적 간단합니다. 일반적인 Transformer가 서로 다른 24개 레이어를 한 번씩 통과한다면, Looped Transformer는 일부 레이어 묶음을 재사용합니다. Recurrent Depth는 계산 깊이를 반복으로 늘리는 방식이고, Looped Transformer는 그런 방식을 사용하는 모델 구조라고 이해하면 됩니다. 예를 들어 24개 레이어 전체를 두 번 사용하는 단순한 구조라면, L1 → … → L24 → 다시 L1 → … → L24 처럼 계산합니다. 저장된 가중치는 재사용하지만 두 번째 통과에서는 첫 번째 계산으로 바뀐 내부 상태를 다시 처리합니다. 서로 다른 레이어 48개를 저장하지 않고도 더 많은 순차 계산을 수행하는 것입니다. 기존의 CoT가 중간 추론을 토큰으로 길게 생성하면서 계산을 늘리는 방식(memory-intensive)이라면, Recurrent Depth는 토큰 하나를 출력하기 전에 내부 계산을 더 수행하는 방식(compute-intensive)입니다.
원문 구간 4
당연히 두 방식은 함께 사용할 수도 있습니다. '모든 토큰에 같은 계산량을 적용하지 않는다' 오픈AI가 어떻게 Recurrent Depth를 만들었는지를 공개하진 않습니다. 다만 업계의 여러 논문들을 살펴보면서 Recurrent Depth가 어떻게 생겼을지에 대해서 상상할 수는 있습니다. 2025년 7월 14일 <Mixture-of-recursions: Learning dynamic recursive depths for adaptive token-level computation>에서는 이 구성을 넣을 때 토큰별 라우터를 따로 학습시켜 넣은 구조로 추론했습니다. 가중치를 공유하면서도 필요한 곳에 계산량을 선택적으로 배분하는 것입니다. 이 변화의 의미는 파라미터 수와 토큰당 계산량을 어느 정도 분리해서 설계할 수 있다는 점입니다. 단순하게 모델을 크게 만드는 방법만 있는 것이 아니라, 같은 가중치를 더 활용하거나 문제의 난도에 따라 계산량을 다르게 배분할 수 있습니다. 모델 설계가 단순한 크기 경쟁을 넘어 Compute ↔ Memory ↔ Interconnect 사이에서 더 좋은 조합을 찾는 문제로 확장되는 것입니다. '그렇다고 N번 반복하면, N배 큰 모델이 되진 않는다' 여기서 반복 계산과 새로운 파라미터의 역할을 구분해야 합니다. 2026년 4월 22일의 <How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models> 논문에서는 반복 횟수의 효과를 다음과 같이 추정했습니다. looped layer 1개 = unique layer 0.46개이고, recurrent를 4번을 돌렸다고 가정하면 실제 unique 기준으로는 1.89배 정도의 모델 효과를 냈습니다.
원문 구간 5
결국 Recurrent Depth는 적은 가중치로 더 많은 계산을 수행하는 유용한 선택지이지, 파라미터와 데이터 스케일링을 없애는 기술은 아닙니다. 같은 자원을 어떤 방식으로 활용했을 때 성능과 비용의 조합이 가장 좋아지는지가 핵심입니다. Recurrent Depth가 CoT를 없앤다는 미신 오픈AI의 수석 과학자 야쿠브 파초키는 "Astra를 포함한 오픈AI 프론티어 모델들의 계산 그래프 깊이가 GPT-4의 2배 이내"라고 밝혔습니다. 'Astra가 내부에서 수십~수백 배 더 깊은 계산을 한다'는 식의 해석을 경계하는 발언입니다. CoT가 계속 존재한다는 사실과, 그 CoT로 모델의 위험한 행동을 충분히 알아낼 수 있다는 것은 다릅니다. 오픈AI가 모델을 모니터링하기 어려워진다고 말한 맥락은 Recurrent Depth 때문이 아닙니다. 파초키는 9월 6일 글 <An Alien Mind>에서 원인을 더 구체적으로 설명했습니다. 모델의 추론이 도구 사용, 다른 AI와의 상호작용에 섞이면서 감독 경계가 복잡해지고, 모델이 자신의 추론 과정을 의도적으로 더 잘 조절하며, 사전학습 성능 향상으로 긴 언어적 추론 없이도 더 많은 일을 할 수 있게 됐다는 것입니다. 강화학습이나 반복 구조 하나만으로 설명할 문제는 아닙니다. 따라서 앞으로는 CoT뿐 아니라 실제 행동과 도구 호출, 내부 활성값 등을 함께 살펴보는 감독 방식이 중요해질 수 있습니다. 오픈AI도 이런 보완책을 연구하고 있다고 밝혔습니다. 더 강한 AI를 연구에 투입하는 선순환 Astra에서 기대할 수 있는 것은 좋은 모델 → 연구 생산성 향상 → 더 많은 실험 → 다음 모델 개선이라는 선순환입니다. Astra가 연구 주도권을 되찾은 포인트가 될 수 있다고 보는 이유도 단순한 출시 순위보다 이 가능성에 있습니다.
원문 구간 6
아래 마이크로소프트 코멘트에서 정리드리겠지만 오픈AI 내부적으로는 Astra를 7월쯤부터 벌써 내부적으로 사용해온 것으로 보입니다. Astra의 의미 : 이제 Compute/token을 조정해 Compute를 더 잘 쓰는 시스템이 되다 제가 보는 이번 변화의 핵심은 세 가지가 함께 움직이고 있다는 점입니다. 모델 내부에서는 반복 계산으로 기존 가중치를 더 활용하고, 제품에서는 하네스로 실제 작업의 성공률을 높이며, 연구현장에서는 더 강한 에이전트로 다음 모델의 개발을 가속하려는 방향입니다. 이 관점에서는 AI의 경쟁력이 파라미터 수나 백만 토큰당 가격 하나로 결정되지 않습니다. 주어진 연산과 메모리로 얼마나 어려운 일을, 얼마나 적은 재시도와 비용으로, 얼마나 안전하게 끝낼 수 있는가가 중요해집니다. GB200/300 10만 개로 이룬 성공, 그렇다면 40만 개는? 중요한 건 이 GPT-6 Astra가 GB200/300 10만 개(대략 200~250MW)로 훈련해서 이룬 성과라는 것입니다. 새로운 GPT-2 Moment(레시피는 정해져 있는데, 이것을 10x, 100x 확장하는 대로 GPT-3, GPT-4까지의 경로가 정해져 있던 상황)인 셈입니다. 오픈AI의 연구 리더십 히스토리들을 정리해보면 ⓐGPT-2(LLM Scaling, 2019) → ⓑChatGPT(GPT-3.5/RLHF, 2022) → ⓒGPT-4(Mixture-of-Expert/MoE, 2023) → ⓓo1-preview(test-time compute/Reasoning, 2024) → ⓔGPT-6 Astra(Recurrent Depth, adaptive compute 개념을 모델 내 layer로도 확장 적용, 2026)로 결이 이어진다고 봅니다.
원문 구간 7
Astra는 서막이고 본격 새로운 지능은 Bel에서 나올 것으로 예상합니다. GB200/300 40만 개로 훈련할 모델입니다. 왼쪽 사진의 오픈AI-오라클의 스타게이트 애빌린 프로젝트 진행 상황을 보면, 참고하실 부분들이 많습니다. 사진에 현재 8개 동이 준비되어 있습니다. 1개 동의 세팅이 Critical IT Load 기준 100MW(이하 "cMW")입니다. GB300 NVL72은 랙당 140kW입니다. 한 빌딩인 100 cMW에는 GB300 NVL72 랙이 대략 700개 들어갑니다. GPU로 보자면 한 동당 50K가 탑재된다는 의미이고, 8개의 빌딩이면 400K이자 800 cMW입니다. 스타게이트 애빌린을 정리해보면 PUE 1.5, 800 cMW, 1.2GW Total Load인 사이트로 추정됩니다. 정리하면, GPT-6 Astra는 200 cMW급 모델이고 GPT-6 Bel이 첫 1GW급 모델이 될 것으로 예상합니다. 지금 레시피대로 확장하는 구조이지만 피크 지능이 매우 높아질 것을 예상할 수 있습니다. *논문 관점에서의 생각이 아니라 모델 관점에서 생각한 것 Physical AI도 대규모 컴퓨트 투자 단계로 휴머노이드 기업 피겨가 Nscale과 다년간 파트너십을 체결했습니다. 엔비디아 Vera Rubin GPU를 최대 10만 개까지 활용하는 계획으로 초기 컴퓨트 사용 약정은 $3.5B, 향후 $6B 이상으로 확대하는 것이 목표입니다. 초기 배치는 CY2H27부터 시작할 예정입니다. 다만 $3.5B는 이미 납부한 계약금이 아니라 컴퓨트 사용 약정 규모이며, 구체적인 지급 일정은 공개되지 않았습니다. Nscale은 피겨의 우선 컴퓨트 공급자가 되는 동시에 전략적 지분투자도 진행합니다.
원문 구간 8
단순히 GPU를 빌려주는 관계를 넘어 피겨의 성장에 투자하면서 향후 학습 수요까지 확보하는 구조입니다. 양사는 Nscale의 공급망에 휴머노이드를 활용하는 방안도 검토할 예정입니다. Index : 데이터 공급 늘리기 → 이번 Compute 투자로 스케일링 시작 이번 계약은 피겨가 8월 25일 발표한 Index와 연결해서 볼 필요가 있습니다. Index는 사람들이 일상과 작업현장에서 수행하는 행동을 영상으로 수집해 휴머노이드 학습에 활용하는 프로젝트입니다. 피겨는 영상 선별, 중복 제거, 데이터 구성 조정, 주석 생성 등을 처리하는 파이프라인을 구축했으며, 자동화된 처리에 사람의 검수도 결합하고 있습니다. 9월 3일 발표 기준 데이터 수집 속도는 매초 35분 분량까지 올라왔습니다. 피겨는 현재 Helix의 성능을 끌어올리는 데 필요한 데이터와 컴퓨트가 주요 제약이라고 설명했습니다. 따라서 이번 계약은 늘어나는 데이터를 실제 모델 성능으로 전환하기 위한 학습능력 확보라는 의미가 있습니다. CY26 : Agentic AI의 개화기 → CY28 : Physical AI의 개화기 개인적으로는 CY26을 Agentic AI 개화기로, CY28를 Physical AI 개화기로 보고 있습니다. 컴퓨트 관점에서 보면 Agentic AI는 Grace Blackwell에서 꽃봉오리를 맺고 Vera Rubin에서 개화하며, Physical AI는 Vera Rubin에서 기반을 쌓고 Rosa Feynman 세대에서 개화하는 흐름을 예상합니다. 물론 컴퓨트를 대규모로 확보했다고 곧바로 범용 휴머노이드가 완성되는 것은 아닙니다. 앞으로 확인해야 할 것은 낯선 환경에서의 작업 성공률, 사람의 개입 빈도, 안전성, 유지보수 비용까지 포함한 경제성입니다.
원문 구간 9
엔비디아 - 앤스로픽향 $35B 계약 엔비디아가 스스로를 AI 금융 플랫폼으로 정의하기 시작한 뒤 앤스로픽향 대규모 계약이 연이어 구체화되고 있습니다. 8월 26일에는 Nscale과의 $45B 계약에 이어서 이번에는 Lambda와 $35B 규모의 임대계약입니다. Hut 8 → Powered Shell 개발 NVIDIA → 해당 데이터센터 Powered Shell를 장기임대 Lambda → 엔비디아 GPU 구매 및 클라우드 운영 Anthropic → 최종 Compute를 임대하여 사용 엔비디아가 칩 공급자와 최종 수요자 사이에만 있는 것이 아니라 Powered Shell의 Credit까지 연결하는 중간 고리로 들어가 있습니다. Hut 8는 주요 장기임대 약속을 맺은 엔비디아의 신용을 바탕으로 Powered Shell Financing을 조달하고 → 엔비디아는 완성된 Powered Shell 캐파를 Lambda 같은 네오클라우드에 넘기고 → Lambda는 엔비디아 시스템을 설치해 앤스로픽에게 컴퓨트를 판매하는 구조입니다. 엔비디아가 자신의 대차대조표를 이용해 Land → Power → Shell → GPU → Cloud → AI Lab 사이에 존재하는 자본조달 병목을 제거하는 구조입니다. Previous image Next image Hot Chips 2026, 칩별로 간단한 리뷰 UBS의 Hot Chips 2026 리뷰를 정리해봅니다 엔비디아 GPU 세션: 실질적인 판매 단위를 하나의 칩에서 100MW 규모의 데이터센터 시스템으로 전환하고 있습니다. Peak FLOPS보다는 tokens/MW, Time-to-First-Token(TTFT), 신뢰성에 최적화하는 것입니다.
원문 구간 10
Agentic AI에서는 연산 성능보다도 정해진 전력, 정해진 비용 대비 토큰을 얼마나 더 많이 생산하느냐와 가속기의 실질 활용률이 점점 더 중요해지고 있습니다. Rubin은 Blackwell 대비 MW당 토큰 처리량이 10~30배 높아질 것으로 예상했습니다. AMD GPU 세션: MI455는 N2/N3P 기반 칩렛에 HBM4 432GB, 메모리 대역폭 23.3TB/s를 갖추고 있습니다. 엔비디아 칩 대비 GPU랑 메모리 용량과 대역폭이 더 높다는 것이 소구점입니다. AMD는 ESUN 표준과 UALink를 동시에 채택하는 open-fabric 전략을 택하고 있는데 Scale-up 네트워크를 직접 구성하지 않다보니 고객사들에게 더 높은 유연성을 제공한다는 맥락입니다. 다만 이 구조 때문에 Helios 랙 제품의 신뢰성이 얼마나 될까는 개인적으로 아직 의문입니다. 오픈AI 할라페뇨 칩 세션: LLM 추론 효율성을 극대화하기 위해 설계한 칩입니다. GB300 대비 추론 워크로드에서 Latency, interactivity, tokens/MW 측면에서 우위를 가질 것으로 예상합니다. 이번 주 주간전략보고에서 전해드린 것처럼 할라페뇨 칩의 TDP는 700W(GB300은 1400W, VR200은 ~2300W, MI455X는 2500W)인데 FP4는 13.4 PFLOPS, HBM4 216GB, 대역폭도 15.4TB/s인지라 추론에서 사실 굉장히 매력적인 칩 포지션입니다. 전성비를 고려하자면 VR200과 비교해도 꽤 매력적인 칩이고 GB300과 비교하기에는 모든 면에서 좋습니다. 마이크로소프트 Maia200 칩 세션: Copilot 및 MAI 모델 훈련과 추론에 특화시킨 Maia 200을 공개했습니다.
원문 구간 11
750W TDP, FP4 10.1 PFLOPS, HBM3E 216GB, 7TB/s입니다. 1월에 출시하고 최근 양산되고 있습니다. 경쟁력은 MI355X 수준과 비슷한 정도라서 할당된 생산규모가 그닥 크진 않습니다. 메타 MTIA 칩 세션: 메타는 MTIA 300은 훈련용으로 개발했던 가속기인데 사실상 실패에 가깝고, 주로 추론용으로 다시 방향을 틀은 MTIA 400은 Recommendation Model 추론(DLRM)에 초점을 맞추고 있습니다. 메모리는 HBM3E 288GB, 대역폭은 9.4TB/s입니다. 구글 TPU 칩 세션: 구글이 훈련용과 추론용 실리콘을 점점 더 분리하고 있는 이유에 대한 아키텍처적 논리를 설명했습니다. 구글 팀은 현대의 Reasoning, MoE, Agentic 추론 워크로드가 점점 memory-bandwidth bound(메모리 대역폭 의존적)가 되고 있으며 훈련보다 추론에서 훨씬 더 많은 메모리 대역폭이 필요하다고 강조했습니다. 이 때문에 TPU v8i를 추론용으로 2-die 솔루션을 채택했습니다. 엔비디아/Groq LPX 세션: Agentic AI 추론의 효율성을 높이기 위한 이기종 추론(Heterogeneous Inference)과 워크로드 분리(Workload Disaggregation)에 대한 관심이 커지고 있습니다. 복잡한 Reasoning 워크로드가 점점 더 Throughput에 최적화된 GPU와 Latency에 최적화된 추론용 가속기로 이분화되고 있는 만큼 LPX를 Decode, Drafting, FFN 워크로드를 담당할 보완적 엔진으로서 결합할 경우 긴 컨텍스트의 Agentic 워크로드에서 TPS/User와 Throughput 최적점을 3.5배 개선할 수 있습니다.
원문 구간 12
네트워킹/인터커넥트 세션: 엔비디아의 Spectrum-X Multiplane 아키텍처는 각각 1.6T NIC를 8개의 스위치에 분산 연결합니다. 이를 통해 8K GPU 연결 구조에서 512K Rubin GPU까지 하나의 Spectrum-X 스위치로 연결할 수 있게 되고 스위치 수는 1.7배 줄어듭니다. BlueField-4 DPU는 800G 이더넷과 7Tbps의 합산 대역폭입니다. 브로드컴의 경쟁 제품은 Thor Ultra 800G NIC입니다. Rubin CPX 개발이 다시 시작됐다 궈밍치가 엔비디아의 Rubin CPX 개발 상황에 대해 말했습니다: 최근 엔비디아는 Rubin CPX 프로그램을 부활시켰으며, 1Q27부터 생산이 시작될 예정입니다. CPX는 Rubin에 가까운 FLOPS이며, HBM4 168GB(Rubin은 HBM4 288GB, 이전 논의되고 있던 CPX 스펙은 GDDR7 128GB)이고, TDP는 VR200과 2,300W로 같습니다. 이전에는 VR200 NVL72 랙을 공유하는 것이었는데, 이제는 독립형 MGX ETL 랙에 탑재될 예정입니다. 고객은 필요에 따라 64, 128, 192, 256 CPX GPU를 택할 수 있습니다. 64개의 CPX GPU 그룹이 하나의 모듈 단위입니다. Compute Tray 1개당 8개의 CPX GPU가 탑재되고, 8개의 Compute Tray와 1개의 Switch Tray로 64개 칩 단위의 모듈이 구성됩니다. 각 Compute Tray의 CPX GPU간 Scale-up에만 NVLink가 사용되고, CPX GPU 1개당 NVLink 대역폭은 1~1.5TB/s(Rubin은 3.6TB/s)입니다. 각 랙 모듈 내 Tray 간 Scale-out에는 구리 Spectrum-6 이더넷이 쓰이고, 랙 모듈 간 Scale-out은 Spectrum-6 스위치가 광학 링크를 통해서 연결됩니다.
원문 구간 13
간단하게 칩과 칩 사이는 NVLink, 랙 내에서는 구리, 랙과 랙 사이는 광학이라고 보시면 됩니다. memory-bandwidth bound한 작업이 아니라 compute-bound인 작업의 병목을 줄여주는 게 목적인지라 NVLink 대역폭이 Rubin 대비 낮은 건 큰 상관은 없을 듯 합니다. CPX는 Vera Rubin NVL72와 1:1 비율로 사용하길 권장됩니다. 미디어텍 Custom XPU까지 생태계로 끌어들이는 중 엔비디아가 미디어텍이 발행한 전환사채(CB)에 $3.5B를 투자하며 전략적 협력을 크게 강화했습니다. 미디어텍의 전체 CB 발행 규모는 $3.9B이므로 엔비디아가 약 90%를 인수한 셈이며, 엔비디아가 대만 상장기업에 직접 투자한 첫 사례로 알려졌습니다. 세부 조건도 흥미롭습니다. 이번 CB는 5년 만기, 쿠폰 0%, 전환가격은 발행 당시 주가보다 15% 높은 주가입니다. 전량 전환되더라도 미디어텍의 최대 희석률은 약 1.67%에 불과합니다. 따라서 엔비디아가 지금 미디어텍 지분을 $3.5B어치 산 것이 아니라, 5년간 무이자로 자금을 공급하면서 주가 상승 시 지분으로 전환할 수 있는 옵션을 확보한 구조입니다. 미디어텍은 구글 TPU를 수주하면서 Custom AI ASIC 시장의 주요 신흥 업체로 올라오고 있습니다. 스마트폰 시장의 성장률이 둔화된 상황에서 데이터센터 ASIC은 앞으로 회사의 새로운 성장축이 될 가능성이 높습니다. 그런데 Custom XPU를 설계하는 것은 컴퓨트만 잘 만든다고 끝나지 않습니다. 데이터센터에 배포하려면 HBM → Package → Scale-up Interconnect → CPU 연결 → Scale-out Network → Rack → Software까지 전체 시스템을 만들어야 합니다.
원문 구간 14
이번 협력을 통해 미디어텍은 이 중 상당 부분을 엔비디아의 NVLink Fusion 기반에서 검증한 스택을 사용할 수 있게 됩니다. 고객사가 원하는 것에 맞춰서 설계해주는 것이긴 하지만 마벨에 이어서 미디어텍도 NVLink Fusion 파트너사가 됐다는 게 인상적입니다. NVLink Fusion은 'XPU는 너가 만들되, 나머지는 엔비디아를 써라'에 가깝습니다.ⓐNVLink Fusion Chiplet은 미디어텍이 만든 Custom XPU를 NVLink Fabric에 붙여 Rack 전체를 하나의 Scale-up Domain으로 만들고, ⓑNVLink-C2C는 XPU와 CPU를 연결하는 구조이며, ⓒNVHBM을 사용하면 HBM 인터페이스까지 엔비디아가 공동 설계한 생태계를 활용할 수 있습니다. 애플, 26년 PER 35배 / Underweight 애플 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 3Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플, 9월 9일 신제품 행사 개최 애플이 9월 9일 올해 최대 규모의 신제품 행사를 개최합니다. 신임 CEO 존 터너스도 최근 이번 행사를 "huge launch"라고 언급한 만큼, 아이폰, 애플워치, 에어팟을 중심으로 최소 6개의 주요 신제품이 공개될 것으로 예상됩니다. 1~3. 아이폰 18 Pro + 폴더블 iPhone Ultra 가장 중요한 제품은 아이폰입니다. iPhone 18 Pro에는 A20 Pro 칩과 카메라 업그레이드, 새로운 색상, 더 작아진 Dynamic Island가 적용될 것으로 예상됩니다.
원문 구간 15
iPhone 18 Pro Max는 배터리 용량과 전력효율 개선을 통해 역대 가장 긴 배터리 사용시간을 목표로 합니다. 가장 큰 변화는 iPhone Ultra입니다. 애플 최초의 폴더블 아이폰으로, 기존 Pro 라인업 위에 새로운 초고가 제품군을 만드는 역할을 할 것으로 예상됩니다. 4~5. 애플워치 Ultra 4, Series 12 애플워치는 Apple Watch Ultra 4와 Series 12가 공개될 전망입니다. Ultra 4에는 새로운 건강 센서와 디자인 변화가 예상되고, Series 12에는 새로운 S 시리즈 칩과 상시 심박 모니터링 기능, Ceramic 옵션 등이 추가될 가능성이 있습니다. 결국 애플워치는 성능 자체보다 건강 모니터링 기능을 얼마나 확장하느냐가 이번 세대의 핵심입니다. 6. 에어팟, Airpods 5 출시 여섯 번째 주요 제품은 AirPods 5입니다. 최근 루머가 있었던 카메라 탑재 AirPods는 이번 행사에는 등장하지 않고 2027년 출시될 가능성이 높습니다. 그외 제품들로는 HomdPad, HomdPod, Apple TV 4K 제품 출시에 대한 루머가 논의됩니다. 구글, 26년 PER 28배 / Neutral 구글 2Q26 실적발표 : GCP 82% 성장의 이면, 딥마인드의 컴퓨트 갈증 (바로가기) 구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대 (바로가기) 구글 1Q26 실적발표 : 검색은 방어했고, 클라우드는 폭발했습니다 (바로가기) 검색엔진의 역할 : '웹사이트를 찾아주는 곳' → '답변을 소비하는 곳' 구글은 AI Overviews와 AI Mode를 통해 링크를 클릭하지 않아도 검색 화면 안에서 답을 얻을 수 있는 경험을 강화하고 있습니다.
원문 구간 16
과거에는 검색 결과에서 여러 웹사이트를 방문해 정보를 비교했다면, 이제는 구글이 내용을 종합해 답변을 제공하고 후속 질문까지 처리하는 구조입니다. 이런 Zero-click 검색은 AI가 등장하면서 처음 생긴 현상은 아닙니다. 날씨·환율·지식패널처럼 검색 화면에서 바로 답을 보여주는 기능은 이전부터 있었습니다. SparkToro·Datos의 2024년 조사에서도 미국 검색의 58.5%, EU 검색의 59.7%가 결과를 클릭하지 않고 끝났습니다. AI는 여기에 단순 사실 확인뿐 아니라 설명·비교·요약까지 더하면서, 웹사이트에 방문해야 할 이유를 줄일 수 있습니다. 검색에 노출된다고 해서, 클릭하고 있지 않다 BrightEdge의 2025년 분석에서는 검색 노출이 약 49% 증가하는 동안 클릭률은 약 30% 하락했습니다. 중요한 것은 노출이 늘어도 그만큼 방문자가 늘어나는 구조가 아니라는 점입니다. Pew Research Center가 미국 성인 900명의 2025년 3월 검색 행동을 분석한 결과도 비슷한 문제를 보여줍니다. AI 요약이 있는 검색에서는 기존 검색결과 링크를 클릭한 비율이 8%였고, AI 요약이 없을 때는 15%였습니다. 특히 AI 요약 안에 인용된 출처 링크를 클릭한 비율은 1%에 불과했습니다. '우리 콘텐츠가 AI 답변의 근거로 사용됐다'와 '우리 웹사이트가 방문자와 매출을 얻었다'는 별개의 이야기입니다. 확대해석하면 고객과의 접점을 잃고 있다는 의미 사업적으로 보면 문제는 단순한 방문자 감소보다 큽니다. 검색으로 유입된 방문자는 사이트 안에서 다른 글을 읽고, 뉴스레터를 구독하고, 회원가입이나 구매로 이어질 수 있습니다. 그런데 첫 방문이 발생하지 않으면 광고 노출뿐 아니라 직접 고객을 확보하고 재방문을 유도할 기회도 함께 줄어듭니다.
원문 구간 17
결과적으로는 디지털 마케팅에서 광고비를 지불하지 않는 자연 유입을 확보하기가 점점 더 어려워질 가능성을 보고 있습니다. 콘텐츠 제작과 검색 최적화에 투자해도, 그 성과가 자사 사이트 방문보다 검색 플랫폼 안의 노출로 남을 수 있기 때문입니다. 반면, 구글은 돈을 '더' 법니다 구글 입장에서는 검색 사용량과 웹사이트로 보내는 클릭 수가 반드시 같은 방향으로 움직일 필요는 없습니다. 사용자가 구글 안에서 더 다양한 질문을 해결한다면, 외부 방문으로 연결되지 않는 검색에서도 새로운 광고 접점을 만들 수 있습니다. 실제로 구글은 AI Overviews 위/아래뿐 아니라 답변 내부에도 광고를 제공하고 있습니다. 2026년 5월에는 AI Mode에서 질문에 맞춘 광고와 추천 목록에 포함되는 광고 등을 테스트한다고 발표했습니다. 광고도 단순히 검색어 옆에 붙는 방식에서 대화의 맥락과 사용자의 구매 의도에 맞춰 제시되는 방식으로 확장되고 있습니다. 구글 검색의 경쟁력 강화와 외부 웹사이트의 자연 유입 약화가 동시에 나타날 수 있습니다. 광고주가 잃어버린 자연 유입을 유료 광고로 보완하려 한다면 플랫폼 의존도가 높아질 가능성도 있습니다. 9월 2일, 연방지방법원 판사의 판결 미국 연방판사가 DoJ가 구글에 AdX를 매각하도록 강제하려는 시도를 기각했습니다. 반독점 책임은 유지되지만 매각요청만 기각한 것입니다. 간단하게만 보자면, 이번 사건은 구글 검색이나 유튜브 광고 전체를 분할하려던 사건이 아닙니다. 언론사나 콘텐츠 사이트처럼 구글이 소유하지 않은 웹사이트의 광고 공간을 거래하는 기술이 중심입니다. 구글이 광고 거래의 여러 단계를 동시에 통제하는 구조를 바꾸려던 시도인데 이미 충분한 경쟁 중이라는 맥락으로 DoJ의 요구를 기각한 것입니다.
원문 구간 18
마이크로소프트, 26년 PER 28배 / Neutral 마이크로소프트 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 마이크로소프트 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 오픈AI 기업분석 : 빅테크를 위협하는 새로운 플랫폼으로서 ChatGPT의 가치를 생각해보다 (바로가기) 샘 올트먼, 허깅페이스 사건 이후의 생각 오픈AI 샘 올트먼이 9월 2일 Sources Podcast에 나와 얘기한 것들을 정리해보면: AI 모델 능력 발전 속도가 매우 빠르며 너무 빨라지다보니 프론티어 모델의 강화학습 훈련을 잠시 늦췄다. 정렬, 안전, 보안을 위해 훈련 방식을 일부 변경했으며 모델의 지능 수준을 따라잡게 만들기 위해 더 많은 시간이 필요하기 때문이다. 허깅페이스 사건은 마치 SF 영화 같은 현실을 보여주며, AI 능력이 이제는 새로운 수준에 도달했음을 깨닫게 했다. 이전에는 경험하지 못했던 수준의 매우 빠른 사전훈련 속도를 경험했으며 매우 뛰어난 능력을 가진 모델들이 탄생했다. 그리고 강화학습 과정에서 정렬우려들이 생기다보니 앞으로 나올 매우 뛰어난 사전훈련 모델을 고려할 때 신중하게 대처하기로 결정했다. 오픈AI 연구팀은 정렬에 더 많은 컴퓨팅 자원을 투입하고 있으며, 안전 및 정렬 연구에 집중하는 연구원들이 늘어나고 있다. 또한 허깅페이스 사건 이후 모니터링 시스템 구축에 컴퓨팅 자원을 투입했으며 주요 프론티어 모델 훈련을 처음으로 연기했다. Astra는 여러 버전으로 출시될 예정이며 일부는 이미 안전하다고 판단되는 모델 기반으로 출시할 것이다. 프론티어 모델의 강화학습 훈련만 중단한 것이며 모든 훈련을 중단한 것은 아니다.
원문 구간 19
클러스터는 계속해서 가동되고 있고 안전성이 더 확실한 작업들을 수행하고 있다. AGI는 '대부분의 경제적으로 가치 있는 작업에서 인간을 능가하는 고도로 자율적인 시스템'이라고 정의할 수 있다. 현재 모델들도 AGI에 매우 근접했다고 볼 수 있고, 최신 내부 모델들은 AGI와 유사하지만 여전히 부족한 부분들도 있다. AGI는 하나의 마일스톤이고, 초지능은 지속적으로 확장되는 것이다. 지난 12개월 동안 회사의 실수가 있었지만, 이제 최고의 12개월을 맞이할 준비가 되어 있다. 이전에는 제품 방향과 사전훈련 및 연구 분야에서 목표치에 미치지 못했던 부분이 있었다. 제품 측면에서 너무 많은 것을 시도하려고 했었고 브라우저나 Sora 같은 이니셔티브에 집중하느라 범용 지능 향상이라는 가장 중요한 목표를 놓쳤었다. 지금은 회사 역사상 최고의 실행력을 보여주고 있으며 업계 최고 수준이다. 이것이 최우선 과제임을 모든 사람들에게 강조했어야 했다. Astra의 컴퓨터 사용 능력은 매우 인상적이며 AGI로 가는 중요한 단계이다. 이전 모델은 컴퓨터 사용에 느리거나 정확하지 못했는데 Astra는 인간 수준의 컴퓨터 사용 능력을 갖췄다. 번거로운 컴퓨터 작업을 줄여줄 것이고 사용자가 원하는 것을 설명하면 AI가 처리해주고 결과를 보여주는 경험을 제공할 것이다. AI가 소프트웨어를 사용할 수 있게 된다는 함의가 크다. 앤스로픽은 코딩에 집중하며 빠르게 성장했지만 오픈AI는 다양한 베팅을 하느라 초기 모멘텀을 놓쳤다. 지금은 시장에서 최고의 코딩 제품을 보유하고 있으며 빠르게 성장하고 있다. ChatGPT와 Codex를 통합하여 슈퍼 앱을 구상하는 작업을 진행 중이다. 궁극적으로 사용자는 어떤 것이든 원하는 모든 것을 요청하면 알아서 모델이 해결하는 AI 인터페이스를 원할 것이다.
원문 구간 20
미래에는 ChatGPT, Codex 등 각종 도구들이 모두 통합되어 사용자가 별도로 어떤 모델에 요청할지 생각하지 않고 AI가 알아서 처리해주는 범용 목적의 AI 구독 형태가 될 것이다. 오픈AI는 대규모 컴퓨팅 구축 계획에 대해서 걱정하지 않지만, 전 세계적인 컴퓨팅 구축 계획에 대해서는 우려스럽다. 일부 네오클라우드의 과도한 컴퓨팅 구축과 수익성 없는 투자는 지속불가능한 상황을 초래할 수 있다. 오픈AI는 현재 컴퓨팅을 외부에 공급할 계획은 없으며 자체 수요를 충족하는 데 집중하고 있다. RSI를 통한 AI의 잠재적 발전 속도가 빨라지면 빨라질수록 IPO를 연기하는 것이 유리할 수 있다. 상장기업이 되면 주가 상승에 대한 압박으로 인해 단기적 이익을 위해 장기적 안전 결정을 내리기 어려울 수 있기 때문이다. AI 발전 속도를 고려할 때 단기적으로 슈퍼지능 출현 가능성이 있으며 오픈AI 사명이 IPO 시점보다 더 중요하다고 생각한다(최근 모델 발전 속도를 보아하니 더 빨라지면 IPO 연기할 수도 있다). ChatGPT Ads ARR $1B 돌파 오픈AI ChatGPT Ads ARR이 $1B를 넘겼습니다. 앱러빈이 연간 $6.8B, 스냅이 $6.4B, 핀터레스트가 $4.6B 정도입니다. 그동안이 세팅하는 과정이었고 이제 셀프서비스도 시작되고 광고주 기반도 안착한 상태라서 광고 채널로는 꽤나 빠른 성장세입니다. 6월 말까지만 해도 ARR $0.2B였는데 약 2개월 사이 ARR이 5배 규모로 커진 것입니다. GPT-6 Astra System Card 뜯어보기 Mythos Preview와 Opus 때도 그랬듯, SOTA 모델은 System Card를 보려고 하는 편입니다.
원문 구간 21
GPT-6 Astra System Card에서 인상적이었던 몇 가지 차트들을 정리해봅니다: *왼쪽* Figure 47 — ExploitBench Internal Port / PDF p.89 : 사이버보안 영역에서 오픈AI가 처음으로 'Critical' 등급을 줬다고 꼽은 핵심 배경입니다. 일단 기존 ExploitBench는 과거에 공개한 취약점들을 갖고 평가하는 것이라서 학습 데이터의 오염(벤치맥싱 가능성, 늘 벤치마크를 잘 따져가며 봐야 하는 이유) 우려가 있는데 오픈AI는 이를 피하려고 Astra의 knowledge cutoff 이후인 2026년 6~8월 신규 취약점만으로 별도 평가했습니다. 해당 벤치에서 Astra는 GPT-5.6 Sol보다 훨씬 더 적은 output 토큰으로 훨씬 더 높은 성공률을 보였습니다. *오른쪽* Figure 51 — Sandbox-Bench / PDF p.93 : 여기도 사이버보안 역량 벤치마크인데, 오픈AI 내부 보안환경을 본떠 만든 취약점 22개를 공격하는 테스트입니다. 특히 22개 중 21개가 기존에 알려지지 않은 신규 취약점(zero-day) 이라서, 모델의 단순 암기가 아니라 실제 취약점 발굴 능력을 보는 테스트에 가깝습니다. Astra는 45.5%를 풀었고, Sol은 4.5%에 불과했었습니다. 새 취약점을 실제로 찾아내는 능력 자체가 크게 증가한 것입니다. *왼쪽* Figure 50 — SRE-Bench / PDF p.92 : SRE-bench란 19개의 비공개 프로그램에서 만든 262개 엔지니어링 문제로 오염을 최소화한 평가입니다. pass@4에서 Astra는 99.2%, GPT-5.6 Sol은 68.7%인데 Astra가 사용한 output 토큰은 Sol의 4분의 1입니다.
원문 구간 22
훨씬 더 적은 토큰으로 훨씬 더 높은 지능을 보인 것입니다. *오른쪽* Figure 52 — Internal Research Debugging Evaluation / PDF p.98 : 오픈AI 연구원이 실제 연구 중 겪었던 41개의 실제 버그를 다시 모델에게 풀게 한 평가입니다. 숙련된 오픈AI 연구자가 해결하는 데 수시간~수일이 걸렸던 문제들인데 Astra는 78.05%까지 해결했습니다. 화려한 벤치마크가 아니라 실제 오픈AI 연구자가 시간을 가장 많이 쓰는 debugging 루프를 모델이 얼마나 대체할 수 있느냐가 연구 생산성에 직접 영향을 미치는 지표입니다. *왼쪽* Figure 53 — KernelGen 1P / PDF p.99 : 모델에게 오픈AI의 할라페뇨용 커널을 직접 작성하고 최적화하도록 한 평가입니다. 편법을 쓰지 않아야 하게끔 세팅된 평가입니다. 흥미로운 건 Astra가 50~70k output 토큰 수준에서 65% 정도의 reward까지 높아지는데, Sol은 비슷한 영역까지 올라가는 데 거의 300k를 써야 합니다. 시스템 카드에서도 아예 XPU low-level 커널 최적화를 벤치마크로 쓰고 있습니다. 향후 할라페뇨 이후 2세대 ASIC이 출시될 때는 소프트웨어 최적화나 low-level 커널 최적화에 필요한 engineer hour가 크게 줄어들 가능성을 보여주는 신호입니다. *오른쪽* Figure 55 — PostTrainBench Lite / PDF p.101 : 이 테스트는 연구쪽 테스트입니다. 단순 코드를 작성하는 게 아니라 모델이 어떤 데이터를 만들지, 어떤 사후학습 기법을 사용할지, 강화학습을 어디에 어떻게 적용할지, 중간 평가지표(eval)를 보고 다음 실험은 어떻게 바꿀지를 결정하는 테스트입니다.
원문 구간 23
1개의 H100과 5시간을 주고 12개의 사후학습 과제를 수행시키는 평가입니다. 굉장히 인상적인 건 그래프상 Astra의 커브가 모든 compute 구간에서 Sol보다 상당히 높고, Sol은 사실상 이정도면 '못하는' 정도였는데 이것이 Astra부터 가능해졌습니다. 프론티어 모델 경쟁력이 이제는 강화학습을 어떻게 잘 다루는가에서 주로 갈리고 있기 때문에 RL Trajectory, 합성 데이터 생성, reward design, 사후학습 레시피를 어떻게 할 것이냐로 갈리는데 이 영역에서 꽤나 의미있는 지표입니다. *왼쪽* Figure 41 — No-CoT Math Time Horizon / PDF p.72 : Astra의 특징을 가장 잘 보여주는 차트입니다. UK AISI 평가에서 CoT를 생성하지 않고 단 한 번의 forward pass만으로 해결할 수 있는 수학 문제의 인간 풀이시간 기준 문제 난이도(time horizon)가 Sol은 3.6분이었는데 → Astra는 30.9분으로 8.6배 상승했습니다. 쉽게 말해 Sol은 사람이 3.6분 고민해야 하는 문제까지 CoT 없이 풀 수 있었다면, Astra는 사람이 30.9분 고민해야 하는 문제까지 머릿속 풀이과정을 밖으로 드러내지 않은 채 한 번에 답을 낼 수 있게 됐습니다. *오른쪽* Figure 28 — CoT Controllability / PDF p.57 : 이건 모델을 얼마나 스텔스 상태로 만들 수 있는가를 확인하는 평가입니다. 같은 길이의 CoT를 놓고 모델에게 "특정 단어를 쓰지 마라", "대소문자를 번갈아 써라" 같은 제약을 줬을 때 얼마나 자기 reasoning을 의도적으로 통제할 수 있는지를 측정합니다.
원문 구간 24
10K token CoT에서 Astra 60.9% vs Sol 16.1% vs GPT-5.5 1.7%입니다. 모델이 자기 reasoning의 형태를 의도적으로 조절하는 능력이 강해졌다는 뜻입니다. 오픈AI, "자동화된 AI 연구원을 완성했다" 오픈AI가 향후 초지능으로 가기 위해서는 (1) 자동화된 AI 연구 인턴을 만들고 → (2) 자동화된 연구원을 만들면 이들에게 Compute만 집어넣으면 AI가 AI를 연구하는 루프를 만들어야 한다고 주장해왔었습니다. 그리고 마침내 이번에 (1)을 완성했다고 선언했습니다. 실제 오픈AI 내부의 차트들을 살펴봅니다: 1. 코딩 에이전트 사용량 급증 8월 중순이 되자 오픈AI 내부에서 중위값에 해당하는 연구원들도 매일 에이전트를 연구에 통합하여 API 가격 기준 하루 $600 이상을 추론에 사용했습니다. 현 시점 상위 90%에 해당하는 연구원들은 하루 $7,000 이상의 토큰을 사용하고 있을 정도입니다. 이 차트로 보면 7월 중순 언젠가부터 에이전트 사용량이 폭증한 것을 알 수 있는데, 내부적으로는 프론티어 모델을 더 일찍 적용한다는 것을 생각해보면 이 시점이 외부로는 GPT-5.6 Sol을 배포하고 내부적으로는 GPT-6 Astra를 사용하여 개발을 가속화했던 시기로 추정됩니다. 2026년 6월 이전에는 연구조직 전체의 에이전트 실행 시간이 총 실제 엔지니어 투입 시간보다 적었는데, 8월 중순 기점으로는 8시간 근무를 하루라고 볼 때 연구조직은 인력 1일 투입시간당 엔지니어 작업일 3.1일을 투입하고 있습니다. 2. 연구원들이 더 많은 코드를 작성하고 더 많은 실험을 하고 있다
원문 구간 25
AI 연구의 상당 부분이 모델의 지능이나 성능을 향상시킬 가능성이 있는 새로운 개선사항을 핵심 모델에 통합하는, 다소 노동 집약적인 과정입니다. 이 과정은 여러 단계를 거치며, 모든 단계가 순조롭게 진행될 때 비로소 역량이 향상됩니다. 연구원들은 새로운 개선 사항을 설계하고, 모델 성능을 평가하는 방법을 작성하고, 이러한 개선 사항을 대규모로 테스트할 수 있는 인프라를 구축하고, 학습 과정에서 버그와 안전하지 않거나 잘못된 동작을 찾아내고, 성공적인 아이디어를 핵심 학습 과정에 통합해야 합니다. 연구 과정의 어느 한 단계에서라도 실패하면 전체 연구 과정에 차질이 생길 수 있습니다. 코드 작성 + 실험 실행이 중요한데, 이 과정 전체가 매우 가속화되고 있습니다. 아마존, 26년 PER 33배 / Neutral 아마존 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 4Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) Fable 5.1/Mythos 5.1 출시 앤스로픽이 Fable 5.1/Mythos 5.1을 출시했습니다. Terminal-bench 4.0, CursorBench 3.2.0 두 가지를 중점적으로 보시면 되는데, 두 가지 모두 Fable 5와 Opus 5에 비해서 약간씩 좋아진 모델입니다. 대신 KV Cache hit read 비용을 75% 낮춘 $0.25로 잡아서 일반적인 작업부하 비용은 최대 25%, 장시간 에이전트 작업에서는 최대 45%정도 만큼 비용이 낮아질 것으로 추정됩니다.
원문 구간 26
피크 지능은 드라마틱한 수준까지는 아니지만, 전반적인 모델 지능이 높아지고 Cache reads 비용은 크게 낮췄다보니 같은 작업을 보다 저비용으로 가능하게 하는 쪽으로는 꽤 유의미합니다. Fable 5.1도 워낙 좋기는 한데, 오픈AI의 Astra가 같거나 더 높은 수준의 지능을 거의 50% 비용으로 제공하고 있는 상태인지라 GPT-6 Astra에 대해서 좀 더 힘줘서 분석하고 Fable 5.1은 가볍게 넘어갑니다. 메타, 26년 PER 20배 / Neutral 메타 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) Muse Spark 1.1 코멘트 / 주간전략보고 中 (바로가기) 메타 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 메타가 $14B를 주고 데려온 남자 : MSL을 이끄는 알렉산더 왕의 통찰 (바로가기) 메타, '4Q26쯤 구글 검색광고 매출 넘길 듯' 메타에 대해서 보고서가 연달아 나왔습니다: 8월 30일 모건스탠리, <메타가 2025년 하반기의 구글이 될 수 있을까?>: 메타가 SNS 중독 소송을 해결하기 위해 10년에 걸쳐 최대 $17B를 지급하는 합의를 했습니다. 그리고 동시에 페이스북과 인스타그램을 사용하는 18세 미만 청소년에 대해서 하루 2시간 이용 제한(부모 허락 시 해제 가능), 등교 시간인 오전 8시~오후 3시, 야간인 자정~오전 6시는 기본적으로 이용 차단을 하는 변경사항입니다. 청소년으로부터 발생하는 매출은 메타 전체 매출의 1% 정도라서 타격은 거의 없습니다. 구글과 틱톡도 유사한 합의에 이를 경우 이들은 하루 1시간 이용제한에 동의하게 됩니다.

사실·구조, 해석·전망, 시점 관찰, 판단 방법

지식·관점

사건 밖에서도 다시 참고하거나 다른 자료와 비교할 가치가 있는 내용을 대상과 반복 가능한 논점으로 묶습니다.

판단 방법실적의 업사이클과 다운사이클주 대상 · 시장·자산 · 미국 주식 실적

실적 발표 기업의 성장 국면은 어떻게 구분하는가?

이 자료가 더한 내용

매출성장률과 영업이익률이 함께 개선되는지로 업사이클과 다운사이클을 구분한다.

근거 보기 1

원문 구간 1
2Q26 9주차 실적발표 훑어보기 9주차 21개 기업 - 업사이클 & 다운사이클 비교 *업사이클이란? : 매출성장률이 역성장(-)에서 성장(+)으로 전환한 기업이거나, '성장률'자체가 약한성장(+)에서 고성장(++)으로 증가하는 기업을 선별하기 위해 많이 참고하고 있습니다. 매출성장률과 영업이익률이 동시에 증가하는 기업일 때는 실적 증가폭도 크지만 리레이팅도 같이 붙기 때문에 가장 좋아하는 구간입니다. *다운사이클이란? : 매출성장률이 성장(+)에서 역성장(-)으로 전환되거나, 역성장(-) 상태를 유지하거나, 고성장(++)에서 약한성장(+)으로 낮아지는 기업일 경우를 선별하기 위해 참고합니다. 업황이 다운사이클에 들어가면 매출성장률도 낮아지고 영업이익률도 동시에 감소하는 경우가 많기 때문에 실적 감소폭도 크지만 디레이팅도 같이 생기므로 가장 기피하는 구간입니다. *'클릭 후 더블클릭'하시면 크게 보실 수 있습니다. 2Q26 9주차 실적발표 업사이클 ↗ : 이번주 실적발표 기업 중 업사이클인 기업은 팔로알토네트웍스PANW, 크레도CRDO, 브로드컴AVGO, 아르간AGX, 넷앱NTAP, 휴렛패커드HPE, 시에나CIEN가 있었습니다. 다운사이클 ↘ : 다운사이클인 기업은 깃랩GTLB, 룰루레몬LULU이 있었습니다. 무중력 ↔ : 딱히 표시를 안한 기업군은 순풍/역풍이 뚜렷하지는 않다고 보는 기업군들입니다. 매크로 순풍이나 역풍에 움직이지 않을 때에는 대부분 무중력인 기업군이 많은 것이 정상입니다. 투자의 생각 HOOD, FIGR, CRDO, FTNT, CRWV/NBIS, VRT, BE, MU, SNDK, VIAV, LITE/SMTC 상대적인 매력도 평가 주가와 기업의 펀더멘탈을 고려해서 세 가지 기준으로 평가하고 있습니다. Overweight = 비중확대

판단 방법블록체인 수수료의 지속성주 대상 · 기업·종목 · Robinhood

체인 가스비 증가는 사업의 질을 어떻게 판단해야 하는가?

이 자료가 더한 내용

총수수료의 연환산보다 보조금 종료 뒤 사용량, 수수료 정상화, 순매출 인식을 확인해야 한다고 정리한다.

근거 보기 4

원문 구간 1
Neutral = 중립 Underweight = 비중축소 올바른 미국주식 by SAPIENS Overweight *순서는 비중, 강도와 무관합니다* Nvidia Vertiv Bloom Energy Sea Limited DoorDash Micron Figure Tech Semtech Sandisk Unity Software CoreWeave Nebius Lumentum Viavi Solutions Fortinet 로빈후드(HOOD) 로빈후드HOOD는 Neutral을 유지합니다. 로빈후드 3Q25 실적발표 : 폴리마켓을 넘어서는 Robinhood Prediction Robinhood Chain에서 일어나고 있는 일들 Robinhood Chain에서 발생하는 수수료가 최근 하루 $4.5M 수준까지 올라왔습니다. 이를 단순 연환산하면 약 $1.64B입니다. 로빈후드의 TTM 매출이 $4.9B라는 점을 감안하면 기존 매출의 33.5%에 해당하는 신규 사업이 갑자기 생긴 것처럼 보입니다. 다만 중요한 것은 현재의 수수료 수준이 정상적인 Run-rate인가입니다. 이 부분은 하나씩 뜯어볼 필요가 있습니다: Transaction은 +36%인데, Gas Fee는 82배 증가 Robinhood Chain은 7월 1일 메인넷을 출시했습니다. 지난 두 달 동안 거래량도 꾸준히 증가했지만 최근 가스비 증가 속도는 완전히 다른 수준입니다. 9월 2일 Robinhood Chain에서 발생한 Gas Fee는 $4.45M로 8월 22일 $54K 대비 82배 증가했습니다. 같은 기간 Transaction은 불과 36% 증가했습니다. 사용자가 82배 많아진 것이 아니라 거래 한 건당 지불되는 가스비가 폭증하면서 수수료가 급격하게 늘어난 것입니다.
원문 구간 2
밈코인이 Robinhood Chain으로 들어오면서 네트워크 혼잡비용 상승 로빈후드가 자체 체인을 만든 본래 목적은 주식 토큰을 중심으로 글로벌 자산시장을 온체인화하는 것입니다. 주식이나 다른 실물자산을 ERC-20 형태로 만들면 단순 매매를 넘어 대출의 담보로 활용하거나 다른 DeFi 서비스와 결합하는 것도 가능합니다. 그런데 로빈후드가 이를 Permissionless하게 열어두자 예상하지 못했던 수요가 들어왔습니다. 밈코인 생태계입니다. 토큰을 만들고 매매하는 봇 트래픽이 급증하면서 네트워크에 Backlog가 쌓였고 Transaction당 Gas Fee가 크게 상승했습니다. 결과적으로 로빈후드는 본래 의도했던 주식 토큰보다 밈코인으로 인한 네트워크 혼잡 덕분에 갑자기 막대한 수수료가 발생하는 상황을 맞았습니다. $4.5M가 그대로 로빈후드 매출인 것은 아닙니다 여기서 한 번 더 주의해야 합니다. Robinhood Chain에서 발생한 수수료는 로빈후드가 전부 가져가는 구조가 아니라 Arbitrum과 50:50으로 나누는 구조입니다. 더구나 아직 회사가 Chain에서 발생한 총 Gas Fee 가운데 어느 부분을 회계상 로빈후드의 순매출로 인식할 것인지 명확하게 설명하지 않았습니다. 따라서 현재 시장에서 이야기되는 $4.5M/day → ARR $1.64B를 그대로 로빈후드 신규 매출이라고 보는 것은 과도합니다. 지금은 로빈후드가 고객의 가스비를 대신 내주고 있다 더 중요한 변수가 있습니다. 로빈후드는 메인넷 출시와 함께 첫 90일 동안 사용자 Gas Fee를 지원한다고 발표했습니다. 이 정책은 9월 29일까지 이어집니다. 현재 사용자는 사실상 가스비 부담 없이 거래하고 있지만 Chain 내부에서는 높은 Gas Fee가 계속 발생하고 있습니다.
원문 구간 3
로빈후드 입장에서 보면 자신이 고객 대신 비용을 부담하면서 네트워크 활동을 키우고 있고 그 과정에서 발생한 가스비 일부를 Arbitrum과 나누는 구조입니다. 따라서 지금 나타나는 수수료 규모는 매출과 마케팅 비용이 동시에 부풀어 있는 과도기적 숫자에 가깝습니다. 서비스가 좋아질수록 오히려 지금의 가스비는 내려가야 한다 흥미로운 부분은 Robinhood Chain이 기술적으로 성공할수록 현재의 비정상적으로 높은 수수료는 오히려 떨어져야 한다는 점입니다. 지금 로빈후드가 큰 돈을 버는 이유는 네트워크에 거래가 몰리면서 혼잡비용이 매우 높아졌기 때문입니다. 향후 로빈후드가 네트워크 캐파를 확대하고 Backlog를 해결하면 사용자 경험은 좋아지지만 Transaction당 Gas Fee는 크게 낮아질 수밖에 없습니다. 현재 $4.5M/day가 유지되는 것이 Chain의 성공을 의미하는 것은 아닙니다. 장기적으로는 거래량이 훨씬 커지는 대신 건당 수수료는 내려가는 구조가 더 건강합니다. 당초 기대됐던 연간 수수료 수익은 약 $127M 수준이었습니다. 이 정도만 해도 현재 TTM 매출의 약 2.6%이기 때문에 충분히 의미 있는 신규 사업입니다. 최근의 $1.64B 단순 연환산 수치가 워낙 커지면서 투자자의 기대치가 지나치게 빠르게 올라간 측면이 있습니다. 결국 9월 29일 이후가 첫 진짜 테스트 가장 중요한 시점은 무료 Gas Fee 지원이 종료되는 9월 29일 전후입니다. 두 가지 시나리오를 볼 수 있습니다. 가스비가 정상화되면서 수수료 매출은 크게 떨어지더라도 Transaction이 높은 수준에서 유지된다면 긍정적입니다. 하루 $4.5M이라는 수익 자체는 일회성이었더라도 Robinhood Chain이 단기간에 상당한 유동성과 사용자를 확보했다는 의미이기 때문입니다.
원문 구간 4
그 경우 장기적으로는 주식 토큰 거래를 넘어 대출/담보/결제 등 온체인 금융 서비스로 확장하면서 CY27의 새로운 성장동력이 될 가능성이 있습니다. 반대로 무료 가스비가 끝난 뒤 Transaction까지 급감한다면 해석이 완전히 달라집니다. 로빈후드가 높은 Gas Fee를 사실상 마케팅 비용으로 부담했고 무료 거래를 찾아온 밈코인과 봇이 일시적으로 Chain에 몰렸던 이벤트였을 가능성이 커집니다. 아직은 좀 더 지켜보려 하는 이유들 Robinhood Chain에서 사용량이 빠르게 증가하고 있다는 점 자체는 상당히 흥미롭습니다. Permissionless Chain을 열자 예상보다 빠르게 유동성과 개발자 활동이 붙을 수 있다는 것도 확인했습니다. 다만 현재 시장이 주목하는 $4.5M/day의 Gas Fee를 지속 가능한 수익으로 보는 것은 위험합니다. 앞으로 봐야 할 것은 Gas Fee 자체가 아니라, 9월 29일 이후 Transaction 유지율 건당 Gas Fee 정상화 수준 밈코인 이외의 주식 토큰/대출 이용량 로빈후드가 실제로 인식하는 순수익입니다. 결국 Robinhood Chain이 정말 중요한 사업이 될지는 얼마나 비싼 가스비를 받고 있는가가 아니라 보조금이 사라진 뒤에도 사람들이 이 체인을 계속 사용하는가에서 결정될 것으로 봅니다. 피겨 테크(FIGR) 피겨 테크놀로지FIGR는 Overweight을 유지합니다. CY27 PER 20.0배(CY27 EPS $1.8)입니다. 피겨 테크놀로지 2Q26 실적발표 : 블록체인 효과 가속, 자본효율적 대출 마켓플레이스로 전환 중 피겨 테크놀로지 1Q26 실적발표 : 블록체인으로 대출시장을 바꾸는 중, 이번에도 매출 YoY 98% 피겨 테크놀로지 4Q25 실적발표 : 매출성장률 YoY 91%, 일회성 비용과 락업 우려 속 펀더멘탈 체크

해석·전망AI 인프라의 전력 확보주 대상 · 산업·업종 · AI 데이터센터

Powered Shell 부족은 AI 인프라에 어떤 제약을 만드는가?

이 자료가 더한 내용

실제 연결 가능한 전력과 현장발전원이 데이터센터 가동을 좌우한다고 정리한다.

근거 보기 5

원문 구간 1
버티브(VRT) 버티브VRT는 Overweight을 유지합니다. CY27 PER 29.5배(CY27 EPS $9.5)입니다. 버티브 2Q26 실적발표 : Organic 상반기 20% → 하반기 45%, 모듈러 제품이 만든 숙제 버티브 1Q26 실적발표 : 첫 토큰을 앞당기는 힘, 공장에서 만드는 데이터센터 버티브, UtilityInnovation Group을 최대 $2.6B에 인수 버티브는 9월 2일 UtilityInnovation Group(UIG)을 인수하기로 했습니다. 거래 종결 시 $1.45B를 현금으로 지급하고, 인수 후 12개월/24개월 동안 일정 EBITDA 목표를 달성하면 추가로 최대 $1.15B를 지급하는 구조입니다. 따라서 최대 거래가치는 $2.6B까지 올라갈 수 있습니다. 거래는 규제 승인을 거쳐 4Q26에 마무리될 예정입니다. 인수는 완료 후 첫해부터 Adj EPS에 순증으로 더해질 것으로 예상하고 있습니다. UIG의 핵심 역량 '전력 아키텍처를 짜는 능력' UIG는 직접 가스터빈이나 발전기를 만드는 회사라기보다 여러 전력원을 하나의 데이터센터 전력 시스템으로 설계하고 제어하는 회사에 가깝습니다. 구체적으로는 BTM 전력 아키텍처 설계 및 소프트웨어 관리 현장발전원과 ESS의 실시간 오케스트레이션 마이크로그리드용 맞춤형 Switchgear 전력망과 현장발전원의 연계 역량을 갖고 있고, 실제 설계 및 공급 경험도 많은 기업입니다. AI 데이터센터는 수백MW~GW 단위의 전력을 사용하면서 GPU 워크로드에 따라 순간적인 부하 변화도 커지기 때문에 발전기 몇 개를 설치하는 것만으로는 안 되고, 어떤 발전원이 얼마를 공급하고 ESS가 언제 충전 및 방전하며 전력망에서 얼마를 가져올지를 하나의 시스템으로 조율해야 하기 때문에 이런 것을 다루는 UIG를 인수한 것입니다.
원문 구간 2
그리고 구조적으로 달라지는 건, UIG는 고객이 UPS나 Switchgear 같은 장비를 선정하기 이전 단계부터 데이터센터 전력 구조를 설계한다는 점입니다. 원래 예전에는 데이터센터 개발업자가 전력 아키텍처를 정해놓은 다음 버티브에게 '이 사양에 맞는 UPS와 냉각 장비를 공급해주세요' 하는 식이었으면, 이제는 UIG를 통해서 설계하는 단계부터 관여하고 버티브 제품도 그에 맞춰서 최적화시킬 수 있습니다. 그러면 자연스레 버티브 제품으로 전체를 구성할 가능성도 높아집니다. 블룸에너지(BE) 블룸에너지BE는 Overweight을 유지합니다. CY27 PER 28.1배(CY27 EPS $9)입니다. 블룸에너지 2Q26 실적발표 : Phase 2 커뮤니티 수용성의 차이, 모든 하이퍼스케일러를 고객으로 품다 ⚡️ 블룸에너지 1Q26 실적발표 : 매출 130% 성장과 마진 빅서프, AI 전력난 해결사⚡️의 일은 이제 시작 블룸에너지, S&P 500 편입! S&P 500을 추종하는 펀드들은 가격과 상관없이 해당 종목의 유통주식수 기준만큼 주식을 매수해야 합니다. ⓐ블룸에너지의 지수 비중 x ⓑS&P 500를 복제하는 자산의 규모 가 중요합니다. 블룸에너지의 금요일 종가 기준 시가총액은 $74.5B이고, 유통주식 조정 시가총액은 $70~73B입니다. S&P 500 전체의 유통주식 조정 시가총액은 $55~58T입니다. 따라서 ⓐ블룸에너지의 지수 비중은 0.12~0.13%입니다. ⓑS&P 500을 실제 복제하고 있는 자산 규모는 $9~11T입니다. 이에 따른 패시브 매수 규모는 $11~14B로, 매수해야 하는 주식 수는 4,500~5,500만 주입니다. 블룸에너지의 전체 주식 수 2억 9400만 주의 16~19%를 매수해야 합니다.
원문 구간 3
몇 가지 감안해야 할 점들 S&P 500 편입 효력 발생일인 9월 18일까지 $11~$14B의 기계적인 매수 수요가 점진적으로 들어오는 것인데, 주식 수를 채워야 하는 이슈이니 블룸에너지 시총이 커지면 패시브 매수 수요 규모 자체는 더 커질 수 있습니다. 최근 목~금요일 상승에는 이번 S&P 500 편입을 예상하는 수요가 Front-running되어 들어와있을 가능성이 꽤 있습니다. 패시브 매수 수요가 들어오니 좋다는 것은 맞는데 실제 주가가 어찌 될지는 모릅니다. 패시브 투자자 비중이 늘고 유통주식 회전율이 낮아지면 변동성이 낮아지는 효과가 생깁니다. 히타치와 협력 — 블룸에너지의 일본 현장발전 진입이 본격화 히타치가 블룸에너지와 협력해 데이터센터와 반도체 공장 등 산업 고객을 대상으로 SOFC 기반 현장발전원 솔루션을 공급합니다. 블룸에너지는 SOFC와 기술지원을 담당하고, 히타치는 전력 및 산업 분야에서 쌓아온 설계/시스템통합/OT 제어/운영지원을 담당합니다. 단순히 블룸에너지 서버를 일본에 판매하는 것이 아니라 기존 공장의 전력설비와 연결해 실제 운영 가능한 하나의 전력 시스템으로 만들어주는 구조입니다. 오미카 공장 실증을 끝냈다는 점이 중요합니다 양사는 이미 이바라키현 히타치 Omika Works에서 블룸에너지 연료전지와 히타치 제어시스템을 결합한 실증을 진행했습니다. 여기서 SOFC의 효율뿐 아니라 외부 제어시스템을 통한 발전량 원격 조절과 운전상태까지 검증했습니다. 여러 대의 Energy Server를 묶어 규모를 확대할 수 있는 구축 능력까지 확인했다는 것이 히타치의 설명입니다. 블룸에너지의 해외 확장 블룸에너지는 미국에서는 이미 데이터센터/산업용 On-site Power 레퍼런스를 상당히 확보하고 있습니다. 하지만 해외로 나가면 발전기 자체만 좋아서는 사업을 키우기 어렵습니다.
원문 구간 4
현지에서 (ㄱ) 전력계통과 어떻게 연결할지 → (ㄴ) 기존 공장설비와 어떻게 연동할지 → (ㄷ) 부하를 어떻게 제어할지 → (ㄹ) 설치/운영/유지보수를 누가 책임질지를 해결해야 합니다. 히타치는 이미 일본의 발전, 송배전, OT 시장에서 시스템 통합 능력과 고객 관계를 갖고 있기 때문에 블룸에너지는 SOFC를 공급하되 일본 현지의 장벽은 히타치가 알아서 낮춰주는 구조입니다. CY27부터 핵심은 Powered Shell 구축을 위한 현장발전원 엔비디아와 브로드컴도 2Q26에 고객사들의 Powered Shell 부족을 직접 언급했습니다. 추정하기에 CY27 CoWoS 기준 칩 레벨 전력 수요는 약 45~50GW인데, 미국 내 전력망을 통해 실제 연결 가능한 신규 전력은 11~14GW 수준으로 봅니다. 그렇다면 나머지 30~40GW를 소버린 클라우드와 BTM(Behind-the-Meter) 전력으로 얼마나 빠르게 채울 수 있느냐가 CY27부터 AI 인프라 업계의 가장 큰 화두가 될 가능성이 높습니다. 더구나 데이터센터가 늘어날수록 전력, 소음, 수자원에 대한 지역사회의 반발은 자연스럽게 커질 수밖에 없습니다. 모두가 이를 알고 있기에 이 주문들이 미리 들어오기 시작할 시즌이 3Q~4Q26이 될 것으로 보고 있습니다. Powered Shell 온라인을 위한 SOFC 수요가 기존의 성장 궤적보다 훨씬 가파를 것으로 보기에 블룸에너지의 성장성 대비 밸류가 여전히 매력적이라고 보고 있습니다. CY28부터는 그것도 부족해서 글로벌 Compute Pool이 화두가 될 듯 시에나는 이번 분기에 모든 AI HW 밸류체인 중 처음으로 Asynchronous Training의 가능성을 언급했습니다. 실제로 대규모로 사용되기 시작하면 이야기가 달라집니다.
원문 구간 5
각 지역의 컴퓨트가 완전히 같은 순간마다 동기화될 필요가 줄어들기 때문에 장기적으로는 캠퍼스간 → 도시 간 → 국가 간 → 대륙 간 컴퓨트들을 하나의 훨씬 큰 Compute Pool로 활용할 가능성이 생깁니다. 실질적인 대규모 배포까지는 시간이 필요하겠지만, 시에나가 지금 이 문제를 이야기하기 시작했다는 점을 감안하면 CY28 전후부터 Scale-across의 거리 개념 자체가 넓어질 가능성은 주목할 필요가 있습니다. 이렇게 되면 '전력 있는 곳에 GPU를 놓고 연결한다'는 선택지가 생깁니다. 이 변화는 앞서 이야기한 Powered Shell 부족과도 연결됩니다. AI Labs가 필요한 전력을 미국 안에서 모두 구하지 못한다면 지금까지는 상당한 제약이었습니다. 하지만 장거리 Scale-across와 Asynchronous Training이 현실화되면 반드시 모든 GPU를 미국의 동일 Campus에 모아둘 필요가 줄어들 수 있습니다. 일부는 미국, 중동, 일본, 한국, 유럽 등 전력 확보가 상대적으로 쉬운 지역에 배치하고 초고속 광학 인터커넥트를 갖춰서 연결하는 방식입니다. 그러면 일부 국가의 소버린 클라우드에 GPU 클러스터를 구축한 뒤 GPU 베어메탈로 판매하고, Read-only 방식으로 데이터, 운영권, 모델 접근에는 접근 불가능한 구조를 만드는 거래도 생길 가능성이 있습니다. AI Labs는 해외 전력을 사용하고, 소버린 클라우드는 GPU 가동률을 높이고 초반 앵커 테넌트를 확보하는 효과입니다. 마이크론(MU) 마이크론MU는 Overweight을 유지합니다. CY27 PER 5.6배(FY27 PER 6.0배, EPS $170)입니다. 마이크론 2Q26 실적발표 : 이제 메모리는 찍기도 전에 팔린다 마이크론 1Q26 실적발표 : 흔들릴 이유가 없는 어닝 서프라이즈, 구조적 성장주로 거듭나는 길

시점 관찰AI 메모리 공급과 가격주 대상 · 산업·업종 · 메모리 반도체기준 2026.09

메모리 공급 제약은 가격과 제품 구성을 어떻게 바꾸는가?

이 자료가 더한 내용

DDR5 현물·계약 가격 상승과 HBM 장기계약을 통해 공급 제약을 설명한다.

근거 보기 4

원문 구간 1
추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' 추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘 DDR5 16Gb 현물가격 꾸준히 상승 중 DDR5 16Gb 현물가격이 4~5월 이후 계속해서 우상향하고 있고 계속해서 현물가격이 계약가격을 선행하여 상승하고 있습니다. 메모리 기업들의 Phase 2에서는 가격주도 EPS Revision 기대보다는 장기적으로 성장에 대한 가시성을 높여서 EPS에 대한 멀티플을 높여 받는 것이 메인이라고 생각하지만, 어쨌든 계속해서 현물-계약가격 상승 흐름 자체는 이어지고 있습니다. SEC, CY31 생산능력 70%를 LTA로 배정 8월 31일, 서울경제의 보도에 따르면: SEC는 CY31까지 공급할 생산능력의 약 70%를 LTA 물량으로 배정했습니다. 주요 계약 상대는 엔비디아, 마이크로소프트, 구글 등 빅테크들입니다. 그러나 이들도 원하는 물량을 모두 배정받은 상태가 아니고 HBM 확보 경쟁이 더욱 치열해지고 있다보니 HBM3E 현물가격이 크게 치솟고 있습니다. HBM3E 36GB 가격은 $2,100(약 287만 원)으로 형성되어 있어 50~70만 원으로 알려진 LTA 가격보다 현물가격이 4~5배 높습니다. 양산을 조율 중인 HBM4 16Hi는 현물로 구할 경우 $3,500(약 480만 원)에 가격이 형성되어 있습니다. DRAMeXchange 8월 서버 DRAM 계약상황 DRAMeXchange 8월 서버 DRAM 고정가격을 정리해봅니다: 3Q26 서버 DRAM 고정가는 8월에도 협상 과정에서 지속 상승하고 있습니다. 3Q26 계약가격은 QoQ +13~18%일 것으로 예상되며, 9월 거래가격도 MoM 소폭 상승할 것으로 예상했습니다.
원문 구간 2
CSP/OEM은 물량 확보 경쟁을 이어가고 있으며 특히 32/64GB 같은 저/중용량 모듈에 대해서 강한 수요가 있습니다. CSP들이 새로운 비용구조에 대응하면서 TCO와 ROI를 최적화하다보니 완제품 서버 출하를 늘리기 위해 기존 96GB/128GB 제품군 중심에서 → 32GB/64GB 제품으로 구성을 조정하고 있어서 그렇습니다. 128GB와 64GB 모듈간 bit 단가 프리미엄은 2Q26 22% → 3Q26 15%로 QoQ 하락했고 프리미엄 하락은 1Q27까지 지속될 것으로 예상했습니다. 공급사들도 공급이 타이트한 32GB 모듈 가격을 인상해서 Blended ASP 상승을 이어갈 것으로 예상됩니다. SEC가 적극적으로 HBM4 전환 과정에서 HBM향 DRAM 투입 물량을 늘리면서 CY27 Commodity DRAM 잠식 효과가 더 심화될 가능성이 높습니다. 앞으로도 메모리 공급사들의 가격 협상력은 더욱 강화될 것으로 전망했습니다. CSP들이 RDIMM 용량을 줄인 것처럼 GPU/ASIC 기업들도 출하 규모를 늘리기 위해 HBM 용량 축소를 진행 중입니다. 주요 협상은 Rubin Ultra부터 진행 중이며 양산 초기 단계에서 출하량을 늘리기 위해 HBM4E 12Hi로 출하하는 대신 HBM4/4E 8Hi로 전환하는 방안을 검토 중입니다. 구매 조정, 적층 수 하향은 die penalty를 줄이고 수율 개선 요인이기 때문에 공급사들의 실질 bit 출하 확대에도 도움이 될 것으로 예상됩니다. CY28의 수급 병목을 다소 완화시켜줄 요인이긴 하지만 CY28에는 파운드리 기업들이 base die 공급을 얼마나 확대할 수 있을 것인지가 주요 관건입니다. SEC는 자체 조달이니 제외하고, MU와 SKH는 CY27에 대략 1.1억 개의 base die를 필요로 한다고 가정(HBM 4b Gb, Core die당 32Gb, mix는 8Hi 70%, 12Hi 30%)하면, 20kwpm의 N3 용량이 필요(base die 110mm², N3 yield 80%, 300mm wafer 적용 시 wafer당 good die 463개)하고, 이정도 규모면 TSMC CY27 전체 N3 용량의 10%(mizuho 추정 CY26 170kwpm → CY27 200kwpm)에 해당합니다.
원문 구간 3
base die 생산을 위해서 SKH가 인텔도 검토 중인 이유입니다. 인텔로 접근하는 이유들을 정리해보면: ⓐ이제 base die가 DRAM 공정에서 Logic 파운드리로 넘어가다보니 파운드리 캐파의 중요성이 높아졌고, ⓑ세컨 소스가 있으면 TSMC와의 가격 협상력이 생기니 검토 하고 있는 것이라 생각합니다. CXMT, HBM3E 소량생산 : 기술격차는 2~3년 정도 유지 중 중국 CXMT가 HBM3E를 소량 생산하기 시작했습니다. 알리바바의 T-Head, 캠브리콘 등이 자사 ASIC에 CXMT HBM을 테스트 중입니다. 이르면 CY27부터 제품에 채택할 예정입니다. CXMT HBM은 여전히 신뢰성이 낮고 속도도 느리며 수율도 낮지만 국가적인 차원에서 국내 반도체 기술을 개발/구매/운영하는 기업에 세제혜택, 보조금, 인센티브를 주고 있다보니 일부는 채택해서 사용할 것으로 예상합니다. CXMT가 HBM 생산을 시작하면 DRAM 웨이퍼의 상당부분이 CY27에는 HBM향으로 전용될 가능성이 높고, 이건 기존 SEC/SKH/MU에게 적용됐던 HBM 생산 과정에서의 Commodity DRAM 수급이 타이트해지는 환경쪽으로 가는 것이라 Commodity DRAM 입장에서는 수급밸런스가 더 타이트해진다는 의미가 됩니다. CXMT이 2Q26 실적발표를 하면서 16GB LPDDR6를 퀄 진행 중이라 말했습니다. 컨센상 샤오미가 테스트 중인 듯 합니다. 실질적으로 대략 2~3년 정도 기술력이 뒤처진 상태에서 따라오는 중으로 보입니다. 샌디스크(SNDK) 샌디스크SNDK는 Overweight을 유지합니다. CY27 PER 5.8배(Bernstein Bull $300)입니다. 샌디스크 Investor Day 2026 코멘트 / 주간전략보고 : 투자의 생각 (8월 17일~8월 21일)
원문 구간 4
샌디스크 2Q26 코멘트 / 주간전략보고 : 투자의 생각 (8월 10일~8월 14일) 샌디스크 1Q26 코멘트 / 주간전략보고 : 투자의 생각 (5월 4일~5월 8일) 추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' 추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘 SEMICON Taiwan : Memory 모건스탠리의 SEMICON Taiwan을 정리해보면: DRAM 가격은 기존 commodity DRAM 3Q26 QoQ +8~13% 예상이었는데 → 9월 초 기준으로 이제는 3Q26 commodity DRAM QoQ +13~18% / HBM Blended ASP QoQ +8~13%으로 상향됐습니다. NAND는 3Q26 QoQ +8~13% → 9월 초 기준 3Q26 QoQ +10~15%로 상향됐습니다. 메모리가 시스템 수준의 차별화 요소로 부각되고 있습니다. AI 성능은 점점 더 컴퓨팅보다는 메모리에 의해 제약받고 있는 상황입니다. 모델이 커지고, Agentic AI를 채택하며, 컨텍스트 윈도우가 커지는 환경으로 하여금 메모리 대역폭, 메모리 용량, Latency의 중요성을 높이며 tokens/watt, tokens/$가 더 중요한 지표가 되고 있습니다. AI 시스템이 SRAM, HBM, DRAM, CXL, Flash 등 이종 메모리 계층을 채택하다보니 상호연결 및 제어 복잡성이 드라마틱하게 증가하고 있습니다. 구글과 메타는 CXL을 활용해 레거시 DDR4의 수명을 연장하는 중입니다. NAND의 역할이 AI memory hierarch상 더 상위로 이동하고 있습니다. 고속 NAND, High-IOPS SSD, HBF는 컴퓨트에 더 가까워지면서 KV Cache, model weight를 더 직접적으로 처리하는 티어로 이동 중입니다.

해석·전망광학 인터커넥트의 Scale-in주 대상 · 기술·제품 · 광학 인터커넥트

광학 링크는 컴퓨트에 어떻게 더 가까워지는가?

이 자료가 더한 내용

Scale-across에서 Scale-in으로 갈수록 광학 링크가 패키지 가까이 이동하는 방향을 제시한다.

근거 보기 9

원문 구간 1
전통적인 스토리지를 넘어서 새로운 티어로 이동하는 과정입니다. 비아비(VIAV) 비아비VIAV는 Overweight을 유지합니다. CY27 PER 17.4배(CY27 EPS $2)입니다. 비아비 솔루션스 2Q26 실적발표 : CPO 정상 진행 중, 광학 테스트 수요는 Lab → Production으로 비아비 솔루션스 1Q26 실적발표 : 본격 개화하는 빛의 시대, 물만난 테스트 수요 '빛💡'의 시대 : 광학 밸류체인 한 눈에 보기 CPO의 가장 큰 문제 : 'XPU랑 같이 패키징하기 전에 불량을 얼마나 빨리, 잘 걸러내느냐' CPO에서는 XPU, HBM, SiPho PIC, Optical Engine을 하나의 비싼 패키지에 점점 더 가깝게 집적합니다. 문제는 마지막까지 조립한 다음 광학 엔진 부품 중 하나가 불량이라는 사실을 발견하면 XPU와 HBM까지 포함한 고가 패키지 전체의 수율을 망칠 수 있다는 것입니다. 그래서 CPO 양산에서는 최종 완제품만 한 번 검사하는 것이 아니라: Known-good Die → SiPho PIC → Optical Engine → Substrate → Package → 최종 System 검사까지 해서 정상 작동 여부를 미리 확인해야 합니다. 비아비가 이 과정에서 수혜를 봅니다. CPO 제조 난도가 높아지는 것이 오히려 테스트 장비 업체에는 Content 증가로 연결되기 때문입니다. 비아비의 포지셔닝 : 광트랜시버 테스트 → 반도체 테스트 기존 비아비의 광학 테스트는 플러거블 트랜시버를 만드는 과정에서 광모듈을 만들고 나서 비아비 테스터기에 꽂아 레이저 파워, 손실, 분포, BER, 신호 퀄리티를 측정하는 게 메인이었습니다. 근데 이제 CPO를 만들려고 하면 전통적인 반도체 테스터기 기업과 똑같은 일을 수행하게 됩니다.
원문 구간 2
XPU의 전기적 특성을 검사하는 것이 아니라 반도체 패키지의 Optical Plane을 검사하는 역할입니다. 기존에 접근하지 못했던 Wafer/Package 단계까지 Test Insertion Point가 앞으로 이동합니다. CPO 테스트 셀 하나를 구성한다면 대략 Advantest/Teradyne → IC Tester FormFactor → Prober VIAVI → Optical Test Rack 이 함께 들어가는 구조입니다. 특정 기업이 이기는 구조라기보다 CPO 덕분에 기존 테스트 라인에 새로운 광학 테스트 레이어가 추가되면서 비아비 입장에서는 새롭게 더해지는 매출/전체 시장 내 점유율이 높아지는 효과입니다. 루멘텀(LITE), 셈텍(SMTC) 루멘텀LITE는 Overweight을 유지합니다. CY27 PER 28.4배(CY27 EPS $31)입니다. 루멘텀 2Q26 실적발표 : ALL BEAT, 더욱 강해진 루멘텀의 모멘텀 루멘텀 1Q26 실적발표 : 3Q OCS, 4Q CPO, 차례로 점화를 기다리는 고성능 엔진들 '빛💡'의 시대 : 광학 밸류체인 한 눈에 보기 셈텍SMTC는 Overweight을 유지합니다. CY27 PER 26.9배(CY27 EPS $5.5)입니다. 셈텍 2Q26 실적발표 : 생각보다 더 빨리 온 1.6T 변곡점, 한 분기 사이 생산능력 완판 셈텍(SMTC) 기업분석 : 미디어텍 TPU와 함께 성장할 기업, 'DSP를 지우는 자' Evercore ISI, '루멘텀 FY28 $45~50으로 가는 길에 있다' Evercore ISI가 루멘텀에 대해 이닛했습니다: 광학 AI TAM이 현재 $18B → CY30 $90B+까지 성장할 것으로 예상했습니다. 트랜시버, OCS, CPO, 코히런트 제품들을 포함하는데 루멘텀은 이 모든 제품을 판매하고 고부가가치 제품에 대해 높은 시장점유율을 갖고 있는 것이 특징입니다.
원문 구간 3
모델링은 FY28(CY3Q27~2Q28) EPS $35로 했지만, 실제로 FY28 EPS $45~50으로 가는 경로를 보고 있습니다. 중기적으로는 매출규모 확대, 마진 확장, 고부가가치 제품으로의 믹스 전환 덕에 EPS $60~70까지도 고성장할 잠재력을 갖고 있다고 판단했습니다. 8월 31일 주간전략보고에서 루멘텀 도이치뱅크 컨콜에서 FY28 $40를 얘기한 바 있으므로 최근 OCS, NPO/CPO 출하 기회가 크게 늘면서 CY27~CY28 EPS 성장률도 매우 높은 수준을 유지할 것으로 예상합니다. 향후 몇 년 동안 GPM이 지금보다 훨씬 더 높아질 것으로 예상했습니다. Evercore ISI 모델로는 FY26 GPM 46% → FY28 54%까지 상승하고, NPO/CPO는 GPM 60% 이상일 것으로 예상했습니다. 루멘텀이 새롭게 꺼낸 화두, 'Scale-in' 루멘텀 CEO 마이클 헐스턴은 8월 27일 도이치뱅크 컨퍼런스 마지막에 '향후 12~18개월 동안 가장 중요하게 볼 분야'로 Scale-in을 꼽았습니다. 그가 말한 Scale-in은 광학이 단순히 데이터센터나 랙 사이를 연결하는 수준을 넘어 서버 Tray 내부로 들어와 Memory ↔ GPU, GPU ↔ GPU처럼 훨씬 짧고 대역폭이 높은 연결까지 담당하는 것입니다. 헐스턴은 Backplane까지 광학이 들어가는 것은 사실상 시간문제로 봤고, 앞으로 확인해야 할 것은 '광학이 실제로 Tray 안까지 들어갈 것인가'라고 설명했습니다. 즉 12~18개월은 양산 시점을 의미하는 것이 아니라 이 시장이 실제 제품 Roadmap에 채택될 수 있는지를 검증하는 기간에 가깝습니다. Scale-across → Scale-out → Scale-up → Scale-in 광학 시장을 거리 순서로 보면 이해하기 쉽습니다.
원문 구간 4
Scale-across → Scale-out → Scale-up → Scale-in 순으로 광학이 Compute에 가까워지고 있습니다. Scale-across는 데이터센터와 데이터센터를 연결합니다. Scale-out은 수많은 Rack과 GPU Cluster를 연결합니다. Scale-up에서는 한 Pod 또는 Rack 안의 수많은 GPU를 하나의 거대한 가속기처럼 묶습니다. Scale-in은 Tray, Board, Package 수준에서 GPU와 Memory 사이 연결까지 광학으로 바꾸려는 단계입니다. 여기서 Scale-in이라는 명칭 자체보다 중요한 것은 방향성입니다. 광학 링크의 거리가 계속 짧아지고 있습니다. 루멘텀도 현재 800G에서는 구리가 약 10m 정도까지 대응할 수 있지만 1.6T에서는 안정적인 거리가 2~3m 수준으로 줄어든다고 설명했습니다. 3.2T 이후로 갈수록 이 거리는 다시 짧아집니다. 그래서 과거에는 수백m 이상에서만 필요했던 광학이 Cluster → Rack → Backplane → Tray 방향으로 침투하고 있는 것입니다. 다시 돌아보는 '2월 23일 주간전략보고' 마이클 헐스턴의 발언을 더 흥미롭게 만드는 것이 올해 2월 엔비디아가 ISSCC에서 공개한 연구입니다. 엔비디아는 7nm EIC와 65nm Silicon Photonics PIC를 3D Stacking한 DWDM Optical I/O를 공개했습니다. 32Gb/s 파장 8개를 이용해 Fiber 하나에서 256Gb/s를 전송했고 약 2.78pJ/bit의 전력효율을 구현했습니다. 엔비디아 연구진은 2026년에도 같은 플랫폼을 기반으로 Receiver, Laser Array, 3D-stacked Optical I/O 연구를 계속 발표하고 있습니다.
원문 구간 5
중요한 것은 현재 속도 자체가 아닙니다. EIC와 PIC를 3D로 붙이고 Optical I/O를 Compute Silicon과 훨씬 가까운 위치까지 가져가는 아키텍처를 엔비디아가 직접 연구하고 있다는 것입니다. CPO에서 더 나아가 Optical I/O가 Board, Interposer, 향후 Compute Package 방향으로 이동할 가능성을 실제 Silicon으로 검증하고 있습니다. 첨부한 Eye Diagram에서 봐야 할 것도 레이저가 깨끗하다보다 '생산 난이도'입니다. 진짜 양산의 난점은 비슷한 성능을 더 작은 크기 + 훨씬 낮은 가격 + 높은 출력 + 낮은 RIN + 온도 변화 + 수년간의 신뢰성을 동시에 만족시키며 구현해야 한다는 것입니다. 특히 Ring Modulator는 파장과 온도 변화에 민감합니다. Optical I/O가 XPU 가까이 들어갈수록 열환경은 더 나빠집니다. 그래서 단순히 레이저 출력만 높다고 되는 것이 아니라 출력 안정성, 노이즈, 파장 안정성, 전력효율, 열관리까지 동시에 충족해야 합니다. Scale-in으로 갈수록, 고부가가치 레이저 콘텐츠로 갈수록 광원 기술의 진입장벽이 높아집니다. 루멘텀의 성장 축 : 대역폭 ▲ x 광학이 쓰이는 위치 ▲ 지금까지 루멘텀의 AI 성장축은 크게 두 개였습니다. 첫째는 800G → 1.6T → 3.2T로 올라가는 세대교체입니다. 같은 광학 링크 숫자에서도 레인당 데이터 전송 속도가 올라갈수록 레이저와 광학 부품의 성능 요구사항이 높아집니다. 둘째는 광학이 쓰이는 위치가 늘어나는 것입니다. Scale-out 트랜시버 → OCS → NPO/CPO → Scale-up순으로 광학 콘텐츠가 증가합니다. 비싸지거나 실제 레인을 많이 넣거나 하는 식입니다.
원문 구간 6
그런데 Scale-in까지 현실화되면 여기에 세 번째 S-Curve가 추가됩니다. 중첩된 S-Curve들이 많다는 게 특징입니다. Scale-in이 현실화될수록 '광원' 경쟁력이 중요해집니다 루멘텀에게 특히 중요한 것은 광엔진 전체를 반드시 가져와야 수혜를 보는 구조가 아니라는 점입니다. 광학이 XPU에서 멀리 떨어져 있을 때는 레이저가 광모듈의 여러 부품 가운데 하나입니다. 하지만 CPO → Scale-up → Scale-in으로 갈수록 광엔진을 뜨거운 ASIC 가까이에 배치해야 하기 때문에 광원을 어떻게 공급할 것인가가 시스템의 핵심 문제가 됩니다. 그래서 최근 CPO 업계가 ELS(External Laser Source)를 선호하는 이유도 광원을 뜨거운 Compute Package에서 떨어뜨리고, 문제가 생겼을 때 교체 가능하게 만들기 위해서입니다. Scale-in은 Scale-up보다도 훨씬 더 스펙 요구사항이 타이트합니다. 고출력, 고효율, 낮은 노이즈, 높은 신뢰성의 광원을 '대량 공급'할 수 있는 기업의 가치가 커지는 구조입니다. 루멘텀을 계속해서 중요하게 보는 이유입니다. 설계 기술력과 양산 기술력 모두에서 1위 기업이기 때문입니다. Scale-in은 CY29~CY30에 대한 내용들 지금 마이클 헐스턴이 처음으로 시장에 화두를 던진 것이 CY29~30 전후 Scale-in과 Memory Optical I/O의 가능성입니다. 현재 회사의 매출 가이던스가 아니라 기술 Roadmap을 기반으로 한 시나리오입니다. 앞으로 12~18개월 동안 실제 Design Architecture가 결정되고 이후 설계 → 퀄/검증 → 생산 → 양산까지 시간이 필요합니다. Scale-up을 위해 VCSEL을 강조한 루멘텀
원문 구간 7
Scale-up은 '가장 효율적인 연결'이 중요해진다 이번 SEMICON Taiwan 루멘텀 세션에서 주목한 부분은 InP 광원에 강점을 가진 루멘텀이 Scale-up에서는 VCSEL을 적극적인 대안으로 제시하고 있다는 점입니다. 루멘텀은 이미 OFC 2026에서 1060nm VCSEL 배열을 이용한 Scale-up 연결 구조를 공개했습니다. 기존의 InP 광원을 포기한다기보다 연결 거리와 용도에 따라 다른 기술이 유리할 수 있다는 접근입니다. 특히 랙 내부나 가까운 랙 사이의 연결에서는 개별 레인의 최고 속도만큼이나 총 대역폭/전력효율/지연시간/신뢰성/집적밀도가 중요합니다. 멀리 보내는 데 유리한 기술이 반드시 짧은 거리에 수많은 연결을 배치하는 데도 최적인 것은 아닙니다. 이 환경에서는 VCSEL의 짧은 전송거리라는 약점보다 효율과 제조 경험이라는 장점이 부각될 수 있습니다. 핵심은 'Slow-and-Wide' 여기서 기대하는 것은 VCSEL 하나를 200G/lane 이상으로 고속화하는 방식(COHR가 기존에 추구하던 방식)이 아닙니다. 상대적으로 낮은 속도의 레인을 많이 병렬로 배치해 필요한 총대역폭을 확보하는 구조입니다. 루멘텀도 자사 플랫폼을 UCIe/PCIe 같은 'Slow-and-Wide' 연결을 겨냥한 제품으로 설명했습니다. 예를 들어서 1.6Tbps를 구성한다면 200Gbps x 8개 레인과 50Gbps x 32개 레인은 총대역폭이 같습니다. 후자는 레인이 4배 필요하지만 각 레인의 속도 부담은 낮아집니다. 이렇게 NRZ 기반 병렬 연결을 사용하면 복잡한 DSP 처리를 줄이고 전력과 지연시간을 낮출 여지가 생깁니다. 개별 채널이 독립적이어서 예비 레인을 활용한 고장 대응도 가능합니다. 루멘텀의 승부수, 1060nm VCSEL과 대량생산 기반
원문 구간 8
루멘텀이 제시한 플랫폼은 기존 데이터통신에서 널리 쓰이는 850nm VCSEL을 그대로 가져온 것이 아닙니다. 1060nm VCSEL과 광검출기를 2차원 배열로 구성하고 호스트 ASIC과 함께 패키징하는 방식입니다. 회사는 850nm 대비 고온 성능과 장기 신뢰성 등의 장점을 강조했습니다. 여기에 누적 100억 개 이상의 발광소자를 출하한 3D Sensing 생산 기반(Face ID에 적용 중)을 활용합니다. 공급망 측면에서도 흥미롭습니다. 루멘텀은 이 구조가 InP 기반 광원과 별개로 GaAs 생산 기반을 활용하는 대안이라고 설명했습니다. VCSEL의 의미가 기술 선택지 하나를 늘리는 데 그치지 않기 때문에 흥미로웠습니다. 광학 수요가 급증할 때 기존 InP 공급망에만 의존하지 않고 생산능력을 확장할 경로가 생기는 것입니다. VCSEL이 기존 로드맵을 대체한다고 볼 단계는 아닌 상태 올해 3월 OFC에서 루멘텀 경영진은 "고객 다수가 여전히 Scale-up에서도 싱글모드 광섬유를 선호하며, 일부 고객이 VCSEL을 대안으로 열어두고 있다"고 설명했습니다. 당시에는 InP 중심의 가까운 시기 로드맵과, 더 짧은 거리에서 VCSEL이 확대될 장기 가능성을 구분했습니다. 따라서 이번 기술 제안을 곧바로 기존 고객들의 양산 계획이 VCSEL로 바뀌었다는 신호로 해석하기는 어렵습니다. 또한 VCSEL과 NPO/CPO는 서로 대체하는 개념이 아닙니다. VCSEL은 '광원' 기술이고 NPO/CPO는 광학을 'ASIC 가까이에 배치하는 방식'입니다. 따라서 실제 경쟁은 VCSEL이냐 CPO냐’ 아니라 '어떤 광원과 광학 구조로 NPO/CPO를 구현하느냐'에 가깝습니다. 어느 쪽이 선택돼도 기술을 주도하는 건 LITE 루멘텀은 고속 EML과 SiPh용 CW Laser뿐 아니라 VCSEL 기반 연결도 개발하고 있습니다.
원문 구간 9
따라서 투자자로서 중요한 것은 VCSEL이 반드시 승리한다고 예측하는 것보다, 광학 구조가 바뀌더라도 루멘텀이 공급할 제품을 가지고 있다는 게 중요합니다. 기존 예상대로 InP 광원과 SiPh 중심으로 확대되면 그쪽에서 성장하고, 짧은 거리의 병렬 연결에 VCSEL이 채택되면 기존 3D Sensing 제조 기반을 새로운 시장에 활용할 수 있습니다. SMTC에게도 새로운 기회가 될 것으로 예상되는 'Slow-and-Wide' Slow-and-Wide가 확산되면 셈텍에도 기회가 생길 수 있습니다. VCSEL 연결에서는 송신 측에 Laser Driver가 필요하고, 수신 측에는 광검출기의 신호를 증폭하는 TIA가 필요합니다. 셈텍은 이미 VCSEL용 Driver와 TIA를 공급하고 있어 관련 역량을 보유하고 있습니다. 다만 기존 고속 광모듈용 제품이 새로운 CPO 설계에 그대로 채택된다는 뜻은 아닙니다. 투자 가설은 같은 총대역폭에서도 병렬 채널이 많아지면 Driver/TIA의 채널 수요가 늘어난다는 것입니다. 예를 들어 레인 수가 4배가 되고 채널당 환산 ASP가 절반으로 낮아진다면, 공급 점유율이 같다는 가정에서 시스템당 매출은 2배가 될 수 있습니다. microLED는 메인 논의에서는 배제된 기술 별개로 기술적으로는 원래 크레도나 미디어텍-마이크로소프트는 Slow-and-Wide 기술로 microLED가 채택될 것이라고 강하게 밀고 있는데, 업계에서는 기술적인 한계에 부딪히고, microLED 기술개발을 주도하던 인물이 VCSEL Scale-up 팀으로 이동하면서 이미 거의 죽은 기술로 보고 있다보니, CRDO의 microLED 피칭에 컨콜 이후 애널리스트들도 그닥 공감을 못하는 분위기이긴 합니다. AI 서버 고객 확산 중

판단 방법AI 모델의 성능·비용 경쟁주 대상 · 기술·제품 · AI 모델

프런티어 모델 경쟁은 무엇을 함께 비교해야 하는가?

이 자료가 더한 내용

모델 해결률뿐 아니라 작업당 비용, 에이전트 완성도, 추론 계산 조절을 함께 비교해야 한다고 정리한다.

근거 보기 26

원문 구간 1
모델 + 에이전트 문제 해결률 평가 실행비용 GPT-6 Astra + Codex 58.2% $3,300 Fable 5.1 + Claude Code 57.9% $6,200 GPT-5.6 Sol + Codex 37.3% $2,500 GPT-5.6 Terra + Codex 21.5% $1,700 Grok 4.6 + Grok Build 20.3% $3,600 Astra와 Fable의 차이는 0.3%p로 매우 작습니다. 그런데 같은 지능을 실제 고부가가치 작업 추론 기준 절반에 가까운 비용으로 달성한 효율을 냈다는 것이 매우 인상깊은 포인트였습니다. 그리고 지금의 GPT-6 Astra가 앤스로픽에게 '나는 절반 가격으로도 너랑 같은 지능을 가졌지'라고 말하는 모델이라면, 현재 차기 모델로 논의되고 있는 차세대 10T+ 모델 GPT-6 Bel은 '이제 같은 가격으로 너보다 훨씬 높은 지능을 가졌지'라고 말하는 모델이 될 것으로 예상합니다. Astra의 기본 API 가격은 백만 토큰당 입력 $10 / 출력 $50입니다. 하지만 에이전트에서는 토큰 단가보다 작업 하나를 성공적으로 끝내는 데 필요한 전체 비용과 시간이 중요합니다. 더 비싼 토큰을 쓰더라도 불필요한 추론과 재시도가 줄어들면 실제 작업 비용은 낮아질 수 있습니다. 여기서도 '지능'이 중요한 셈입니다. Terminal-bench 4.0 업데이트(2026-09-07) → GPT-6 Astra 58.2% > Fable 5.1 57.9% > Opus 5 51.8% > Fable 5 44.5% > GLM-5.3 41.8% > GPT-5.6 Sol 37.3% > Opus 4.8 23.6% > GPT-5.6 Terra 21.5% > Grok 4.6 20.3% > Gemini 3.8 Flash 19.1% > GPT-5.6 Luna 17.3% > Grok 4.5 12.4% = Sonnet 5 12.4%입니다.
원문 구간 2
주요 모델 API 가격 업데이트(2026-09-07) → GPT-6 Astra $10/$50(SOTA) > Mythos/Fable 5.1 $10/$50 > GPT-5.6 Sol $5/$30 > Opus 5 $5/$25 > Kimi-K3 $3/$15 > GPT-5.6 Terra $2/$12 > Gemini 3.1 Pro $2/$12 > Sonnet 5 $2/$10 > Qwen 3.8-Max-0902 $2/$6 = Grok 4.6 $2/$6(8일 내 4.7 출시 예정) > GLM-5.3 $1.4/$4.4 > Muse Spark 1.3 $1.25/$4.25 > DeepSeek-V4-Pro-0813 $1.32/$3.96 > Gemini 3.8 Flash $0.75/$3.75 > DeepSeek-V4-Flash-0731 $0.44/$1.32 > GPT-5.6 Luna $0.20/$1.20 모델이 좋아지면 Codex 전체도 개선할 기회가 커진다 Terminal-Bench가 중요한 이유는 모델만 분리해서 평가하지 않고 모델 + 에이전트/하네스의 조합을 평가하기 때문입니다. 개발자가 실제로 사용하는 것도 모델 하나가 아니라 도구 호출/작업환경/컨텍스트 관리 등이 결합된 시스템입니다. 오픈AI 역시 Astra 출시와 함께 Codex 하네스를 개선했다고 밝혔습니다. 코딩 에이전트에 필요한 것은 그럴듯한 설명보다 실제로 문제를 해결한 작업 궤적, 'Coding Trajectory'입니다. 어떤 파일을 읽고 어떤 도구를 사용했으며 실패했을 때 어떻게 수정했는지까지 학습과 평가의 대상이 됩니다. 오픈AI도 에이전트 모델 훈련에서 다양한 문제 해결 궤적의 중요성을 강조해왔습니다. 코딩 에이전트의 선순환입니다. 더 좋은 모델 → 더 어려운 작업에 사용 → 검증 가능한 성공·실패 사례 축적 → 모델·하네스 개선 → 더 많은 작업을 안정적으로 처리
원문 구간 3
후발주자도 결국 모델 성능, 작업당 비용, 에이전트 완성도를 함께 끌어올려야 합니다. Grok 4.6은 Terra에 근접한 해결률을 냈지만, 위 평가에서는 총비용이 오히려 더 높았습니다. 출력 토큰 단가가 Grok 4.6은 $6이고, GPT-5.6 Terra는 $12라는 사실만으로 에이전트의 가성비까지 우월하다고 결론내릴 수는 없습니다. 따라서 xAI의 진전은 주목하되, 특정 벤치마크 하나를 근거로 AI Labs 전체의 순위나 시장점유율 변화까지 확정하기보다는 실제 작업을 얼마나 싸고 안정적으로 완료하는지를 계속 봐야 합니다. Recurrent Depth - 같은 레이어를 여러 번 계산시키다 Astra를 계기로 주목받는 또 하나의 변화는 Recurrent Depth(=Looped Transformer)입니다. 원리는 비교적 간단합니다. 일반적인 Transformer가 서로 다른 24개 레이어를 한 번씩 통과한다면, Looped Transformer는 일부 레이어 묶음을 재사용합니다. Recurrent Depth는 계산 깊이를 반복으로 늘리는 방식이고, Looped Transformer는 그런 방식을 사용하는 모델 구조라고 이해하면 됩니다. 예를 들어 24개 레이어 전체를 두 번 사용하는 단순한 구조라면, L1 → … → L24 → 다시 L1 → … → L24 처럼 계산합니다. 저장된 가중치는 재사용하지만 두 번째 통과에서는 첫 번째 계산으로 바뀐 내부 상태를 다시 처리합니다. 서로 다른 레이어 48개를 저장하지 않고도 더 많은 순차 계산을 수행하는 것입니다. 기존의 CoT가 중간 추론을 토큰으로 길게 생성하면서 계산을 늘리는 방식(memory-intensive)이라면, Recurrent Depth는 토큰 하나를 출력하기 전에 내부 계산을 더 수행하는 방식(compute-intensive)입니다.
원문 구간 4
당연히 두 방식은 함께 사용할 수도 있습니다. '모든 토큰에 같은 계산량을 적용하지 않는다' 오픈AI가 어떻게 Recurrent Depth를 만들었는지를 공개하진 않습니다. 다만 업계의 여러 논문들을 살펴보면서 Recurrent Depth가 어떻게 생겼을지에 대해서 상상할 수는 있습니다. 2025년 7월 14일 <Mixture-of-recursions: Learning dynamic recursive depths for adaptive token-level computation>에서는 이 구성을 넣을 때 토큰별 라우터를 따로 학습시켜 넣은 구조로 추론했습니다. 가중치를 공유하면서도 필요한 곳에 계산량을 선택적으로 배분하는 것입니다. 이 변화의 의미는 파라미터 수와 토큰당 계산량을 어느 정도 분리해서 설계할 수 있다는 점입니다. 단순하게 모델을 크게 만드는 방법만 있는 것이 아니라, 같은 가중치를 더 활용하거나 문제의 난도에 따라 계산량을 다르게 배분할 수 있습니다. 모델 설계가 단순한 크기 경쟁을 넘어 Compute ↔ Memory ↔ Interconnect 사이에서 더 좋은 조합을 찾는 문제로 확장되는 것입니다. '그렇다고 N번 반복하면, N배 큰 모델이 되진 않는다' 여기서 반복 계산과 새로운 파라미터의 역할을 구분해야 합니다. 2026년 4월 22일의 <How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models> 논문에서는 반복 횟수의 효과를 다음과 같이 추정했습니다. looped layer 1개 = unique layer 0.46개이고, recurrent를 4번을 돌렸다고 가정하면 실제 unique 기준으로는 1.89배 정도의 모델 효과를 냈습니다.
원문 구간 5
결국 Recurrent Depth는 적은 가중치로 더 많은 계산을 수행하는 유용한 선택지이지, 파라미터와 데이터 스케일링을 없애는 기술은 아닙니다. 같은 자원을 어떤 방식으로 활용했을 때 성능과 비용의 조합이 가장 좋아지는지가 핵심입니다. Recurrent Depth가 CoT를 없앤다는 미신 오픈AI의 수석 과학자 야쿠브 파초키는 "Astra를 포함한 오픈AI 프론티어 모델들의 계산 그래프 깊이가 GPT-4의 2배 이내"라고 밝혔습니다. 'Astra가 내부에서 수십~수백 배 더 깊은 계산을 한다'는 식의 해석을 경계하는 발언입니다. CoT가 계속 존재한다는 사실과, 그 CoT로 모델의 위험한 행동을 충분히 알아낼 수 있다는 것은 다릅니다. 오픈AI가 모델을 모니터링하기 어려워진다고 말한 맥락은 Recurrent Depth 때문이 아닙니다. 파초키는 9월 6일 글 <An Alien Mind>에서 원인을 더 구체적으로 설명했습니다. 모델의 추론이 도구 사용, 다른 AI와의 상호작용에 섞이면서 감독 경계가 복잡해지고, 모델이 자신의 추론 과정을 의도적으로 더 잘 조절하며, 사전학습 성능 향상으로 긴 언어적 추론 없이도 더 많은 일을 할 수 있게 됐다는 것입니다. 강화학습이나 반복 구조 하나만으로 설명할 문제는 아닙니다. 따라서 앞으로는 CoT뿐 아니라 실제 행동과 도구 호출, 내부 활성값 등을 함께 살펴보는 감독 방식이 중요해질 수 있습니다. 오픈AI도 이런 보완책을 연구하고 있다고 밝혔습니다. 더 강한 AI를 연구에 투입하는 선순환 Astra에서 기대할 수 있는 것은 좋은 모델 → 연구 생산성 향상 → 더 많은 실험 → 다음 모델 개선이라는 선순환입니다. Astra가 연구 주도권을 되찾은 포인트가 될 수 있다고 보는 이유도 단순한 출시 순위보다 이 가능성에 있습니다.
원문 구간 6
아래 마이크로소프트 코멘트에서 정리드리겠지만 오픈AI 내부적으로는 Astra를 7월쯤부터 벌써 내부적으로 사용해온 것으로 보입니다. Astra의 의미 : 이제 Compute/token을 조정해 Compute를 더 잘 쓰는 시스템이 되다 제가 보는 이번 변화의 핵심은 세 가지가 함께 움직이고 있다는 점입니다. 모델 내부에서는 반복 계산으로 기존 가중치를 더 활용하고, 제품에서는 하네스로 실제 작업의 성공률을 높이며, 연구현장에서는 더 강한 에이전트로 다음 모델의 개발을 가속하려는 방향입니다. 이 관점에서는 AI의 경쟁력이 파라미터 수나 백만 토큰당 가격 하나로 결정되지 않습니다. 주어진 연산과 메모리로 얼마나 어려운 일을, 얼마나 적은 재시도와 비용으로, 얼마나 안전하게 끝낼 수 있는가가 중요해집니다. GB200/300 10만 개로 이룬 성공, 그렇다면 40만 개는? 중요한 건 이 GPT-6 Astra가 GB200/300 10만 개(대략 200~250MW)로 훈련해서 이룬 성과라는 것입니다. 새로운 GPT-2 Moment(레시피는 정해져 있는데, 이것을 10x, 100x 확장하는 대로 GPT-3, GPT-4까지의 경로가 정해져 있던 상황)인 셈입니다. 오픈AI의 연구 리더십 히스토리들을 정리해보면 ⓐGPT-2(LLM Scaling, 2019) → ⓑChatGPT(GPT-3.5/RLHF, 2022) → ⓒGPT-4(Mixture-of-Expert/MoE, 2023) → ⓓo1-preview(test-time compute/Reasoning, 2024) → ⓔGPT-6 Astra(Recurrent Depth, adaptive compute 개념을 모델 내 layer로도 확장 적용, 2026)로 결이 이어진다고 봅니다.
원문 구간 7
Astra는 서막이고 본격 새로운 지능은 Bel에서 나올 것으로 예상합니다. GB200/300 40만 개로 훈련할 모델입니다. 왼쪽 사진의 오픈AI-오라클의 스타게이트 애빌린 프로젝트 진행 상황을 보면, 참고하실 부분들이 많습니다. 사진에 현재 8개 동이 준비되어 있습니다. 1개 동의 세팅이 Critical IT Load 기준 100MW(이하 "cMW")입니다. GB300 NVL72은 랙당 140kW입니다. 한 빌딩인 100 cMW에는 GB300 NVL72 랙이 대략 700개 들어갑니다. GPU로 보자면 한 동당 50K가 탑재된다는 의미이고, 8개의 빌딩이면 400K이자 800 cMW입니다. 스타게이트 애빌린을 정리해보면 PUE 1.5, 800 cMW, 1.2GW Total Load인 사이트로 추정됩니다. 정리하면, GPT-6 Astra는 200 cMW급 모델이고 GPT-6 Bel이 첫 1GW급 모델이 될 것으로 예상합니다. 지금 레시피대로 확장하는 구조이지만 피크 지능이 매우 높아질 것을 예상할 수 있습니다. *논문 관점에서의 생각이 아니라 모델 관점에서 생각한 것 Physical AI도 대규모 컴퓨트 투자 단계로 휴머노이드 기업 피겨가 Nscale과 다년간 파트너십을 체결했습니다. 엔비디아 Vera Rubin GPU를 최대 10만 개까지 활용하는 계획으로 초기 컴퓨트 사용 약정은 $3.5B, 향후 $6B 이상으로 확대하는 것이 목표입니다. 초기 배치는 CY2H27부터 시작할 예정입니다. 다만 $3.5B는 이미 납부한 계약금이 아니라 컴퓨트 사용 약정 규모이며, 구체적인 지급 일정은 공개되지 않았습니다. Nscale은 피겨의 우선 컴퓨트 공급자가 되는 동시에 전략적 지분투자도 진행합니다.
원문 구간 8
단순히 GPU를 빌려주는 관계를 넘어 피겨의 성장에 투자하면서 향후 학습 수요까지 확보하는 구조입니다. 양사는 Nscale의 공급망에 휴머노이드를 활용하는 방안도 검토할 예정입니다. Index : 데이터 공급 늘리기 → 이번 Compute 투자로 스케일링 시작 이번 계약은 피겨가 8월 25일 발표한 Index와 연결해서 볼 필요가 있습니다. Index는 사람들이 일상과 작업현장에서 수행하는 행동을 영상으로 수집해 휴머노이드 학습에 활용하는 프로젝트입니다. 피겨는 영상 선별, 중복 제거, 데이터 구성 조정, 주석 생성 등을 처리하는 파이프라인을 구축했으며, 자동화된 처리에 사람의 검수도 결합하고 있습니다. 9월 3일 발표 기준 데이터 수집 속도는 매초 35분 분량까지 올라왔습니다. 피겨는 현재 Helix의 성능을 끌어올리는 데 필요한 데이터와 컴퓨트가 주요 제약이라고 설명했습니다. 따라서 이번 계약은 늘어나는 데이터를 실제 모델 성능으로 전환하기 위한 학습능력 확보라는 의미가 있습니다. CY26 : Agentic AI의 개화기 → CY28 : Physical AI의 개화기 개인적으로는 CY26을 Agentic AI 개화기로, CY28를 Physical AI 개화기로 보고 있습니다. 컴퓨트 관점에서 보면 Agentic AI는 Grace Blackwell에서 꽃봉오리를 맺고 Vera Rubin에서 개화하며, Physical AI는 Vera Rubin에서 기반을 쌓고 Rosa Feynman 세대에서 개화하는 흐름을 예상합니다. 물론 컴퓨트를 대규모로 확보했다고 곧바로 범용 휴머노이드가 완성되는 것은 아닙니다. 앞으로 확인해야 할 것은 낯선 환경에서의 작업 성공률, 사람의 개입 빈도, 안전성, 유지보수 비용까지 포함한 경제성입니다.
원문 구간 9
엔비디아 - 앤스로픽향 $35B 계약 엔비디아가 스스로를 AI 금융 플랫폼으로 정의하기 시작한 뒤 앤스로픽향 대규모 계약이 연이어 구체화되고 있습니다. 8월 26일에는 Nscale과의 $45B 계약에 이어서 이번에는 Lambda와 $35B 규모의 임대계약입니다. Hut 8 → Powered Shell 개발 NVIDIA → 해당 데이터센터 Powered Shell를 장기임대 Lambda → 엔비디아 GPU 구매 및 클라우드 운영 Anthropic → 최종 Compute를 임대하여 사용 엔비디아가 칩 공급자와 최종 수요자 사이에만 있는 것이 아니라 Powered Shell의 Credit까지 연결하는 중간 고리로 들어가 있습니다. Hut 8는 주요 장기임대 약속을 맺은 엔비디아의 신용을 바탕으로 Powered Shell Financing을 조달하고 → 엔비디아는 완성된 Powered Shell 캐파를 Lambda 같은 네오클라우드에 넘기고 → Lambda는 엔비디아 시스템을 설치해 앤스로픽에게 컴퓨트를 판매하는 구조입니다. 엔비디아가 자신의 대차대조표를 이용해 Land → Power → Shell → GPU → Cloud → AI Lab 사이에 존재하는 자본조달 병목을 제거하는 구조입니다. Previous image Next image Hot Chips 2026, 칩별로 간단한 리뷰 UBS의 Hot Chips 2026 리뷰를 정리해봅니다 엔비디아 GPU 세션: 실질적인 판매 단위를 하나의 칩에서 100MW 규모의 데이터센터 시스템으로 전환하고 있습니다. Peak FLOPS보다는 tokens/MW, Time-to-First-Token(TTFT), 신뢰성에 최적화하는 것입니다.
원문 구간 10
Agentic AI에서는 연산 성능보다도 정해진 전력, 정해진 비용 대비 토큰을 얼마나 더 많이 생산하느냐와 가속기의 실질 활용률이 점점 더 중요해지고 있습니다. Rubin은 Blackwell 대비 MW당 토큰 처리량이 10~30배 높아질 것으로 예상했습니다. AMD GPU 세션: MI455는 N2/N3P 기반 칩렛에 HBM4 432GB, 메모리 대역폭 23.3TB/s를 갖추고 있습니다. 엔비디아 칩 대비 GPU랑 메모리 용량과 대역폭이 더 높다는 것이 소구점입니다. AMD는 ESUN 표준과 UALink를 동시에 채택하는 open-fabric 전략을 택하고 있는데 Scale-up 네트워크를 직접 구성하지 않다보니 고객사들에게 더 높은 유연성을 제공한다는 맥락입니다. 다만 이 구조 때문에 Helios 랙 제품의 신뢰성이 얼마나 될까는 개인적으로 아직 의문입니다. 오픈AI 할라페뇨 칩 세션: LLM 추론 효율성을 극대화하기 위해 설계한 칩입니다. GB300 대비 추론 워크로드에서 Latency, interactivity, tokens/MW 측면에서 우위를 가질 것으로 예상합니다. 이번 주 주간전략보고에서 전해드린 것처럼 할라페뇨 칩의 TDP는 700W(GB300은 1400W, VR200은 ~2300W, MI455X는 2500W)인데 FP4는 13.4 PFLOPS, HBM4 216GB, 대역폭도 15.4TB/s인지라 추론에서 사실 굉장히 매력적인 칩 포지션입니다. 전성비를 고려하자면 VR200과 비교해도 꽤 매력적인 칩이고 GB300과 비교하기에는 모든 면에서 좋습니다. 마이크로소프트 Maia200 칩 세션: Copilot 및 MAI 모델 훈련과 추론에 특화시킨 Maia 200을 공개했습니다.
원문 구간 11
750W TDP, FP4 10.1 PFLOPS, HBM3E 216GB, 7TB/s입니다. 1월에 출시하고 최근 양산되고 있습니다. 경쟁력은 MI355X 수준과 비슷한 정도라서 할당된 생산규모가 그닥 크진 않습니다. 메타 MTIA 칩 세션: 메타는 MTIA 300은 훈련용으로 개발했던 가속기인데 사실상 실패에 가깝고, 주로 추론용으로 다시 방향을 틀은 MTIA 400은 Recommendation Model 추론(DLRM)에 초점을 맞추고 있습니다. 메모리는 HBM3E 288GB, 대역폭은 9.4TB/s입니다. 구글 TPU 칩 세션: 구글이 훈련용과 추론용 실리콘을 점점 더 분리하고 있는 이유에 대한 아키텍처적 논리를 설명했습니다. 구글 팀은 현대의 Reasoning, MoE, Agentic 추론 워크로드가 점점 memory-bandwidth bound(메모리 대역폭 의존적)가 되고 있으며 훈련보다 추론에서 훨씬 더 많은 메모리 대역폭이 필요하다고 강조했습니다. 이 때문에 TPU v8i를 추론용으로 2-die 솔루션을 채택했습니다. 엔비디아/Groq LPX 세션: Agentic AI 추론의 효율성을 높이기 위한 이기종 추론(Heterogeneous Inference)과 워크로드 분리(Workload Disaggregation)에 대한 관심이 커지고 있습니다. 복잡한 Reasoning 워크로드가 점점 더 Throughput에 최적화된 GPU와 Latency에 최적화된 추론용 가속기로 이분화되고 있는 만큼 LPX를 Decode, Drafting, FFN 워크로드를 담당할 보완적 엔진으로서 결합할 경우 긴 컨텍스트의 Agentic 워크로드에서 TPS/User와 Throughput 최적점을 3.5배 개선할 수 있습니다.
원문 구간 12
네트워킹/인터커넥트 세션: 엔비디아의 Spectrum-X Multiplane 아키텍처는 각각 1.6T NIC를 8개의 스위치에 분산 연결합니다. 이를 통해 8K GPU 연결 구조에서 512K Rubin GPU까지 하나의 Spectrum-X 스위치로 연결할 수 있게 되고 스위치 수는 1.7배 줄어듭니다. BlueField-4 DPU는 800G 이더넷과 7Tbps의 합산 대역폭입니다. 브로드컴의 경쟁 제품은 Thor Ultra 800G NIC입니다. Rubin CPX 개발이 다시 시작됐다 궈밍치가 엔비디아의 Rubin CPX 개발 상황에 대해 말했습니다: 최근 엔비디아는 Rubin CPX 프로그램을 부활시켰으며, 1Q27부터 생산이 시작될 예정입니다. CPX는 Rubin에 가까운 FLOPS이며, HBM4 168GB(Rubin은 HBM4 288GB, 이전 논의되고 있던 CPX 스펙은 GDDR7 128GB)이고, TDP는 VR200과 2,300W로 같습니다. 이전에는 VR200 NVL72 랙을 공유하는 것이었는데, 이제는 독립형 MGX ETL 랙에 탑재될 예정입니다. 고객은 필요에 따라 64, 128, 192, 256 CPX GPU를 택할 수 있습니다. 64개의 CPX GPU 그룹이 하나의 모듈 단위입니다. Compute Tray 1개당 8개의 CPX GPU가 탑재되고, 8개의 Compute Tray와 1개의 Switch Tray로 64개 칩 단위의 모듈이 구성됩니다. 각 Compute Tray의 CPX GPU간 Scale-up에만 NVLink가 사용되고, CPX GPU 1개당 NVLink 대역폭은 1~1.5TB/s(Rubin은 3.6TB/s)입니다. 각 랙 모듈 내 Tray 간 Scale-out에는 구리 Spectrum-6 이더넷이 쓰이고, 랙 모듈 간 Scale-out은 Spectrum-6 스위치가 광학 링크를 통해서 연결됩니다.
원문 구간 13
간단하게 칩과 칩 사이는 NVLink, 랙 내에서는 구리, 랙과 랙 사이는 광학이라고 보시면 됩니다. memory-bandwidth bound한 작업이 아니라 compute-bound인 작업의 병목을 줄여주는 게 목적인지라 NVLink 대역폭이 Rubin 대비 낮은 건 큰 상관은 없을 듯 합니다. CPX는 Vera Rubin NVL72와 1:1 비율로 사용하길 권장됩니다. 미디어텍 Custom XPU까지 생태계로 끌어들이는 중 엔비디아가 미디어텍이 발행한 전환사채(CB)에 $3.5B를 투자하며 전략적 협력을 크게 강화했습니다. 미디어텍의 전체 CB 발행 규모는 $3.9B이므로 엔비디아가 약 90%를 인수한 셈이며, 엔비디아가 대만 상장기업에 직접 투자한 첫 사례로 알려졌습니다. 세부 조건도 흥미롭습니다. 이번 CB는 5년 만기, 쿠폰 0%, 전환가격은 발행 당시 주가보다 15% 높은 주가입니다. 전량 전환되더라도 미디어텍의 최대 희석률은 약 1.67%에 불과합니다. 따라서 엔비디아가 지금 미디어텍 지분을 $3.5B어치 산 것이 아니라, 5년간 무이자로 자금을 공급하면서 주가 상승 시 지분으로 전환할 수 있는 옵션을 확보한 구조입니다. 미디어텍은 구글 TPU를 수주하면서 Custom AI ASIC 시장의 주요 신흥 업체로 올라오고 있습니다. 스마트폰 시장의 성장률이 둔화된 상황에서 데이터센터 ASIC은 앞으로 회사의 새로운 성장축이 될 가능성이 높습니다. 그런데 Custom XPU를 설계하는 것은 컴퓨트만 잘 만든다고 끝나지 않습니다. 데이터센터에 배포하려면 HBM → Package → Scale-up Interconnect → CPU 연결 → Scale-out Network → Rack → Software까지 전체 시스템을 만들어야 합니다.
원문 구간 14
이번 협력을 통해 미디어텍은 이 중 상당 부분을 엔비디아의 NVLink Fusion 기반에서 검증한 스택을 사용할 수 있게 됩니다. 고객사가 원하는 것에 맞춰서 설계해주는 것이긴 하지만 마벨에 이어서 미디어텍도 NVLink Fusion 파트너사가 됐다는 게 인상적입니다. NVLink Fusion은 'XPU는 너가 만들되, 나머지는 엔비디아를 써라'에 가깝습니다.ⓐNVLink Fusion Chiplet은 미디어텍이 만든 Custom XPU를 NVLink Fabric에 붙여 Rack 전체를 하나의 Scale-up Domain으로 만들고, ⓑNVLink-C2C는 XPU와 CPU를 연결하는 구조이며, ⓒNVHBM을 사용하면 HBM 인터페이스까지 엔비디아가 공동 설계한 생태계를 활용할 수 있습니다. 애플, 26년 PER 35배 / Underweight 애플 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플 3Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) 애플, 9월 9일 신제품 행사 개최 애플이 9월 9일 올해 최대 규모의 신제품 행사를 개최합니다. 신임 CEO 존 터너스도 최근 이번 행사를 "huge launch"라고 언급한 만큼, 아이폰, 애플워치, 에어팟을 중심으로 최소 6개의 주요 신제품이 공개될 것으로 예상됩니다. 1~3. 아이폰 18 Pro + 폴더블 iPhone Ultra 가장 중요한 제품은 아이폰입니다. iPhone 18 Pro에는 A20 Pro 칩과 카메라 업그레이드, 새로운 색상, 더 작아진 Dynamic Island가 적용될 것으로 예상됩니다.
원문 구간 15
iPhone 18 Pro Max는 배터리 용량과 전력효율 개선을 통해 역대 가장 긴 배터리 사용시간을 목표로 합니다. 가장 큰 변화는 iPhone Ultra입니다. 애플 최초의 폴더블 아이폰으로, 기존 Pro 라인업 위에 새로운 초고가 제품군을 만드는 역할을 할 것으로 예상됩니다. 4~5. 애플워치 Ultra 4, Series 12 애플워치는 Apple Watch Ultra 4와 Series 12가 공개될 전망입니다. Ultra 4에는 새로운 건강 센서와 디자인 변화가 예상되고, Series 12에는 새로운 S 시리즈 칩과 상시 심박 모니터링 기능, Ceramic 옵션 등이 추가될 가능성이 있습니다. 결국 애플워치는 성능 자체보다 건강 모니터링 기능을 얼마나 확장하느냐가 이번 세대의 핵심입니다. 6. 에어팟, Airpods 5 출시 여섯 번째 주요 제품은 AirPods 5입니다. 최근 루머가 있었던 카메라 탑재 AirPods는 이번 행사에는 등장하지 않고 2027년 출시될 가능성이 높습니다. 그외 제품들로는 HomdPad, HomdPod, Apple TV 4K 제품 출시에 대한 루머가 논의됩니다. 구글, 26년 PER 28배 / Neutral 구글 2Q26 실적발표 : GCP 82% 성장의 이면, 딥마인드의 컴퓨트 갈증 (바로가기) 구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대 (바로가기) 구글 1Q26 실적발표 : 검색은 방어했고, 클라우드는 폭발했습니다 (바로가기) 검색엔진의 역할 : '웹사이트를 찾아주는 곳' → '답변을 소비하는 곳' 구글은 AI Overviews와 AI Mode를 통해 링크를 클릭하지 않아도 검색 화면 안에서 답을 얻을 수 있는 경험을 강화하고 있습니다.
원문 구간 16
과거에는 검색 결과에서 여러 웹사이트를 방문해 정보를 비교했다면, 이제는 구글이 내용을 종합해 답변을 제공하고 후속 질문까지 처리하는 구조입니다. 이런 Zero-click 검색은 AI가 등장하면서 처음 생긴 현상은 아닙니다. 날씨·환율·지식패널처럼 검색 화면에서 바로 답을 보여주는 기능은 이전부터 있었습니다. SparkToro·Datos의 2024년 조사에서도 미국 검색의 58.5%, EU 검색의 59.7%가 결과를 클릭하지 않고 끝났습니다. AI는 여기에 단순 사실 확인뿐 아니라 설명·비교·요약까지 더하면서, 웹사이트에 방문해야 할 이유를 줄일 수 있습니다. 검색에 노출된다고 해서, 클릭하고 있지 않다 BrightEdge의 2025년 분석에서는 검색 노출이 약 49% 증가하는 동안 클릭률은 약 30% 하락했습니다. 중요한 것은 노출이 늘어도 그만큼 방문자가 늘어나는 구조가 아니라는 점입니다. Pew Research Center가 미국 성인 900명의 2025년 3월 검색 행동을 분석한 결과도 비슷한 문제를 보여줍니다. AI 요약이 있는 검색에서는 기존 검색결과 링크를 클릭한 비율이 8%였고, AI 요약이 없을 때는 15%였습니다. 특히 AI 요약 안에 인용된 출처 링크를 클릭한 비율은 1%에 불과했습니다. '우리 콘텐츠가 AI 답변의 근거로 사용됐다'와 '우리 웹사이트가 방문자와 매출을 얻었다'는 별개의 이야기입니다. 확대해석하면 고객과의 접점을 잃고 있다는 의미 사업적으로 보면 문제는 단순한 방문자 감소보다 큽니다. 검색으로 유입된 방문자는 사이트 안에서 다른 글을 읽고, 뉴스레터를 구독하고, 회원가입이나 구매로 이어질 수 있습니다. 그런데 첫 방문이 발생하지 않으면 광고 노출뿐 아니라 직접 고객을 확보하고 재방문을 유도할 기회도 함께 줄어듭니다.
원문 구간 17
결과적으로는 디지털 마케팅에서 광고비를 지불하지 않는 자연 유입을 확보하기가 점점 더 어려워질 가능성을 보고 있습니다. 콘텐츠 제작과 검색 최적화에 투자해도, 그 성과가 자사 사이트 방문보다 검색 플랫폼 안의 노출로 남을 수 있기 때문입니다. 반면, 구글은 돈을 '더' 법니다 구글 입장에서는 검색 사용량과 웹사이트로 보내는 클릭 수가 반드시 같은 방향으로 움직일 필요는 없습니다. 사용자가 구글 안에서 더 다양한 질문을 해결한다면, 외부 방문으로 연결되지 않는 검색에서도 새로운 광고 접점을 만들 수 있습니다. 실제로 구글은 AI Overviews 위/아래뿐 아니라 답변 내부에도 광고를 제공하고 있습니다. 2026년 5월에는 AI Mode에서 질문에 맞춘 광고와 추천 목록에 포함되는 광고 등을 테스트한다고 발표했습니다. 광고도 단순히 검색어 옆에 붙는 방식에서 대화의 맥락과 사용자의 구매 의도에 맞춰 제시되는 방식으로 확장되고 있습니다. 구글 검색의 경쟁력 강화와 외부 웹사이트의 자연 유입 약화가 동시에 나타날 수 있습니다. 광고주가 잃어버린 자연 유입을 유료 광고로 보완하려 한다면 플랫폼 의존도가 높아질 가능성도 있습니다. 9월 2일, 연방지방법원 판사의 판결 미국 연방판사가 DoJ가 구글에 AdX를 매각하도록 강제하려는 시도를 기각했습니다. 반독점 책임은 유지되지만 매각요청만 기각한 것입니다. 간단하게만 보자면, 이번 사건은 구글 검색이나 유튜브 광고 전체를 분할하려던 사건이 아닙니다. 언론사나 콘텐츠 사이트처럼 구글이 소유하지 않은 웹사이트의 광고 공간을 거래하는 기술이 중심입니다. 구글이 광고 거래의 여러 단계를 동시에 통제하는 구조를 바꾸려던 시도인데 이미 충분한 경쟁 중이라는 맥락으로 DoJ의 요구를 기각한 것입니다.
원문 구간 18
마이크로소프트, 26년 PER 28배 / Neutral 마이크로소프트 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 마이크로소프트 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 오픈AI 기업분석 : 빅테크를 위협하는 새로운 플랫폼으로서 ChatGPT의 가치를 생각해보다 (바로가기) 샘 올트먼, 허깅페이스 사건 이후의 생각 오픈AI 샘 올트먼이 9월 2일 Sources Podcast에 나와 얘기한 것들을 정리해보면: AI 모델 능력 발전 속도가 매우 빠르며 너무 빨라지다보니 프론티어 모델의 강화학습 훈련을 잠시 늦췄다. 정렬, 안전, 보안을 위해 훈련 방식을 일부 변경했으며 모델의 지능 수준을 따라잡게 만들기 위해 더 많은 시간이 필요하기 때문이다. 허깅페이스 사건은 마치 SF 영화 같은 현실을 보여주며, AI 능력이 이제는 새로운 수준에 도달했음을 깨닫게 했다. 이전에는 경험하지 못했던 수준의 매우 빠른 사전훈련 속도를 경험했으며 매우 뛰어난 능력을 가진 모델들이 탄생했다. 그리고 강화학습 과정에서 정렬우려들이 생기다보니 앞으로 나올 매우 뛰어난 사전훈련 모델을 고려할 때 신중하게 대처하기로 결정했다. 오픈AI 연구팀은 정렬에 더 많은 컴퓨팅 자원을 투입하고 있으며, 안전 및 정렬 연구에 집중하는 연구원들이 늘어나고 있다. 또한 허깅페이스 사건 이후 모니터링 시스템 구축에 컴퓨팅 자원을 투입했으며 주요 프론티어 모델 훈련을 처음으로 연기했다. Astra는 여러 버전으로 출시될 예정이며 일부는 이미 안전하다고 판단되는 모델 기반으로 출시할 것이다. 프론티어 모델의 강화학습 훈련만 중단한 것이며 모든 훈련을 중단한 것은 아니다.
원문 구간 19
클러스터는 계속해서 가동되고 있고 안전성이 더 확실한 작업들을 수행하고 있다. AGI는 '대부분의 경제적으로 가치 있는 작업에서 인간을 능가하는 고도로 자율적인 시스템'이라고 정의할 수 있다. 현재 모델들도 AGI에 매우 근접했다고 볼 수 있고, 최신 내부 모델들은 AGI와 유사하지만 여전히 부족한 부분들도 있다. AGI는 하나의 마일스톤이고, 초지능은 지속적으로 확장되는 것이다. 지난 12개월 동안 회사의 실수가 있었지만, 이제 최고의 12개월을 맞이할 준비가 되어 있다. 이전에는 제품 방향과 사전훈련 및 연구 분야에서 목표치에 미치지 못했던 부분이 있었다. 제품 측면에서 너무 많은 것을 시도하려고 했었고 브라우저나 Sora 같은 이니셔티브에 집중하느라 범용 지능 향상이라는 가장 중요한 목표를 놓쳤었다. 지금은 회사 역사상 최고의 실행력을 보여주고 있으며 업계 최고 수준이다. 이것이 최우선 과제임을 모든 사람들에게 강조했어야 했다. Astra의 컴퓨터 사용 능력은 매우 인상적이며 AGI로 가는 중요한 단계이다. 이전 모델은 컴퓨터 사용에 느리거나 정확하지 못했는데 Astra는 인간 수준의 컴퓨터 사용 능력을 갖췄다. 번거로운 컴퓨터 작업을 줄여줄 것이고 사용자가 원하는 것을 설명하면 AI가 처리해주고 결과를 보여주는 경험을 제공할 것이다. AI가 소프트웨어를 사용할 수 있게 된다는 함의가 크다. 앤스로픽은 코딩에 집중하며 빠르게 성장했지만 오픈AI는 다양한 베팅을 하느라 초기 모멘텀을 놓쳤다. 지금은 시장에서 최고의 코딩 제품을 보유하고 있으며 빠르게 성장하고 있다. ChatGPT와 Codex를 통합하여 슈퍼 앱을 구상하는 작업을 진행 중이다. 궁극적으로 사용자는 어떤 것이든 원하는 모든 것을 요청하면 알아서 모델이 해결하는 AI 인터페이스를 원할 것이다.
원문 구간 20
미래에는 ChatGPT, Codex 등 각종 도구들이 모두 통합되어 사용자가 별도로 어떤 모델에 요청할지 생각하지 않고 AI가 알아서 처리해주는 범용 목적의 AI 구독 형태가 될 것이다. 오픈AI는 대규모 컴퓨팅 구축 계획에 대해서 걱정하지 않지만, 전 세계적인 컴퓨팅 구축 계획에 대해서는 우려스럽다. 일부 네오클라우드의 과도한 컴퓨팅 구축과 수익성 없는 투자는 지속불가능한 상황을 초래할 수 있다. 오픈AI는 현재 컴퓨팅을 외부에 공급할 계획은 없으며 자체 수요를 충족하는 데 집중하고 있다. RSI를 통한 AI의 잠재적 발전 속도가 빨라지면 빨라질수록 IPO를 연기하는 것이 유리할 수 있다. 상장기업이 되면 주가 상승에 대한 압박으로 인해 단기적 이익을 위해 장기적 안전 결정을 내리기 어려울 수 있기 때문이다. AI 발전 속도를 고려할 때 단기적으로 슈퍼지능 출현 가능성이 있으며 오픈AI 사명이 IPO 시점보다 더 중요하다고 생각한다(최근 모델 발전 속도를 보아하니 더 빨라지면 IPO 연기할 수도 있다). ChatGPT Ads ARR $1B 돌파 오픈AI ChatGPT Ads ARR이 $1B를 넘겼습니다. 앱러빈이 연간 $6.8B, 스냅이 $6.4B, 핀터레스트가 $4.6B 정도입니다. 그동안이 세팅하는 과정이었고 이제 셀프서비스도 시작되고 광고주 기반도 안착한 상태라서 광고 채널로는 꽤나 빠른 성장세입니다. 6월 말까지만 해도 ARR $0.2B였는데 약 2개월 사이 ARR이 5배 규모로 커진 것입니다. GPT-6 Astra System Card 뜯어보기 Mythos Preview와 Opus 때도 그랬듯, SOTA 모델은 System Card를 보려고 하는 편입니다.
원문 구간 21
GPT-6 Astra System Card에서 인상적이었던 몇 가지 차트들을 정리해봅니다: *왼쪽* Figure 47 — ExploitBench Internal Port / PDF p.89 : 사이버보안 영역에서 오픈AI가 처음으로 'Critical' 등급을 줬다고 꼽은 핵심 배경입니다. 일단 기존 ExploitBench는 과거에 공개한 취약점들을 갖고 평가하는 것이라서 학습 데이터의 오염(벤치맥싱 가능성, 늘 벤치마크를 잘 따져가며 봐야 하는 이유) 우려가 있는데 오픈AI는 이를 피하려고 Astra의 knowledge cutoff 이후인 2026년 6~8월 신규 취약점만으로 별도 평가했습니다. 해당 벤치에서 Astra는 GPT-5.6 Sol보다 훨씬 더 적은 output 토큰으로 훨씬 더 높은 성공률을 보였습니다. *오른쪽* Figure 51 — Sandbox-Bench / PDF p.93 : 여기도 사이버보안 역량 벤치마크인데, 오픈AI 내부 보안환경을 본떠 만든 취약점 22개를 공격하는 테스트입니다. 특히 22개 중 21개가 기존에 알려지지 않은 신규 취약점(zero-day) 이라서, 모델의 단순 암기가 아니라 실제 취약점 발굴 능력을 보는 테스트에 가깝습니다. Astra는 45.5%를 풀었고, Sol은 4.5%에 불과했었습니다. 새 취약점을 실제로 찾아내는 능력 자체가 크게 증가한 것입니다. *왼쪽* Figure 50 — SRE-Bench / PDF p.92 : SRE-bench란 19개의 비공개 프로그램에서 만든 262개 엔지니어링 문제로 오염을 최소화한 평가입니다. pass@4에서 Astra는 99.2%, GPT-5.6 Sol은 68.7%인데 Astra가 사용한 output 토큰은 Sol의 4분의 1입니다.
원문 구간 22
훨씬 더 적은 토큰으로 훨씬 더 높은 지능을 보인 것입니다. *오른쪽* Figure 52 — Internal Research Debugging Evaluation / PDF p.98 : 오픈AI 연구원이 실제 연구 중 겪었던 41개의 실제 버그를 다시 모델에게 풀게 한 평가입니다. 숙련된 오픈AI 연구자가 해결하는 데 수시간~수일이 걸렸던 문제들인데 Astra는 78.05%까지 해결했습니다. 화려한 벤치마크가 아니라 실제 오픈AI 연구자가 시간을 가장 많이 쓰는 debugging 루프를 모델이 얼마나 대체할 수 있느냐가 연구 생산성에 직접 영향을 미치는 지표입니다. *왼쪽* Figure 53 — KernelGen 1P / PDF p.99 : 모델에게 오픈AI의 할라페뇨용 커널을 직접 작성하고 최적화하도록 한 평가입니다. 편법을 쓰지 않아야 하게끔 세팅된 평가입니다. 흥미로운 건 Astra가 50~70k output 토큰 수준에서 65% 정도의 reward까지 높아지는데, Sol은 비슷한 영역까지 올라가는 데 거의 300k를 써야 합니다. 시스템 카드에서도 아예 XPU low-level 커널 최적화를 벤치마크로 쓰고 있습니다. 향후 할라페뇨 이후 2세대 ASIC이 출시될 때는 소프트웨어 최적화나 low-level 커널 최적화에 필요한 engineer hour가 크게 줄어들 가능성을 보여주는 신호입니다. *오른쪽* Figure 55 — PostTrainBench Lite / PDF p.101 : 이 테스트는 연구쪽 테스트입니다. 단순 코드를 작성하는 게 아니라 모델이 어떤 데이터를 만들지, 어떤 사후학습 기법을 사용할지, 강화학습을 어디에 어떻게 적용할지, 중간 평가지표(eval)를 보고 다음 실험은 어떻게 바꿀지를 결정하는 테스트입니다.
원문 구간 23
1개의 H100과 5시간을 주고 12개의 사후학습 과제를 수행시키는 평가입니다. 굉장히 인상적인 건 그래프상 Astra의 커브가 모든 compute 구간에서 Sol보다 상당히 높고, Sol은 사실상 이정도면 '못하는' 정도였는데 이것이 Astra부터 가능해졌습니다. 프론티어 모델 경쟁력이 이제는 강화학습을 어떻게 잘 다루는가에서 주로 갈리고 있기 때문에 RL Trajectory, 합성 데이터 생성, reward design, 사후학습 레시피를 어떻게 할 것이냐로 갈리는데 이 영역에서 꽤나 의미있는 지표입니다. *왼쪽* Figure 41 — No-CoT Math Time Horizon / PDF p.72 : Astra의 특징을 가장 잘 보여주는 차트입니다. UK AISI 평가에서 CoT를 생성하지 않고 단 한 번의 forward pass만으로 해결할 수 있는 수학 문제의 인간 풀이시간 기준 문제 난이도(time horizon)가 Sol은 3.6분이었는데 → Astra는 30.9분으로 8.6배 상승했습니다. 쉽게 말해 Sol은 사람이 3.6분 고민해야 하는 문제까지 CoT 없이 풀 수 있었다면, Astra는 사람이 30.9분 고민해야 하는 문제까지 머릿속 풀이과정을 밖으로 드러내지 않은 채 한 번에 답을 낼 수 있게 됐습니다. *오른쪽* Figure 28 — CoT Controllability / PDF p.57 : 이건 모델을 얼마나 스텔스 상태로 만들 수 있는가를 확인하는 평가입니다. 같은 길이의 CoT를 놓고 모델에게 "특정 단어를 쓰지 마라", "대소문자를 번갈아 써라" 같은 제약을 줬을 때 얼마나 자기 reasoning을 의도적으로 통제할 수 있는지를 측정합니다.
원문 구간 24
10K token CoT에서 Astra 60.9% vs Sol 16.1% vs GPT-5.5 1.7%입니다. 모델이 자기 reasoning의 형태를 의도적으로 조절하는 능력이 강해졌다는 뜻입니다. 오픈AI, "자동화된 AI 연구원을 완성했다" 오픈AI가 향후 초지능으로 가기 위해서는 (1) 자동화된 AI 연구 인턴을 만들고 → (2) 자동화된 연구원을 만들면 이들에게 Compute만 집어넣으면 AI가 AI를 연구하는 루프를 만들어야 한다고 주장해왔었습니다. 그리고 마침내 이번에 (1)을 완성했다고 선언했습니다. 실제 오픈AI 내부의 차트들을 살펴봅니다: 1. 코딩 에이전트 사용량 급증 8월 중순이 되자 오픈AI 내부에서 중위값에 해당하는 연구원들도 매일 에이전트를 연구에 통합하여 API 가격 기준 하루 $600 이상을 추론에 사용했습니다. 현 시점 상위 90%에 해당하는 연구원들은 하루 $7,000 이상의 토큰을 사용하고 있을 정도입니다. 이 차트로 보면 7월 중순 언젠가부터 에이전트 사용량이 폭증한 것을 알 수 있는데, 내부적으로는 프론티어 모델을 더 일찍 적용한다는 것을 생각해보면 이 시점이 외부로는 GPT-5.6 Sol을 배포하고 내부적으로는 GPT-6 Astra를 사용하여 개발을 가속화했던 시기로 추정됩니다. 2026년 6월 이전에는 연구조직 전체의 에이전트 실행 시간이 총 실제 엔지니어 투입 시간보다 적었는데, 8월 중순 기점으로는 8시간 근무를 하루라고 볼 때 연구조직은 인력 1일 투입시간당 엔지니어 작업일 3.1일을 투입하고 있습니다. 2. 연구원들이 더 많은 코드를 작성하고 더 많은 실험을 하고 있다
원문 구간 25
AI 연구의 상당 부분이 모델의 지능이나 성능을 향상시킬 가능성이 있는 새로운 개선사항을 핵심 모델에 통합하는, 다소 노동 집약적인 과정입니다. 이 과정은 여러 단계를 거치며, 모든 단계가 순조롭게 진행될 때 비로소 역량이 향상됩니다. 연구원들은 새로운 개선 사항을 설계하고, 모델 성능을 평가하는 방법을 작성하고, 이러한 개선 사항을 대규모로 테스트할 수 있는 인프라를 구축하고, 학습 과정에서 버그와 안전하지 않거나 잘못된 동작을 찾아내고, 성공적인 아이디어를 핵심 학습 과정에 통합해야 합니다. 연구 과정의 어느 한 단계에서라도 실패하면 전체 연구 과정에 차질이 생길 수 있습니다. 코드 작성 + 실험 실행이 중요한데, 이 과정 전체가 매우 가속화되고 있습니다. 아마존, 26년 PER 33배 / Neutral 아마존 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 아마존 4Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기) Fable 5.1/Mythos 5.1 출시 앤스로픽이 Fable 5.1/Mythos 5.1을 출시했습니다. Terminal-bench 4.0, CursorBench 3.2.0 두 가지를 중점적으로 보시면 되는데, 두 가지 모두 Fable 5와 Opus 5에 비해서 약간씩 좋아진 모델입니다. 대신 KV Cache hit read 비용을 75% 낮춘 $0.25로 잡아서 일반적인 작업부하 비용은 최대 25%, 장시간 에이전트 작업에서는 최대 45%정도 만큼 비용이 낮아질 것으로 추정됩니다.
원문 구간 26
피크 지능은 드라마틱한 수준까지는 아니지만, 전반적인 모델 지능이 높아지고 Cache reads 비용은 크게 낮췄다보니 같은 작업을 보다 저비용으로 가능하게 하는 쪽으로는 꽤 유의미합니다. Fable 5.1도 워낙 좋기는 한데, 오픈AI의 Astra가 같거나 더 높은 수준의 지능을 거의 50% 비용으로 제공하고 있는 상태인지라 GPT-6 Astra에 대해서 좀 더 힘줘서 분석하고 Fable 5.1은 가볍게 넘어갑니다. 메타, 26년 PER 20배 / Neutral 메타 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) Muse Spark 1.1 코멘트 / 주간전략보고 中 (바로가기) 메타 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 메타가 $14B를 주고 데려온 남자 : MSL을 이끄는 알렉산더 왕의 통찰 (바로가기) 메타, '4Q26쯤 구글 검색광고 매출 넘길 듯' 메타에 대해서 보고서가 연달아 나왔습니다: 8월 30일 모건스탠리, <메타가 2025년 하반기의 구글이 될 수 있을까?>: 메타가 SNS 중독 소송을 해결하기 위해 10년에 걸쳐 최대 $17B를 지급하는 합의를 했습니다. 그리고 동시에 페이스북과 인스타그램을 사용하는 18세 미만 청소년에 대해서 하루 2시간 이용 제한(부모 허락 시 해제 가능), 등교 시간인 오전 8시~오후 3시, 야간인 자정~오전 6시는 기본적으로 이용 차단을 하는 변경사항입니다. 청소년으로부터 발생하는 매출은 메타 전체 매출의 1% 정도라서 타격은 거의 없습니다. 구글과 틱톡도 유사한 합의에 이를 경우 이들은 하루 1시간 이용제한에 동의하게 됩니다.

시간흐름대로 모든 내용을 살려 정리

[원문 유형] 네이버 프리미엄 콘텐츠 [채널] 올바른 미국주식 by SAPIENS [게시일]

[원문 유형] 네이버 프리미엄 콘텐츠 [채널] 올바른 미국주식 by SAPIENS [게시일] 2026.09.07 [원문 URL] https://contents.premium.naver.com/sapiens/sapiensasset/contents/260907134419027lh [제목] 주간전략보고 : 투자의 생각 (9월 7일~9월 11일) [수집 기준] 구매회원 본인이 QR 로그인으로 승인한 구독 열람권을 사용해 개인 문서 보관용으로 확보했다. 목록 메타데이터가 아니라 아래 실제 본문만 분석 근거로 사용한다. [구독 원문 본문] 안녕하세요 올바른입니다. 새로운 시대의 막이…

2026-08-04 주간전략보고 : 투자의 생각 (8월 3일~8월 7일) (바로가기) 투자자문

2026-08-04 주간전략보고 : 투자의 생각 (8월 3일~8월 7일) (바로가기) 투자자문 서비스에 따른 투자 시 원금 손실이 발생할 수 있으며, 투자 손익에 대한 책임은 전적으로 고객에게 귀속됩니다. 또한 과거의 투자수익이 미래의 수익률을 보장하지 않습니다. 신규 구독 전에, 아래 투자자문계약 권유문서의 계약 관련 제반 사항을 반드시 읽으시고 충분히 검토하시기 바랍니다. *투자자문계약 권유문서 : https://naver.me/5ZST47Qf 목차 주간전략보고 투자의 생각 : 펀더멘탈은 계속해서 좋아지고 있는 방향 2Q26 9주차 실적발표 훑어보기 : 9주차 21개 기업…

 주간전략보고 : 투자의 생각 펀더멘탈은 계속해서 좋아지고 있는 방향 🧭 S&P500

주간전략보고 : 투자의 생각 펀더멘탈은 계속해서 좋아지고 있는 방향 🧭 S&P500 EPS 추정치 변화 (~9/4) 25년 EPS : $271.23 26년 EPS : $361.72 ▲ (8/7 $358.66 ← 7/10 $340.74 ← 6/6 $338.16) 27년 EPS : $415.91 ▲ (8/7 $405.17 ← 7/10 $398.43 ← 6/6 $391.00) S&P 500 밸류에이션 : 매력적 계속해서 생각은 같습니다. 지금 밸류는 (ㄱ) 2022년의 인플레이션으로 인해 하락했던 시기, (ㄴ) 2025년 4월 관세부과 시기, (ㄷ) 2026년 2월…

2Q26 9주차 실적발표 훑어보기 9주차 21개 기업 - 업사이클 & 다운사이클 비교 

2Q26 9주차 실적발표 훑어보기 9주차 21개 기업 - 업사이클 & 다운사이클 비교 *업사이클이란? : 매출성장률이 역성장(-)에서 성장(+)으로 전환한 기업이거나, '성장률'자체가 약한성장(+)에서 고성장(++)으로 증가하는 기업을 선별하기 위해 많이 참고하고 있습니다. 매출성장률과 영업이익률이 동시에 증가하는 기업일 때는 실적 증가폭도 크지만 리레이팅도 같이 붙기 때문에 가장 좋아하는 구간입니다. *다운사이클이란? : 매출성장률이 성장(+)에서 역성장(-)으로 전환되거나, 역성장(-) 상태를 유지하거나, 고성장(++)에서 약한성장(+)으로 낮아지는 기업일 경우를 선별하기…

Neutral = 중립 Underweight = 비중축소 올바른 미국주식 by SAPIENS

Neutral = 중립 Underweight = 비중축소 올바른 미국주식 by SAPIENS Overweight *순서는 비중, 강도와 무관합니다* Nvidia Vertiv Bloom Energy Sea Limited DoorDash Micron Figure Tech Semtech Sandisk Unity Software CoreWeave Nebius Lumentum Viavi Solutions Fortinet 로빈후드(HOOD) 로빈후드HOOD는 Neutral을 유지합니다. 로빈후드 3Q25 실적발표 : 폴리마켓을 넘어서는 Robinhood Prediction …

 밈코인이 Robinhood Chain으로 들어오면서 네트워크 혼잡비용 상승 로빈후드가 자체

밈코인이 Robinhood Chain으로 들어오면서 네트워크 혼잡비용 상승 로빈후드가 자체 체인을 만든 본래 목적은 주식 토큰을 중심으로 글로벌 자산시장을 온체인화하는 것입니다. 주식이나 다른 실물자산을 ERC-20 형태로 만들면 단순 매매를 넘어 대출의 담보로 활용하거나 다른 DeFi 서비스와 결합하는 것도 가능합니다. 그런데 로빈후드가 이를 Permissionless하게 열어두자 예상하지 못했던 수요가 들어왔습니다. 밈코인 생태계입니다. 토큰을 만들고 매매하는 봇 트래픽이 급증하면서 네트워크에 Backlog가 쌓였고 Transaction당 Gas Fee가 크게…

로빈후드 입장에서 보면 자신이 고객 대신 비용을 부담하면서 네트워크 활동을 키우고 있고 그 과정에서

로빈후드 입장에서 보면 자신이 고객 대신 비용을 부담하면서 네트워크 활동을 키우고 있고 그 과정에서 발생한 가스비 일부를 Arbitrum과 나누는 구조입니다. 따라서 지금 나타나는 수수료 규모는 매출과 마케팅 비용이 동시에 부풀어 있는 과도기적 숫자에 가깝습니다. 서비스가 좋아질수록 오히려 지금의 가스비는 내려가야 한다 흥미로운 부분은 Robinhood Chain이 기술적으로 성공할수록 현재의 비정상적으로 높은 수수료는 오히려 떨어져야 한다는 점입니다. 지금 로빈후드가 큰 돈을 버는 이유는 네트워크에 거래가 몰리면서 혼잡비용이 매우 높아졌기 때문입니다. 향후 로빈후드가…

그 경우 장기적으로는 주식 토큰 거래를 넘어 대출/담보/결제 등 온체인 금융 서비스로 확장하면서

그 경우 장기적으로는 주식 토큰 거래를 넘어 대출/담보/결제 등 온체인 금융 서비스로 확장하면서 CY27의 새로운 성장동력이 될 가능성이 있습니다. 반대로 무료 가스비가 끝난 뒤 Transaction까지 급감한다면 해석이 완전히 달라집니다. 로빈후드가 높은 Gas Fee를 사실상 마케팅 비용으로 부담했고 무료 거래를 찾아온 밈코인과 봇이 일시적으로 Chain에 몰렸던 이벤트였을 가능성이 커집니다. 아직은 좀 더 지켜보려 하는 이유들 Robinhood Chain에서 사용량이 빠르게 증가하고 있다는 점 자체는 상당히 흥미롭습니다. Permissionless Chain을 열자 예상보다…

피겨 테크놀로지 창업자 인터뷰 : SoFi 창업자가 블록체인에서 금융의 미래를 찾은 이유 

피겨 테크놀로지 창업자 인터뷰 : SoFi 창업자가 블록체인에서 금융의 미래를 찾은 이유 Figure - Kiavi 인수 완료 9월 2일부로 피겨의 Kiavi 인수가 완료됐습니다. Kiavi는 주택을 매각하지 않고 임대사업으로 전환하려는 부동산 투자자에게 대출을 제공하는 사업이 주력입니다. 일반적으로 RTL(Residential Transition Loan)로 주택을 매입/리모델링한 뒤 임대가 시작되면 DSCR(Debt Service Coverage Ratio) 대출로 리파이낸싱하는 구조입니다. 피겨 입장에서는 주택담보대출 외에 부동산 투자자 금융까지 상품군을 확장할 수 있게…

충분한 임대 현금흐름이 확인됐으므로 30년 만기 같은 장기 임대대출로 전환할 수 있습니다. 

충분한 임대 현금흐름이 확인됐으므로 30년 만기 같은 장기 임대대출로 전환할 수 있습니다. RTL → 집 매입/리모델링 → 임대 안정화 → DSCR 대출 → RTL 상환 → 회수한 자금으로 다음 집 매입 이라는 루프가 만들어집니다. 이게 Kiavi 인수에서 꽤 중요한 포인트입니다. 단기 RTL → 장기 DSCR → 다음 주택 RTL → 다시 DSCR 로 임대사업자와의 대출 관계를 계속 이어갈 수 있습니다. 고객 한 명이 주택을 한 채 살 때 한 번 돈을 버는 것이 아니라 부동산 포트폴리오를 확장하는 동안 반복해서 대출을 공급할 수 있게 되는 구조입니다. 크레도(CRDO) …

다만 AEC 자체는 이미 매출 기반이 커진 만큼 앞으로는 Optics보다 성장률이 낮아질 것으로

다만 AEC 자체는 이미 매출 기반이 커진 만큼 앞으로는 Optics보다 성장률이 낮아질 것으로 보고 있습니다. Optics는 제품 모멘텀은 많지만 $600M 가이던스는 유지 FY27(CY2Q26~CY1Q27) 광학 매출 $600M 가이던스를 높이진 않았습니다. 마벨 같은 경우는 이를 높였었던 것인데 CRDO는 DSP 사상 최대 매출, 첫 SiPho PIC 매출, ZeroFlap 양산, Dust 2개 대형 design-win을 확인했지만 가이던스 상향은 아닙니다. Optics 매출이 늘더라도 FY27 GPM은 68%로 유지하겠다고 말했습니다. FY28에는 AEC 밖으로…

여기에 NPO/CPO 전환까지 시작되고 있습니다. 이 흐름 속에서 크레도가 SiPho PIC와

여기에 NPO/CPO 전환까지 시작되고 있습니다. 이 흐름 속에서 크레도가 SiPho PIC와 Optical Engine으로 얼마나 빠르게 영역을 넓힐 수 있을지가 중요합니다. 포티넷(FTNT) 포티넷FTNT은 Overweight으로 이닛합니다. CY27 PER 39.1배(CY27 EPS $4)입니다. 포티넷 기업분석 : Agentic AI가 폭발시킨 트래픽, 방화벽의 두 번째 전성기 포티넷 Rosenblatt 컨퍼런스 콜 / 주간전략보고 : 투자의 생각 (8월 24일~8월 28일) 포티넷 2Q26 실적발표 / 주간전략보고 : 투자의 생각 (8월 3일~8월 7일) AI…

포티넷 기업분석, 두 가지 이미지로 정리 포티넷 기업분석 자료를 올렸습니다: 방화벽이 사라지던

포티넷 기업분석, 두 가지 이미지로 정리 포티넷 기업분석 자료를 올렸습니다: 방화벽이 사라지던 시대 → 방화벽이 더 많이 필요한 시대로 지난 10여 년 동안 기업 보안의 큰 흐름은 방화벽을 데이터센터 곳곳에 설치하는 것보다 트래픽을 Cloud PoP로 보내 검사하는 SASE/SSE 구조로 이동하는 것이었습니다. 사용자가 SaaS와 인터넷에 접속하는 North-South Traffic이 중심이었기 때문에 가능한 변화였습니다. 그런데 Agentic AI가 확산되면서 상황이 달라지고 있습니다. AI 에이전트가 다른 서버와 통신하고 데이터베이스에 접근하며 여러 Tool을 호출하기…

 AI 데이터센터에서는 수백Gbps~Tbps 단위의 트래픽이 발생하기 때문에 보안을 강화한다고

AI 데이터센터에서는 수백Gbps~Tbps 단위의 트래픽이 발생하기 때문에 보안을 강화한다고 Throughput이 크게 떨어지거나 전력소비가 급증하면 사용할 수 없습니다. 포티넷은 이 부분에서 자체 ASIC인 FortiASIC/SPU를 활용해 방화벽, 암호화, 위협 검사 같은 처리를 하드웨어로 가속합니다. 포티넷이 최근 출시한 데이터센터용 FortiGate 3500G의 경우 회사 자료 기준 Firewall Throughput이 595Gbps이고 전력효율 역시 경쟁 제품 대비 높은 수준을 강조하고 있습니다. 결국 AI 데이터센터에서는 단순히 방화벽 기능이 있는가보다 '막대한…

 지난 SaaS 시대에는 모든 트래픽을 Cloud PoP로 보내 검사하는 방식이 빠르게

지난 SaaS 시대에는 모든 트래픽을 Cloud PoP로 보내 검사하는 방식이 빠르게 확산됐습니다. 이 환경에서는 물리적 방화벽을 많이 판매하는 기업보다 클라우드 보안을 중심으로 확장하는 기업이 더 높은 평가를 받기 쉬웠습니다. 그러나 AI 데이터센터, 소버린클라우드, 네오클라우드, OT처럼 트래픽을 외부 Cloud PoP까지 왕복시키기 어려운 환경이 커지고 있습니다. 이런 곳에서는 보안 기능을 워크로드 가까이에 배치하면서도 높은 Throughput과 낮은 Latency를 유지해야 합니다. 따라서 포티넷이 오랫동안 투자해온 FortiASIC + Appliance +…

사이버보안 피어그룹 실적발표 : PANW, ZS 팔로알토 네트웍스 : Palo Alto

사이버보안 피어그룹 실적발표 : PANW, ZS 팔로알토 네트웍스 : Palo Alto Networks 이번 분기 매출 $3.41B(컨센 $3.35B) YoY 34%, Adj EPS $1.02(컨센 $0.98) YoY 7%, NGS ARR $9.1B YoY 63%입니다. 다음 분기 CY3Q26(FY1Q27) 가이던스는 매출 $3.30~3.31B(컨센 $3.22B), Adj EPS $0.96~0.98(컨센 $0.93), NGS ARR $9.54~9.56B입니다. 연간으로는 FY27(CY3Q26~2Q27) 매출 $14.10~14.20B(컨센 $13.79B), Adj EPS…

어느날 갑자기 ARR이 폭증하는 형태라기보다는 장기적인 성장률을 끌어올리고 수혜가 수년에 걸쳐

어느날 갑자기 ARR이 폭증하는 형태라기보다는 장기적인 성장률을 끌어올리고 수혜가 수년에 걸쳐 누적되는 구조라고 설명했습니다. 이것도 사실 생각해보면 포티넷은 이미 직접적이고 강한 수혜를 보고 있다는 면에서 포티넷이 동종업계이지만 더 큰 혜택을 보고 있음을 느낄 수 있었던 내용입니다. NGS ARR 고성장 중이지만 M&A 효과 제외하고 비교해야 한다 NGS ARR이 워낙 빠르게 성장하다보니 이것으로 성장하는 것 같지만, 비교가 깨끗하진 않습니다. 올해 Chronosphere, CyberArk, Koi, Portkey 등 여러 회사를 인수했고 NGS ARR에는 인수 제품도…

B2B SaaS/사이버보안 기업들 중 대부분이 컨콜/내러티브로는 좋은 말을 하는데 숫자로는 가속이

B2B SaaS/사이버보안 기업들 중 대부분이 컨콜/내러티브로는 좋은 말을 하는데 숫자로는 가속이 안 보이는 경우가 많습니다. 과거 Cloud + SaaS 시대에 잘 맞던 솔루션, SASE/AI 시대에는 잘 통하지 않는다 Zscaler는 기존 기업의 네트워크 보안 구조를 Offline 방화벽 중심의 네트워크 보안 구조에서 → 클라우드 중심의 Zero Trust 기반 연결구조로 바꾸는 회사였습니다. 모든 트래픽을 아예 그냥 Cloud PoP에다 넣고 확인시킨다음 원하는 곳으로 전송해주겠다는 가치제안입니다. 근데 이거는 트래픽이 상대적으로 많지 않은 North-south에서는…

코어위브 2Q26 실적발표 / 주간전략보고 : 투자의 생각 (8월 17일~8월 21일) 코어위브

코어위브 2Q26 실적발표 / 주간전략보고 : 투자의 생각 (8월 17일~8월 21일) 코어위브 1Q26 실적발표 : 적자만 보면 놓치는 코어위브의 진짜 변화 네오클라우드 뜯어보기 #2 : 새로운 시대의 AI 계급도, 전력을 돈으로 바꾼 Powered Shell 네오클라우드 뜯어보기 : GPU 임대의 경제학, 네오클라우드 BIG 4 비교분석 네비우스NBIS는 Overweight을 유지합니다. 네비우스 2Q26 실적발표 / 주간전략보고 : 투자의 생각 (8월 17일~8월 21일) 네비우스 기업분석 : GPU 네오클라우드의 선두주자 네오클라우드 뜯어보기 #2 : 새로운 시대의 AI…

버티브(VRT) 버티브VRT는 Overweight을 유지합니다. CY27 PER

버티브(VRT) 버티브VRT는 Overweight을 유지합니다. CY27 PER 29.5배(CY27 EPS $9.5)입니다. 버티브 2Q26 실적발표 : Organic 상반기 20% → 하반기 45%, 모듈러 제품이 만든 숙제 버티브 1Q26 실적발표 : 첫 토큰을 앞당기는 힘, 공장에서 만드는 데이터센터 버티브, UtilityInnovation Group을 최대 $2.6B에 인수 버티브는 9월 2일 UtilityInnovation Group(UIG)을 인수하기로 했습니다. 거래 종결 시 $1.45B를 현금으로 지급하고, 인수 후 12개월/24개월 동안 일정 EBITDA…

 그리고 구조적으로 달라지는 건, UIG는 고객이 UPS나 Switchgear 같은 장비를

그리고 구조적으로 달라지는 건, UIG는 고객이 UPS나 Switchgear 같은 장비를 선정하기 이전 단계부터 데이터센터 전력 구조를 설계한다는 점입니다. 원래 예전에는 데이터센터 개발업자가 전력 아키텍처를 정해놓은 다음 버티브에게 '이 사양에 맞는 UPS와 냉각 장비를 공급해주세요' 하는 식이었으면, 이제는 UIG를 통해서 설계하는 단계부터 관여하고 버티브 제품도 그에 맞춰서 최적화시킬 수 있습니다. 그러면 자연스레 버티브 제품으로 전체를 구성할 가능성도 높아집니다. 블룸에너지(BE) 블룸에너지BE는 Overweight을 유지합니다. CY27 PER 28.1배(CY27…

 몇 가지 감안해야 할 점들 S&P 500 편입 효력 발생일인 9월 18일까지 $11~$14B의

몇 가지 감안해야 할 점들 S&P 500 편입 효력 발생일인 9월 18일까지 $11~$14B의 기계적인 매수 수요가 점진적으로 들어오는 것인데, 주식 수를 채워야 하는 이슈이니 블룸에너지 시총이 커지면 패시브 매수 수요 규모 자체는 더 커질 수 있습니다. 최근 목~금요일 상승에는 이번 S&P 500 편입을 예상하는 수요가 Front-running되어 들어와있을 가능성이 꽤 있습니다. 패시브 매수 수요가 들어오니 좋다는 것은 맞는데 실제 주가가 어찌 될지는 모릅니다. 패시브 투자자 비중이 늘고 유통주식 회전율이 낮아지면 변동성이 낮아지는 효과가 생깁니다. 히타치와 협력 —…

 현지에서 (ㄱ) 전력계통과 어떻게 연결할지 → (ㄴ) 기존 공장설비와 어떻게 연동할지 → (ㄷ)

현지에서 (ㄱ) 전력계통과 어떻게 연결할지 → (ㄴ) 기존 공장설비와 어떻게 연동할지 → (ㄷ) 부하를 어떻게 제어할지 → (ㄹ) 설치/운영/유지보수를 누가 책임질지를 해결해야 합니다. 히타치는 이미 일본의 발전, 송배전, OT 시장에서 시스템 통합 능력과 고객 관계를 갖고 있기 때문에 블룸에너지는 SOFC를 공급하되 일본 현지의 장벽은 히타치가 알아서 낮춰주는 구조입니다. CY27부터 핵심은 Powered Shell 구축을 위한 현장발전원 엔비디아와 브로드컴도 2Q26에 고객사들의 Powered Shell 부족을 직접 언급했습니다. 추정하기에 CY27 CoWoS 기준…

각 지역의 컴퓨트가 완전히 같은 순간마다 동기화될 필요가 줄어들기 때문에 장기적으로는 캠퍼스간 →

각 지역의 컴퓨트가 완전히 같은 순간마다 동기화될 필요가 줄어들기 때문에 장기적으로는 캠퍼스간 → 도시 간 → 국가 간 → 대륙 간 컴퓨트들을 하나의 훨씬 큰 Compute Pool로 활용할 가능성이 생깁니다. 실질적인 대규모 배포까지는 시간이 필요하겠지만, 시에나가 지금 이 문제를 이야기하기 시작했다는 점을 감안하면 CY28 전후부터 Scale-across의 거리 개념 자체가 넓어질 가능성은 주목할 필요가 있습니다. 이렇게 되면 '전력 있는 곳에 GPU를 놓고 연결한다'는 선택지가 생깁니다. 이 변화는 앞서 이야기한 Powered Shell 부족과도 연결됩니다. AI…

추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유

추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' 추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘 DDR5 16Gb 현물가격 꾸준히 상승 중 DDR5 16Gb 현물가격이 4~5월 이후 계속해서 우상향하고 있고 계속해서 현물가격이 계약가격을 선행하여 상승하고 있습니다. 메모리 기업들의 Phase 2에서는 가격주도 EPS Revision 기대보다는 장기적으로 성장에 대한 가시성을 높여서 EPS에 대한 멀티플을 높여 받는 것이 메인이라고 생각하지만, 어쨌든 계속해서 현물-계약가격 상승 흐름 자체는…

CSP/OEM은 물량 확보 경쟁을 이어가고 있으며 특히 32/64GB 같은 저/중용량 모듈에 대해서

CSP/OEM은 물량 확보 경쟁을 이어가고 있으며 특히 32/64GB 같은 저/중용량 모듈에 대해서 강한 수요가 있습니다. CSP들이 새로운 비용구조에 대응하면서 TCO와 ROI를 최적화하다보니 완제품 서버 출하를 늘리기 위해 기존 96GB/128GB 제품군 중심에서 → 32GB/64GB 제품으로 구성을 조정하고 있어서 그렇습니다. 128GB와 64GB 모듈간 bit 단가 프리미엄은 2Q26 22% → 3Q26 15%로 QoQ 하락했고 프리미엄 하락은 1Q27까지 지속될 것으로 예상했습니다. 공급사들도 공급이 타이트한 32GB 모듈 가격을 인상해서 Blended ASP 상승을 이어갈…

base die 생산을 위해서 SKH가 인텔도 검토 중인 이유입니다. 인텔로 접근하는 이유들을

base die 생산을 위해서 SKH가 인텔도 검토 중인 이유입니다. 인텔로 접근하는 이유들을 정리해보면: ⓐ이제 base die가 DRAM 공정에서 Logic 파운드리로 넘어가다보니 파운드리 캐파의 중요성이 높아졌고, ⓑ세컨 소스가 있으면 TSMC와의 가격 협상력이 생기니 검토 하고 있는 것이라 생각합니다. CXMT, HBM3E 소량생산 : 기술격차는 2~3년 정도 유지 중 중국 CXMT가 HBM3E를 소량 생산하기 시작했습니다. 알리바바의 T-Head, 캠브리콘 등이 자사 ASIC에 CXMT HBM을 테스트 중입니다. 이르면 CY27부터 제품에 채택할 예정입니다. CXMT…

샌디스크 2Q26 코멘트 / 주간전략보고 : 투자의 생각 (8월 10일~8월 14일) 샌디스크

샌디스크 2Q26 코멘트 / 주간전략보고 : 투자의 생각 (8월 10일~8월 14일) 샌디스크 1Q26 코멘트 / 주간전략보고 : 투자의 생각 (5월 4일~5월 8일) 추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' 추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘 SEMICON Taiwan : Memory 모건스탠리의 SEMICON Taiwan을 정리해보면: DRAM 가격은 기존 commodity DRAM 3Q26 QoQ +8~13% 예상이었는데 → 9월 초 기준으로 이제는 3Q26…

전통적인 스토리지를 넘어서 새로운 티어로 이동하는 과정입니다. 비아비(VIAV) 비아비VIAV는

전통적인 스토리지를 넘어서 새로운 티어로 이동하는 과정입니다. 비아비(VIAV) 비아비VIAV는 Overweight을 유지합니다. CY27 PER 17.4배(CY27 EPS $2)입니다. 비아비 솔루션스 2Q26 실적발표 : CPO 정상 진행 중, 광학 테스트 수요는 Lab → Production으로 비아비 솔루션스 1Q26 실적발표 : 본격 개화하는 빛의 시대, 물만난 테스트 수요 '빛💡'의 시대 : 광학 밸류체인 한 눈에 보기 CPO의 가장 큰 문제 : 'XPU랑 같이 패키징하기 전에 불량을 얼마나 빨리, 잘 걸러내느냐' CPO에서는 XPU, HBM, SiPho PIC,…

XPU의 전기적 특성을 검사하는 것이 아니라 반도체 패키지의 Optical Plane을 검사하는

XPU의 전기적 특성을 검사하는 것이 아니라 반도체 패키지의 Optical Plane을 검사하는 역할입니다. 기존에 접근하지 못했던 Wafer/Package 단계까지 Test Insertion Point가 앞으로 이동합니다. CPO 테스트 셀 하나를 구성한다면 대략 Advantest/Teradyne → IC Tester FormFactor → Prober VIAVI → Optical Test Rack 이 함께 들어가는 구조입니다. 특정 기업이 이기는 구조라기보다 CPO 덕분에 기존 테스트 라인에 새로운 광학 테스트 레이어가 추가되면서 비아비 입장에서는 새롭게 더해지는…

모델링은 FY28(CY3Q27~2Q28) EPS $35로 했지만, 실제로 FY28 EPS

모델링은 FY28(CY3Q27~2Q28) EPS $35로 했지만, 실제로 FY28 EPS $45~50으로 가는 경로를 보고 있습니다. 중기적으로는 매출규모 확대, 마진 확장, 고부가가치 제품으로의 믹스 전환 덕에 EPS $60~70까지도 고성장할 잠재력을 갖고 있다고 판단했습니다. 8월 31일 주간전략보고에서 루멘텀 도이치뱅크 컨콜에서 FY28 $40를 얘기한 바 있으므로 최근 OCS, NPO/CPO 출하 기회가 크게 늘면서 CY27~CY28 EPS 성장률도 매우 높은 수준을 유지할 것으로 예상합니다. 향후 몇 년 동안 GPM이 지금보다 훨씬 더 높아질 것으로 예상했습니다.…

Scale-across → Scale-out → Scale-up → Scale-in 순으로 광학이

Scale-across → Scale-out → Scale-up → Scale-in 순으로 광학이 Compute에 가까워지고 있습니다. Scale-across는 데이터센터와 데이터센터를 연결합니다. Scale-out은 수많은 Rack과 GPU Cluster를 연결합니다. Scale-up에서는 한 Pod 또는 Rack 안의 수많은 GPU를 하나의 거대한 가속기처럼 묶습니다. Scale-in은 Tray, Board, Package 수준에서 GPU와 Memory 사이 연결까지 광학으로 바꾸려는 단계입니다. 여기서 Scale-in이라는 명칭 자체보다 중요한 것은 방향성입니다. 광학…

 중요한 것은 현재 속도 자체가 아닙니다. EIC와 PIC를 3D로 붙이고 Optical

중요한 것은 현재 속도 자체가 아닙니다. EIC와 PIC를 3D로 붙이고 Optical I/O를 Compute Silicon과 훨씬 가까운 위치까지 가져가는 아키텍처를 엔비디아가 직접 연구하고 있다는 것입니다. CPO에서 더 나아가 Optical I/O가 Board, Interposer, 향후 Compute Package 방향으로 이동할 가능성을 실제 Silicon으로 검증하고 있습니다. 첨부한 Eye Diagram에서 봐야 할 것도 레이저가 깨끗하다보다 '생산 난이도'입니다. 진짜 양산의 난점은 비슷한 성능을 더 작은 크기 + 훨씬 낮은 가격 + 높은 출력 + 낮은…

그런데 Scale-in까지 현실화되면 여기에 세 번째 S-Curve가 추가됩니다. 중첩된

그런데 Scale-in까지 현실화되면 여기에 세 번째 S-Curve가 추가됩니다. 중첩된 S-Curve들이 많다는 게 특징입니다. Scale-in이 현실화될수록 '광원' 경쟁력이 중요해집니다 루멘텀에게 특히 중요한 것은 광엔진 전체를 반드시 가져와야 수혜를 보는 구조가 아니라는 점입니다. 광학이 XPU에서 멀리 떨어져 있을 때는 레이저가 광모듈의 여러 부품 가운데 하나입니다. 하지만 CPO → Scale-up → Scale-in으로 갈수록 광엔진을 뜨거운 ASIC 가까이에 배치해야 하기 때문에 광원을 어떻게 공급할 것인가가 시스템의 핵심 문제가 됩니다. 그래서 최근 CPO…

 Scale-up은 '가장 효율적인 연결'이 중요해진다 이번 SEMICON Taiwan 루멘텀

Scale-up은 '가장 효율적인 연결'이 중요해진다 이번 SEMICON Taiwan 루멘텀 세션에서 주목한 부분은 InP 광원에 강점을 가진 루멘텀이 Scale-up에서는 VCSEL을 적극적인 대안으로 제시하고 있다는 점입니다. 루멘텀은 이미 OFC 2026에서 1060nm VCSEL 배열을 이용한 Scale-up 연결 구조를 공개했습니다. 기존의 InP 광원을 포기한다기보다 연결 거리와 용도에 따라 다른 기술이 유리할 수 있다는 접근입니다. 특히 랙 내부나 가까운 랙 사이의 연결에서는 개별 레인의 최고 속도만큼이나 총 대역폭/전력효율/지연시간/신뢰성/집적밀도가 중요합니다.…

루멘텀이 제시한 플랫폼은 기존 데이터통신에서 널리 쓰이는 850nm VCSEL을 그대로 가져온 것이

루멘텀이 제시한 플랫폼은 기존 데이터통신에서 널리 쓰이는 850nm VCSEL을 그대로 가져온 것이 아닙니다. 1060nm VCSEL과 광검출기를 2차원 배열로 구성하고 호스트 ASIC과 함께 패키징하는 방식입니다. 회사는 850nm 대비 고온 성능과 장기 신뢰성 등의 장점을 강조했습니다. 여기에 누적 100억 개 이상의 발광소자를 출하한 3D Sensing 생산 기반(Face ID에 적용 중)을 활용합니다. 공급망 측면에서도 흥미롭습니다. 루멘텀은 이 구조가 InP 기반 광원과 별개로 GaAs 생산 기반을 활용하는 대안이라고 설명했습니다. VCSEL의 의미가 기술 선택지 하나를…

따라서 투자자로서 중요한 것은 VCSEL이 반드시 승리한다고 예측하는 것보다, 광학 구조가

따라서 투자자로서 중요한 것은 VCSEL이 반드시 승리한다고 예측하는 것보다, 광학 구조가 바뀌더라도 루멘텀이 공급할 제품을 가지고 있다는 게 중요합니다. 기존 예상대로 InP 광원과 SiPh 중심으로 확대되면 그쪽에서 성장하고, 짧은 거리의 병렬 연결에 VCSEL이 채택되면 기존 3D Sensing 제조 기반을 새로운 시장에 활용할 수 있습니다. SMTC에게도 새로운 기회가 될 것으로 예상되는 'Slow-and-Wide' Slow-and-Wide가 확산되면 셈텍에도 기회가 생길 수 있습니다. VCSEL 연결에서는 송신 측에 Laser Driver가 필요하고, 수신 측에는…

VR200 주문 받기 시작, 문제는 공급 (2Q26 실적발표) 델 Dell

VR200 주문 받기 시작, 문제는 공급 (2Q26 실적발표) 델 Dell Technologies : 서버 수요-공급 체크 9월 3일에는 델의 2Q26 실적발표가 있었습니다. 실적과 가이던스 모두 크게 상향 이번 분기 매출 $47.0B(컨센 $44.92B) YoY 58%, Adj EPS $7.04(컨센 $4.91) YoY 203%, AI 서버 매출 $16.4B(컨센 $16B) YoY 100%이었습니다. 다음 분기 CY3Q26(FY3Q27) 가이던스 매출 $49.0B(컨센 $41.42B)로 강했습니다. 연간 가이던스도 FY27 매출 $192.0B(컨센 $173B), AI…

델 입장에서 신규 주문이 계속 늘면서 파이프라인도 확대되고 있습니다. 다만 주문이 그대로 다음

델 입장에서 신규 주문이 계속 늘면서 파이프라인도 확대되고 있습니다. 다만 주문이 그대로 다음 분기 매출로 연결되는 구조는 아닙니다. 고객의 데이터센터 전력/냉각 준비 상황과 신규 GPU 및 관련 부품의 공급 시점을 확정하기 어려워 주문과 실제 출하 사이의 변동성이 상당히 큰 상태입니다. CoreWeave/xAI 중심 → 대기업 고객으로 확산 Dell AI Factory 고객은 6,500개 사까지 늘었습니다. 처음 3,200개 고객을 확보하는 데 8개 분기가 걸렸지만 추가 3,300개 고객을 확보하는 데는 최근 3개 분기밖에 걸리지 않았습니다. 고객 증가 속도가 명확하게…

 모든 것이 쇼티지, 그럼에도 'DRAM, DRAM, NAND, NAND' 현재 델의 AI 인프라

모든 것이 쇼티지, 그럼에도 'DRAM, DRAM, NAND, NAND' 현재 델의 AI 인프라 성장을 제한하는 것은 수요가 아니라 공급입니다. 회사가 부족하다고 언급한 품목만 DRAM, NAND, 서버 CPU, HDD, 아날로그 반도체, MOSFET, 전력반도체, MCU, TIA/Driver, ABF 기판, T-glass, 광학 부품, CDU, Power Rack 등에 이릅니다. 사실상 AI 데이터센터 공급망 전체에서 병목이 발생하고 있는 셈입니다. 그중에서도 가장 심각한 품목을 묻자 델은 "DRAM, DRAM, 그 다음은 NAND, NAND"라고 강조했습니다. AI 서버…

 FY27부터 최대 고객은 구글이 아니라 '앤스로픽' 고객별 배치 계획을 보면 브로드컴의 XPU

FY27부터 최대 고객은 구글이 아니라 '앤스로픽' 고객별 배치 계획을 보면 브로드컴의 XPU 매출 구조가 빠르게 바뀌고 있습니다. 앤스로픽은 CY26 TPU v7 1GW → CY27 TPU v8i 5GW → CY28 추가 10GW를 계획하고 있습니다. 계획대로라면 FY27부터 브로드컴의 최대 XPU 고객은 앤스로픽이 됩니다. 오픈AI는 할라페뇨를 FY27 1.3GW 배치한 뒤 FY28에는 할라페뇨와 차세대 XPU를 합쳐 5GW 이상을 계획하고 있습니다. 이미 후속 칩의 tape-out을 준비하고 있으며 3세대 XPU도 개발 중입니다. FY28에는 오픈AI가 브로드컴의 두…

이 부분이 생각보다 중요합니다. 차세대 XPU의 ASP가 올라가더라도 칩의 TDP도 함께 상승하기

이 부분이 생각보다 중요합니다. 차세대 XPU의 ASP가 올라가더라도 칩의 TDP도 함께 상승하기 때문에 동일한 1GW 안에 넣을 수 있는 XPU 숫자는 감소합니다. 즉 칩 성능과 ASP만 높여서는 1GW당 Dollar Content를 계속 크게 늘리기 어려워지고 있다는 의미입니다. 그래서 엔비디아도 GPU만 고도화하는 것이 아니라 ⓐ네트워킹 매출을 확대하고 ⓑ800VDC, Kyber Rack, CPO 등을 통해 전력과 구리 연결을 효율화하려고 합니다. 결국 경쟁의 단위가 개별 칩에서 1GW의 Critical IT Load 전체를 얼마나 효율적으로 구성할 수 있는가로 이동하고…

 브로드컴의 역할이 기존의 칩 설계/판매 → 랙 구성 → 외부 자본 조달 → Financing

브로드컴의 역할이 기존의 칩 설계/판매 → 랙 구성 → 외부 자본 조달 → Financing 지원 → 일정 부분 잔존가치 리스크 부담까지 확대되고 있다는 의미입니다. 따라서 앞으로는 AI 매출 성장률만 볼 것이 아니라 브로드컴의 대차대조표와 앤스로픽/오픈AI의 지급능력까지 함께 봐야 하는 회사가 되고 있습니다. 브로드컴의 최근 CDS가 크게 높아지고 있는 이유입니다. 전략적으로 구글 TPU 물량 감소를 앤스로픽/오픈AI로 메우는 과정 향후 XPU 고객 중요도는 FY26 : 1. 구글 > 2. 앤스로픽 FY27 : 1. 앤스로픽 > 2. 구글(5GW보다 덜 맡긴다는 의미)…

 시에나 Ciena : Scale-across/DCI의 강자 9월 4일에는 시에나의 3Q26

시에나 Ciena : Scale-across/DCI의 강자 9월 4일에는 시에나의 3Q26 실적발표가 있었습니다. 실적은 무난, 단기 마진 가이던스가 아쉽던 분기 이번 분기 매출 $1.67B(컨센 $1.63B) YoY 37%, Adj EPS $2.11(컨센 $1.73) YoY 215%, Non-GAAP GPM 46.4%, Non-GAAP OPM 22.5%였습니다. 다음 분기 가이던스는 CY3Q26(FY4Q26) 매출 $1.75B(컨센 $1.7B), Non-GAAP GPM 45%, Non-GAAP OPM 20%입니다. 매출은 대체로 기대에 부합했지만 이번 분기보다 마진이…

 FY27 매출 +30%, 영업이익은 +59~+71% 시에나는 FY27 매출이 최소 YoY

FY27 매출 +30%, 영업이익은 +59~+71% 시에나는 FY27 매출이 최소 YoY +30% 성장할 것으로 전망했습니다. 연간 Non-GAAP GPM은 45~46%, OPM은 25~27%를 예상하고 있습니다. 이를 단순 계산하면 매출이 +30% 성장하는 동안 영업이익은 약 +59~71% 증가하는 구조입니다. 단기적으로는 이번 분기보다 GPM과 OPM이 낮아지지만 연간으로 보면 공급부족에 따른 가격 인상과 Product Mix 개선이 누적되면서 다시 강한 영업이익 레버리지가 나타날 전망입니다. HyperRail도 CY27부터 매출에 본격 반영 HyperRail은…

Scale-across의 TAM이 단순한 데이터센터 간 연결에서 글로벌 AI Compute 자원을

Scale-across의 TAM이 단순한 데이터센터 간 연결에서 글로벌 AI Compute 자원을 연결하는 네트워크로 커질 수 있다는 의미입니다. "데이터센터를 2년 동안 새로 짓지 않아도 시에나는 성장할 겁니다" Scale-across 수요의 강도를 보여주는 발언도 있었습니다. 한 하이퍼스케일러 고객은 시에나 경영진에게 "내년부터 신규 데이터센터를 하나도 짓지 않더라도 시에나는 아마 2년 동안 알아차리지 못할 것"이라고 말했습니다. 이미 지어진 데이터센터끼리 연결해야 할 물량이 상당히 많이 남아 있기 때문입니다. 여기에 기존 GPU를 더 고성능 제품으로 교체할수록 데이터센터…

 8월 27일 루멘텀 도이치뱅크 컨퍼런스콜에서 루멘텀 CEO가 가장 과소평가된 사업으로

8월 27일 루멘텀 도이치뱅크 컨퍼런스콜에서 루멘텀 CEO가 가장 과소평가된 사업으로 Scale-across를 꼽았던 것과도 연결됩니다. 시장의 관심은 Scale-up과 CPO에 집중돼 있지만 실제로는 Scale-across 역시 높은 마진과 빠른 성장을 동시에 보여주는 광학 시장으로 커지고 있습니다. Magnificent 7 오픈AI GPT-6 Astra, Recurrent Depth, System Card, 자동화된 AI 연구 인턴 완성, Hatch *왼쪽 테이블 : 2026년 9월 6일 EPS 추정치를 변경했습니다. *오른쪽 차트 : Mag 7 기업들의 CY26, CY27…

모델 + 에이전트 문제 해결률 평가 실행비용 GPT-6 Astra + Codex 58.2%

모델 + 에이전트 문제 해결률 평가 실행비용 GPT-6 Astra + Codex 58.2% $3,300 Fable 5.1 + Claude Code 57.9% $6,200 GPT-5.6 Sol + Codex 37.3% $2,500 GPT-5.6 Terra + Codex 21.5% $1,700 Grok 4.6 + Grok Build 20.3% $3,600 Astra와 Fable의 차이는 0.3%p로 매우 작습니다. 그런데 같은 지능을 실제 고부가가치 작업 추론 기준 절반에 가까운 비용으로 달성한 효율을 냈다는 것이 매우 인상깊은 포인트였습니다. 그리고 지금의 GPT-6 Astra가…

 주요 모델 API 가격 업데이트(2026-09-07) → GPT-6 Astra

주요 모델 API 가격 업데이트(2026-09-07) → GPT-6 Astra $10/$50(SOTA) > Mythos/Fable 5.1 $10/$50 > GPT-5.6 Sol $5/$30 > Opus 5 $5/$25 > Kimi-K3 $3/$15 > GPT-5.6 Terra $2/$12 > Gemini 3.1 Pro $2/$12 > Sonnet 5 $2/$10 > Qwen 3.8-Max-0902 $2/$6 = Grok 4.6 $2/$6(8일 내 4.7 출시 예정) > GLM-5.3 $1.4/$4.4 > Muse Spark 1.3 $1.25/$4.25 >…

후발주자도 결국 모델 성능, 작업당 비용, 에이전트 완성도를 함께 끌어올려야 합니다. Grok

후발주자도 결국 모델 성능, 작업당 비용, 에이전트 완성도를 함께 끌어올려야 합니다. Grok 4.6은 Terra에 근접한 해결률을 냈지만, 위 평가에서는 총비용이 오히려 더 높았습니다. 출력 토큰 단가가 Grok 4.6은 $6이고, GPT-5.6 Terra는 $12라는 사실만으로 에이전트의 가성비까지 우월하다고 결론내릴 수는 없습니다. 따라서 xAI의 진전은 주목하되, 특정 벤치마크 하나를 근거로 AI Labs 전체의 순위나 시장점유율 변화까지 확정하기보다는 실제 작업을 얼마나 싸고 안정적으로 완료하는지를 계속 봐야 합니다. Recurrent Depth - 같은 레이어를 여러…

당연히 두 방식은 함께 사용할 수도 있습니다. '모든 토큰에 같은 계산량을 적용하지 않는다'

당연히 두 방식은 함께 사용할 수도 있습니다. '모든 토큰에 같은 계산량을 적용하지 않는다' 오픈AI가 어떻게 Recurrent Depth를 만들었는지를 공개하진 않습니다. 다만 업계의 여러 논문들을 살펴보면서 Recurrent Depth가 어떻게 생겼을지에 대해서 상상할 수는 있습니다. 2025년 7월 14일 <Mixture-of-recursions: Learning dynamic recursive depths for adaptive token-level computation>에서는 이 구성을 넣을 때 토큰별 라우터를 따로 학습시켜 넣은 구조로 추론했습니다. 가중치를…

 결국 Recurrent Depth는 적은 가중치로 더 많은 계산을 수행하는 유용한 선택지이지,

결국 Recurrent Depth는 적은 가중치로 더 많은 계산을 수행하는 유용한 선택지이지, 파라미터와 데이터 스케일링을 없애는 기술은 아닙니다. 같은 자원을 어떤 방식으로 활용했을 때 성능과 비용의 조합이 가장 좋아지는지가 핵심입니다. Recurrent Depth가 CoT를 없앤다는 미신 오픈AI의 수석 과학자 야쿠브 파초키는 "Astra를 포함한 오픈AI 프론티어 모델들의 계산 그래프 깊이가 GPT-4의 2배 이내"라고 밝혔습니다. 'Astra가 내부에서 수십~수백 배 더 깊은 계산을 한다'는 식의 해석을 경계하는 발언입니다. CoT가 계속 존재한다는 사실과, 그…

아래 마이크로소프트 코멘트에서 정리드리겠지만 오픈AI 내부적으로는 Astra를 7월쯤부터 벌써

아래 마이크로소프트 코멘트에서 정리드리겠지만 오픈AI 내부적으로는 Astra를 7월쯤부터 벌써 내부적으로 사용해온 것으로 보입니다. Astra의 의미 : 이제 Compute/token을 조정해 Compute를 더 잘 쓰는 시스템이 되다 제가 보는 이번 변화의 핵심은 세 가지가 함께 움직이고 있다는 점입니다. 모델 내부에서는 반복 계산으로 기존 가중치를 더 활용하고, 제품에서는 하네스로 실제 작업의 성공률을 높이며, 연구현장에서는 더 강한 에이전트로 다음 모델의 개발을 가속하려는 방향입니다. 이 관점에서는 AI의 경쟁력이 파라미터 수나 백만 토큰당 가격 하나로 결정되지…

Astra는 서막이고 본격 새로운 지능은 Bel에서 나올 것으로 예상합니다. GB200/300

Astra는 서막이고 본격 새로운 지능은 Bel에서 나올 것으로 예상합니다. GB200/300 40만 개로 훈련할 모델입니다. 왼쪽 사진의 오픈AI-오라클의 스타게이트 애빌린 프로젝트 진행 상황을 보면, 참고하실 부분들이 많습니다. 사진에 현재 8개 동이 준비되어 있습니다. 1개 동의 세팅이 Critical IT Load 기준 100MW(이하 "cMW")입니다. GB300 NVL72은 랙당 140kW입니다. 한 빌딩인 100 cMW에는 GB300 NVL72 랙이 대략 700개 들어갑니다. GPU로 보자면 한 동당 50K가 탑재된다는 의미이고, 8개의 빌딩이면 400K이자…

단순히 GPU를 빌려주는 관계를 넘어 피겨의 성장에 투자하면서 향후 학습 수요까지 확보하는

단순히 GPU를 빌려주는 관계를 넘어 피겨의 성장에 투자하면서 향후 학습 수요까지 확보하는 구조입니다. 양사는 Nscale의 공급망에 휴머노이드를 활용하는 방안도 검토할 예정입니다. Index : 데이터 공급 늘리기 → 이번 Compute 투자로 스케일링 시작 이번 계약은 피겨가 8월 25일 발표한 Index와 연결해서 볼 필요가 있습니다. Index는 사람들이 일상과 작업현장에서 수행하는 행동을 영상으로 수집해 휴머노이드 학습에 활용하는 프로젝트입니다. 피겨는 영상 선별, 중복 제거, 데이터 구성 조정, 주석 생성 등을 처리하는 파이프라인을 구축했으며, 자동화된 처리에…

 엔비디아 - 앤스로픽향 $35B 계약 엔비디아가 스스로를 AI 금융 플랫폼으로 정의하기 시작한

엔비디아 - 앤스로픽향 $35B 계약 엔비디아가 스스로를 AI 금융 플랫폼으로 정의하기 시작한 뒤 앤스로픽향 대규모 계약이 연이어 구체화되고 있습니다. 8월 26일에는 Nscale과의 $45B 계약에 이어서 이번에는 Lambda와 $35B 규모의 임대계약입니다. Hut 8 → Powered Shell 개발 NVIDIA → 해당 데이터센터 Powered Shell를 장기임대 Lambda → 엔비디아 GPU 구매 및 클라우드 운영 Anthropic → 최종 Compute를 임대하여 사용 엔비디아가 칩 공급자와 최종 수요자 사이에만 있는 것이 아니라 Powered Shell의…

Agentic AI에서는 연산 성능보다도 정해진 전력, 정해진 비용 대비 토큰을 얼마나 더 많이

Agentic AI에서는 연산 성능보다도 정해진 전력, 정해진 비용 대비 토큰을 얼마나 더 많이 생산하느냐와 가속기의 실질 활용률이 점점 더 중요해지고 있습니다. Rubin은 Blackwell 대비 MW당 토큰 처리량이 10~30배 높아질 것으로 예상했습니다. AMD GPU 세션: MI455는 N2/N3P 기반 칩렛에 HBM4 432GB, 메모리 대역폭 23.3TB/s를 갖추고 있습니다. 엔비디아 칩 대비 GPU랑 메모리 용량과 대역폭이 더 높다는 것이 소구점입니다. AMD는 ESUN 표준과 UALink를 동시에 채택하는 open-fabric 전략을 택하고 있는데 Scale-up…

750W TDP, FP4 10.1 PFLOPS, HBM3E 216GB, 7TB/s입니다. 1월에

750W TDP, FP4 10.1 PFLOPS, HBM3E 216GB, 7TB/s입니다. 1월에 출시하고 최근 양산되고 있습니다. 경쟁력은 MI355X 수준과 비슷한 정도라서 할당된 생산규모가 그닥 크진 않습니다. 메타 MTIA 칩 세션: 메타는 MTIA 300은 훈련용으로 개발했던 가속기인데 사실상 실패에 가깝고, 주로 추론용으로 다시 방향을 틀은 MTIA 400은 Recommendation Model 추론(DLRM)에 초점을 맞추고 있습니다. 메모리는 HBM3E 288GB, 대역폭은 9.4TB/s입니다. 구글 TPU 칩 세션: 구글이 훈련용과 추론용 실리콘을 점점 더…

 네트워킹/인터커넥트 세션: 엔비디아의 Spectrum-X Multiplane 아키텍처는 각각

네트워킹/인터커넥트 세션: 엔비디아의 Spectrum-X Multiplane 아키텍처는 각각 1.6T NIC를 8개의 스위치에 분산 연결합니다. 이를 통해 8K GPU 연결 구조에서 512K Rubin GPU까지 하나의 Spectrum-X 스위치로 연결할 수 있게 되고 스위치 수는 1.7배 줄어듭니다. BlueField-4 DPU는 800G 이더넷과 7Tbps의 합산 대역폭입니다. 브로드컴의 경쟁 제품은 Thor Ultra 800G NIC입니다. Rubin CPX 개발이 다시 시작됐다 궈밍치가 엔비디아의 Rubin CPX 개발 상황에 대해 말했습니다: 최근 엔비디아는…

간단하게 칩과 칩 사이는 NVLink, 랙 내에서는 구리, 랙과 랙 사이는 광학이라고 보시면

간단하게 칩과 칩 사이는 NVLink, 랙 내에서는 구리, 랙과 랙 사이는 광학이라고 보시면 됩니다. memory-bandwidth bound한 작업이 아니라 compute-bound인 작업의 병목을 줄여주는 게 목적인지라 NVLink 대역폭이 Rubin 대비 낮은 건 큰 상관은 없을 듯 합니다. CPX는 Vera Rubin NVL72와 1:1 비율로 사용하길 권장됩니다. 미디어텍 Custom XPU까지 생태계로 끌어들이는 중 엔비디아가 미디어텍이 발행한 전환사채(CB)에 $3.5B를 투자하며 전략적 협력을 크게 강화했습니다. 미디어텍의 전체 CB 발행 규모는 $3.9B이므로…

이번 협력을 통해 미디어텍은 이 중 상당 부분을 엔비디아의 NVLink Fusion 기반에서 검증한

이번 협력을 통해 미디어텍은 이 중 상당 부분을 엔비디아의 NVLink Fusion 기반에서 검증한 스택을 사용할 수 있게 됩니다. 고객사가 원하는 것에 맞춰서 설계해주는 것이긴 하지만 마벨에 이어서 미디어텍도 NVLink Fusion 파트너사가 됐다는 게 인상적입니다. NVLink Fusion은 'XPU는 너가 만들되, 나머지는 엔비디아를 써라'에 가깝습니다.ⓐNVLink Fusion Chiplet은 미디어텍이 만든 Custom XPU를 NVLink Fabric에 붙여 Rack 전체를 하나의 Scale-up Domain으로 만들고, ⓑNVLink-C2C는 XPU와 CPU를…

iPhone 18 Pro Max는 배터리 용량과 전력효율 개선을 통해 역대 가장 긴 배터리

iPhone 18 Pro Max는 배터리 용량과 전력효율 개선을 통해 역대 가장 긴 배터리 사용시간을 목표로 합니다. 가장 큰 변화는 iPhone Ultra입니다. 애플 최초의 폴더블 아이폰으로, 기존 Pro 라인업 위에 새로운 초고가 제품군을 만드는 역할을 할 것으로 예상됩니다. 4~5. 애플워치 Ultra 4, Series 12 애플워치는 Apple Watch Ultra 4와 Series 12가 공개될 전망입니다. Ultra 4에는 새로운 건강 센서와 디자인 변화가 예상되고, Series 12에는 새로운 S 시리즈 칩과 상시 심박 모니터링 기능, Ceramic 옵션 등이…

과거에는 검색 결과에서 여러 웹사이트를 방문해 정보를 비교했다면, 이제는 구글이 내용을 종합해

과거에는 검색 결과에서 여러 웹사이트를 방문해 정보를 비교했다면, 이제는 구글이 내용을 종합해 답변을 제공하고 후속 질문까지 처리하는 구조입니다. 이런 Zero-click 검색은 AI가 등장하면서 처음 생긴 현상은 아닙니다. 날씨·환율·지식패널처럼 검색 화면에서 바로 답을 보여주는 기능은 이전부터 있었습니다. SparkToro·Datos의 2024년 조사에서도 미국 검색의 58.5%, EU 검색의 59.7%가 결과를 클릭하지 않고 끝났습니다. AI는 여기에 단순 사실 확인뿐 아니라 설명·비교·요약까지 더하면서, 웹사이트에 방문해야 할 이유를 줄일 수 있습니다. 검색에…

 결과적으로는 디지털 마케팅에서 광고비를 지불하지 않는 자연 유입을 확보하기가 점점 더 어려워질

결과적으로는 디지털 마케팅에서 광고비를 지불하지 않는 자연 유입을 확보하기가 점점 더 어려워질 가능성을 보고 있습니다. 콘텐츠 제작과 검색 최적화에 투자해도, 그 성과가 자사 사이트 방문보다 검색 플랫폼 안의 노출로 남을 수 있기 때문입니다. 반면, 구글은 돈을 '더' 법니다 구글 입장에서는 검색 사용량과 웹사이트로 보내는 클릭 수가 반드시 같은 방향으로 움직일 필요는 없습니다. 사용자가 구글 안에서 더 다양한 질문을 해결한다면, 외부 방문으로 연결되지 않는 검색에서도 새로운 광고 접점을 만들 수 있습니다. 실제로 구글은 AI Overviews 위/아래뿐 아니라 답변…

 마이크로소프트, 26년 PER 28배 / Neutral 마이크로소프트 2Q26 실적발표 코멘트

마이크로소프트, 26년 PER 28배 / Neutral 마이크로소프트 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 마이크로소프트 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) 오픈AI 기업분석 : 빅테크를 위협하는 새로운 플랫폼으로서 ChatGPT의 가치를 생각해보다 (바로가기) 샘 올트먼, 허깅페이스 사건 이후의 생각 오픈AI 샘 올트먼이 9월 2일 Sources Podcast에 나와 얘기한 것들을 정리해보면: AI 모델 능력 발전 속도가 매우 빠르며 너무 빨라지다보니 프론티어 모델의 강화학습 훈련을 잠시 늦췄다. 정렬, 안전, 보안을 위해 훈련…

클러스터는 계속해서 가동되고 있고 안전성이 더 확실한 작업들을 수행하고 있다. AGI는 '대부분의

클러스터는 계속해서 가동되고 있고 안전성이 더 확실한 작업들을 수행하고 있다. AGI는 '대부분의 경제적으로 가치 있는 작업에서 인간을 능가하는 고도로 자율적인 시스템'이라고 정의할 수 있다. 현재 모델들도 AGI에 매우 근접했다고 볼 수 있고, 최신 내부 모델들은 AGI와 유사하지만 여전히 부족한 부분들도 있다. AGI는 하나의 마일스톤이고, 초지능은 지속적으로 확장되는 것이다. 지난 12개월 동안 회사의 실수가 있었지만, 이제 최고의 12개월을 맞이할 준비가 되어 있다. 이전에는 제품 방향과 사전훈련 및 연구 분야에서 목표치에 미치지 못했던 부분이 있었다. 제품 측면에서 너무…

미래에는 ChatGPT, Codex 등 각종 도구들이 모두 통합되어 사용자가 별도로 어떤 모델에

미래에는 ChatGPT, Codex 등 각종 도구들이 모두 통합되어 사용자가 별도로 어떤 모델에 요청할지 생각하지 않고 AI가 알아서 처리해주는 범용 목적의 AI 구독 형태가 될 것이다. 오픈AI는 대규모 컴퓨팅 구축 계획에 대해서 걱정하지 않지만, 전 세계적인 컴퓨팅 구축 계획에 대해서는 우려스럽다. 일부 네오클라우드의 과도한 컴퓨팅 구축과 수익성 없는 투자는 지속불가능한 상황을 초래할 수 있다. 오픈AI는 현재 컴퓨팅을 외부에 공급할 계획은 없으며 자체 수요를 충족하는 데 집중하고 있다. RSI를 통한 AI의 잠재적 발전 속도가 빨라지면 빨라질수록 IPO를 연기하는 것이 유리할…

GPT-6 Astra System Card에서 인상적이었던 몇 가지 차트들을 정리해봅니다: 

GPT-6 Astra System Card에서 인상적이었던 몇 가지 차트들을 정리해봅니다: *왼쪽* Figure 47 — ExploitBench Internal Port / PDF p.89 : 사이버보안 영역에서 오픈AI가 처음으로 'Critical' 등급을 줬다고 꼽은 핵심 배경입니다. 일단 기존 ExploitBench는 과거에 공개한 취약점들을 갖고 평가하는 것이라서 학습 데이터의 오염(벤치맥싱 가능성, 늘 벤치마크를 잘 따져가며 봐야 하는 이유) 우려가 있는데 오픈AI는 이를 피하려고 Astra의 knowledge cutoff 이후인 2026년 6~8월 신규 취약점만으로…

훨씬 더 적은 토큰으로 훨씬 더 높은 지능을 보인 것입니다. *오른쪽* Figure 52 —

훨씬 더 적은 토큰으로 훨씬 더 높은 지능을 보인 것입니다. *오른쪽* Figure 52 — Internal Research Debugging Evaluation / PDF p.98 : 오픈AI 연구원이 실제 연구 중 겪었던 41개의 실제 버그를 다시 모델에게 풀게 한 평가입니다. 숙련된 오픈AI 연구자가 해결하는 데 수시간~수일이 걸렸던 문제들인데 Astra는 78.05%까지 해결했습니다. 화려한 벤치마크가 아니라 실제 오픈AI 연구자가 시간을 가장 많이 쓰는 debugging 루프를 모델이 얼마나 대체할 수 있느냐가 연구 생산성에 직접 영향을 미치는 지표입니다. *왼쪽*…

1개의 H100과 5시간을 주고 12개의 사후학습 과제를 수행시키는 평가입니다. 굉장히 인상적인 건

1개의 H100과 5시간을 주고 12개의 사후학습 과제를 수행시키는 평가입니다. 굉장히 인상적인 건 그래프상 Astra의 커브가 모든 compute 구간에서 Sol보다 상당히 높고, Sol은 사실상 이정도면 '못하는' 정도였는데 이것이 Astra부터 가능해졌습니다. 프론티어 모델 경쟁력이 이제는 강화학습을 어떻게 잘 다루는가에서 주로 갈리고 있기 때문에 RL Trajectory, 합성 데이터 생성, reward design, 사후학습 레시피를 어떻게 할 것이냐로 갈리는데 이 영역에서 꽤나 의미있는 지표입니다. *왼쪽* Figure 41 — No-CoT Math Time Horizon…

10K token CoT에서 Astra 60.9% vs Sol 16.1% vs GPT-5.5

10K token CoT에서 Astra 60.9% vs Sol 16.1% vs GPT-5.5 1.7%입니다. 모델이 자기 reasoning의 형태를 의도적으로 조절하는 능력이 강해졌다는 뜻입니다. 오픈AI, "자동화된 AI 연구원을 완성했다" 오픈AI가 향후 초지능으로 가기 위해서는 (1) 자동화된 AI 연구 인턴을 만들고 → (2) 자동화된 연구원을 만들면 이들에게 Compute만 집어넣으면 AI가 AI를 연구하는 루프를 만들어야 한다고 주장해왔었습니다. 그리고 마침내 이번에 (1)을 완성했다고 선언했습니다. 실제 오픈AI 내부의 차트들을 살펴봅니다: 1. 코딩 에이전트…

AI 연구의 상당 부분이 모델의 지능이나 성능을 향상시킬 가능성이 있는 새로운 개선사항을 핵심

AI 연구의 상당 부분이 모델의 지능이나 성능을 향상시킬 가능성이 있는 새로운 개선사항을 핵심 모델에 통합하는, 다소 노동 집약적인 과정입니다. 이 과정은 여러 단계를 거치며, 모든 단계가 순조롭게 진행될 때 비로소 역량이 향상됩니다. 연구원들은 새로운 개선 사항을 설계하고, 모델 성능을 평가하는 방법을 작성하고, 이러한 개선 사항을 대규모로 테스트할 수 있는 인프라를 구축하고, 학습 과정에서 버그와 안전하지 않거나 잘못된 동작을 찾아내고, 성공적인 아이디어를 핵심 학습 과정에 통합해야 합니다. 연구 과정의 어느 한 단계에서라도 실패하면 전체 연구 과정에 차질이 생길 수…

피크 지능은 드라마틱한 수준까지는 아니지만, 전반적인 모델 지능이 높아지고 Cache reads

피크 지능은 드라마틱한 수준까지는 아니지만, 전반적인 모델 지능이 높아지고 Cache reads 비용은 크게 낮췄다보니 같은 작업을 보다 저비용으로 가능하게 하는 쪽으로는 꽤 유의미합니다. Fable 5.1도 워낙 좋기는 한데, 오픈AI의 Astra가 같거나 더 높은 수준의 지능을 거의 50% 비용으로 제공하고 있는 상태인지라 GPT-6 Astra에 대해서 좀 더 힘줘서 분석하고 Fable 5.1은 가볍게 넘어갑니다. 메타, 26년 PER 20배 / Neutral 메타 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기) Muse Spark 1.1 코멘트 / 주간전략보고…

장기적으로는 청소년 이용시간 제한은 메타보다 구글/유튜브에 더 큰 역풍일 것으로 봤습니다. 만약

장기적으로는 청소년 이용시간 제한은 메타보다 구글/유튜브에 더 큰 역풍일 것으로 봤습니다. 만약 추가적인 청소년 디지털 규제가 나온다면 스냅챗, 로블록스, 스포티파이 등에게도 영향을 줄 수 있습니다. 2025년 9월 구글은 DoJ 판결을 성공적으로 끝내고 나서, 신규 제품과 모델 출시를 이어갔습니다. 이 덕에 2025년 9월 1일부터 12월 31일까지 구글의 멀티플이 40% 확대됐습니다. 메타의 파이프라인에도 여러 제품이 있습니다. Hatch, 새로운 Meta AI 구독, API 서비스, 네오클라우드 등입니다. 이것들이 차례로 출시되면 메타도 멀티플이 확장되지 않겠냐는 모건스탠리…

메타, 구글, 아마존은 이미 엄청난 규모임에도 수년 만에 가장 강한 광고 성장률을 기록하고

메타, 구글, 아마존은 이미 엄청난 규모임에도 수년 만에 가장 강한 광고 성장률을 기록하고 있습니다. ⓐ더 많은 데이터, ⓑ더 쉬운 Audience 타겟팅, ⓒ더 뛰어난 광고 자동화 도구, ⓓ더 정확한 광고성과 측정 능력을 갖고 있고 AI를 더 효과적이고 대규모로 적용하고 있기 때문입니다. 구글 검색광고는 사용자가 자신의 의도를 명시적으로 표현하는데, 메타는 사용자가 어떤 콘텐츠와 광고에 반응할 가능성이 가장 높은지를 예측해야 하다보니 AI를 통해 R&R을 강화했을 경우 메타에게 더 큰 추가적인 성과를 제공하고 있습니다. Muse Code 정식 출시 메타가 Muse Code…

ElevenLabs는 3.6%, Qwen 3.7%, GPT 3.9%, Grok 3.9%,

ElevenLabs는 3.6%, Qwen 3.7%, GPT 3.9%, Grok 3.9%, Gemini 4.0%입니다. Streaming이란 전제도 중요합니다. 녹음을 전부 받은 다음 수십 초 동안 분석해서 만드는 transcript가 아니라 사람이 말하고 있는 도중 계속 받아쓰는 상황에서의 정확도입니다. *오른쪽* Diarization은 쉽게 말하면 누가 말했는지를 구분하는 능력입니다. 화자를 구분하는 능력에서 에러율이 가장 낮습니다. 흥미로운 건 이 Diarization 수치가 '굉장히' 좋다는 것입니다. 왜그런가 하면 Top 1에는 Muse Voice Transcribe가 있고,…

이를 메타가 해결한 것이 Adaptive Delay입니다. 음성을 80ms 단위로 쪼개서 각

이를 메타가 해결한 것이 Adaptive Delay입니다. 음성을 80ms 단위로 쪼개서 각 시점마다 '지금 단어를 확정할까?' 아니면 '조금 더 듣고 확정할까?'를 모델 스스로 결정하게 만들었습니다. 그리고 강화학습을 돌리면서 에러율을 낮추면서도 지연시간도 낮추도록 설정했더니 알맞게 쉬운 단어는 빠르게 확정하고 애매한 단어는 더 기다리는 모델이 됐습니다. 파레토 프론티어를 크게 확장한 모델의 비결입니다. Hatch 출시를 앞두고 에이전트 정렬에 만전을 기하는 중 메타가 Hatch 출시를 앞두고 안전 확보를 위한 정렬 작업에 힘쓰고 있습니다: 수개월 동안 직원들이 직접…

그래서 에이전트 시대의 정렬은 모델이 정확한 답을 할 수 있게 만드는 게 아니라, 모델이 주어진

그래서 에이전트 시대의 정렬은 모델이 정확한 답을 할 수 있게 만드는 게 아니라, 모델이 주어진 권한 안에서 의도한 행동만 수행하게 만들자는 이슈입니다. 메타의 해결 방법도 인상적입니다. 모델을 학습시키는 것만으로 부족했기 때문에 모델 바깥에 구분되는 안전 레이어를 추가했습니다. 크게 보면 두 가지입니다. ⓐHard Gate와 ⓑCredential Vault입니다. Hard Gate : 특정 행동은 꼭 사용자 허락을 받도록 만들기 Hatch가 네트워크 연결 이메일 발송 브라우저 사용 기타 민감한 외부 행동 을 하려고 하면 별도의 안전 시스템이 이를 감지하고 실행을 강제로…

일상생활에서 Compute Use 능력이 훨씬 고도로 요구되기 때문입니다. 모델의 능력만 좋아져서는

일상생활에서 Compute Use 능력이 훨씬 고도로 요구되기 때문입니다. 모델의 능력만 좋아져서는 안되고 사용자의 의도를 정확히 해석하면서 권한과 개인정보를 안전하게 다뤄야 합니다. 그래서 메타가 이를 성공할 경우 '사용자를 대신해 실제 일을 처리하는 Consumer Agent 분야에서 나름 독자적인 길을 구축하는 효과가 생깁니다. 거대한 사용자 풀까지 고려하면 대규모 사용 사례로 채택될 가능성도 높습니다. Hatch의 성공이 메타에게 + AI 업계에 중요하다고 생각하여, 메타 기업을 투자하는 데에도 고려할 생각이고, AI 업계 미칠 효과도 중요하게 볼 생각입니다. 테슬라,…

일정대로라면 일부 지역에서 10월부터 야간 무인 운행이 시작될 가능성이 있습니다. 문제는 ‘밤에

일정대로라면 일부 지역에서 10월부터 야간 무인 운행이 시작될 가능성이 있습니다. 문제는 ‘밤에 주행할 수 있느냐’가 아니라 ‘밤에도 충분히 안정적으로 주행할 수 있느냐’ 테슬라 차량은 이미 야간 주행 자체는 가능합니다. 그런데 수천 대의 무인 차량을 24시간 운영하려면 단순히 어두운 환경에서 차선을 따라가는 수준보다 훨씬 높은 신뢰도가 필요합니다. 낮보다 어려운 저조도 환경 헤드라이트/반사광 심야 보행자 취객, 예측하기 어려운 행동 공사구간 비/안개 등과 야간환경의 결합 같은 Long-tail 상황에서도 안정적인 성능을 확보해야 합니다. 그래서 이번 일정은 새로운 센서를…

그럼에도 빠진내용 정리

잡담·곁다리 내용

별도 참고사항이 없습니다.

생략 기록

별도 생략 기록이 없습니다.

그럼에도 빠진내용 정리

원문 전체 회수	원문 구간 C001~C080을 flow에서 원래 순서로 모두 연결했다.
작성자 가정과 전망	PER·EPS·시장 규모·전력 수요·출하 일정·성장 전망은 작성자의 계산 또는 전망으로 보존했다.
자료의 한계	본문에 인용된 리서치·실적발표·System Card의 원본은 별도로 첨부되지 않아 이 자료가 제시한 범위만 근거로 삼았다.

원문 확인

document_work_runner prepare가 입력 원문을 수정 없이 보존했다.

원문 다운로드 새 창에서 보기