엔비디아 2Q26 Preview : 3R에 답할 시간 - Rubin, Rubin Ultra, Revenue Share

구조적으로는 Rubin Ultra에서 Kyber 랙을 출시하기 전까지 GB200 NVL72 → GB300 NVL72 → VR200 NVL72가 모두 Oberon 랙 아키텍처를 채택하고 있기 때문입니다. 이번 분기는 메모리/광학과 관련해서 2H27에 출하될 Rubin Ultra를 놓고 루머가 많았습니다. 4-die/2-die, Kyber 랙, Scale-up CPO 스위치, HBM 용량과 HBM4/4E 스펙, Vera CPU SOCAMM 탑재량 등입니다. 현 상태에서 추정하기로 공급망에 문제는 없을 것으로 보이며 VR300 NVL72 랙 8개를 Scale-up CPO 스위치로 하나의 NVL572 Scale-up Domain을 만들 것으로 예상됩니다. 결과적으로는 기존 Rubin Ultra 설계에 비해 스펙은 거의 비슷하게 유지될 것으로 예상합니다. ​ 4. 중국향 제품, 차세대 GPU 제품군, 네트워킹, 소프트웨어 중요도 10% 새로운 Revenue Share 구조가 화두입니다. ​ 네오클라우드들에게 다양한 수준과 규모에서 Backstop을 제공하고, 대신 네오클라우드가 미리 엔비디아와 정한 가격보다 높은 가격으로 컴퓨트를 판매할 경우 초과수익의 일부를 나누는 것입니다. 원래는 엔비디아 입장에서는 한 번 GPU를 팔고나면 그 이후의 컴퓨트 판매에 대한 직접적인 수익은 없었는데, 이제는 GPU가 수년 동안 만들어내는 매출 일부를 가져가는 계약입니다. 모건스탠리는 이를 두고 1GW당 최대 연간 $10.3B씩 거둘 수 있는 게 아니냐고 추정했는데 이번 컨콜에서 엔비디아 경영진의 좀 더 디테일한 코멘트들이 중요해졌습니다.

데이터센터 사업자 입장에서는 기존 서버를 교체하는 수준이 아니라 전력, 냉각, 네트워크 구조를 함께 바꿔야 하는 전환이었습니다. ​ 반면 GB200 NVL72 → GB300 NVL72 → VR200 NVL72로 이어지는 변화는 Oberon에서 증명된 기본적인 랙 구조와 기계적 특성이 상당 부분 유지됩니다. VR200은 GPU당 Compute Die가 2개로 늘어나 Die 기준으로는 144개가 되지만 시스템 전체로 보면 새로운 형태의 랙을 다시 도입하는 것보다 기존 Blackwell 인프라를 확장 및 강화하는 성격이 강합니다. ​ Hopper에서 Grace Blackwell이 A → B의 변화였다면 GB200과 GB300, VR200은 A → A+ → A+++에 가깝습니다. 따라서 VR200은 이전 세대보다 생산과 배포의 실행위험이 낮습니다. 엔비디아 Vera Rubin NVL72 랙을 CSP에 초기 배포 및 테스트한 결과도 좋습니다. Grace Blackwell 서버를 운영하는 데 사용한 소프트웨어들과 상당부분 호환되도록 처음부터 만들었기 때문입니다. 대규모 클러스터로 운영하는 데에는 2~3개월 정도 더 걸린다고 하니 대략 10~11월쯤 VR200 NVL72 클러스터 GA가 있을 것으로 예상됩니다. 예정된 CapEx 집행과 서버 배치가 크게 지연될 가능성은 낮아 보인다는 의미입니다. ​ 5. CSP 입장에서는 지금의 할당이 나쁘지 않다 AI 서버 가격은 계속 높아지고 있으며 Tier 2 유통채널에 배정되는 물량도 매우 제한적입니다. 기업이 자체적으로 AI 서버를 구매해 온프레미스 환경을 구축하려면 서버 가격뿐 아니라 전력, 냉각, 네트워크, 운영인력까지 직접 확보해야 합니다.

AI 컴퓨팅을 통해 창출하는 매출과 생산성 효과인 P의 상승분이 GPU와 데이터센터 구축비용인 C 상승분보다 훨씬 큰 상태입니다. ​ 이에 따라 빅테크는 비용을 줄이기보다 확보할 수 있는 GPU, 전력, 데이터센터 용량을 최대한 앞당겨 구매하겠다는 입장을 반복하고 있습니다. 실제로 최근인 6~7월까지도 일부 하이퍼스케일러 서버 조달 일정이 앞당겨졌습니다. CapEx 가이던스가 이미 상향됐지만 하반기에도 추가 상향 여지가 남아 있다고 보고 있습니다. ​ 3. 단기적인 FCF 마이너스는 크게 우려하지 않는 모습들 구글, 마이크로소프트, 메타, 아마존 모두 AI 인프라 투자로 단기 FCF가 감소하거나 일부 기간 마이너스로 전환되는 것을 크게 우려하지 않았습니다. 중요한 것은 FCF의 절대값보다 영업현금흐름이 얼마나 빠르게 늘어나는지, 그리고 AI CapEx가 실제 매출과 이익으로 얼마나 빠르게 전환되는지입니다. ​ 현재 경영진의 행동을 보면 AI 인프라의 수익화 가시성이 충분히 높기 때문에 단기적인 FCF보다 시장점유율과 컴퓨팅 공급능력 확보를 우선하고 있습니다. 성장을 위해 장기적인 영업자산들을 늘리는 과정입니다. 비용이 높아졌지만 수익성이 더 높아졌으니 투자를 미루는 것이 아니라 오히려 앞당기는 것이 현명한 선택인 상황입니다. ​ 4. Vera Rubin은 Blackwell의 확장판에 가깝습니다 Hopper에서 Grace Blackwell로 전환할 때는 서버의 기계적 구조, 전력, 냉각밀도, 랙 설계가 모두 바뀌었습니다. Hopper는 일반적으로 GPU 8개가 하나의 서버에 들어갔지만 Grace Blackwell부터는 Oberon 랙을 기반으로 GB200 NVL72처럼 GPU 72개를 하나의 시스템으로 연결해야 했습니다.

​ 최신 GPU 물량을 제때 받기도 어렵습니다. 이에 따라 많은 기업이 직접 서버를 구축하기보다 AWS, Azure, GCP 같은 CSP의 AI 컴퓨팅을 사용하는 방향으로 이동할 가능성이 높습니다. 장기적으로는 기업이 자체적으로 구매하던 일부 Enterprise Server와 PC 투자까지 데이터센터가 흡수하는 효과가 나타날 수 있습니다. AI 침투는 여전히 초입이다 ​ AI S-curve는 아직 초반입니다 AI 침투율은 여전히 S-Curve의 초입입니다. ​ 첫째, 위 왼쪽 차트를 보시면 전체 IT 예산 중 AI가 차지하는 비중은 1H25 3.0% → 2H25 3.2% → 1H26 4.2%로 올라오고 있지만 여전히 한 자릿수 초반입니다(왼쪽, 첫 번째 차트). 숫자만 놓고 보면 AI 투자는 이미 거대해 보이지만 기업 IT 예산 전체에서 차지하는 비중은 아직 작습니다. Gartner 전망에 따르면 CY26 글로벌 연간 IT 총 예산은 $6.31T로 추정됩니다. 이 안에서 AI 지출 규모가 차지하는 비중이 높아질 여력, 그리고 AI를 통해서 IT로 할 수 있는 것들이 많아지면서 글로벌 연간 IT 총 예산이 커지는 효과를 감안하면 여전히 2~3이닝 정도에 있다고 느낍니다. ​ 둘째, AI 채택을 주도하는 테크 기업은 Fortune 500 기업의 약 25%(오른쪽, 두 번째 차트)입니다. 나머지 75%는 대체로 테크 기업들의 도입 패턴을 후행합니다. 클라우드 산업도 개화한 지 10년이 넘었지만, 여전히 많은 기업이 클라우드 마이그레이션을 진행 중입니다. AI도 마찬가지입니다. 지금 시장에서 보이는 수요는 전체 기업 수요의 끝이 아니라 테크 기업과 선도 기업 중심의 초기 확산 구간에 가깝다고 생각합니다.

​ AI Labs들의 매출은 CY27~CY28쯤 빅테크들을 도장깨기할 것 LLM API 볼륨은 2026년 초 Claude Code/Codex 등 Agentic AI 덕에 가파르게 상승 중입니다. ​ 2026년 7월 기준 앤스로픽의 ARR은 $65B+, 오픈AI의 ARR은 $40B+로 추정됩니다. 앤스로픽의 매출(ARR이 아닌 누적)은 CY27쯤이면 자연스레 넷플릭스(2Q26 TTM 매출 $48.37B), SAP(TTM $43.61B), 세일즈포스(TTM $42.83B)를 넘을 것이란 의미입니다. ​ 올해 앤스로픽의 연말 기준 ARR이 $100B에 도달한다고 보고, 연말기준 ARR 기준 CY26 $100B → CY27 $300B → CY28 $600B 궤적으로 증가한다고 추정해봅니다. 이 경우 CY27쯤이면 메타의 매출(2Q26 TTM 기준)인 $228B를 넘기고 → CY28쯤에는 마이크로소프트의 $332B, 구글의 $446B, 애플의 $467B를 넘길 것으로 예상합니다. 이 궤적대로라면 역대 가장 빠른 속도로 성장하는, 새로운 빅테크의 등장입니다. ​ AI 사이클: 수요는 어디서 나와서 어디로 흘러가는가? AI Labs의 ARR이 매우 중요합니다. 이에 대해서는 <AI 버블론을 잠재우는 숫자들 : 엔터프라이즈 AI $37B 시장의 현주소> 자료로 올려드린 바 있습니다. 다시 한 번 정리해보면 이렇습니다. ​ 흐름이 어떻게 이어지는가를 보시면: ​ (1) 기업들이 AI Labs(e.g. OpenAI, Anthropic)의 LLM(폐쇄소스 or 오픈소스)을 가지고 자체 데이터를 넣어 사전훈련(pre-training)합니다.

여기서 오라클을 주요 임차인으로 두고 임대인으로서 성장한 게 크루소(Crusoe)입니다. ​ (5) 계약이 확보됐고 AI Labs가 계속해서 성장 중인 것을 확인했으니, 클라우드 기업들이 어떻게 ⓐⓑⓒ에 대한 자금을 조달할 것인가도 갈라집니다. 크게 보자면 단기자산(GPU, Networking, Storage)이 있고, 장기자산(데이터센터 부지, 데이터센터 전력계약, 발전자산, 전력기기)이 있습니다. 건물을 지을 때 토지가격과 건물가격을 따로 매기는 것과 비슷합니다. 단기자산은 감가상각이 5년이라고 하면, 장기자산은 15~20년입니다. 성격이 다릅니다. 여기서 단기자산은 하이퍼스케일러들의 자체 FCF나 회사채 발행을 통해 조달합니다. 장기자산은 Brookfield Asset Management, Apollo Global, KKR, BlackRock, BlackStone 같은 PE/인프라 펀드가 껍데기에 대한 자금을 조달해서 일정수준 이상의 임대료를 받아가는 식입니다. 하이퍼스케일러 입장에서는 ROIC가 높은 자산에 최대한 투자하는 게 중요하므로 부동산을 소유하는 대신 장기 임대료를 지불하고 아낀 현금을 GPU에 투자합니다. PE/인프라 펀드는 초우량 임차인으로부터 앞으로 15~20년 간 발생하는 안정적이고 물가 상승에 연동된 장기 임대 수익을 확보하게 됩니다. ​ 가파른 성장, 돈이 되니까 쓰는 것 결국에는 실제로 돈이 되니까 AI Labs의 ARR이 높아지는 것이고, 이와 관련해서 SemiAnalysis가 AI Dark Output에 대해서 올렸습니다. 생각해볼 거리가 많습니다: ​ 1. AI, 비용은 보이지만 산출은 보이지 않는다

AI 투자는 데이터센터, GPU, 전력, 물 사용량, 토큰 지출처럼 비용 측면에서는 매우 잘 관찰됩니다. 그래서 언론, 정부, 투자자들은 AI가 얼마나 많은 자본과 에너지를 쓰는지 쉽게 포착합니다. 반대로 AI가 만들어내는 산출은 통계에 잘 잡히지 않습니다. 기업 내부에서 AI가 문서 작성, 리서치, 코드 리뷰, 고객 대응, 법률 초안 작성 등을 수행해도 그것이 별도 가격으로 판매되지 않으면 GDP에는 거의 반영되지 않습니다. SemiAnalysis는 이렇게 실제로는 생산되지만 공식 경제통계에는 잘 보이지 않는 AI 산출물을 Dark Output이라고 칭했습니다. ​ 닷컴버블 시대에 Dark Fiber는 과잉투자의 상징이었습니다. 닷컴버블 시기 통신사들은 인터넷 트래픽이 폭발적으로 증가할 것이라고 보고 막대한 자본을 투입해 광섬유망을 깔았습니다. 문제는 그중 상당수가 당장 사용되지 않았다는 점입니다. 물리적으로는 이미 땅속에 묻혀 있었지만, 실제 트래픽을 실어 나르지 않는 광섬유는 매출도 만들지 않았고 경제적 가치도 즉시 드러나지 않았습니다. 그래서 이를 Dark Fiber라고 불렀습니다. 이당시 Dark는 Negative에 있었다면, 이번의 Dark는 Positive에 있어서 실제로 더 좋음에도 사람들이 여전히 버블의 논리로만 접근할 리스크가 있음을 말하는 플롯이기도 합니다. ​ Dark Output은 크게 대체형 Dark Output과 신규형 Dark Output으로 나뉩니다. ​ 대체형 Dark Output은 원래 사람이 돈을 받고 하던 일을 AI가 대체하는 경우입니다. 예를 들어 변호사가 작성하던 간단한 법률 문서를 AI가 몇 센트의 토큰 비용으로 작성하면 사용자가 얻는 가치는 비슷할 수 있습니다.

AI가 서비스 비용을 급격히 낮추거나 기업 내부 업무로 흡수해버리면 실제 산출은 유지되거나 증가했는데도 통계상으로는 매출 감소 및 생산 감소처럼 보일 수 있습니다. ​ 예시를 들자면, 첫 번째는 기업이 기존에 $10,000짜리 HR 서비스를 외부 업체에서 구매했는데, 이제 AI HR 업체가 훨씬 더 낮은 비용으로 같은 가격 $10,000에 제공하는 경우입니다. 이 경우 거래 가격이 유지되므로 GDP에는 계속 잡힙니다. 비용은 줄고 마진은 늘어납니다. 두 번째는 기업이 같은 HR 업무를 내부에서 토큰가격 $10으로 처리하는 경우입니다. 실제 업무는 그대로 수행됐지만 외부 서비스 매출 $10,000가 사라지고, GDP에는 $10의 AI 사용료만 잡힙니다. 이 경우 통계상으로는 산출이 줄어든 것으로 보입니다. 이렇게 내재화하는 경우 특이하게 AI를 활용해 기업의 생산성을 드라마틱하게 높임에도 불구하고 통계에는 기업의 생산성 향상이 잡히는 게 아니라 AI 기업들의 매출 증가만 찍힙니다. 결과적으로 AI를 도입한 산업은 정체된 것처럼 보이고, AI 공급업체만 성장한 것처럼 왜곡될 수 있습니다. AI 심화편, 게빈 베이커 인터뷰 이번 심화편 자료 <AI 사이클의 모든 것을 담은 게빈 베이커 인터뷰 : 버블의 역사는 반복되지 않지만, 운율은 반복된다> 도 많은 디테일들을 담고 있기에 꼭 한 번씩 살펴보시길 권해드립니다. ​ 중요하게 생각하는 부분들만 아홉 가지를 정리해봅니다: ​ 1. 병목의 대부분은 결국 '자본주의'가 해결할 것 규제와 정치적 반발이 과도하게 커지지 않는다면, 전력 부족 문제는 결국 자본주의가 해결할 가능성이 높습니다.

AI Boom 이후 AI Labs들의 ARR이 성장해온 사이클을 보자면 순서는 늘 개척 → 효율순으로 발전해왔습니다. 개척은 LLM을 가져다가 이전에 할 수 없었던 $10, $100, $1K, $10K짜리 작업물을 뽑는 것에 성공하는 것을 말합니다. 이전의 모델로는 할 수 없었던 작업을 수행하게 되면서 새로운 사용 사례가 생기는 과정입니다. ​ 그리고는 늘 효율의 시간이 왔습니다. 새로운 작업을 할 수 있게 되고 나면, 프론티어 모델들을 암암리에 모두들 증류하고, 3~6개월 뒤에 저가형/오픈웨이트 모델이 출시됩니다. 프론티어 모델로 하던 작업물의 퀄리티와 비슷한 수준을 더욱 저가에 뽑아내기 위한 수많은 엔지니어링 설정을 거칩니다. ​ 개척 → 효율의 루프는 꼭 GLM-5.2나 Kimi 2.7에서만 벌어지던 일은 아닙니다. 예를 들어, 처음에는 Gemini 3.1 Pro로만 가능한 작업이 있으면 이것으로 새로운 작업을 시작합니다. 꼭 모든 토큰을 고지능으로만 서빙하지는 않아도 되므로 Gemini 3.1 Flash로도 충분함을 입증하면 Flash로 대체합니다. 그리고나서 더욱 더 일상적인 작업이 되면 Gemini 3.1 Flash-Lite로 대체합니다. ​ 이렇게 변해왔으니 AI Labs들의 ARR은 감소했어야 직관에 맞아보이지만, 실제로는 개척의 속도와 새롭게 생겨나는 규모가 효율로 감소하는 ARR의 규모보다 훨씬 크기 때문에 계속해서 ARR은 커져왔습니다. 시초는 2022년 10월, 사람들이 알게 된 건 2023년 5월부터이지만 매번 AI Labs들의 ARR이 개척 뒤의 효율 때문에 감소세로 접어들 것이라는 우려를 접하고 있습니다.

​ 따라서 오픈소스 모델의 성능 개선을 폐쇄소스 프론티어 모델 수요의 구조적 붕괴로 해석하기보다 AI 사용 사례가 한 단계 표준화되고 있다는 신호로 보는 편이 더 적절하다고 생각합니다. 그리고 프론티어 모델이 다시 더 어려운 작업 영역을 열 때마다 전체 AI 사용량과 컴퓨팅 수요는 한 번 더 확장될 가능성이 높습니다. ​ 물론 언젠가 이 리듬이 통하지 않을 때가 생길 수도 있겠습니다만, 2023년 AI Boom 이후 매번 그래왔기에 이것을 상수로 보고 접근하는 것이 더 합리적이라 생각합니다. 그래도 매번 오픈소스가 폐쇄소스를 잡아먹을 것이란 오해가 반복되긴 합니다. $500B, 네오클라우드를 위한 금융 플랫폼 ​ 네오클라우드 생태계를 키우기 위한 방법 젠슨 황이 X에 <NVIDIA AI Factory Compute Is Becoming an Investable Asset Class> 글을 올렸습니다. ​ 핵심은 엔비디아의 AI Factory(GPU 데이터센터)를 이제 단순한 IT 설비가 아니라 기관투자자들이 투자할 수 있는 하나의 독립적인 자산등급(Asset Class)으로 만들겠다는 것입니다. ​ 이를 위해 아폴로, 블랙록, 블랙스톤, 브룩필드, 골드만삭스, KKR이 참여하는 독립적인 금융 플랫폼을 구성하고 향후 엔비디아 GPU 기반 AI Factory 구축에 필요한 $500B 규모의 제3자 자본을 동원할 계획입니다. ​ 여기서 가장 먼저 짚어야 할 것은 엔비디아가 $500B를 직접 투자하는 것이 아니라는 점입니다. 각 AI 데이터센터 프로젝트의 경제성을 6개 투자 파트너들이 독립적으로 검토한 뒤 투자 여부를 결정하고 대부분의 자본도 이들이 제공합니다.

​ 따라서 오픈소스 모델의 성능 개선을 폐쇄소스 프론티어 모델 수요의 구조적 붕괴로 해석하기보다 AI 사용 사례가 한 단계 표준화되고 있다는 신호로 보는 편이 더 적절하다고 생각합니다. 그리고 프론티어 모델이 다시 더 어려운 작업 영역을 열 때마다 전체 AI 사용량과 컴퓨팅 수요는 한 번 더 확장될 가능성이 높습니다. ​ 물론 언젠가 이 리듬이 통하지 않을 때가 생길 수도 있겠습니다만, 2023년 AI Boom 이후 매번 그래왔기에 이것을 상수로 보고 접근하는 것이 더 합리적이라 생각합니다. 그래도 매번 오픈소스가 폐쇄소스를 잡아먹을 것이란 오해가 반복되긴 합니다. $500B, 네오클라우드를 위한 금융 플랫폼 ​ 네오클라우드 생태계를 키우기 위한 방법 젠슨 황이 X에 <NVIDIA AI Factory Compute Is Becoming an Investable Asset Class> 글을 올렸습니다. ​ 핵심은 엔비디아의 AI Factory(GPU 데이터센터)를 이제 단순한 IT 설비가 아니라 기관투자자들이 투자할 수 있는 하나의 독립적인 자산등급(Asset Class)으로 만들겠다는 것입니다. ​ 이를 위해 아폴로, 블랙록, 블랙스톤, 브룩필드, 골드만삭스, KKR이 참여하는 독립적인 금융 플랫폼을 구성하고 향후 엔비디아 GPU 기반 AI Factory 구축에 필요한 $500B 규모의 제3자 자본을 동원할 계획입니다. ​ 여기서 가장 먼저 짚어야 할 것은 엔비디아가 $500B를 직접 투자하는 것이 아니라는 점입니다. 각 AI 데이터센터 프로젝트의 경제성을 6개 투자 파트너들이 독립적으로 검토한 뒤 투자 여부를 결정하고 대부분의 자본도 이들이 제공합니다.

이번 구조는 엔비디아에 제기돼 온 순환금융(Circular Financing) 우려를 줄이는 데에도 도움이 됩니다. 기존 시장의 우려는 엔비디아가 AI 기업에 돈을 댐 → AI 기업이 그 돈으로 엔비디아 GPU를 구매함 → 엔비디아 매출 증가라는 구조였습니다. ​ 이 경우 실제 최종수요가 얼마나 강한 것인지와 엔비디아가 자신의 매출을 직접 자금조달로 해결하고 있는 것인지가 섞여 보일 수 있습니다. 하지만 이번에는 독립된 제3자 투자기관이 프로젝트의 경제성을 직접 심사하고 대부분의 자본을 투입합니다. 엔비디아는 일부 Downside를 지급보증하는 역할에 가까워집니다. 따라서 앞으로 이전보다 외부 자본이 경제성을 검증하고 투자했다는 신호가 강해질 수 있습니다.​ 주요 애널리스트들의 생각 Bank of America, Morgan Stanley Bank of America Rubin의 시대가 시작됐다, 실적 추정치 상향이 이어질 것 (Q2 preview: Rubin era starts, expect multiquarter upgrade cycle) Rubin 사이클이 시작된다 BofA의 엔비디아 2Q26 Preview를 정리해보면: ​ 가장 중요한 변화는 이제 Rubin 사이클이 시작된다는 것입니다. 이제부터는 Vera Rubin 출하와 Vera CPU 램프업이 시작됩니다. 따라서 2Q26 실적과 3Q26 가이던스를 공개하는 이번 실적발표에 컨센 상회한 정도에 맞게, 몇 개 분기에 걸친 실적 추정치 상향 사이클이 시작될 것으로 봤습니다.

CY26 PER 23.0배(CY26 EPS $9.4) → CY27 PER 15.5배(CY27 EPS $14)입니다. CY27는 LPX + CPU + STX + 네트워킹 등등 종합적으로 붙을 것들을 생각하기에 EPS가 $14 이상은 나올 것으로 보입니다. 아직 CY27의 충분한 업사이드를 다 책정하고 있다고 보지 않습니다. 수요-공급-경쟁역량 순으로 생각해보자면: ⓐ수요는 2026년 7월 기준 앤스로픽과 오픈AI의 ARR 합산은 이미 $100B를 넘긴 $105B에 도달했습니다. ⓑ공급에서도 Oberon 랙 아키텍처, L10 Compute Tray 양산 후 납품 구조를 생각하면 큰 문제가 보이지 않습니다. 수요 대비 HBM 용량 부족은 CPO 채택에서 앞서가며 Scale-up Domain을 키워 대응할 예정입니다. ⓒ경쟁역량에서는 Blackwell보다 Rubin은 훨씬 더 경쟁역량이 높은 세대가 될 것으로 예상합니다. GB300이 온라인되자 파레토 프론티어가 바뀌고 있습니다. 오픈AI가 7월부터 GPT-5.6 Sol 덕에 약진했고, MSL과 xAI도 3등 자리를 놓고 경쟁할 수준까지 모델 경쟁력을 끌어올렸습니다. 만약 TileRT를 통해서 기존 GPU들의 웬만한 주력 LLM Fast Inference 대응이 가능해질 경우 가치제안이 한 번 더 레벨업될 것으로 예상합니다.