주간전략보고 : 투자의 생각 (9월 14일~9월 18일)

​

안녕하세요 올바른입니다.

​

앤스로픽 다리오 아모데이의 Pacing the Frontier가 주말 사이 화두입니다. 개인적으로 겉과 속이 꽤나 많이 다른 발언이라고 생각합니다. 솔직한 생각들을 정리해봤습니다.

​

이번 주에 두 가지 컨콜에 업계 디테일이 많았습니다. ⓐGS Communacopia + Tech, ⓑCiti's Global TMT입니다. Compute, Memory, Interconnect를 생각해보고 사이버보안도 돌아봤습니다.

​

광학 섹터에서 생각해볼 거리가 많았던 주간이었습니다. 또한 셈텍의 광학이 어색하지 않은 이유가 있습니다. Dr. Hong Hou, EMCORE, HieFo의 관계를 생각해봐야 합니다.

​

주간전략보고

2026-09-07

주간전략보고 : 투자의 생각 (9월 7일~9월 11일) (바로가기​)

2026-08-31

주간전략보고 : 투자의 생각 (8월 31일~9월 4일) (바로가기​)

2026-08-24

주간전략보고 : 투자의 생각 (8월 24일~8월 28일) (바로가기​)

2026-08-17

주간전략보고 : 투자의 생각 (8월 17일~8월 21일) (바로가기​)

2026-08-10

주간전략보고 : 투자의 생각 (8월 10일~8월 14일) (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 : 9월 FOMC를 앞두고 드는 생각들

2Q26 10주차 실적발표 훑어보기 : 10주차 8개 기업 - 업사이클 & 다운사이클 비교

투자의 생각 : TMDX, FIGR, AMD, ALAB, U, ORCL/CRWV/NBIS, VRT, BE, MU, SNDK, LITE, VIAV, SMTC, FTNT

퀄컴의 AWS 계약 : AWS와 계약한 퀄컴 (GS Communacopia + Tech Conf.)

수요-공급 격차는 더 커지는 중 : 현재 HDD/스토리지 업계 주문 상황 (Citi Conf.)

Magnificent 7 : ⓐ앤스로픽 AI 개발의 속도조절일까? ⓑTorchTPU의 함의 ⓒ스페이스X GW당 매출

​

📆 주간 캘린더 (9월 14일~9월 18일)

​

👨‍💻 → 9월 FOMC

​

> FOMC : 9월 FOMC (목)

> 경기/물가 : 소매판매 (수)

> 고용/실업 : 신규실업수당청구건수 (목)

> 실적발표 : FPS, TRIP (화) LEN (수)

> 이벤트 : 24시간 거래를 위한 회의 (목) 세마녀의 날 (금)

​

​

주간전략보고 : 투자의 생각

9월 FOMC를 앞두고 드는 생각들

​

🧭 S&P500 EPS 추정치 변화 (~9/11)

25년 EPS : $271.23

26년 EPS : $362.03 ▲ (8/7 $358.66 ← 7/10 $340.74 ← 6/13 $338.99)

27년 EPS : $416.53 ▲ (8/7 $405.17 ← 7/10 $398.43 ← 6/13 $392.48)

​

S&P 500 밸류에이션 : 매력적

계속해서 생각은 같습니다.

​

지금 밸류는 (ㄱ) 2022년의 인플레이션으로 인해 하락했던 시기, (ㄴ) 2025년 4월 관세부과 시기, (ㄷ) 2026년 2월 이란전쟁 시작에 따른 하락 시기와 비슷한 밸류입니다

.

​

위에 Factset Research EPS 추정치를 보셔서 아시겠지만 CY26/CY27 EPS가 계속해서 상승하고 있는데 주가는 횡보 or 하락해서 그렇습니다. 주식 변동성 때문에 피로하실 수 있지만 밸류상 매력적인 구간이라고 봅니다.

​

차트 #1, 2 - 레버리지 펀드들의 기술주 숏 증가 / 8월 CPI 이후 금리인상 입장 증가

Nasdaq-100에 대한 레버리지 펀드들의 포지션은 최근 롱은 크게 감소하고, 숏은 크게 증가한 상태입니다. 그리고 8월 CPI 발표가 예상보다 강하게 나온 이후 IB들이 대부분 9월 25bp 금리인상 뷰로 바꿨습니다.

​

차트 #3, 4 - 10년물 채권과 오일은 센티먼트 3~4년래 최대 변곡점

반대로 10년물 채권에 대해서는 2022/2023년 당시의 센티먼트와 비슷한 수준으로 낮고, 오일도 2022/2023년 당시 센티먼트와 비슷한 수준으로 강세입니다.

​

종합해서 보면,

​

최근 전쟁 장기화 우려로 유가는 높아지고 장기물 채권은 계속해서 약세입니다.

8월 CPI가 Hot print로 나왔지만, 인플레 재가속을 말하기엔 아직 이릅니다. 이것도 결국은 이란 전쟁이 끝나고 유가가 빠지는 게 중요합니다.

S&P 500, Nasdaq-100 기업들의 12M Forward EPS는 계속해서 가파른 상승 중이고, AI 기업들의 기여가 80~90%입니다. 계속해서 EPS 상향이 발생하는 섹터는 AI HW입니다.

7~8월 AI HW 대거 포지셔닝 정리로 인해서 AI HW 포지션은 생각보다 가벼워져있습니다.

9월 FOMC에서 25bp 인상 확률이 80~90%에 달할 만큼 꽤나 높습니다. 중요한 건 유가이고 아직 재가속을 말할 정도는 아니라고 보기 때문에 25bp 인상 시나리오에도 불구하고 AI HW 위주 선호를 유지합니다.

​

*위 자료는 YTD를 기준으로 한 숫자이며, 아래 '주간 퍼포먼스 체크'는 이번 주만을 따졌을 때입니다.

​

주간 퍼포먼스 체크

지수(4) : Nasdaq100(-0.5%), S&P500(-0.8%), Dow30(-1.6%), Russell2000(-2.4

%)

빅테크(7) : 메타(+5.1%), 애플(+3.8%), 테슬라(+3.2%), 구글(+0.0%), 아마존(-0.7%), 마이크로소프트(-0.8%), 엔비디아(-5.2%)

섹터(11) : 에너지(+1.7%), 커뮤니케이션(+0.5%), 테크(+0.2%), 리츠(-1.2%), 필수소비재(-1.4%), 금융(-1.5%), 유틸리티(-1.6%), 산업재(-1.7%), 경기민감재(-1.7%), 원자재(-2.9%), 헬스케어(-3.5%)

2Q26 10주차 실적발표 훑어보기

10주차 8개 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 10주차 실적발표

업사이클 ↗ : 이번주 실적발표 기업 중 업사이클인 기업은 오라클ORCL이 있었습니다.

다운사이클 ↘ : 다운사이클인 기업은 딱히 없었습니다.

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

TMDX, FIGR, AMD, ALAB, U, ORCL/CRWV/NBIS, VRT, BE, MU, SNDK, LITE, VIAV, SMTC, FT

NT

​

상대적인 매력도 평가

주가와 기업의 펀더멘탈을 고려해서 세 가지 기준으로 평가하고 있습니다.

​

Overweight = 비중확대

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

트랜스메딕스(TMDX)

​

트랜스메딕스TMDX는 Neutral을 유지합니다.

트랜스메딕스 JP모건 헬스케어 컨퍼런스 : Gen 3 OCS Kidney 최초 공개와 임상 데이터 코멘트

​

재무관리 경험이 더 많은 CFO로 교체

트랜스메딕스가 CFO를 페르난도 아라우조(Fernando Araujo)로 교체했습니다. 아라우조는 GE 헬스케어, 3M 등에서 20년 이상 상장기업의 재무 업무를 담당해온 인물입니다.

​

기존 CFO였던 헤라르도 에르난데즈(Gerardo Hernandez)는 회사를 떠나는 것이 아니라 중남미 담당 상업전략 고문으로 자리를 옮깁니다. CFO를 2024년 12월에 바꾼지 얼마 안됐는데, 2026년 9월 10일 기준으로 몇 분기 만에 회사의 재무 헤드를 다시 한 번 바꾸는 것이니 좋은 시그널은 아닙니다.

​

최근 트랜스메딕스는 성장을 위한 투자를 우선하면서 마진율 희생이 크게 나타났고, 비용과 손익 관리 측면에서도 다소 아쉬운 모습을 보여왔습니다. 이런 시점에 대형 상장기업에서 재무관리 경험을 쌓은 인물을 CFO로 선임한 것은 앞으로 성장과 수익성의 균형을 조금 더 정교하게 관리하려는 변화로 볼 수 있습니다.

피겨 테크(FIGR)

​

피겨 테크FIGR는 Overweight을 유지합니다. CY27 PER은 19.4배(CY27 EPS $1.8)입니

다.

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 창업자 인터뷰 : SoFi 창업자가 블록체인에서 금융의 미래를 찾은 이유

​

아직 성장 슬로프가 많이 남았다

피겨 테크의 9월 10일 GS Communacopia + Technology Conf 2026., 핵심만 정리해봅니다.

​

이번 컨퍼런스에서 더 흥미로웠던 발언은 현재 2Q26 기준 Figure의 498개 파트너 사업 안에서 Figure의 침투율이 아직 10% 미만이라는 설명입니다. 여기에는 독립 모기지 금융회사뿐 아니라 대출 관리회사, 은행, 핀테크, 주택개선 관련 채널 등이 포함됩니다.

거래량 성장 = ⓐ파트너 수 확대 x ⓑ파트너 내 Figure 이용 비중 상승 x ⓒ취급 가능한 상품 확대

를 통해서 성장하는 것인데, 생각보다 ⓑ도 아직 낮다는 것이 의외였습니다.

​

아직 ⓐⓑⓒ 모두 초입입니다. 실제 2분기에는 파트너 브랜드 거래량 증가분의 약 60%가 신규 파트너, 약 40%가 기존 파트너의 추가 이용에서 발생했습니다.

AMD(AMD)

​

AMDAMD는 Neutral을 유지합니다.

​

AMD의 9월 8일 Citi's 2026 Global TMT Conf., 핵심만 정리해봅니다:

​

MI450 램프업으로 CY27 GPM 단기 압박

AMD는 AI GPU 사업의 GPM이 현재 전사 평균인 Non-GAAP GPM 56%보다 다소 낮다고 설명했습니다. 따라서 MI450 물량이 본격적으로 늘어나는 4Q26/CY27에는 전사 GPM이 현재보다 낮아질 가능성이 있습니다.

​

또한 CY27에도 분기별 마진율이 동일하지 않을 것이라고 언급했습니다. 구체적인 수치를 제시하지는 않았지만 MI450의 초기 램프업과 제품 믹스를 감안하면 CY27 일부 분기에는 50% 초반대까지 내려갈 가능성도 생각해볼 수 있습니다.

​

핵심 고객 : Meta, OpenAI, Anthrop

ic

AMD가 꼽은 핵심 AI 고객은 메타, 오픈AI, 앤스로픽입니다.

​

세 고객 모두 AMD와 Multi-GW 규모의 배치와 다세대 제품 협력을 추진하고 있으며 고객들이 제시하는 장기 수요 전망도 초기 예상보다 커졌다고 설명했습니다. 동시에 네오클라우드를 통해 다른 모델 개발사와 AI 스타트업, 기업 고객까지 고객층을 확대하려는 전략을 가지고 있습니다.

​

다만 이 시장에서는 네오클라우드가 어떤 가속기를 담보로 얼마나 유리하게 자금을 조달할 수 있는지도 중요합니다. 이런 점을 감안하면 네오클라우드 시장은 장기적으로도 엔비디아 GPU와 구글 TPU 중심으로 수렴할 가능성이 높아 보입니다. 개인적으로는 CY28까지 TPU가 빠르게 성장하더라도 전체 Mix는 엔비디아 GPU가 80% 안팎 / 구글 TPU가 20% 안팎을 차지하는 구도가 유력하다고 보고 있습니다.

​

수요가 너무 빠르게 늘어 공급망 CapEx까지 확대

AI GPU뿐 아니라 서버 CPU 수요도 올해 들어 예상보다 빠르게 증가하고 있습니다. AMD는 이를 소화하기 위해 TSMC에 첨단 웨이퍼와 CoWoS 생산능력 확대를 요청하고 있습니다. 칩 공급에 필요한 생산장비를 AMD가 직접 구매해 파운드리 공급망에 투입하는 방식까지 사용하고 있습니다. 최근 AMD의 CapEx가 늘어난 배경에도 향후 AI GPU와 서버 CPU 공급능력을 선제적으로 확보하려는 투자가 포함돼 있다는 설명입니다.

​

MI500부터 Global Scale-up Domain 도입

AMD는 CY2H27 도입, 4Q27 전후 양산이 예상되는 MI500 계열부터 Global Scale-up Domain을 제공할 계획입니다. 시점만 놓고 보면 엔비디아의 Scale-up 네트워크 확장 일정과 상당히 비슷합니다.

​

연결 방식도 하나로 고정하지 않고 ⓐCopper 기반 연결과 ⓑNPO 기반 광학 연결을 모두 지원할 계획입니다. 최근 여러 업체들의 로드맵을 종합하면 Scale-up 광학의 도입 시점도 점차 명확해지고 있습니다. CY2H27부터 초기 도입이 시작되고 CY28부터 본격적인 물량 확대가 나타나는 그림으로 업계 일정이 수렴하고 있습니

다.

아스테라랩스(ALAB)

​

아스테라랩스ALAB는 Neutral을 유지합니다.

​

아스테라랩스의 9월 9일 Citi's 2026 Global TMT Conf., 핵심만 정리해봅니다:

​

3Q26부터 Scorpio가 최대 매출 제품군으로 올라선다

3Q26부터 Scorpio 스위치가 전사 최대 매출 제품군이 될 것으로 예상했습니다. Scorpio 내부에서도 Scorpio X가 Scorpio P를 넘어서는 첫 분기가 될 전망입니다.

​

핵심 배경은 AWS의 Trainium 3 양산이 3Q26부터 시작되기 때문입니다. Trainium 3는 72개의 XPU를 하나의 Scale-up Domain으로 구성하는 구조이고, 여기에 필요한 스위치가 Scorpio X Switch입니다. Trainium 3 출하가 늘어날수록 Scorpio X의 물량도 함께 증가하는 구조입니다.

​

Trainium 4에서도 ALAB의 랙당 매출 기회는 유지된다

Trainium 4의 양산은 2Q27 전후로 계획돼 있지만 실제 의미 있는 물량은 3Q27부터 늘어날 가능성이 높아 보입니다. Trainium 4는 세 가지 SKU로 개발되고 있으며 이 가운데 두 개는 NPO를 채택하는 것으로 알려져 있습니다. Trainium 4의 특이점은 UALink와 NVLink Fusion을 함께 사용한다는 것입니다. 따라서 Astera Labs 입장에서는 가속기당 또는 랙당 얼마나 많은 콘텐츠를 가져갈 수 있는지가 중요한 변수입니다.

​

이에 대해 회사는 Trainium 4에서 UALink 기반 구성과 NVLink Fusion 기반 구성의 랙당 ALAB 매출 기회가 거의 비슷하다고 설명했습니다. NVLink Fusion 채택이 Astera Labs의 콘텐츠 감소로 이어질 수 있다는 우려와 달리, 실제 랙당 매출 기회는 상당 부분 유지될 수 있다는 의미라 생각보다 긍정적입니다.

​

CY27부터 Leo가 또 하나의 성장축으로 추가

Leo도 새로운 매출 기회로 구체화되고 있습니다.

​

현재 커스텀 KV Cache Offloading 프로젝트가 검증 단계에 있으며 CY27부터 관련 매출이 본격적으로 확대될 것으로 기대하고 있습

니다. Scorpio가 Scale-up Network에서 성장하는 축이라면 Leo는 추론 시스템에서 메모리 병목을 완화하는 쪽으로 아스테라랩스의 콘텐츠를 확대하는 제품입니다. 따라서 CY27에는 Scorpio 성장 위에 Leo까지 추가되면서 제품 포트폴리오가 한 단계 넓어질 수 있습니다.

유니티(U)

​

유니티U는 Overweight을 유지합니다. CY27 PER 24.4배(CY27 EPS $1.8)입니다.

유니티 2Q26 실적발표 : 앱러빈이 이미 걸어간 길, 유니티는 이제 그 초입에 서 있다

유니티 기업분석 : 게임엔진 + AI 광고엔진, 숫자로 증명하기 시작한 시너지

​

GPT-6 Astra 이후의 Unity

​

이번 주 개인적으로 가장 중요하게 봤던 것은 GPT-6 Astra 발표 이후 시장이 유니티에 대해서 어떻게 평가할 것인가였습니다. 최근 유니티에 대해서는 기업분석 자료를 참고하시면 도움이 되실 것 같습니다.

​

GPT-6 Astra에 대한 생각은 9월 7일 주간전략보고에서 정리드린 바 있습니다.

​

GPT-6 Astra는 'GPT-2 Moment'에 가깝다

GPT-6 Astra는 일종의 GPT-2 Moment라고 보고 있습니다. 핵심은 Recurrent Depth입니다.

​

컴퓨트 비용이 상대적으로 계속 낮아지는 환경에서는 모델이 모든 토큰에 동일한 연산량을 사용하는 대신 어려운 문제에는 더 많은 compute/token을 배분하고 쉬운 문제에는 적게 사용하는 방식으로 지능을 높일 수 있습니다. 결국 모델 크기나 데이터만 늘리는 기존 축과 다른 새로운 Scaling Axis가 열린 것입니다.

​

더 중요하게 보는 것은 오픈AI 내부의 체크포인트 모델이 Spud → Doug → Bel로 계속 넘어가고 있다는 점입니다. GPT-6 Astra는 Doug 계열의 마지막 모델로 추정되며, 8월 28일부터 RL Sandbox 환경에서 훈련 중인 다음 프론티어 모델은 Bel입니다.

​

앞으로 약 6개월은 새로운 체크포인트 위에서 RL과 추론 연산을 얼마나 더 밀어붙일 수 있는지를 확인하는 시간이 될 가능성이 높습

니다. 이후에는 Vera Rubin 기반으로 다시 3~4개월간 사전훈련한 새로운 체크포인트 모델이 등장하고, 그때부터 다시 다음 12개월의 지능 도약이 시작될 것으로 보고 있습니다.

​

자연어로 Editor를 다루기 쉬워져도 엔진이 필요 없어지는 것은 아니다

Genie 같은 월드모델을 보면 "AI가 게임을 만들어주는데 게임엔진이 필요할까?"라는 질문이 먼저 나오기 쉽습니다. 하지만 상호작용 가능한 세계를 생성하는 것과 실제 게임을 운영하는 것은 다른 문제입니다.

​

월드모델은 이미지와 프롬프트를 기반으로 그럴듯한 환경과 에셋을 생성하는 데 강점이 있습니다. 반면 게임엔진은 물리, 상태, 게임 로직을 결정론적으로 작동시키고 성능을 최적화한 뒤 PC/콘솔/모바일 등 여러 디바이스에 배포하고 지속적으로 운영하는 기반입니다.

​

따라서 코딩 에이전트가 개발자 대신 Unity Editor를 조작한다고 해서 Unity가 필요 없어지는 것은 아닙니다. 오히려 중요한 변화는 사람이 Unity를 사용하는 방법이 바뀐다는 것입니다.

​

과거에는 Unity Editor의 복잡한 사용법과 프로그래밍을 알아야 엔진의 기능을 활용할 수 있었다면 앞으로는 자연어로 AI 에이전트에게 지시해 같은 기능을 사용할 수 있게 됩니다. 실제로 유니티가 2Q26 컨콜에서 밝혔듯 지금 나타나는 변화도 유니티 엔진을 대체하는 쪽이 아닙니다. 코딩 에이전트가 Unity로 게임을 만드는 비용과 난이도를 낮추고 있습니다. AI가 제품 개발 속도뿐 아니라 수요까지 움직이는 중요한 요인이 되고 있했습니다. 개발 효율성이 높아지면서 더 많은 게임이 만들어지고 있으며 이 변화는 이미 숫자로 나타나기 시작했습니다.

​

그래서 Unity 7이 중요하다

Astra로 게임을 개발하는 모습을 보고 가장 먼저 든 생각은 하나였습니다.

​

'유니티는 최대한 빠르게 전사 역량을 동원해서 Unity 7을 조기 출시해야겠다. 절호의 기회를 놓치지 않았으면 한다.' Unity 7 자체가 코딩 에이전트가 존재하는 개발환경을 전제로 설계되고 있기 때문입니

다.

​

개발자뿐 아니라 아티스트와 프로듀서, 여러 AI 에이전트가 하나의 프로젝트에서 함께 작업할 수 있도록 만들고 MCP를 개방하며 API와 CLI를 통해 코딩 에이전트가 Unity를 직접 조작할 수 있도록 하는 방향입니다.

​

중요한 변화는 사용자가 더 이상 Unity Editor의 모든 기능과 사용법을 알아야만 Unity를 활용할 수 있는 것이 아니라는 점입니다. 경영진 표현대로라면 Unity가 엔지니어 바깥의 사용자들에게 열리는 것입니다.

​

AI의 가장 큰 효과 'Creator Funnel' 확대

따라서 AI가 유니티에 가져오는 가장 큰 변화는 단순한 생산성 향상보다 Creator Funnel 확대라고 봅니다.

​

지금까지 기술적인 이유로 게임을 만들기 어려웠던 개인이나 소규모 팀도 코딩 에이전트를 이용해 게임을 만들 수 있습니다. 기존 개발팀도 같은 인원으로 더 빠르게 반복하면서 훨씬 많은 아이디어를 테스트할 수 있습니다. 유니티가 장기적으로 바라보는 고객층도 전문 게임 개발자에 머물지 않습니다. 영상 제작자와 비슷한 규모의 프로슈머 크리에이터까지 Interactive Content 제작에 들어올 수 있다고 보고 있습니다.

​

과거 유니티의 TAM이 게임 개발자 수에 의해 제한됐다면, 코딩 에이전트 시대에는 그 상단이 Interactive Content를 만들고 싶은 사람의 수까지 넓어질 수 있습니다.

​

이 차이는 상당히 큽니다.

​

유니티 내에 행동/결제 데이터가 쌓인다

Unity 7은 코딩 에이전트로 게임을 만드는 단계에서 끝나는 것이 아니라 이후 사용자 모집에는 Unity Vector, 결제에는 Unity Commerce가 자연스럽게 연결되는 구조를 지향합니다. 따라서 Creator Funnel 확대가 단순히 개발자를 통한 수수료 증가로 끝나는 것이 아닙니다.

Creator 증가 → 게임 증가 → Unity Runtime 사용 증가 → Vector/Commerce 사용 증가

이렇게 연결될 수 있습니다.

​

그리고 이 과정에서 다시 데이터가 쌓이면 광고 성과가 개선되고 더 많은 개발자가 Vector를 사용하는 구조로 이어집

니다. 결국 유니티가 최근 강조하고 있는 데이터 Flywheel이 다시 작동하기 시작할 수 있습니다.

​

게임 공급이 늘어날수록 Discovery의 가치는 오히려 높아진다

여기에서 재미있는 역설이 하나 있습니다.

​

AI로 게임 제작비용이 낮아지면 게임 공급은 크게 늘어날 가능성이 높습니다. 하지만 소비자의 시간은 갑자기 늘어나지 않습니다. 결국 게임이 많아질수록 좋은 게임을 만드는 것만큼 그 게임을 적절한 사용자에게 발견시키는 것이 중요해집니다.

​

최근 ChatGPT와 AI Overview가 확산되면서 커머스 사이트들의 Organic Traffic이 감소하고 오히려 유료로 사용자를 얻으려는 마케팅 활동의 니즈가 높아지고 있다는 내용을 여러 번 말씀드렸습니다. 게임에서도 비슷한 현상이 나타날 수 있습니다.

​

만들기 쉬워질수록 게임 숫자는 늘어나고 Discovery 경쟁은 심해집니다. 그러면 개발자가 좋은 사용자를 얻기 위해 지불할 경제적 가치도 커집니다. 바로 이 부분이 Unity Vector가 중요한 이유입니다.

​

유니티가 바라보는 Flywheel을 단순화하면 다음과 같습니다:

AI 발전 → 제작비용 하락 → Creator 증가 → 게임 증가 → Unity Platform 사용 증가 → Discovery 경쟁 심화 → Vector 수요 증가

AI가 게임 제작비를 낮추는 것이 광고사업에는 오히려 더 큰 TAM을 만들어줄 수 있는 구조입니다.

​

Unity 6.6 내에서도 Codex/Claude Code 플러그인 연결 가능

이번 주 Codex에 유니티 플러그인이 출시되고, Claude Code에도 유니티 플러그인이 출시됐습니다. AI 에이전트가 유니티 개발 환경에서 모델을 생성하고, 애니메이션을 입힌 뒤 바로바로 유니티 개발 에셋에 적용할 수 있는 구조입니다. 게임엔진 가운데 유니티가 이 변화를 상당히 공격적으로 받아들이고 있다는 점도 중요합니다. GPT-6 Astra → Blender → Unity를 사용해서 게임 개발을 크게 가속화할 수 있습니

다.

​

게임 개발비용이 크게 낮아지고, 새로운 아이디어가 새로운 게임으로 연결되어 새로운 사용자를 빠르게 흡수하는 루프가 앞으로 1~2년 사이에 드라마틱하게 빨라질 것을 예상합니다.

​

오라클(ORCL), 코어위브(CRWV), 네비우스(NBIS)

​

코어위브CRWV는 Overweight을 유지합니다.

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 계급도, 전력을 돈으로 바꾼 Powered Shell

네오클라우드 뜯어보기 : GPU 임대의 경제학, 네오클라우드 BIG 4 비교분석

​

오라클 3Q26 : 차트 4개로 요약

​

주요 차트들만 간단하게 정리해봅니다. 자세한 버전은 <오라클 3Q26 실적발표 : 체급을 키우는 벌크업 단계, 펀더멘탈을 결정하는 두 가지 포인트> 자료를 참고해주세요.

​

차트 #1 - OCI 성장률은 더 빨라지고 있다

OCI 성장률은 1Q26 84% → 2Q26 93% → 3Q26 121%까지 높아졌습니다. 이미 분기 매출 $7.4B, ARR 약 $30B 규모에 도달한 사업이 오히려 더 빠르게 성장하고 있다는 점이 중요합니다.

​

이번 분기에만 850MW의 AI 컴퓨트와 30만 개 이상의 GPU(애빌린 13.1만 개 GPU)를 온라인했습니다. 직전 분기의 약 3배 수준으로 데이터센터 구축 속도 자체가 크게 빨라졌습니다.

​

차트 #2 - RPO +$26B 증가, 더 중요한 건 자금조달

구조

RPO는 $638B → $664B로 한 분기 사이 +$26B 증가했습니다. 신규 수주가 +$26B라는 게 아닙니다. 기존 계약이 매출로 전환되는 상황에서도 잔여계약가치가 늘었다는 점은 긍정적입니다.

​

더 중요한 것은 이번 신규 계약들이 오라클의 추가 현금 투입을 크게 요구하지 않는 구조라는 점입니다. 고객 선급금, BYOH, 공급업체 금융을 활용하면서 매출 성장을 위해 필요한 자본을 오라클이 전부 먼저 부담하지 않아도 되는 계약이 늘고 있습니다.

​

차트 #3 - 저마진 OCI가 커져도 영업이익 레버리지 중

매출은 YoY 29.6%, Non-GAAP 영업이익은 31%(GAAP은 57%인데 왜곡 O), EPS는 30% 증가했습니다.

​

OCI 비중 확대 때문에 GPM은 낮아지고 있지만 기존 소프트웨어 조직과 기술을 활용하면서 추가 R&D와 영업비용 증가를 제한하고 있습니다. 따라서 GPM 하락이 그대로 OPM 하락으로 연결되지는 않는 모습입니다.

​

차트 #4 - 문제는 여전히 막대한 CapEx

오라클은 소프트웨어 기업에서 대규모 자본을 투입하는 AI 인프라 사업자로 빠르게 변하고 있습니다. FY27 CapEx 가이던스는 $90~95B, 고객 선급금 등을 제외한 오라클의 순현금 투자도 최대 약 $70B 수준입니다.

​

핵심 우려는 CapEx 자체보다 언제 투자 사이클이 정점을 지나느냐입니다. 사실 이거는 좀 역설이 있습니다. AI가 좋으면 좋을수록 사이클이 길고 산도 높아질테니 CapEx 피크 구간도 멀어질 것이기 때문입니다. 기존 데이터센터에서 현금이 발생하더라도 더 큰 신규 프로젝트에 계속 재투자한다면 개별 프로젝트의 수익성이 좋아도 전사 FCF 개선 시점은 계속 뒤로 밀릴 수 있습니다.

​

다만 여기에서 두 가지가 바뀌면 성장의 질이 달라집니다.

​

첫 번째는 오라클이 실제로 부담하는 Net CapEx입니다. 고객 선급금과 BYOH 비중이 계속 더 높아진다면 Gross CapEx가 높더라도 오라클이 투입해야 하는 자기자본은 크게 줄어듭

니다. 같은 영업이익을 더 적은 자본으로 만들 수 있기 때문에 ROIC와 FCF에 대한 평가도 크게 달라집니다.

​

두 번째는 AI 인프라의 마진율입니다. 현재 시장은 OCI 확대를 저마진 사업 비중 증가로 보고 있습니다. 하지만 TaaS나 GPU 임대가격 상승으로 AI 인프라 GPM이 개선된다면 동일한 GPU와 데이터센터에서 발생하는 현금이 늘고 투자금 회수기간도 빠르게 짧아집니다.

GPU 잔존가치 업데이트 (A100, H100, B200)

9월 8일, Silicon Data의 GPU 잔존가치 업데이트를 정리해보면:

A100 $4,956 (YTD -12.0%)

H100 $20,308 (YTD +3.6%)

B200 $71,057 (YTD +14.4%)

입니다.

​

A100은 2025년 말부터 $5K 인근에서 평평하게 유지되고 있고, H100과 B200은 오히려 감가상각에도 불구하고 가치 상승한 상태입니다.

네비우스 : GS Communacopia + Tech Conf.

네비우스의 9월 8일 GS Communacopia + Technology Conf 2026., 핵심만 정리해봅니다.

​

공급부족 전망 : 18개월 → 24개월 (+6개월)

네비우스는 2Q26까지만 해도 AI 컴퓨트 공급 부족이 앞으로 약 18개월 지속될 것으로 봤지만, 이번에는 이를 24개월 이상으로 늘렸습니다. 이미 고객들이 1Q28~2Q28에 사용할 수만 개 규모의 Vera Rubin GPU를 요청하고 있습니다. 고객들이 단순히 당장의 부족한 용량을 메우는 것이 아니라 향후 모델과 서비스 확장에 필요한 연산 능력까지 미리 확보하려는 단계로 넘어갔다는 의미입니다.

​

CY27 용량을 지금 모두 판매하지 않는 이유

네비우스는 현재 수요만 놓고 보면 CY27 용량을 지금 모두 판매할 수도 있다고 설명했습니다. 그럼에도 계약을 서두르지 않는 이유는 컴퓨트 공급 부족이 더 심해질 경우 미래에 더 높은 가격과 더 좋은 고객 Mix로 판매할 수 있다고 보기 때문입니다. 단순히 가동률을 빠르게 채우는 것보다 제한된 GPU 용량의 경제적 가치를 최대화하려는 전략입니

다.

​

장기계약은 중기계약을 키우기 위한 수단

네비우스의 계약은 크게 세 가지로 나뉩니다.

​

장기계약 : 5년 이상으로 주로 하이퍼스케일러와 체결합니다. 낮은 계약 리스크와 장기간의 현금흐름을 확보해 데이터센터 확장을 위한 자금조달에 활용하는 역할이 큽니다.

중기계약 : 1~3년으로 네비우스가 궁극적으로 키우려는 핵심 사업입니다. 여러 기업 고객에게 자체 클라우드 서비스를 제공하면서 장기계약보다 높은 가격과 고객 다변화를 동시에 가져갈 수 있습니다.

단기계약 : 3~6개월로 긴급한 대규모 학습이나 추론 수요에 용량을 배정하고 높은 가격을 받는 구조입니다.

​

결국 하나의 GPU Fleet 안에서도 장기계약으로 자금조달 기반을 만들고, 중기계약으로 핵심 사업을 키우며, 일부 단기 물량으로 공급 부족에 따른 가격 프리미엄까지 확보하는 구조입니다.

​

네비우스가 이번에 특히 강조한 것은 장기계약의 자금조달 효과였습니다.

​

대형 고객과 장기간 계약을 체결하면 미래 현금흐름을 담보로 데이터센터와 GPU 투자에 필요한 자금을 보다 쉽게 확보할 수 있습니다. 하지만 네비우스가 궁극적으로 확대하려는 사업은 하이퍼스케일러 한두 곳에 장기간 GPU를 임대하는 것이 아니라 다양한 기업 고객에게 자체 GPU 클라우드 용량를 판매하는 중기계약 사업입니다. 장기계약은 성장 자금을 확보하기 위한 역할이고 중기계약이 장기적인 사업가치를 결정하는 핵심인 셈입니다.

​

2Q26이 대형 계약 4건도 모두 신규 고객

2Q26에 언급했던 대형 계약 4건은 모두 1~3년의 중기계약이었으며 네비우스의 신규 고객이었습니다.

​

더 긍정적인 것은 이 고객들이 기존에 사용하던 공급업체가 있었는데도 네비우스가 경쟁을 통해 계약을 따냈다는 점입니다. 단순히 공급 부족 덕분에 남는 수요를 받는 것이 아니라 기존 네오클라우드 사업자를 상대로 경쟁해 고객을 가져오기 시작했다는 의미가 있습니다.

​

팔란티어의 가치는 기업 고객으로 들어가는 유통

이번 팔란티어와의 제휴도 같은 맥락에서 봐야 합니

다.

​

팔란티어는 기업의 데이터와 업무 프로세스를 연결하는 소프트웨어와 고객 관계를 제공하고 → 네비우스는 그 위에서 모델을 학습하고 운영할 AI 인프라와 추론 서비스를 제공합니다. 통합이 완료되면 팔란티어를 사용하는 기업들이 기존 업무환경 안에서 자연스럽게 네비우스의 컴퓨트와 추론 기능을 사용할 수 있게 됩니다. 팔란티어가 이미 확보한 기업 고객군으로 네비우스의 추론 서비스가 확장될 수 있는 유통채널을 확보했다는 게 중요합니다.

버티브(VRT)

​

버티브VRT는 Overweight을 유지합니다. CY27 PER 27.1배(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 : GS Communacopia + Tech Conf.

버티브의 9월 8일 GS Communacopia + Technology Conf 2026., 핵심만 정리해봅니다:

​

프로젝트 수요의 폭이 계속 넓어지고 있다

버티브는 2Q26 실적 이후에도 잠재 프로젝트가 계속 늘고 있으며, 프로젝트 가시성이 좋아지고 세일즈 주기도 빨라지고 있다고 설명했습니다.

​

배경은 두 가지입니다.

​

첫째, 고객층이 넓어지고 있습니다. 과거에는 하이퍼스케일러가 대규모 컴퓨트를 구축하고 다른 기업들이 이를 사용하는 구조였다면, 이제는 AI Labs까지 직접 대규모 인프라를 구축하고 있습니다.

​

둘째, 지역도 미국 중심에서 글로벌로 확산하고 있습니다.

​

여기에 버티브가 단순한 전력/냉각장비 공급을 넘어 통합 인프라와 서비스까지 제공하면서 프로젝트 하나에서 가져갈 수 있는 Content도 함께 커지고 있습니다. 결국 고객 수 × 지역 × 프로젝트당 Content가 동시에 확대되는 구조입니다.

​

데이터센터 건설현장 현장 복잡성 ▽ → 버티브 생산 복잡성 ▲

다만 통합 솔루션 비중이 높아질수록 버티브가 관리해야 하는 생산 복잡성도 커집니

다.

​

과거에는 UPS, 냉각장비, 배전장비를 각각 잘 생산하면 됐다면 이제는 여러 공장에서 생산한 구성품을 정확한 시점에 모아 하나의 시스템으로 완성해야 합니다. 고객 입장에서는 데이터센터 현장에서 해야 할 일이 줄어드는 대신 통합과 일정관리의 복잡성을 버티브가 가져오는 구조입니다.

​

경영진도 이 때문에 구성품 하나의 일정이 며칠만 어긋나도 전체 시스템 인도와 매출 인식 시점이 다음 분기로 넘어갈 수 있다고 설명했습니다. 앞으로는 수요뿐 아니라 Execution과 공급망 조율 능력도 실적 변동성을 결정하는 중요한 요소가 됩니다.

​

UIG 인수는 데이터센터 전력 설계의 더 상단으로 올라가기 위한 전략

UIG 인수는 단순히 제품군을 하나 추가하는 인수가 아닙니다.

​

버티브가 노리는 것은 데이터센터의 BTM 전력 구조가 결정되는 초기 설계 단계부터 참여하는 것입니다. 현장 발전원, ESS, 전력망을 어떻게 연결하고 제어할지 결정하는 단계에 먼저 들어가면 이후 배전반, UPS, 전력변환장치 등을 선정할 때도 버티브 제품을 함께 공급할 가능성이 높아집니다.

​

기존에는 결정된 데이터센터 설계에 맞춰 장비를 공급했다면 앞으로는 전력 아키텍처 자체를 설계하는 단계부터 들어가 그 아래의 전체적인 세부 제품 수주까지 연결하겠다는 전략입니다.

​

하이퍼스케일러의 자체 설계는 좀 더 생각해봐야 할 이슈

하이퍼스케일러가 전력·냉각장비를 자체 설계하려는 움직임에 대해 CEO는 새로운 현상이 아니라고 설명했습니다. 고객이 IP와 설계를 직접 보유하더라도 실제 대규모 생산과 기술적 협업에는 전문 공급업체가 필요하기 때문에 자체 설계와 외부 공급업체 활용은 서로 배타적인 개념이 아니라는 주장입니다.

​

이 구분 자체는 나름 타당하긴 합니다.

​

고객이 설계한다고 해서 버티브의 공급 기회가 바로 사라지는 것은 아닙니다. 모듈화된 제품이나 부품들은 꾸준히 버티브의 것으로 들어가긴 합니다.

​

그렇다고 또 이것이 버티브의 시장점유율이나 경제성을 보장한다는 의미는 아닙니

다.

​

하이퍼스케일러가 시스템 설계와 IP를 더 많이 가져갈수록 공급업체 간 대체 가능성이 높아지고 가격과 계약조건에서 고객의 협상력이 강해질 가능성도 있기 때문입니다. 버티브도 계속 새로운 영역으로 진출 중이니 데이터센터당 가져가는 점유율은 낮아져도 신규 콘텐츠의 영역이 넓어지면서, 데이터센터향 매출은 지금은 늘고 있는데 앞으로 어떨지는 계속 경계하고 봐야 한다는 의미입니다.

블룸에너지(BE)

​

블룸에너지BE는 Overweight을 유지합니다. CY27 PER 30.6배(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

​

BTM의 여러 가지 병목 중 최근 가장 화두는 '환경오염, 대기오염 허가'입니다.

가스 발전은 NOx와 CO 배출 때문에 규모가 커질수록 PSD, Title V 등의 규제에 걸립니다. 예를 들어 통제 후 NOx 배출량이 0.10g/kWh라고 가정하더라도 250MW 발전소를 1년 내내 가동하면 약 241톤의 NOx가 발생합니다. 약 259MW면 연간 250톤에 도달합니다.

​

그래서 데이터센터 입지 선정에서 이제는

전력 가격 + 가스 가격 + 부지

→ 허가가 얼마나 쉬운 주인가

까지 매우 중요해졌습니다. xAI가 Colossus 2 발전설비를 테네시가 아니라 바로 옆 미시시피주 Southaven에 둔 것도 이런 이유입니다.

2026년 8월 24일 기준으로 잡힌 BTM 프로젝트로 들어온 주문 72GW 중에서 데이터센터 부지로는 텍사스가 17GW(23.6%)로 단일 주로서는 비중이 가장 높습니다.

​

오라클의 프로젝트 주피터는 가스터빈 → 연료전지로 전환한 사례

오라클 뉴멕시코 프로젝트는 처음에는 가스터빈 + 왕복엔진으로 설계됐지만 환경/대기오염 허가 이슈가 불거지자 블룸에너지 SOFC로 전환한 대표적인 사례입니다. 기존 터빈 설계의 NOx 배출량이 연간 521톤 수준이었고 이를 배출허가 기준인 250톤 바로 아래로 낮추려 했지만 규제기관과의 문제가 발생했습

니다. 이후 블룸에너지의 SOFC 방식으로 바꾸면서 예상 NOx가 약 37톤으로 기존 대비 92% 감소했습니다.

​

데이터센터 현장 발전원 중 가장 환경친화적인 블룸에너지의 SOFC

오라클 실적발표에서 뉴멕시코(Project Jupiter) 관련해서 언급했습니다:

​

"뉴멕시코는 흥미로운 지역입니다. 저희는 매우 순조롭게 진행하고 있습니다. 건설 측면에서 데이터 센터는 확실히 계획대로 진행되고 있습니다. 대기 오염 허가를 취득하는 절차를 진행 중입니다. 그리고 그곳에 도입할 기술은 블룸에너지의 SOFC입니다. 이는 현장 발전 방식 중 가장 환경 친화적인 방식으로, 물 소비량과 배출량이 다른 어떤 현장 발전 방식보다 훨씬 적습니다. 그래서 저희는 이 과정을 진행하면서 도아아나 카운티의 지역 규제 기관 및 지역 주민들, 그리고 뉴멕시코 주 전체의 모든 분들과 협력할 수 있을 것이라고 확신합니다. 지금은 단지 절차를 밟고 있을 뿐이며, 이와 같은 대규모 프로젝트에서는 흔한 일이라고 생각합니다."

​

현재 BTM 발전원은 ⓐ가스터빈(Gas Turbine) ⓑ왕복엔진(Reciprocating Engine) ⓒSOFC(거의 BE 독점)입니다.

마이크론(MU)

​

마이크론MU는 Overweight을 유지합니다. CY27 PER 5.4배(FY27 PER 5.7배, EPS $170)입니다.

마이크론 2Q26 실적발표 : 이제 메모리는 찍기도 전에 팔린다

마이크론 1Q26 실적발표 : 흔들릴 이유가 없는 어닝 서프라이즈, 구조적 성장주로 거듭나는 길

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

추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘

​

메모리 대역폭을 위해 4-hi HBM를 선호하다

SemiAnalysis의 <Long Live the Short King: Why 4-hi HBM Wins> 자료를 정리해봅니다.

​

왜 갑자기 4-hi인가?

지금까지 HBM은 세대가 바뀔수록 Cube 수를 늘리고 × 다이당 밀도를 키우고 × 단수도 높이는 방향으로 발전했습

니다. 그런데 SemiAnalysis는 이 추세가 꺾이기 시작했다고 봅니다. 대표적으로 Rubin Ultra의 HBM 용량이 기존 예상보다 크게 줄어 GPU당 192GB로 설계되고 있으며, B300의 288GB보다 오히려 낮아집니다. 이유 중 하나는 HBM wafer가 부족해서 12-hi를 충분히 공급하기 어렵기 때문입니다.

​

그런데 더 중요한 이유는 HBM 용량을 줄여도 HBM 대역폭은 4-hi만 되더라도 줄지 않는다는 점입니다.

AI 워크로드도 HBM '용량'보다는 '대역폭'을 더 중요하게 만드는 중

훈련 워크로드는 모델의 가중치뿐만 아니라 gradients와 activations까지 HBM에 저장해야 하기 때문에 HBM 용량이 높을수록 좋습니다(capacity-sensitive).

​

그런데 추론 중 Decode는 매 토큰마다 모델 가중치와 KV Cache를 읽어와야 해서 훨씬 대역폭이 높을수록 좋습니다(bandwidth-sensitive). RL/Post-training 역시 대역폭이 높을수록 좋습니다. 이제 추론 수요가 크게 늘어나고 있으니 AI 시스템 전체가 용량에 민감한 시스템 기반에서 → 대역폭에 민감한 시스템 기반으로 옮겨가고 있다는 의미입니다.

​

그리고 모델을 싣는 것은 Scale-up Domain의 크기가 얼마가 될 것이냐가 매우 중요합니다. 그런데 VR300부터는 NVL72를 8개 엮어 NVL576으로 Global Scale-up Domain이 매우 커집니다. GPU 하나당 HBM 용량은 줄어드는데 NVL576 기반으로 만들었을 때의 시스템 전체 HBM 용량은 충분히 많아지는 셈입니다.

​

이 과정에서 수혜는 인터커넥트 섹터쪽이 가장 큽니다. 칩당 HBM 용량은 줄이는데, 칩의 수는 늘려서 더 분산시키는 작업이니, 그 칩들을 더 고속으로 연결하고 더 무결한 인터커넥트로 연결할 필요성은 높아지는 것입니다.

​

실제 Kimi-K3 기준 4/8/12-hi당 얼마나 토큰 throughput이 좋아지는가

SemiAnalysis가 Rubin Ultra NVL576을 모델링했을 때 Kimi K3 기준 최대 throughpu

t은

​

4-hi : 기준

8-hi : +8%

12-hi : +10% 개선됩니다.

​

그런데, 시스템 비용은

​

8-hi : +12.1%

12-hi : +26.3% 증가합니다.

​

그러면 토큰당 비용 관점만 볼 때는 8-hi나 12-hi 모두 토큰당 비용이 나빠지는 것입니다.

​

계속해서 개인적으로 전해드리던 맥락과 비슷합니다. ⓐ컴퓨트, ⓑ메모리, ⓒ인터커넥트 중에서 ⓑ메모리가 워낙 비싸지고 있는데 ⓐ컴퓨트는 상대적으로 경쟁 덕에 저렴해지고 있고 ⓒ인터커넥트는 '상대적으로' 전체 시스템에서 차지하는 비용이 높지는 않기 때문에 상대적으로 ⓐ컴퓨트와 ⓒ인터커넥트를 늘려서 전체 시스템의 달러당 토큰 가격, 와트당 토큰 가격을 낮추는 과정입니다.

​

KV Cache도 반드시 HBM에 둘 필요는 없다

4-hi의 약점은 당연히 HBM에 KV Cache를 저장할 공간이 작다는 것입니다. 하지만 오래 사용하지 않는 cold KV Cache를 DDR DRAM이나 Storage로 offload할 수 있습니다. SemiAnalysis의 실제 Kimi K3 테스트에서도 HBM의 KV Cache 공간을 크게 줄여도 대부분의 throughput 구간에서는 성능 차이가 크지 않았습니다.

​

메모리 입장에서는 생각보다 크게 나쁘진 않다

SemiAnalysis는 4-hi를 8-hi보다 $/GB 기준 약 10% 비싸게 판매할 수 있다고 가정합니다. Stack이 낮아지면 Base Die 비용 비중이 커지기 때문에 $/GB premium이 필요하지만 동시에 stacking이 쉬워지고 packaging yield가 좋아집니다. 동일한 DRAM wafer에서 만들 수 있는 Cube 수는 이론적으로 거의 2배가 됩니다.

​

따라서 단순 계산으로는

Revenue / DRAM wafer ≈ 2 × 55% = 110%

가 됩니다.

​

즉 bit demand는 줄어도 DRAM wafer당 경제성은 오히려 좋아질 수 있습니다. 기본적으로 이 모든 것이 한정된 메모리 DRAM Wafer 하에서 더 많은 칩, 더 높은 퍼포먼스를 뽑아내기 위해서 시작한 설계라는 것을 잊으면 안됩

니다. 8/12-hi 구조에서 4-hi로 바뀌면 Base die의 수를 훨씬 더 많이 필요로 하게 된다는 것은 있지만, 메모리 총 수요 관점이나 메모리 기업들의 매출 및 이익 총량 기준으로는 이전보다 더 좋아지는 효과입니다.

GF증권, SEMICON Taiwan 피드백

GF증권의 SEMICON Taiwan 피드백을 정리해보면:

​

DRAM 수요가 매우 높습니다. 미국 하이퍼스케일러 재고가 낮은 상태인데 추가로 줄어들 가능성이 높습니다. 4Q26 Blended DRAM ASP는 QoQ +10% 정도를 예상했습니다.

NAND는 3Q26에는 QoQ +14~16%를 예상하지만, 이후 모바일 수요가 약화되다보니 4Q26에는 QoQ +1~3%대로 가격상승세가 완화될 수 있다고 봤습니다.

개인적인 생각에 NAND는 스마트폰발 재고조정이 생기고 있는 것은 맞지만, 가까운 미래를 바라보기에 NAND는 두 가지가 중요하다고 봅니다.

ⓐNAND는 9~11월까지 매월 VR200 NVL72와 함께 Pod으로 구성하는 STX 랙(BlueField DPU-4+SSD)향 SSD 수요가 실제로 얼마나 될 것이냐를 좀 더 살펴봐야 한다고 생각합니다.

ⓑHBF가 실제로 얼마나 NAND 수요에 기여할 것인가도 중요한 포인트입니다. 실제로 LLM 추론 시 HBF가 꽤 쓸만한 것으로 나오면 SNDK 입장에서는 아직 정량화하긴 이르지만 정성적으로 생각할 때 꽤나 업사이드가 생길 요인으로 보고 있습니다. 샌디스크는 Investor Day 2026에서 HBF 개발과 제조를 위한 각종 비용은 전망치에 넣었지만 HBF를 통해서 생길 매출과 이익 업사이드는 전망치에 포함하지 않았다고 말한 바 있습니다.

HBM은 공급이 매우 타이트하고, 중국 GPU 수요가 늘면서 CY27에도 강하게 성장할 것으로 예상합니다. HBM4 가격 문의 레인지는 $2.9~4.5/Gb인데, 최종가격은 $3.5~4.0/Gb 정도에서 수렴할 것으로 예상했습니다. 칩 수요는 높은데 메모리 물량은 제한적이다보니 Vera CPU SOCAMM은 de-spec이 지속 중이어서 1Q27에는 64GB가 메인이 될 것으로 예상했습니

다.

주간전략보고 DRAMeXchange 8월 서버 DRAM 채널 체크에서 CSP들이 완제품 서버 출하를 늘리기 위해 기존 96GB/128GB 제품군 중심에서 → 32GB/64GB 제품으로 구성을 바꾸고 있다고 전해드린 바 있습니다. 원래는 고용량 128GB에 bit당 단가 프리미엄이 있었기 때문에 상대적으로 프리미엄이 형성되지 않은 32GB/64GB 위주로 채워가는 과정입니다. 물론 메모리 기업들도 공급이 타이트한 32GB 모듈 가격을 인상하여 Blended ASP 상승은 1Q27까지도 예상됩니다.

​

CXMT HBM3 수율은 아직 양산 기준에 크게 못미친다

CXMT 상황을 잘 아는 반도체 장비업계 소식에 따르면, CXMT가 올해 HBM3 시험생산에 착수했지만, 업계 양산 기준선 수율인 80%에 한참 못미치는 25% 수준에 정체되고 있는 상태입니다. HBM3 8-Hi 수율이 전공정 30% 정도 수준이고 후공정을 거치면서 70% 정도만 양품으로 인정받기 때문에 대략 20~25% 정도만 양품으로 만들어지고 있는 셈입니다.

​

문제는 DRAM 셀이 아니라, TSV와 후공정

CXMT의 G4, 17nm급 commodity DRAM 자체는 큰 문제가 없는 것으로 평가됩니다. 병목은 HBM 특유의 TSV와 적층 후공정에 있습니다.

​

예를 들어 SEC의 HBM2는 Die당 TSV가 5,000개 이상, SKH의 HBM3는 8,000개 이상 들어가는 것으로 알려져 있는 반면 CXMT는 약 3,000개 수준에 그칩니다. HBM3이지만 SEC HBM2의 TSV 수준의 60%입니다.

​

TSV 개수를 줄이면 공정 난도를 낮출 수 있지만 그만큼 I/O 병렬성과 대역폭 측면에서는 불리해질 수 있습니다. 따라서 중요한 것은 이렇게 설계와 공정 난도를 낮춘 상태에서도 최종 수율이 SEC와 SKH에 크게 못 미친다는 것입니다. 결국 현재 CXMT와 선두업체의 격차는 DRAM 미세공정 자체보다 TSV 형성, 적층, 본딩, 후공정 수율 관리에서 더 크게 나타나고 있다고 볼 수 있습니

다.

​

다만 '중국은 멀었다'로 끝낼 이슈는 아니다

그렇다고 CXMT가 HBM을 만들 수 없다고 볼 단계는 아닙니다.

​

HBM 후공정은 결국 웨이퍼와 Die를 반복적으로 다루면서 수율을 안정화하고 제조 노하우를 축적하는 영역이기 때문에 시간이 지나면서 개선될 가능성은 충분히 있습니다. 따라서 이번 내용을 "중국 HBM은 걱정하지 않아도 된다"는 단정적인 의미로 해석하기보다는, "CXMT는 아직 HBM3를 본격 양산한다고 말할 단계에는 도달하지 못했다."정도로 담백하게 보고 있습니다.

​

더 중요한 것은 절대적인 기술 수준보다 선두업체와의 격차가 얼마나 빠르게 줄어들고 있느냐입니다. SEC와 SKH 역시 HBM3에 머무는 것이 아니라 HBM4와 이후 세대로 빠르게 이동하고 있기 때문입니다. 결국 중국 HBM을 볼 때는 한 시점의 기술 수준도 중요하지만 CXMT의 수율 개선 속도와 선두업체의 기술 진화 속도 사이의 상대적인 격차를 계속 확인하는 것이 중요합니다.

샌디스크(SNDK)

​

샌디스크SNDK는 Overweight을 유지합니다. CY27 PER 5.4배(Bernstein Bull $300)입니다.

샌디스크 Investor Day 2026 코멘트 / 주간전략보고 : 투자의 생각 (8월 17일~8월 21일)

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

​

샌디스크 : Citi's Global TMT Conf.

샌디스크의 9월 8일 Citi's 2026 Global TMT Conf., 핵심만 정리해봅니다:

​

NBM : 기존 고객이 계약물량 추가 요구한 사례

NBM에는 계약기간, 구매물량, 가격, 재무적 보증이 포함되어 있습니다. 현재 8건의 NBM이 맺어져 있고 총 계약가치는 $93.9B로 모두 계약의 하한가격을 적용한 규모입

니다. 고객의 수요 전망을 믿고 생산용량을 준비하는 것에서 나아가서 그 수요 전망에 고객도 경제적 책임과 의무를 지도록 만드는 것입니다.

​

샌디스크는 이번 Citi 컨콜에서 기존 NBM 고객이 계약을 확대하게 된 과정을 말했습니다.

​

CFO에 따르면 최근 두 고객의 계약이 변경됐습니다:

한 고객은 기간을 연장했고,

다른 고객은 기존 계약에 상당한 물량을 추가했습니다.

​

이 중 물량을 크게 늘린 고객의 사례가 인상적입니다. 엔지니어링 조직이 추론 사용량을 바탕으로 한 필요 NAND를 계산했는데, 처음에는 숫자가 너무 커서 확신하기 어려웠다고 말했습니다. 그래서 첫 계약을 우선 체결해두고 수요를 더 확인하기로 NBM을 체결했던 것인데 이후 해당 추론 사용량에 따른 필요 NAND 수준이 합리적이라고 판단하여 추가 구매를 약속한 것입니다.

​

NAND의 역할 : 단순 스토리지 → 메모리 계층 일부를 차지하다

KV Cache offloading 메모리 티어 중의 하나로 NAND가 들어갔다는 것도 다시금 강조했습니다.

​

KV Cache는 모델이 이전 토큰을 계산하면서 만들어낸 중간 결과를 저장해 이후 추론에서 재사용하기 위한 데이터입니다. 이를 모두 비싼 GPU HBM에 보관하기 어렵기 때문에 일부를 CPU DRAM이나 SSD로 내려놓는 Memory Tiering이 사용됩니다.

​

①동시에 처리하는 Batch Size*가 커지고,

②사용자당 Context Window가 길어지고,

③해당 Context를 더 오랫동안 보관하고 재사용할수록,

​

필요한 KV Cache 용량도 함께 증가합니다.

​

*batch size를 키우면 토큰 하나를 생성할 때 비용이 크게 낮아진다는 점에 대해서는 <LLM 추론 토큰 가격의 비밀 : MoE의 시대, 엔비디아 NVL72가 중요한 이유>에서 원리를 정리드린 바 있습니다.

​

따라서 Agentic AI처럼 긴 문맥을 유지하면서 반복적으로 작업하는 워크로드가 늘어날수록 NAND가 담당할 수 있는 영역도 커질 가능성이 높습

니다. 결국 NAND가 가장 비싼 자산인 GPU의 활용률과 추론 경제성을 높이는 시스템 구성요소로 들어가기 시작하는 것입니다.

​

물론 모든 KV Cache를 SSD로 내리는 것이 경제적인 것은 아닙니다. SSD에서 다시 데이터를 불러올 때 발생하는 Latency보다 재계산을 피하면서 얻는 이익이 더 커야 합니다. 따라서 앞으로는 KV Cache Hit Rate와 재사용 빈도**에 따라 HBM → DRAM → NAND까지를 어떻게 KV Cache를 다루게끔 설계할 것이냐가 중요한 시스템 설계 요소가 되고 있습니다.

​

**코딩 에이전트의 KV Cache hit rate가 높다는 것은 <추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath'>에서 전해드린 바 있습니다.

루멘텀(LITE)

​

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 #2 : 구리도 광모듈도 CPO도 다 커진다, AI 인터커넥트의 폭발

'빛💡'의 시대 : 광학 밸류체인 한 눈에 보기

​

빛의 시대 #2

이번 광학 투자자를 위한 두 번째 Primer 자료를 다섯 갈래로 요약해보면,

​

1. AI 컴퓨팅이 커질수록 네트워킹 비용은 GPU보다 더 빠르게 증가한다

GB300 NVL72에서 랙당 인터커넥트 가치는 약 $315K인데 → VR300에서는 GPU 랙 NVL72당 $1.1M 이상, NVL576 시스템 전체로는 $9.35M까지 커집니다. GPU 72개라는 동일 기준으로 봐도 네트워킹 가치는 약 3.7배 증가합니다. 결국 AI 시스템의 발전은 단순한 GPU 증가만 보는 것이 아니라 GPU당 연결 대역폭과 어디까지를 하나의 Scale-up Domain으로 연결할 것인지를 살펴봐야

합니다.

​

2. 구리와 광학은 거리와 대역폭에 따라 역할을 나눠 갖는 구조

짧은 거리에서는 여전히 PCB와 구리가 가장 경제적입니다. PCB → DAC → ACC → AEC처럼 전기 연결도 계속 고도화됩니다. 반면 속도가 높아지고 거리가 길어질수록 전기 신호 보정 비용과 전력이 커져 광학이 유리해집니다. 그래서 앞으로의 구조는 PCB, 구리, 플러거블, NPO/CPO가 동시에 성장하는 구조에 가깝습니다.

​

*심지어는 플러거블 모듈을 강화한 XPO도 있습니다. 생각보다 새로운 포맷으로 마구 대체되는 구조라기보다는 기존 시장도 충분히 고성장하고, 새로운 시장이 생기는 구조입니다. 이 감을 잡으시는 게 중요합니다.

​

3. 광모듈 수요는 GPU 출하대수가 아니라 GPU당 대역폭으로 계산해야 한다

GB300과 VR200은 모두 GPU 72개가 하나의 랙을 구성하지만 GPU당 Scale-out 대역폭이 800G → 1.6T로 2배 늘면서 1.6T 광모듈 수요도 216개 → 432개로 증가합니다. 따라서 앞으로 광학 수요를 볼 때는 GPU 수 x GPU당 대역폭 x 네트워크 계층을 총체적으로 살펴보는 관점을 가져야 합니다.

​

4. CPO가 플러거블을 대체해도 플러거블은 여전히 빠르게 성장한다

2~3번과 이어지는 맥락입니다. VR200에서 CPO가 Scale-out의 25%를 차지하면 플러거블은 432개에서 324개로 줄어듭니다. 하지만 GB300의 216개보다는 여전히 50% 많습니다. 즉 점유율은 하락하지만 TAM은 증가할 수 있습니다. CPO와 플러거블을 제로섬으로 보면 광학 시장의 핵심을 놓치게 됩니다.

​

5. Rubin Ultra의 진짜 변화는 랙 간 Scale-up이 광학 시장으로 새롭게 열리는 것

VR300 NVL576에서는 8개의 GPU 랙을 하나의 Global Scale-up Domain으로 묶습니다. Scale-out뿐 아니라 랙 간 Scale-up까지 CPO 기반 광학 연결이 들어옵니다. NVL576 전체 기준 3.2T 플러거블은 약 1,227개, 1.6T 환산으로 2,454개이고 Scale-up CPO 광엔진만 2,592개가 추

가됩니다. 광학 시장이 기존 Scale-out을 넘어 새로운 연결 영역으로 확장되는 것입니다.

광학 : 전체를 한 눈에 바라보기

​

지금까지 전해드렸던 광학을 둘러싼 환경을 정리해보면 이렇습니다:

대역폭의 변화 : 400G → 800G → 1.6T(양산 CY2H26~) → 2.4T/3.2T(CY2H27~) → 6.4T

레인당 속도의 변화 : 50G/lane → 100G/lane → 200G/lane → 400G/lane

광모듈 단위 대역폭 = ⓐ레인당 속도 x ⓑ레인의 숫자

스위치 ASIC 대역폭 : 25.6Tb/s → 51.2Tb/s → 102.4Tb/s(Spectrum-6/Tomahawk-6) → 200+Tb/s

단일 칩 기준 대역폭입니다. 예를 들어 Spectrum-6를 4개 꽂은 SN6800 스위치는 409.6Tb/s 대역폭이고, 각각 800Gb/s를 지원하는 512개의 포트를 연결할 수 있는 구조입니다.

보통 East-West가 1.6T일 때 North-South는 800G정도인 상태라서 지금은 800G/1.6T가 함께 성장하는 상황입니다. 그 다음은 1.6T/3.2T일 것으로 예상되는데 2.4T도 Coherent-Lite 등으로 따로 채택될 듯합니다. 다음은 1.6T/2.4T/3.2T가 공존하는 사이클입니다.

그래서 Switch ASIC BW(Bandwidth) ↑ → SerDes ↑ → Port BW ↑ → Optical BW ↑가 맞물려있습니다. Components 단위의 생각과 System 단위의 생각을 오갈 수 있어야 합니다.

광케이블 구성의 변화 : FRO(Fully Retimed Optics) → LRO(Tx쪽에만 Retimer) → LPO

XPU와 통합 패키징 되는 방향 : 플러거블 광모듈 → NPO → CPO → 3D OE → Optical I/O chiplet

링크 방식의 변화 : Electrical Link(구리 기반) → OCS를 바탕으로 한 Optical Link(광학 기반)

XPU와 통합 패키징되는 방향이나 OCS를 통한 링크 방식의 변화는 이렇게 하는 이유를 살펴보면 기본적으로 '전기 형태로 데이터를 보내는 경로를 최소화하려는 것'이란 점에서 지향점이 같습

니다.

그리고 OCS는 데이터센터 네트워크에서 데이터가 이동하는 경로 자체를 광학적으로 재구성하는 '시스템'입니다. Components가 아니라 Systems임을 이해하는 것에서부터 시작될 수 있는 생각이 많습니다.

(ㄱ) MEMS 방식의 OCS와 LCOS 방식의 OCS는 전혀 다른 시스템이다. 생산비용이 MEMS보다 2~3배 비싸고, MEMS는 거울을 움직여 빛의 경로를 바꾸는 것이라 광 손실이 매우 낮지만 LCOS는 빛이 시스템 내부를 통과한다는 점에서 광 손실이 발생할 수 밖에 없다.

(ㄴ) 시스템이기에 하이퍼스케일러와 협력 및 실증한 경험이 매우 중요하다. 특정 워크로드, 특정 클러스터 설계에 맞춰서 패브릭을 구성하는 방식을 더 세밀하게 제어할 수 있게 해준다. 이 과정에서 하이퍼스케일러가 사용하고 있는 네트워크 내의 제어, 스케줄링, 워크로드 이동 방식 전반과 호환되어야 하기 때문에 소프트웨어 성능만으로 결정되는 이슈가 아니라 소프트웨어 계층을 다루는 방식도 핵심 요소이다.

(ㄷ) OCS는 단일 실패지점을 빠르게 우회하여 다시 slice를 구성할 수 있다는 점에서 Compute Pool 단위의 goodput을 높이는 데 매우 중요한 요소이며 그러한 이유로 구글 TPU, 앤스로픽 커스텀 TPU, 오픈AI 할라페뇨가 택했고 마이크로소프트, 아마존 등도 Spine 스위치 대체나 GPU 백업 풀링 작업에 OCS를 고려하고 있다.

광학이 채택되는 연결당 대역폭 느낌 : DCI/통신 0.1 → Scale-across 1 → Scale-out 10 → Scale-up 100 → Scale-in 1000

용도별 광원을 무엇으로 쓸 것이냐 : EML ↔ SiPh + CW Laser ↔ VCSEL ↔ TFLN

광섬유당 대역폭 향상 작업 : Parallel Fiber → WDM, BiDi, MCF

기본적으로 데이터를 광섬유를 통해서 옮기는 작업입니다. 그러면 여러 방식이 있습니다.

가장 기본은 한 Optical Lane 자체를 빠르게 만들어서 하나의 wavelength에서 보내는 데이터량을 100G/lane → 200G/lane → 400G/lane으로 높이는

것입니다. 그런데 이렇게 계속 높이려면 점점 더 신호 무결성을 유지하기가 어렵습니다.

그래서 하나의 광섬유에 여러 wavelength를 넣는 것이 WDM입니다. 하나의 과엄유에서 서로 다른 색깔의 빛을 동시에 사용해서 씁니다. 이것이 DR(800G를 200G x 1 wavelength x 4 fiber로 구현)과 FR4(800G를 200G x 4 wavelength x 1 fiber로 구현)의 차이입니다.

BiDi는 송신(Tx)과 수신(Rx)이 같은 광섬유를 공유하는 방식입니다.

MCF는 하나의 광섬유에 여러 Core를 넣는 것입니다. 일반적인 single-mode fiber를 단면으로 자르면 가운데에 빛이 지나가는 core 하나가 있습니다. 그런데 MCF(Multi-Core Fiber)는 같은 광섬유 안에 여러 개의 코어를 갖고 있습니다. 이게 광섬유를 키우면 케이블 굵기가 두꺼워지고, 온갖 설치작업과 유지보수가 어려워집니다. 좁은 랙/시스템 안에 얼마나 많은 연결을 할 수 있느냐가 중요해지다보니 코닝이 MCF를 적극 밀고 있습니다.

루멘텀 : Citi's Global TMT Conf.

루멘텀의 9월 9일 Citi's 2026 Global TMT Conf., 핵심만 정리해봅니다:

​

루멘텀의 이번 Citi Global TMT 컨퍼런스콜도 디테일함이 정말정말 좋습니다. 다 새로운 내용들입니다.

​

TPU 성공이 OCS 수요를 끌어올리는 중

루멘텀이 8월 28일 도이치뱅크 컨퍼런스에서 말했던 것과 이어져서, 루멘텀은 FY28 EPS $40의 중요한 근거 가운데 하나로 최대 OCS 고객인 구글의 수요 확대를 꼽았습니다.

​

TPU 배치 규모가 커지면서 OCS 공급량도 함께 증가하고 있으며, 회사는 OCS 비율을 약 1.5:1로 보고 있습니다. 결국 TPU의 성공이 루멘텀의 OCS 매출을 직접적으로 끌어올리는 구조입니다.

​

Scale-up 광학은 NPO/CPO 50 : 50으로 공존할 것

OFC 2026 당시만 해도 Scale-up 광학은 사실상 엔비디아 CPO 중심의 기회로

봤습니다. 하지만 이후 업계 전반으로 채택이 확산하면서 CY28 수요를 충족하려면 CPO와 NPO가 모두 필요하다는 쪽으로 전망이 바뀌었습니다. 루멘텀은 장기적으로 CPO와 NPO TAM이 대략 50:50으로 형성될 것으로 보고 있습니다.

​

더 중요한 것은 '광원을 어떻게 구성할 것인가'입니다.

​

CPO는 대부분 ELS가 채택될 가능성이 높고, NPO는 현재 ELS와 ILS(Integrated Light Source)가 절반씩 나뉠 것으로 보지만 기존에 ILS를 검토하던 고객들도 ELS로 이동하는 흐름이 나타나고 있습니다. NPO 광원이 뭐로 될 것인가는 루멘텀 2Q26 실적발표 자료에서 한 차례 정리드린 바 있습니다.

​

이를 단순화하면 CPO+NPO 전체 광원 시장 가운데 약 75%가 ELS를 선호할 가능성이 있다는 의미입니다. 루멘텀 입장에서는 상당히 좋은 변화입니다. 광원을 칩 형태로 판매하면 약 150~200mW급 Mid-power Laser가 들어가지만, ELS 모듈로 공급하면 이미 검증된 400mW UHP Laser를 넣을 수 있습니다.

​

UHP Laser는 GPM이 60% 이상으로 추정되고 ELS도 50~55% 수준이지만, ELS는 모듈 형태이기 때문에 ASP가 단품 Laser 대비 약 2배 높습니다. 결국 여러모로 ELS 선호가 커지면 루멘텀 입장에서는 고출력 Laser 기술력과 모듈 ASP 상승을 동시에 가져갈 수 있는 구조입니다.

​

고출력 CW Laser 진입장벽은 출력만 있는 게 아니다

고출력 Laser의 경쟁력은 단순히 mW 숫자로 결정되지 않습니다. 출력, RIN, 선폭, Mode Hop 억제, 신뢰성을 동시에 만족해야 하고 이를 높은 수율로 양산한 뒤 패키징 이후에도 특성을 유지해야 합니다. 특히 하나의 Laser가 여러 통신 Lane에 빛을 공급하는 구조에서는 광원 하나의 장애가 여러 연결에 영향을 줄 수 있기 때문에 신뢰성 요구가 훨씬 높아집니다.

​

또한 현재 플러거블에 사용되는 CW Laser는 약 70mW 수준이며 중국 업체들의 제품도 이 영역에 집중돼

있습니다. 반면 NPO와 CPO에서는 최소 120~150mW 이상, 고사양 제품에서는 400mW급까지 요구됩니다. 현재 400mW급 UHP Laser를 양산할 수 있는 업체는 사실상 루멘텀과 코히런트뿐입니다. 엔비디아가 UHP Laser 공급계약을 두 회사와 체결한 이유도 여기에 있습니다.

​

CY27~28에는 UHP Laser와 ELS 증설 본격화

루멘텀의 첫 ELS 출하는 2H27로 예상되며 해당 고객(엔비디아)의 전체 ELS 수요 가운데 15~20%를 공급하는 것을 적정 점유율로 보고 있습니다. NPO에서도 몇 달 안에 첫 고객 발표가 있을 것으로 예고했습니다.

​

UHP Laser 생산능력도 단계적으로 확대합니다.

​

Phase 1 : 미국 San Jose, 현재~CY27

Phase 2 : 영국 Caswell, 2Q27~CY28

Phase 3 : 미국 Greensboro, 2Q28부터 본격 램프업

​

기존 제품 생산을 줄여 전환하는 것이 아니라 클린룸과 장비를 새로 추가하는 순증설이기 때문에 생산능력 확대가 그대로 추가 매출로 연결되는 구조입니다.

​

SiPh + CW Laser 조합의 EML 대비 마진율 격차 줄이는 중

CW Laser의 수율도 이미 EML보다 높아졌고 ASP는 EML과 비슷한 수준이며 Die Size도 추가로 줄였습니다. 아직 EML만큼 높은 마진은 아니지만 수익성 격차도 상당히 좁아졌습니다.

​

Scale-across는 시장이 충분히 반영하고 있지 않은 성장축

루멘텀이 계속 강조하는 또 하나의 기회는 Scale-across입니다.

​

앞으로 5개 분기에 걸쳐 Pump Laser 출하량을 약 4배 늘릴 계획이며, 시에나와는 증설 CapEx를 충분히 회수할 수 있을 정도의 높은 가격으로 LTA를 체결했습니다. Scale-across는 시에나 2Q 실적발표 리뷰에서도 말씀드린 것처럼 상당한 성장동력인데 저평가받는 감이 있긴 합니다.

​

루멘텀이 설명한 대역폭 수요의 상대적 크기를 보면 흐름이 더 명확

합니다:

기존 DCI 0.1 → Scale-across 1 → Scale-out 10 → Scale-up 100 → Scale-in 1000

기존 통신/데이터센터 인터커넥트 시장과 비교하면 Scale-across부터 이미 한 단계 큰 시장이고, 이후 Scale-up과 Scale-in으로 갈수록 필요한 광학의 밀도가 기하급수적으로 증가합니다.

​

'3.2T에서는 EML이 다시 점유율 가져올 가능성이 높다'

루멘텀은 SiPh가 3.2T 세대로 갈수록 속도와 전력 측면에서 부담이 커질 것으로 보고 있습니다. 반면 InP는 이미 Lane당 400G 수준의 양산 가능성을 확인하고 있어 현재로서는 가장 준비가 빠른 기술입니다. TFLN도 장기적으로 유망하지만 아직 대규모 양산능력에 대한 불확실성이 큽니다.

​

따라서 3.2T부터는 EML이 다시 점유율을 가져갈 가능성이 있다는 설명입니다. 루멘텀에게는 CW Laser뿐 아니라 EML에서도 추가적인 성장 기회가 남아 있다는 의미입니다.

​

ⓐScale-in 침투도 가능할까? ⓑScale-up에 VCSEL 채택?

Scale-in으로 사업을 확장하는 것, 그리고 VCSEL도 활용하겠다는 방향도 제시했습니다.

​

이건 이미 Hot Chips 2026에서 루멘텀 세션에서 다룬 것을 9월 7일 주간전략보고에서 Scale-in과 Scale-up에 VCSEL을 사용하려는 것이 어떤 내용이었고 어떤 함의점이 있는지를 자세하게 정리드린 바 있습니다.

​

Scale-in은 시장규모 확대이자 광원 기술력이 더더욱 중요해진다는 관점에서 유의미한데(CY30 이후의 성장률), 만약 Scale-up VCSEL에 성공할 경우 Scale-up의 광학 채택이 훨씬 더 빨라질 가능성을 생각해볼 수 있습니다(CY28~CY30쯤의 성장률). 지금은 InP에 공급망 병목도 있고 수출제한 리스크도 있는 상태인데, 1060nm VCSEL을 통해 GaAs까지 활용할 수 있게 되면 CY28~CY30의 예상 성장률이 더 높아질 가능성을 생각해

봅니다.

비아비(VIAV)

​

비아비VIAV는 Overweight을 유지합니다. CY27 PER 19.4배(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 #2 : 구리도 광모듈도 CPO도 다 커진다, AI 인터커넥트의 폭발

'빛💡'의 시대 : 광학 밸류체인 한 눈에 보기

​

키사이트 : GS Communacopia + Tech Conf.​

비아비의 피어 기업인 키사이트의 9월 11일 GS Communacopia Conf 2026.중에서 일부 인상적인 게 있어서 정리해보면,

​

키사이트 ↔ 비아비의 차이

키사이트는 이번 GS 컨콜에서 "현재 데이터센터 인터커넥트 관련 사업에서 광학보다 Copper 쪽의 기여가 더 크다"고 설명했습니다. 비아비는 반대입니다. 비아비 경영진은 "데이터센터 관련 사업이 R&D, 생산, 광섬유 모니터링, 구축 전반에서 거의 Optical 중심이며 Copper 노출은 크지 않다"고 설명했습니다.

​

그러면 키사이트 입장과 비아비 입장을 모두 고려해볼 때, 현재 시장의 성장이 아직 Copper 중심인데도 비아비 데이터센터 사업이 Spirent를 제외하고 YoY 두 배 이상 성장했다면, 앞으로 1.6T → CPO/NPO → Optical Scale-up으로 넘어갈수록 비아비의 광학 매출 민감도는 더 높아질 가능성이 있습니다.

셈텍(SMTC)

​

셈텍SMTC는 Overweight을 유지합니다. CY27 PER 30.4배(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'

'빛💡'의 시대 #2 : 구리도 광모듈도 CPO도 다 커진다, AI 인터

커넥트의 폭발

'빛💡'의 시대 : 광학 밸류체인 한 눈에 보기

​

셈텍의 광학이 뜬금없지 않은 이유

현재 셈텍 CEO인 Hong Hou(2023년 7월 이사회 합류 → 2024년 6월 CEO로 부임)의 경력을 보시면 HieFo 인수(2026년 3월)가 단순한 포트폴리오 확장이 아니라는 점을 이해하기 쉽습니다.

​

Semtech의 CEO, Dr. Hong Hou는 누구인가?

Hong Hou는 1998년 EMCORE에 합류했습니다. 초기에는 태양광(Photovoltaics) 사업에도 관여했지만, 2000년~2006년에는 EMCORE의 여러 광학(Fiber Optics) 사업부를 직접 이끌었고, 이후 사장 → COO를 거쳐 2008년 3월부터 2015년 1월까지 EMCORE의 President & CEO를 맡았습니다. EMCORE 역시 당시 화합물 반도체(Compound Semiconductor)와 광학(Fiber Optics)이 핵심이었던 기업입니다.

​

광학 그자체에는 나름 통달한 인물

이 화합물 반도체와 광학 두 가지는 이미 꽤 오랫동안 통달한 사람이란 의미입니다.

​

이후로도 그런 경력을 쭉 느낄 수 있습니다. 패브리넷(Fabrinet, FN)에서는 SVP 겸 CTO를 역임하여 첨단 광학 패키징 역량을 키웠던 인물입니다. 인텔에서는 클라우드 및 엣지 네트워킹 사업을 맡으면서 이더넷, 스위치, High-performance Fabric 및 실리콘 포토닉스 사업도 총괄했었습니다.

​

현재 셈텍에 오기 전까지의 커리어를 보시면 반도체와 네트워킹 전반을 이해하지만, 기술적인 뿌리는 상당히 강하게 Photonics와 Optical Connectivity에 걸쳐 있는 인물입니다.

​

따라서 셈텍이 기존의 TIA/Driver 중심에서 → Laser까지 올라가고 → 향후 NPO/CPO용 Optical Engine의 핵심 부품을 묶어 판매하려는 전략은 Hou의 과거 경험과 상당히 잘 맞습니다. TIA/Driver는 어디든 쓰이기 때문에 이걸 중심으로 통합하면 유의미한 점유율을 차지할 수 있을 것이란 Hong Hou의 선택이 셈텍이

었던 셈입니다.

​

HieFo는 사실상 EMCORE의 InP 광소자 사업을 다시 떼어낸 회사다

HieFo의 역사도 중요합니다.

​

2024년 EMCORE가 광소자 Chips 사업을 정리하는 과정에서 HieFo는 Alhambra의 InP Wafer Fab을 포함해 장비, IP, 계약, 재고 등 Chips 사업 자산 대부분을 $2.92M에 인수했습니다. 단순히 특허 몇 개를 산 것이 아니라 실제 InP Fab과 생산설비를 함께 가져간 거래였습니다.

​

HieFo 공동창업자 겸 CEO인 Genzao Zhang은 EMCORE의 엔지니어링 팀 VP 출신이고, HieFo는 거래 이후 EMCORE Chips 사업의 주요 과학자와 엔지니어, 운영인력을 거의 그대로 다시 고용했습니다. 이후 멈춰 있던 MOCVD와 InP 전공정을 다시 가동해 Laser, Gain Chip, SOA, Detector 등의 생산을 재개했습니다.

​

정리하자면,

HieFo는 새로운 스타트업이 처음부터 InP 기술을 개발한 회사라기보다, EMCORE에서 수십 년간 축적한 InP Fab + IP + 장비 + 핵심 엔지니어를 그대로 이어받아 다시 독립시킨 회사

입니다.

​

그리고 이 지점에서 지금 셈텍 CEO인 Hong Hou와 연결됩니다.

​

Genzao Zhang은 Hou가 EMCORE에 있던 시절 같은 회사에서 광소자 Engineering을 담당했던 인물입니다. 두 사람의 공개 경력을 기준으로 보면 재직기간이 오랫동안 겹칩니다. 특히 Hou가 EMCORE CEO로 재직했던 기간에도 Zhang은 EMCORE에서 광소자 기술개발을 담당하고 있었습니다.

​

셈텍이 갖고 있던 것에 HieFo를 붙인 것

기존 셈텍은 광모듈 안에서 수신단의 TIA와 송신단의 Laser/Modulator Driver에 강점을 갖고 있었습니다. 여기에 HieFo 인수를 통해 InP Laser + Gain Chip + Fab까지 내부에 확보했습니다. 기존의 EIC 중심 포지션에서 벗어나 TIA/Driver + Laser를 함께 최적화할 수 있는 구조

가 된 것입니다. 셈텍도 HieFo 인수 발표 당시 이를 명확히 설명했습니다.

​

이렇게 보면 HieFo 인수의 의미는 단순히 플러거블용 CW Laser 매출을 추가하는 데 있지 않습니다.

​

NPO와 CPO로 갈수록 전기적 신호처리만 잘해서는 전체 Optical Engine에서 가져갈 수 있는 Content가 제한됩니다. 반면 Laser까지 확보하면 셈텍은 EIC에서 광원까지 제품 범위를 넓히고, ELS까지 올라갈 수 있는 기반을 갖게 됩니다. 특히 셈텍은 기존에 FiberEdge, Gain Chip, CW Laser를 팔던 고객관계들을 적극 활용해 ELS까지 함께 판매할 수 있는 구조를 만들 계획입니다.

​

'모르는 회사를 사서 통합하는 구조가 아니다'

셈텍의 광학 전환이 생각보다 순조롭게 진행될 가능성이 높다고 보는 이유가 이 부분입니다.

​

Hong Hou는 과거 EMCORE에서 Fiber Optics 사업을 직접 운영했고 이후 CEO로 회사 전체를 이끌었습니다. HieFo의 경영진과 핵심 기술인력 상당수 역시 그 EMCORE 광학 조직에서 이어진 사람들입니다.

​

따라서 Hou 입장에서 HieFo는 인수 이후 처음부터 기술과 조직을 파악해야 하는 생소한 회사가 아닙니다. 어떤 기술을 보유하고 있는지, 그 기술이 어디에서 왔는지, 어떻게 제품화해야 하는지, 어떤 고객에게 판매해야 하는지를 상당히 깊게 이해할 수 있는 자산에 가깝습니다.

​

결국 셈텍이 NPO/CPO로 넘어가기 위해 필요했던 InP 광원 기술이 전혀 낯선 회사에 있었던 것이 아니라, 현재 CEO가 과거 직접 운영했던 EMCORE 광학 조직의 기술/Fab/인력에서 이어져 나온 것입니다. 그래서 HieFo 인수는 단순한 제품 추가보다 의미가 큽니다.

​

셈텍이 이미 갖고 있던 TIA/Driver 경쟁력에 Dr. Hong Hou가 잘 이해하는 InP 광원 기술을 붙여 향후 인터커넥트 트렌드에서 ELS와 NPO/CPO까지 제품 범위를 확장하는 거래라고 보는 편이

더 적절합니다.

포티넷(FTNT)

​

포티넷FTNT은 Overweight을 유지합니다. CY27 PER 39.0배(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)

​

AI의 역할은 공격 보조도구 → 공격을 운영하는 주체로 이동 중

구글의 GTIG(Google Threat Intelligence Group)이 2Q26 사이버보안 공격 사례 보고서를 냈습니다.

​

가장 중요한 변화는 공격자들이 AI를 단순히 코드를 작성하거나 정보를 찾는 보조도구로 사용하는 단계를 넘어, 공격 절차 자체를 AI 에이전트가 운영하도록 만들기 시작했다는 점입니다.

​

여러 에이전트가 역할을 나눠 스캔 → 취약점 탐색 → 문제 해결 → Credential 탈취까지 이어가는 자동화된 공격 체계가 등장하고 있습니다. 아직 AI가 완전히 자율적으로 새로운 Zero-day 취약점을 찾아내고 침투하는 수준까지 온 것은 아닙니다. 하지만 이미 공개된 취약점은 AI를 통해 훨씬 빠르게 분석되고 실제 침투 경로로 전환되고 있습니다. 방어자 입장에서는 취약점 공개 → 공격 발생까지 주어지는 대응시간이 계속 짧아지는 방향입니다.

​

AI 에이전트도 공격면이 되는 중

공격 방식도 바뀌고 있습니다.

​

과거 피싱은 사람을 속여 계정정보를 빼내는 것이 중심이었다면 이제는 AI 에이전트가 잘못된 명령을 수행하도록 유도하는 공격까지 등장하고 있습니다. 기업 내부에서 AI 에이전트가 이메일, 데이터베이스, SaaS, 사내 시스템에 접근할수록 에이전트 자체가 새로운 Identity이자 새로운 Endpoint가 되는 셈입니다.

​

따라서 기존 Endpoint Security나 Network Security만으로는 관리하기 어려운 공격면이 추

가되고 있습니다. GTIG에 따르면 중국, 러시아, 이란, 북한 관련 공격 그룹들도 이미 AI를 사이버 공격에 적극 활용하고 있습니다.

​

중요 인프라는 OT 보안 투자가 늘어나는 중

이 흐름에서 특히 중요한 영역이 전력 유틸리티 같은 중요 인프라 시설입니다.

​

Politico에 따르면, 오픈AI 샘 올트먼이 미국 주요 전력 유틸리티 기업들과 만나 AI 사이버 공격 위협이 커지는 상황에서 오픈AI의 사이버보안 서비스를 구매하라고 설득하고 있습니다. Daybreak 프로그램에 합류하여 협력할 것을 권하는 자리였습니다.

​

여기서 사실 중요한 함의점이 있습니다.

​

AI Labs가 직접 사이버보안 기업이 되려 하고 있다

AI Labs는 Daybreak(오픈AI), Project Glasswing(앤스로픽)을 통해서 사이버보안 기업이 되려 하고 있습니다. 판단과 분석 레이어로 진입 중입니다. 사이버보안 섹터 내에서 나중에 갑작스럽게 내러티브(수혜라며 바스켓 매수 → 갑작스럽게 가장 큰 피해를 보는 포지션)가 바뀌는 트레이드가 발생할 여지가 있다고 봅니다.

​

오픈AI의 Daybreak는 단순히 보안용 API를 파는 수준을 넘어섰습니다. 취약점 탐색 → 검증 → 담당자 지정 → 수정 → 검증까지 연결하는 에이전틱 보안 루프를 직접 구축하고 있고, Codex Security와 GPT Cyber 모델까지 하나의 방어 스택으로 묶고 있습니다.

​

앤스로픽 Project Glasswing도 Mythos를 이용해 실제 코드베이스에서 취약점을 대규모로 찾아내고 있습니다.

​

포티넷에게는 긍정적인 환경

포티넷의 역할은 이제 잘 아시겠듯이,

FortiASIC + FortiOS + Firewall/SD-WAN/SASE + OT Network

를 하나의 구조로 묶어 실제 트래픽이 지나가는 지점에 배치되어 있다는 것입니다.

​

AI가 아무리 훌륭하게 '판단'할 수 있을지라도 실제로 연결을 끊고 네트워크 세그먼트를 나누고 정책을 변경하고 산업설비 사이의 통신을 제어하려면 Enforcement Poin

t가 필요합니다. 오히려 AI가 더 많은 위협을 발견하면 → 정책 변경/차단/Segmentation 필요성 증가 → 포티넷의 Enforcement 인프라 활용 증가로 연결될 수도 있습니다. 포티넷은 실제로 Daybreak와 Project Glasswing 모두에 참여하고 있습니다.

​

OT 수요도 잡을 수 있는 기업

포티넷은 공장, 발전소, 유틸리티 등 OT(Operational Technology) 환경에서 네트워크와 보안을 함께 제공할 수 있는 제품군과 고객 기반을 갖고 있습니다. 특히 OT에서는 단순히 Endpoint에 보안 소프트웨어 하나를 설치하는 방식으로 해결하기 어렵습니다. 오래된 산업용 장비가 많고 장비를 중단하거나 교체하기 어려우며, IT와 OT 사이의 트래픽을 세분화하고 어떤 장비가 어떤 통신을 하는지 파악하는 것이 중요합니다.

​

실제로 포티넷은 최근 컨콜에서도 유틸리티의 네트워크 현대화 과정에서 통신 인프라 교체와 OT 보안 투자가 함께 발생하면서 대형 수주로 연결되고 있다는 사례를 강조한 바 있습니다. 기존의 수동적인 OT 보안에서 상시적인 네트워크 보안체계로 넘어가도록 만들고 있습니다.

​

포티넷 : GS Communacopia + Tech Conf.

포티넷의 9월 8일 GS Communacopia + Technology Conf 2026., 핵심만 정리해봅니다:

​

AI가 내부망 방화벽 수요를 키우는 중

포티넷은 최근 고객들이 더 높은 사양의 FortiGate를 구매하고 있지만, 그 원인을 하나로 특정하기는 어렵다고 설명했습니다. 다만 CEO는 AI가 새로운 수요를 만들고 있는 경로로 ⓐEast-West 트래픽 증가와 ⓑ데이터센터 내 내부망 Segmentation을 짚었습니다.

​

AI 에이전트가 기업 내부에서 더 많은 시스템과 데이터에 접근하기 시작하면서 고객 입장에서는 '어떤 에이전트가 어디에 접근하고 무엇을 하고 있는가'를 확인하고 통제해야 합니다. 이에 따라 데이터센터 내부에서도 구간을 나누고 트래픽을 검사하는 수요가 늘면서 방화벽이 외부 침입을 막는 장비를 넘어 AI 인프라 내부를 분리하고 통제하는 장비로 사용되는 영역이 확대

되고 있습니다.

​

네오클라우드는 포티넷에게 새로운 고성장 고객군

경영진은 기존 통신사와 네오클라우드의 가장 큰 차이로 구매 의사결정 속도를 강조했습니다.

​

통신사는 평가부터 실제 구매까지 수년이 걸릴 수 있지만 네오클라우드는 수개월 안에 의사결정을 내립니다. 실제 한 고객은 1분기에 제품 평가와 수백만달러 규모의 초기 구매를 진행한 뒤, 2분기에는 거래 규모가 5~10배까지 확대됐습니다.

​

중요한 것은 네오클라우드가 장비를 미리 사서 재고로 쌓아두는 고객이 아니라는 점입니다. 데이터센터를 실제 구축하고 GPU를 배치하는 과정에서 FortiGate와 관련 서비스를 함께 구매합니다.

​

따라서 포티넷 입장에서 핵심은 초기 데이터센터 설계 단계의 레퍼런스 아키텍처에 들어가는 것입니다. 한번 표준 설계에 채택되면 이후 고객이 데이터센터와 GPU Fleet을 확장할 때 포티넷 장비도 함께 늘어날 가능성이 높습니다. 특히 자체 네트워킹-보안 스택을 모두 개발하기 어려운 중견 네오클라우드가 가장 유력한 고객군이라고 설명했습니다. 엔비디아는 $500B 금융 플랫폼을 만들고 수많은 중견 네오클라우드들을 키워서 협상력을 강화하려는 작업 중이라 이해관계의 방향성이 같습니다.

​

지금은 AI 자체보다는 AI 인프라를 보호하는 단계

다만 현재 네오클라우드에서 발생하는 수요는 대부분 인프라 보안입니다. AI 모델이나 애플리케이션 자체를 보호하는 수요는 아직 본격적으로 발생하지 않고 있습니다. 향후 네오클라우드가 단순 GPU 임대를 넘어 TaaS 같은 상위 서비스를 제공하기 시작하면 AI 애플리케이션에 대한 보안 서비스까지 추가적인 TAM이 열릴 가능성도 있습니다.

​

서비스 성장률은 하드웨어 판매로만 결정되진 않는다

이번 콜에서 개인적으로 중요하게 본 또 하나의 내용은 서비스 매출 성장 구조입니다.

​

포티넷은 서비스 성장의 원천을 세 가지로 설명했습니다.

​

신규 FortiGate 판매에 서비스가 함께 붙고

기존 Installed Base에 추가 서

비스를 판매하며

FortiAIGate 같은 독립적인 Software Subscription을 확대하는 구조입니다.

​

서비스 성장이 오직 신규 FortiGate 판매에만 의존한다면 제품 매출 성장률이 정상화되는 순간 서비스 성장률도 결국 뒤따라 낮아질 가능성이 높습니다. 반면 이미 설치된 장비에서 고객당 서비스 Attach rate를 높이고, 별도의 소프트웨어 구독까지 판매할 수 있다면 신규 하드웨어 성장률이 둔화되더라도 서비스 성장률은 더 오래 유지될 수 있습니다.

퀄컴의 AWS 계약

AWS와 계약한 퀄컴 (GS Communacopia + Tech Conf.)

​

퀄컴 Qualcomm : 신흥 ASIC 체크

퀄컴의 9월 8일 GS Communacopia + Technology Conf 2026., 핵심만 정리해봅니다:

​

퀄컴 : GS Communacopia + Tech Conf.

​

AWS와 여러 세대에 걸친 AI ASIC 계약

퀄컴이 AWS와 여러 세대에 걸친 ASIC 개발 계획을 발표했습니다. 이미 발주서를 확보해 반도체 생산에 들어갔으며 매출은 CY4Q26(FY1Q27)부터 발생할 예정입니다. 이를 바탕으로 경영진은 FY27 데이터센터 매출 $5B 달성에 대한 자신감이 상당히 높아졌다고 설명했습니다.

​

특히 CFO가 강조한 부분이 중요합니다. 현재 하이퍼스케일러와 진행하는 ASIC 사업은 주변부 보조 칩이 아니라 고객의 핵심 AI Accelerator 자체를 설계하는 사업이라는 것입니다. 퀄컴이 스마트폰 SoC 사업의 설계역량을 단순히 데이터센터 주변 칩으로 확장하는 것이 아니라, 본격적으로 AI 컴퓨트 ASIC 시장에 진입하고 있다는 의미입니다.

​

대신 AWS에게 상당한 고객 인센티브를 제공했다

컴은 아마존에 총 2,500만 주의 Warrant를 부여했습니다.

​

최초 구매약정과 관련해 375만 주, 전체의 15%가 즉시 확정되고 이후에는 향후 10년에 걸쳐 누적 $60B 구매금액에 따라 여러 Tranche가 추가로 확정

되는 구조입니다. 회계상 GPM에는 바로 나타나지 않지만 경제적으로 생각하면 상당히 큰 고객 인센티브입니다.

​

AWS가 앞으로 퀄컴 제품을 대규모로 구매하고 퀄컴 주가까지 상승한다면 아마존은 Warrant를 통해 그 상승분 일부를 가져갈 수 있습니다. 결국 퀄컴이 현재의 현금 대신 미래의 주주가치를 고객에게 나눠주는 방식으로 계약을 확보한 것입니다.

​

Compute 시장의 경쟁이 너무 치열해지고 있다

최근 AI 컴퓨트 시장에서는 이런 현상이 계속 나타나고 있습니다.

칩 자체의 명목 GPM보다 고객을 확보하기 위해 실제로 얼마나 많은 경제적 가치를 제공했는가를 포함한 '실질 GPM'을 봐야 하는 단계입니다.

칩메이커나 CSP 중 자금력이 큰 기업은 AI Labs에 지분투자나 데이터센터 지급보증을 제공하고, 브로드컴은 칩의 잔존가치까지 보증하며, AMD/세레브라스/퀄컴/마벨처럼 상대적으로 Balance Sheet가 작은 업체들은 Warrant를 활용하고 있습니다.

​

반대로 빅테크는 자체 설계인력을 강화하고 미디어텍/알칩 같은 ASIC 업체에 Semi-COT 물량을 맡기면서 설계 서비스 가격 자체를 낮추는 방향으로 움직이고 있습니다.

​

결국 컴퓨트 공급업체 사이의 경쟁이 가장 치열해지면서 명목상 반도체 GPM과 실제 경제적 수익성 사이의 간격이 벌어지고 있다고 보고 있습니다.

​

퀄컴의 차별화 포인트는 Decode 최적화

퀄컴은 특히 Decode의 Memory Bandwidth 병목을 해결하는 데 특화된 칩을 만들고 있습니다. 특정 추론 워크로드에 맞춰 컴퓨트와 메모리 구조를 설계하면 범용 GPU보다 전력과 비용 효율을 크게 높일 수 있다는 것이 퀄컴의 접근입니다.

​

여기에는 퀄컴의 기존 역량도 잘 맞습니다.

​

퀄컴과 미디어텍은 오랫동안 스마트폰에서 낮은 전력 안에서 복잡한 SoC를 설계하는 데 강점을 가져온 기업입니다. 반면 스마트폰 시장은 성장률이 둔화되는 가운데 DRAM/NAND 가격 상승까지 겹치며 수익성 압박이

커지고 있습니다. 두 회사 모두 이미 첨단공정 웨이퍼와 대규모 ASIC 설계인력, IP를 확보하고 있기 때문에 이를 데이터센터로 전환하는 것이 자연스러운 선택입니다.

​

최근 추론 HW의 핵심 논쟁 '특화 vs 유연성'

최근 AI 추론 하드웨어가 어디까지 특정 작업에 특화해야 하는가를 두고 설계 철학이 갈리고 있습니다.

​

한쪽에는 엔비디아와 AWS처럼 훈련/추론 내에서도 기능별 특화를 강화하는 접근,

다른 한쪽에는 오픈AI와 구글처럼 훈련/추론 워크로드 내에서는 Fungibility를 유지하려는 접근이 있습니다.

​

엔비디아 : GPU를 중심으로, 특화된 HW들 추가

엔비디아는 범용 GPU를 시스템의 중심에 두면서 필요하면 특정 작업에 특화된 가속기들을 추가하는 방향입니다. 예를 들어 Vera Rubin GPU가 대부분의 워크로드를 처리하고, CPX가 Prefill을 가속하며 Groq 3 LPX 같은 별도 하드웨어가 Decode를 담당하는 구조입니다.

​

워크로드를 충분히 예측할 수 있고 각 장비를 높은 가동률으로 사용할 수 있다면 각 작업을 가장 잘하는 하드웨어에 맡기는 것이 가장 높은 효율을 만들 수 있습니다.

​

오픈AI/구글 : 하나의 칩으로 여러 작업을 오가게 만들기

오픈AI의 Jalapeño와 구글 TPU는 Prefill과 Decode를 모두 처리하면서 상황에 따라 두 작업 사이에서 요청이 변할 때마다 컴퓨트를 유연하게 재배치할 수 있는 구조에 상대적으로 더 무게를 둡니다.

​

핵심은 하나의 단계만 가장 빠르게 처리하는 것이 아니라 Request가 들어온 순간부터 마지막 Token이 생성될 때까지 전체 시스템의 Goodput을 높이는 것입니다. Prefill과 Decode를 서로 다른 장비에 강하게 분리하면 각 단계에 최적화할 수 있지만 KV Cache와 Model State를 옮겨야 하고, 어느 한쪽의 수요가 예상보다 줄어들면 해당 하드웨어의 가동률이 크게 떨어질 수 있습니다. 반면 같은 Compute Pool에서 두 작업을 모두 처리할 수 있다면 워크로드가 바뀌어도 자원을 상대적으로 쉽게 재배치할

수 있습니다.

​

포지션의 차이가 곧 전략의 차이를 만든다

이 차이는 기술적인 판단만이 아니라 각 기업의 사업모델에서도 나옵니다.

​

엔비디아는 Merchant입니다. 수많은 고객과 모델, 하이퍼스케일러와 일반 기업, 훈련과 추론, 서로 다른 데이터센터 환경까지 지원해야 합니다. 따라서 범용성이 높은 GPU를 중심에 두고 필요에 따라 전문 가속기를 조합하는 구조가 자연스럽습니다.

​

세부적으로 들어가면 구글 역시 Gemini 하나만을 위한 칩을 만드는 것이 아닙니다. 내부 서비스뿐 아니라 딥마인드와 앤스로픽 등 서로 다른 워크로드까지 소화해야 하기 때문에 지나치게 한 작업에 특화시키기 어렵습니다.

​

AWS는 반대로 자체 클라우드 안에서 워크로드와 시스템 전체를 통제할 수 있기 때문에 특화 ASIC을 적극적으로 조합해 TCO를 낮추는 전략을 택하기가 상대적으로 쉽습니다.

​

오픈AI는 자신의 모델과 추론 워크로드에 ASIC을 직접 맞출 수 있습니다. 모든 고객과 모델을 만족시킬 필요가 없기 때문에 자사가 가장 많이 사용하는 워크로드에 최적화하면서도 Prefill과 Decode 사이의 자원 배분은 유연하게 가져갈 수 있습니다.

​

결국 중요한 것은 2~3년 뒤에도 높은 Goodput을 유지할 수 있느냐

Prefill과 Decode의 비율은 고정되어 있지 않습니다. 모델 구조, Context Length, Reasoning Token, Batch Size, Serving 방식이 바뀔 때마다 필요한 컴퓨트와 메모리의 비율도 달라집니다.

​

따라서 극단적으로 특화된 ASIC은 현재 워크로드에서는 가장 높은 효율을 낼 수 있지만, 2~3년 뒤 워크로드가 달라졌을 때 일부 하드웨어의 가동률이 크게 떨어질 위험도 있습니다. 반대로 Fungibility를 유지하면 피크 효율성은 다소 내어주더라도 워크로드 변화에 대응하기가 쉽습니다.

​

짤막하게 최근 업계가 어떤 것을 바라보고 있는지를 정리해봤습니다.

수요-공급 격차는

더 커지는 중

현재 HDD/스토리지 업계 주문 상황 (Citi Conf.)

​

씨게이트 Seagate : HDD 수요 체크

씨게이트의 9월 9일 Citi's 2026 Global TMT Conf., 핵심만 정리해봅니다:

​

수요와 공급의 격차가 오히려 조금씩 벌어지고 있다

씨게이트는 HDD 수요와 공급의 격차가 줄어들지 않고 오히려 조금씩 확대되고 있다고 설명했습니다.

​

현재 향후 4~5개 분기 물량은 고객별로 제품 Mix, 가격, 납기까지 구체적으로 정해져 있습니다. 그보다 긴 2~3년 장기계약에서는 고객에게 공급할 전체 Exabyte 규모를 약정하는 구조입니다. 장기계약으로 전체 수요와 생산능력의 가시성을 먼저 확보하고, 이후 단기계약을 통해 실제 제품 Mix와 가격을 결정합니다.

​

중요한 것은 신규 계약이나 재협상 과정에서 고객들이 계속 기존 계획보다 추가 물량을 요구하고 있다는 점입니다. HDD 공급부족이 단기간에 해소되는 방향은 아니라는 설명입니다.

​

출하대수가 아니라 HDD 한 개에 담는 용량을 늘린다

씨게이트는 앞으로 2~3년간 출하 저장용량을 연평균 약 25%씩 확대할 계획입니다.

​

핵심은 HDD 판매대수를 같은 비율로 늘리는 것이 아닙니다.

예를 들어 동일한 시스템에 들어가는 HDD 용량이

30TB → 40TB = +33%

40TB → 50TB = +25%

로 높아지면 드라이브 판매량이 크게 늘지 않아도 전체 Exabyte 출하량은 빠르게 증가할 수 있습니다.

​

결국 HAMR을 중심으로 Drive당 용량을 키우는 것이 공급능력 확대의 핵심입니다. 물리적인 드라이브 생산량을 크게 늘리지 않고도 Bit Supply를 늘릴 수 있기 때문에 CapEx 효율과 수익성 측면에서도 유리합니다.

​

GPM은 가격과 고용량 제품 전환이 동시에 끌어올리고 있다

최근 GPM 개선에는 크게 두 가지 요인이 작용하고 있습니다.

​

공급부족에 따른 가격 인상입니다. 현재 가격 개선은 특정 고객이나 일부 제품에 한정되지 않고 전반적인 수요처에서 나타

나고 있습니다.

고용량 HDD 전환에 따른 TB당 원가 하락입니다. 같은 Drive에 더 많은 용량을 담을수록 Head, Motor, Enclosure 등 상당수 부품의 비용 증가보다 판매 가능한 TB 증가폭이 더 커집니다. 따라서 고용량 제품 Mix가 높아질수록 TB당 제조원가가 낮아지고 수익성이 개선됩니다.

​

이미 물량이 배정됐는데도 ASP가 계속 오르는 이유

장기계약으로 공급물량이 이미 정해져 있다면 가격 상승이 끝난 것처럼 보일 수 있지만 실제 계약구조는 그렇지 않습니다. 향후 2~3년의 전체 Exabyte 공급량은 장기계약으로 약정하더라도 분기마다 새롭게 체결되거나 재협상되는 물량이 존재합니다. 이 과정에서 최근의 더 높은 가격이 Blended ASP에 순차적으로 반영됩니다.

​

따라서 공급량이 상당 부분 예약돼 있어도 계약 갱신과 Mix 변화가 이어지는 동안 가격 개선 효과가 계속 실적에 들어오는 구조입니다.

​

AI에서 HDD의 역할은 KV Cache보다 '생성되는 데이터의 총량'

현재 HDD에는 SSD처럼 본격적인 KV Cache Offloading 수요가 붙고 있지는 않습니다. 일부 Memory Tiering 구조에서 HDD가 사용될 가능성은 있지만 핵심 투자포인트로 보기에는 아직 이릅니다.

​

오히려 AI가 HDD에 미치는 더 중요한 영향은 보관해야 할 데이터의 절대량을 늘린다는 것입니다. AI 모델을 학습하기 위한 데이터셋이 계속 커지고, 로봇/자율주행/제조현장 등 Physical AI가 확산되면 이미지와 영상 데이터가 폭발적으로 생성됩니다.

​

특히 영상 데이터는

촬영 장치 증가 × 해상도 상승 × 촬영시간 증가 × 보관기간 증가

가 동시에 발생할 수 있습니다.

​

정리해보면, 씨게이트의 현재 투자포인트는 ⓐ공급부족에 따른 가격 상승 + ⓑ고용량 HDD 전환에 따른 Cost/TB 하락이고, ⓒ장기적으로는 AI가 생성하고 보관해야 하는 데이터 자체를 크게 늘리면서 HDD의 Exabyte 수요를 구조적으로 높이는 방향이라고 볼

수 있습니다.

Magnificent 7

ⓐ앤스로픽 AI 개발의 속도조절일까? ⓑTorchTPU의 함의 ⓒ스페이스X GW당 매출

*왼쪽 테이블 : 2026년 9월 13일 EPS 추정치를 변경했습니다.

*오른쪽 차트 : Mag 7 기업들의 CY26, CY27 순이익 차트입니다.

엔비디아, 26년 PER 23배 / 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)

​

앤스로픽, AI 개발의 속도조절인가?

​

주말에 앤스로픽 CEO인 다리오 아모데이가 앞으로 AI 프론티어 모델의 출시 속도를 늦추겠다고 발표했습니다. 다리오 아모데이가 말한 <We Must Pace the Frontier>를 살펴봅니다.

​

왜 갑자기 '속도 조절'을 주장하는가?

가장 중요한 이유는 두 가지입니다.

​

첫째는 Recursive Self-Improvement, 즉 AI가 다음 세대 AI를 만드는 데 직접 기여하기 시작했다는 것입니다. 모델이 코딩, 연구, 실험 자동화에 투입되면서 AI 성능 향상의 속도 자체가 빨라지고 있습니다. 아모데이는 이를 방치하면 인간이 시스템을 이해하고 통제하는 속도보다 AI의 발전 속도가 더 빨라질 수 있다고 봅니다.

​

둘째는 OpenAI-Hugging Face 사건입니다. 여러 AI 에이전트가 주어진 과제와 무관한 사이버 공격을 하고 평가 시스템을 해킹하려는 행동까지 보였다는 사례입니다. 현재 피해는 작았지만 정렬 수준이 비슷한 에이전트가 6~12개월 뒤 훨씬 강력한 능력을 갖게 되면 대규모 Botnet 구축이나 인터넷 인프라 공격으로 이어질 수 있다는 것이 그

의 우려입니다.

​

이전에는 AI가 아직 충분히 강하지 않기 때문에 멈춰서 연구할 대상 자체가 부족했다면 → 지금은 AI가 충분히 강해져 실제 사고 사례를 통해 정렬을 연구할 수 있지만, 다음 세대가 너무 빨리 오고 있다는 주장입니다.

​

멈추는 게 아니라 페이스를 늦추자는 것

아모데이는 모델 학습이나 기술 발전을 멈추자는 것은 아니라고 명확히 선을 긋습니다.

​

핵심은

Capability 발전 속도 ≤ Safety 및 Alignment 발전 속도

가 되도록 조절하자는 것입니다.

​

1~2년 정도의 추가 시간이 확보되면 다음 네 영역에서 상당한 진전이 가능하다고 봤습니다:

​

Operational Excellence: 학습환경, 데이터, Sandboxing, 모니터링 등의 운영상 실수를 줄이는 것

Alignment: 모델이 능력이 커져도 안전하고 의도대로 행동하도록 만드는 기술

Interpretability: 모델 내부에서 왜 특정 행동이 발생했는지 이해하는 기술

Testing & Evaluation: 더 지능적인 모델이 평가를 속일 수 있다는 점까지 감안한 새로운 테스트 체계

​

특히 현재의 AI 모델과 사고 사례들이 Alignment와 Interpretability 연구를 위한 풍부한 실험 재료가 되었기 때문에 지금의 1~2년은 2023년의 1~2년과 가치가 전혀 다르다는 논리입니다.

​

Pacing the Frontier를 위한 세 단계

​

내부적으로 독립 평가자 내재화(Embedded Evaluators) : 가장 먼저 앤스로픽이 자체적으로 시행합니다. METR 같은 외부 AI 안전 평가기관(사실 범 앤스로픽 계열, 이것도 논란 O)을 사실상 앤스로픽의 내부 직원처럼 회사 안에 상주시킨다는 것입니다. 이들은 사무실 출입권, 노트북, 내부 Workspace와 도구에 똑같이 접근하고 모델뿐 아니라 모델 훈련 파이프라인 → RL 환경 → 배포 → 사건/사고의 전체 과정을 지속적으로 점검합니다. 더 중요한 것은 앤스로픽의 허락 없이도 핵심 안전 문제를 공개할 수

있다는 것입니다. AI 기업이 스스로 "우리는 안전하다"고 말하는 구조에서 외부 기관이 실제 내부를 보고 안전성을 검증하는 구조를 짜겠다는 것입니다.

미국 AI 기업들의 공동 속도 조절 : 1번이 자리를 잡고 나면 민주주의 국가 내 프론티어 AI 기업들이 공통 보안 기준과 능력 발전의 규칙을 만들자는 주장입니다. 능력을 키울 때마다 검증을 통과하게 하는 것입니다.

대신 미국이 중국보다 앞서 있는 범위 이상으로 AI 개발 속도를 늦추는 것은 위험하다고 봅니다. 미국이 멈췄는데 중국이 계속 발전한다면 중국이 AI 우위를 차지할 수 있고 이는 군사·지정학적으로 더 큰 위험을 초래한다는 것입니다. 따라서 Pacing을 가능하게 하려면 역설적으로 미국의 AI 리드 규모를 더 크게 만들어야 한다고 주장합니다. 그러기 위해서는:

중국에 고성능 AI Chip과 반도체 제조장비를 판매하지 않을 것

칩 밀수와 해외 데이터센터 원격 접근을 차단할 것

프론티어 모델의 불법 Distillation과 Model Weight 탈취를 막을 것을 주장했습니다.

가장 이상적인 단계, 미국과 중국까지 포함한 글로벌 속도조절 : 다만 아모데이도 이것이 매우 어렵다고 인정하고 현실성에 따라 네 단계로 나눕니다.

Level 1 — 명백하게 위험한 AI 사용 금지 : AI를 이용한 생물학 무기 개발 같은 분야를 서로 금지하는 것입니다. 비교적 현실성이 높다고 봅니다.

Level 2 — 공동 Safety Evaluation : 여러 위험을 모델 출시 전에 공통 기준으로 평가하는 것입니다.

Level 3 — Recursive Self-Improvement 속도 제한 : AI가 AI를 개발하며 발전이 너무 빨라질 것을 늦추자는 것인데, 미국과 소련이 핵미사일 수를 제한했던 SALT 협정과 유사한 개념으로 봅니다.

Level 4 — 전면적인 AI Pacing 또는 Pause : AI 전체 발전 속도를 국제협약으로 제한하는 것입니다. 아모데이 본인도 단기간에 실현될 가능성은 낮

다고 평가합니다. 한쪽이 몰래 합의를 위반하면 세계 패권 자체가 바뀔 수 있기 때문입니다.

​

​

개인적인 생각 정리

이에 대한 개인적인 생각으로는 크게 보면 한 가지, 세부적으로 보면 두 가지 함의를 안고 있다고 생각합니다.

​

사다리를 걷어차는 데는 이만한 명분이 없습니다.

먼저 전제할 것은 다리오 아모데이가 제기하는 문제가 전부 허구라고 생각하지는 않습니다.

​

이미 모두 보고 느끼고 있는 현실들입니다. AI가 AI 개발에 투입되면서 RSI가 시작되고 있고, 에이전트가 예상하지 못한 행동을 하는 문제도 실제로 나타나고 있습니다. 모델이 강력해질수록 에이전트로 인한 Tail Risk가 커지는 것도 당연합니다.

​

오픈AI와 앤스로픽 입장에서도 모델을 조금 덜 강력하게 만드는 대신 더 예측 가능하고 통제 가능하게 만드는 것은 이제 단순한 선의가 아니라 제조물 책임법(Product Liability)과 특정 수준의 정렬을 지키지 못했을 때 정부로부터 규제를 받으니 고객 수요의 문제이기도 합니다.

​

AI 에이전트가 고객의 지시를 벗어나 실제 대규모 사이버공격을 일으킨다면 기업이 감당해야 할 법적/경제적 책임은 막대합니다. 기업 고객 역시 벤치마크 점수가 조금 더 높은 모델보다 자신의 데이터와 시스템 안에서 예측 가능하게 움직이는 모델을 원합니다. 따라서 정렬은 보안 이슈인 동시에 점점 제조물의 퀄리티가 되고 있습니다.

​

문제는 여기서 한 단계 더 나아가 이것을 산업 전체의 규칙으로 만들려고 할 때입니다.

​

The Information에 따르면 앤스로픽, 오픈AI, 구글은 이미 7월부터 CEO 아래 실무진 차원에서 AI Industry Standards Body 설립을 논의해왔습니다. 샘 올트먼 역시 정부가 나서지 않더라도 주요 Lab들이 자체적으로 테스팅 및 감사하는 조직을 만드는 방안을 지지하고 있습니다.

​

다리오는 여기에 따로 여러 가지 제한들을 더 붙여서 AI 기업이라면 보안 기준을 지켜야 하고 공동으로 논의하도록 요구하고

있는 것입니다.

​

백악관 AI/크립토 차르인 데이비드 삭스의 말이 흥미로웠습니다.

"정말 위험하다고 생각한다면 그냥 여러분부터 늦추면 된다."

오픈AI와 앤스로픽이 프론티어 모델을 만들고 있다면 새로운 모델의 학습과 배포 속도를 늦추기 위해 정부의 허가도 경쟁사의 동의도 필요하지 않습니다. 그런데 굳이 산업 전체가 따라야 할 표준과 규제 체계를 동시에 요구하기 시작하면 이야기가 달라집니다.

​

여기서 두 가지 경쟁구조상의 함의가 생깁니다.

​

① 프론티어 랩은 격차를 '더 많이' 벌리기 위한 시간이 필요합니다

Recursive Self-Improvement 시대에는 단순한 3개월, 6개월이 과거와 같은 시간이 아닐 수 있습니다. 앤스로픽이 Mythos 2를 개발했음에도 Mythos 3를 출시하기 전까지 내부적으로만 사용하고 있음은 이미 익히 알려진 것이고, 오픈AI도 GPT-6 Bel을 개발했음에도 안전/정렬을 명분으로 내부적으로만 사용하고 있습니다.

​

프론티어 AI Labs는 이미 가장 강력한 모델을 가지고 있고 그 모델을 코딩, 연구, 합성 데이터 생성, 평가지표 생성 등에 투입해 다음 세대 모델을 개발할 수 있습니다. 기존 모델을 충분히 오랫동안 내부 연구에 활용하면서 다음 세대로 넘어갈 수 있다면 그 몇 개월 자체가 상당한 기술적 복리로 작용할 수 있습니다.

​

반대로 후발주자에게 중요한 것은 최신 프론티어 모델에 접근해 그 모델의 Output을 Teacher 모델 데이터로 활용하거나 Distillation을 통해 격차를 빠르게 줄이는 것입니다.

​

따라서 향후 Pacing이 실제 제도화될 경우 중요한 것은 무엇을 늦추느냐입니다.

​

내부적인 AI R&D와 Recursive Self-Improvement까지 동일하게 제한하는 것인지, 아니면 외부 출시와 배포에 훨씬 강한 Safety Requirement를 적용하는 것인지에 따라 경쟁 효과가 완전히 달라집니다.

​

만약 후자에 가까워진다면 이미 프론티어에 도달해 있는 기업은 기존 모델로 충분한 매출을 올리면서 내부적으로 다음 세대를 준비할 수 있지만 후발주자는 최신 모델을 접하고 따라잡을 기회 자체가 늦어질

수 있습니다.

우리는 현재 프론티어 모델을 충분히 오래 활용한다 → 외부에는 더 신중하게 공개한다 → Distillation을 통한 추격도 막는다

는 구조를 강화하기 위한 명분인 셈입니다.

​

② Safety Standard는 후발주자에게는 새로운 고정비가 됩니다.

두 번째가 더 구조적인 문제입니다.

​

다리오가 이야기하는 Safety 체계를 실제로 적용하려면 단순히 벤치마크 하나 통과한다고 끝나지 않습니다. 외부 평가자들과 계약해서 붙여야 하고, 훈련 파이프라인을 감독 및 감사하고, 정렬 팀을 따로 고액의 연봉을 준 연구원들로 붙여야 하고, 모델 해석가능성도 연구해야 하며, 여러 리스크에 맞는 평가지표도 따로 만들고, 사건사고 감독 체계도 따로 운영해야 합니다.

​

앤스로픽, 오픈AI, 구글은 충분히 감당 가능한 비용입니다. 이미 하고 있고 워낙 회사 규모가 커졌기 때문에 얼마 들지 않으며, 원래도 제조물 책임법이 적용될 여지가 있기에 감당했어야 할 비용입니다. 기존 모델을 몇 개월 더 늦게 판매한다고 하더라도 어차피 내부 AI R&D는 RSI 모델이 돌아가고 있기 때문에 희생해야 할 것도 없습니다. 오히려 초격차를 유지할 수 있는 힘이 됩니다.

​

하지만 스타트업에게는 이야기가 완전히 다릅니다.

​

새로운 절차가 하나씩 붙을수록 필요한 인력과 자본이 증가합니다. 그리고 스타트업에게 모델 출시가 3개월 늦어지는 것은 단순한 3개월이 아닙니다. 3개월의 추가 GPU 비용과 인건비가 발생하고 매출 발생 시점이 늦어집니다. 다음 펀딩 라운드까지 필요한 기간이 늘어나며 투자자는 이제 "모델을 만들 수 있느냐"뿐 아니라 "모든 안전 요청수준을 통과할 조직을 갖추고 있느냐"까지 보게 됩니다.

​

그래서 코히어(Cohere)의 창업자인 에이단 고메즈(Aidan Gomez, 1996년생, <Attention Is All You Need>의 저자 8명 중 한 명)가 이 논의를 두고 "사실상 카르텔 선언 아니냐"고 비꼰 이유도 여

기에 있습니다.

​

특히 더 미묘한 문제는 그 규칙을 누가 만드느냐입니다.

​

논의를 주도하는 회사가 앤스로픽, 오픈AI, 구글이고 앞으로도 이들이 보안과 관련된 기준을 만들려고 합니다. 그러면 당연히 자신들이 이미 갖추고 있는 조직, 인력, 프로세스가 자연스럽게 산업의 표준이 될 가능성이 있습니다. 규제를 통해서 '안전한 AI를 만들기 위한 최소 기준'을 만드는 것 같지만 → 실제로는 '이 정도 조직과 자본을 가지고 있어야 프론티어 AI 모델을 만들 수 있다는 진입 기준'을 만드는 것이 됩니다.

​

개인적인 생각 : 달라진 게 없다. 명문화했을 뿐

개인적으로는 이번 발표가 완전히 새로운 방향 전환이라기보다 이미 진행되고 있던 트렌드를 공식적으로 명문화한 것에 가깝다고 생각합니다. 뉴스로 슥 보기에는 엄청난 게 달라진 것 같을 수 있지만 사실 하나하나 뜯어놓고 생각해보면 달라진 게 없다고 판단합니다.

​

헤드라인을 걷어내고 실제 내용들만 하나씩 뜯어보시면 아시겠지만, 이미 쭉 전해드렸던 내용들입니다.

​

먼저 RSI를 내부적으로 충분히 활용한 뒤 다음 모델을 외부에 공개하는 전략 자체는 이미 시작된 지 꽤 됐습니다. 앤스로픽은 2026년 4월 7일 Mythos Preview를 출시하기 약 두 달 전인 2026년 2월부터 Mythos를 내부적으로 다음 세대 모델과 제품 개발에 활용했습니다. 이건 앤스로픽이 <Mythos Preview System Card> 자체에서 공개한 내용입니다. 이미 가장 강력한 모델을 외부에 즉시 공개하기보다 내부 R&D에 먼저 투입하면서 AI가 다음 AI를 만드는 구조를 강화하고 있었었습니다.

​

안전과 정렬을 충분히 거치지 않은 모델은 수익화하기 어렵다는 점도 새롭지 않습니다. 6월 12일 백악관이 사이버 안보 위협을 이유로 긴급 수출통제 명령을 내린 이후에는 프론티어 AI가 일정 수준 이상의 통제 가능성과 안전성을 확보해야 한다는 방향 역시 사실상 정책적으로 굳어졌습니다.

​

그래서 이번 Pacing the Frontier를 저는 새로운 속도조절을 시작한다기보다 앤스로픽과 오픈AI가 원래 하던 행동에 하나의 원칙과 명분을 부여한 것에 더 가깝게

보고 있습니다.

​

결국 중요한 질문은 "앞으로 무엇을 새롭게 늦출 것인가?"입니다.

​

내부에서 가장 강력한 모델을 활용한 R&D와 RSI까지 실제로 늦출 것인지, 아니면 외부 공개와 상용화 단계에 더 많은 Safety/Alignment 절차를 추가할 것인지에 따라 의미가 크게 달라집니다.

​

전자라면 다리오 아모데이의 취지가 순수하다고 볼 수 있겠지만 말보다는 행동이 진실을 말해주고 있습니다. 이미 Mythos를 내부적인 루프에 가장 먼저, 가장 적극적으로 쓰고 있던 앤스로픽입니다. 이 방향성이 바뀐 것이 아닙니다. 그러니 데이비드 삭스, 코히어 같은 반응이 나오는 것입니다.

​

그리고 다리오가 말한 "AI Lead를 지키는 선에서만 정렬 수준을 지키겠다"는 것도 중요한 단서입니다. 이미 중국 AI Labs들도 이미 Mythos Preview를 내부 RSI에 쓰기 시작했다는 걸 알고나서 언젠가 이런 일이 생길 것이라는 걸 느끼며 최근 3개월 동안 모두가 distillation 우선 전략이 아니라 CapEx 우선 전략을 세운지 오래입니다. 딥시크가 CapEx를 강화하기 시작한 시점에 대해서 말씀드린 바 있습니다(6/29, 7/20).

​

후자라면 지금까지의 전략과 본질적으로 크게 다르지 않습니다. 앤스로픽과 오픈AI도 원래부터 가장 강력한 모델을 만드는 즉시 무조건 공개한 것이 아니라 제품 안정성, 안전성, 비용, 고객 수요를 고려해 출시 시점을 조절해왔기 때문입니다.

​

그리고 이들도 결국 기업입니다. 장기적으로는 자신의 모델 API를 중심으로 더 큰 생태계를 만들고 더 많은 ARR과 더 높은 이익을 확보하는 것이 목표입니다. 그렇기 때문에 성능이 높다는 이유만으로 준비되지 않은 모델을 서둘러 출시할 경제적 유인도 크지 않습니다. 그래서 이번 발표에서 말하는 속도조절이 기존과 비교해 '구체적으로 무엇을 얼마나 바꾸겠다는 것인지'는 아직 불분명하다고 생각합니다.

​

제가 보기에는 지금

까지 이어져온:

강력한 모델을 먼저 내부 RSI에 활용 → 충분한 안전/정렬 검증 → 외부 출시

라는 흐름을 공식적인 원칙으로 만들면서, 동시에 그 시간을 이용해 프론티어와 후발주자의 격차를 더 벌릴 수 있는 구조를 만드는 데 더 가깝다고 봅니다. 즉 이번 발표의 핵심은 AI 개발을 갑자기 늦추겠다는 선언이라기보다, 이미 존재하던 속도조절을 산업의 새로운 규칙으로 만들려는 시도에 있다고 보기때문에 달라진 게 없는데

​

(1) 이러한 트렌드를 처음 알게된 투자자들의 매도,

(2) 센티먼트에 예민하게 반응하는 투자자들의 매도는 생길 수 있다고 봅니다.

​

다만 기저의 펀더멘탈은 바뀌지 않았다는 생각입니다.

엔비디아 : GS Communacopia + Tech Conf.

엔비디아의 9월 10일 GS Communacopia + Technology Conf 2026., 핵심만 정리해봅니다:

​

AI Factory 1GW당 얼마를 가져가는가?

가장 먼저 볼 부분은 세대가 바뀔수록 같은 AI 인프라에서 엔비디아가 가져가는 Content가 커지고 있다는 점입니다. GPU 시스템당 가격은 Hopper 약 $18K → Blackwell $25K → Vera Rubin $40K 수준으로 높아지고 있습니다. 단순히 GPU 가격이 비싸지는 것만은 아닙니다. 엔비디아가 공급하는 범위 자체가 GPU에서 CPU, DPU, 네트워킹까지 계속 넓어지고 있습니다.

​

같은 1GW의 AI Factory를 구축하더라도 엔비디아가 가져가는 매출은 세대가 지날수록 증가하는 구조입니다.

​

이제 LPS도 엔비디아의 공급망으로 다뤄야 한다

이번 컨퍼런스에서 흥미로웠던 표현은 네오클라우드를 단순한 고객이 아니라 LPS 공급망으로 보고 있다는 점입니다. 엔비디아에게 공급망은 더 이상 웨이퍼, CoWoS, HBM만을 의미하지 않습니다.

​

GPU를 실제로 설치하려면 Land + Power + Shell을 먼저 확보해야 하는데, 대형 CSP 몇 곳에만 의존한다면 결국 이들이 확보한 전력과 데이터센터 부지가 엔비디아 성장률의 상한이 되지만, Firmus, IREN 같은 여러 네오클라우드와 데이터센터 사업자를 동시에 키우면 더 많은 Land와 Power를 확보할

수 있습니다.

​

​네오클라우드를 늘리는 것은 단순히 고객 숫자를 늘리는 것이 아니라 엔비디아가 GPU를 배치할 수 있는 물리적 공급망 자체를 다변화하는 것입니다.

​

호주 2GW 프로젝트가 이 전략의 적용 사례

엔비디아가 발표한 호주 AI 인프라 계획도 같은 맥락입니다.

​

엔비디아는 Firmus, Sharon AI, IREN, Megaport, ResetData, CDC, NEXTDC, AirTrunk 등 여러 사업자와 협력해 CY27까지 최대 2GW 규모의 AI 인프라를 구축할 계획입니다. 2GW짜리 하나의 데이터센터를 엔비디아가 직접 짓는 것이 아니라, 여러 사업자가 확보한 데이터센터와 전력 파이프라인을 NVIDIA DSX 생태계로 묶는 구조입니다.

​

각 사업자는 데이터센터 개발과 운영을 담당하고, 엔비디아는 GPU, Networking, Software와 DSX 플랫폼을 제공합니다. 결국 엔비디아가 직접 막대한 데이터센터 CapEx를 부담하지 않으면서도 여러 사업자의 LPS를 자신의 GPU 배치 Capacity로 전환할 수 있습니다.

​

DSX의 진짜 의미는 AI Factory를 금융 가능한 자산으로 만드는 것

여기서 더 중요한 것이 DSX의 표준화​입니다.

​

기존 네오클라우드는 Firmus가 하나의 방식으로 설계하고, Sharon AI는 또 다른 방식으로 설계하며, IREN도 자체 구조를 가지고 있습니다. 금융기관 입장에서는 각각의 데이터센터를 서로 다른 기술/운영 리스크를 가진 프로젝트로 평가해야 합니다. DSX가 하려는 일은 이를 바꾸는 것입니다.

AI Factory의 설계와 구성 자체를 표준화된 엔비디아 자산으로 만든다.

이렇게 되면 채권자가 평가하는 대상도 달라집니다.

​

과거에는 "Firmus라는 스타트업에게 돈을 빌려줘도 되는가?"가 핵심이었다면, 앞으로는 "Firmus가 운영하고 있는 표준화된 엔비디아 AI Factory가 담보로서 얼마나 가치가 있는가?"만 평

가하면 됩니다.

​

특정 네오클라우드가 고객 확보에 실패하더라도 DSX 기반 AI Factory라면 다른 사업자가 운영하거나, 다른 고객의 워크로드를 받거나, 컴퓨트 용량 자체를 다른 방식으로 임대할 가능성이 상대적으로 높습니다. 운영주체와 컴퓨트 자산을 분리해서 평가할 수 있게 만드는 것입니다.

​

이 때문에 엔비디아는 AI Factory를 특정 고객에게 종속된 전용설비보다 다른 고객에게 재배치하기 쉬운 범용 컴퓨팅 자산으로 만들려고 합니다.한 고객만 사용할 수 있는 특수한 장비라면 고객이 사라지는 순간 가치도 크게 떨어집니다. 반대로 엔비디아 생태계에서 여러 모델과 고객이 사용할 수 있는 표준화된 GPU 시스템이라면 잔존가치를 평가하기가 훨씬 쉽습니다.

​

사이버보안은 코딩 다음의 새로운 토큰 소비처

수요 측면에서는 젠슨 황이 코딩 다음의 주요 AI 활용처로 사이버보안​을 꼽은 점도 흥미롭습니다.

​

코드를 작성할 수 있는 AI는 동시에 소프트웨어의 취약점을 찾고 이를 수정하는 데도 사용할 수 있습니다. 공격자의 관점에서 취약점을 찾는 Red Team과, 이를 방어하고 수정하는 Blue Team 모두 AI를 활용할 수 있습니다.

​

AI HW 투자자 입장에서 중요한 것은 사이버보안의 특성입니다.

​

코딩은 사용자가 요청할 때 실행되는 경우가 많지만, 사이버보안은 공격과 방어가 24시간 지속적으로 돌아가는 워크로드가 될 가능성이 높습니다. 따라서 사이버보안이 주요 AI 사용 사례로 자리 잡는다면 단순히 새로운 애플리케이션 하나가 추가되는 것을 넘어 AI가 실행되는 시간과 작업 범위 자체가 확대되는 효과가 있습니다.

​

Physical AI는 더 장기적인 Compute 수요

Physical AI 역시 장기적인 성장축으로 언급했습니다.

​

순서는 대략 자율주행 → 창고/물류 로봇 → 여러 작업을 하는 로봇 → AI-RAN입니다.

​

다만 투자 관점에서 더 중요한 것은 로봇이 대규모로 배치되기 전에 학습 인프라가 먼저 필요

하다는 점입니다. 수백만 대의 로봇이 실제로 추론을 시작하는 시점보다 훨씬 이전부터 월드모델과 로보틱스 모델을 학습하기 위한 대규모 GPU Cluster가 구축되어야 합니다. 따라서 Physical AI는 먼 미래의 추론 수요인 동시에, 그보다 앞선 시점의 훈련 컴퓨팅 수요를 만들어내는 시장입니다.

​

Dylan Patel이 생각하는 AI 칩 시장

Dylan Patel이 Cerebras Supernova에 나와 인터뷰한 것을 정리해보면:

​

AI 칩의 경쟁축은 Throughput과 Latency로 갈린다

AI 추론 하드웨어의 목표를 크게 두 가지로 나눴습니다.

​

토큰을 얼마나 싸게 많이 생성할 수 있는가(Throughput)

하나의 요청에 얼마나 빠르게 응답할 수 있는가(Interactivity & Low Latency)

​

엔비디아의 가장 큰 강점은 첫 번째입니다. 대규모 Batch를 묶어 전체 Token 생산량을 높이면 GPU 시스템의 활용률을 극대화하면서 토큰당 추론 비용을 낮출 수 있습니다. 반면 극단적으로 낮은 Latency가 필요한 영역에서는 Cerebras나 Groq처럼 다른 구조의 가속기가 경쟁할 공간이 있습니다.

​

Ultra-fast Inference의 경제성 ' 사람의 시간'을 줄이는 것

최근에는 단순히 토큰가격을 낮추는 것과 별개로 훨씬 빠른 추론에 추가 비용을 지불하려는 수요도 커지고 있습니다. 특히 코딩, 금융, 연구처럼 인건비가 높은 전문직에서는 AI 응답을 기다리는 시간이 짧아질수록 한 사람이 하루에 처리할 수 있는 작업량이 늘어납니다.

​

따라서 Ultra-fast Inference는 GPU 비용만 놓고 보면 비싸더라도,

Inference 비용 증가 < 고연봉자의 시간 절약 가치

가 성립하면 충분한 경제성이 생깁니다. AI 추론 시장이 결국 하나의 가격대로 수렴하기보다 저렴한 대량 추론과 비싸더라도 매우 빠른 추론으로 세분화될 수 있다는 의

미입니다.

​

소프트웨어 최적화의 여지가 아직 훨씬 크다

또 하나 중요한 부분은 칩의 이론적인 FLOPS와 실제 가속기 퍼포먼스 사이에는 상당한 격차가 남아 있다는 점입니다. 이미 3~4년 된 Hopper도 수많은 소프트웨어 개선을 통해 지속적으로 성능이 높아지고 있습니다. 딜런은 기존 하드웨어와 기존 모델만 놓고 보더라도 앞으로 Throughput을 50~80%가량 추가 개선할 여지가 있다고 봤습니다. 새로운 모델과 새로운 하드웨어까지 결합하면 개선폭은 더 커질 수 있습니다.

​

반대로 말하면 하드웨어 업체의 경쟁력도 칩 자체보다 전체 소프트웨어 스택을 다루면서 실제 칩을 얼마나 효율적으로 사용하는가가 더욱 중요해집니다. 할라페뇨를 통해 확인하기를, 오픈AI와 앤스로픽의 ASIC 개발 계획이 미칠 파급효과가 생각보다 크겠다고 보는 이유입니다. 비공개 차세대 모델을 Codex와 Claude Code를 통한 자체 칩 개발 과정과 커널 최적화에 적용하여 실효 컴퓨트를 끌어올리는 것이 굉장한 해자가 될 가능성이 높습니다.

​

모델 자체가 엔비디아 GPU에 맞춰 진화하고 있다

오픈소스 모델 생태계에서도 엔비디아가 갖는 중요한 해자가 있습니다.

​

최근 MoE 모델은 Expert 숫자를 늘리면서 더 Sparse하게 만드는 방향으로 진화하고 있는데, 이런 모델 구조가 GPU에서는 높은 성능을 내지만 TPU나 Trainium에서는 상대적으로 비효율적일 수 있다는 설명입니다. GPU는 상대적으로 작은 연산 Core를 많이 배치하는 구조이고, TPU와 Trainium은 더 크고 적은 수의 연산 Core를 사용하는 방향에 가깝기 때문*입니다. 따라서 모델을 더 세밀하게 분할해 필요한 Expert만 선택적으로 사용하는 구조에서는 GPU의 세분화된 병렬성이 유리할 수 있습니다.

​

*GPU와 TPU/Trainium이 본질적으로 다른 이 부분은 <AI 가속기 심화편 : GPU vs TPU, 무엇이 칩을 다르게 만

드나 (feat. CPU, ASIC, FPGA)>에서 전해드린 바 있습니다.

​

연산별로 가장 잘하는 칩을 조합하는 트렌드

엔비디아-Groq 협력과 Cerebras-AMD 협력은 Disaggregated Inference의 가능성을 보여주는 사례로 볼 수 있습니다. 최근에는 Transformer의 두 핵심 연산인 Attention과 FFN/MLP를 서로 다른 하드웨어에서 처리하는 방식까지 연구되고 있습니다.

​

Attention은 컨텍스트에서 필요한 정보를 찾고 관계를 계산하는 작업이고, MLP는 모델이 학습한 지식을 변환하고 처리하는 연산입니다. 두 작업은 필요한 컴퓨트, 메모리, 통신 특성이 다르기 때문에 각각에 가장 적합한 하드웨어를 배치하면 전체 TCO 대비 성능을 더 끌어올릴 수 있습니다.

​

물론 한계도 있습니다.

​

Context Length가 길어지거나 모델 구조가 바뀌면 Attention과 MLP가 차지하는 연산 비율도 달라집니다. 특정 연산량을 전제로 하드웨어를 고정적으로 배치하면 실제 워크로드 Mix가 변했을 때 한쪽 장비는 부족하고 다른 쪽은 놀게 될 수 있습니다. 위의 퀄컴에서 전해드렸던 Trade-off입니다.

​

그럼에도 딜런은 연산을 분리해 각각 가장 효율적인 하드웨어에서 실행했을 때 얻을 수 있는 성능 향상이 워낙 크기 때문에 Disaggregated Inference가 중요한 방향이 될 가능성을 높게 보고 있습니다.

​

로봇, 추론은 어디에서 할까?

​

SemiAnalysis가 <Where Does a Robot Think – On-Device vs Datacenter Inference>로 로봇의 추론을 온디바이스 혹은 데이터센터에서 하는 구조가 될지에 대해 정리한 자료를 올렸습니다:

​

로봇은 모델보다 더 강한 물리적인 제약을 받는다

로봇은 일반적인 AI 서비스와 달리 실시간성, 배터리, 냉각, 원가라는 물리적인 제약을 먼저 받습니다. 그 한계 안에서 사용할 수 있는 하드웨어와 모델 크기를

정해야 합니다. 그래서 현재 프론티어 로봇 모델도 대체로 5B~14B 정도의 비교적 작은 모델에 머물러 있습니다.

​

문제는 로봇의 범용성을 높이는 순간입니다. 단순히 정해진 작업을 반복하는 것을 넘어 주변 환경을 이해하고 월드모델을 활용해 처음 보는 상황에서도 행동하려면 훨씬 많은 연산량이 필요합니다. 결국 로봇이 더 똑똑해질수록 모든 추론을 로봇 내부에서 처리하기 어려워지는 구조입니다.

​

Planning은 데이터센터, Action은 로봇 안에

로봇의 추론은 크게 Planning Layer와 Action Layer로 나눠볼 수 있습니다.

​

Planning Layer는 카메라와 비디오를 이해하고 공간적인 관계를 파악한 뒤 '다음에 무엇을 해야 하는가'를 판단합니다. 모델이 상대적으로 크고 무겁지만 수백 Hz로 결과를 낼 필요는 없습니다.

​

반면 Action Layer는 그 판단을 실제 관절과 모터의 명령으로 바꿉니다. 수백 Hz 수준으로 빠르게 움직여야 하기 때문에 네트워크 지연을 허용하기 어렵습니다.

​

따라서 구조적으로는

Planning = Data Center / Edge Compute

Action = On-device

로 나누는 하이브리드 구조가 가능합니다.

​

모든 지능을 로봇 내부에 넣을 필요 없이, 무거운 사고는 외부 Compute Pool에서 처리하고 즉각적인 제어만 로봇 내부에 남기는 것입니다.

​

특화 로봇? 범용 로봇?

로봇이 어떤 일을 하느냐에 따라서도 최적의 구조는 크게 달라집니다.

​

몇 가지 작업을 반복하는 산업용 로봇이라면 필요한 행동의 범위가 제한적이기 때문에 비교적 작은 모델을 온디바이스에서 실행하는 것으로 충분할 수 있습니다.

​

반면 범용 로봇은 처음 보는 상황에서 주변 환경을 이해하고 여러 선택지 가운데 무엇을 해야 할지 판단해야 합니다. 생각해야 하는 범위가 넓어질수록 Foundation Model에 가까운 수준의 지능과 컴퓨트가

필요해집니다.

​

따라서 로봇이 범용화될수록 외부 컴퓨트를 활용해야 할 경제적 이유도 함께 커집니다.

​

LLM은 메모리가 병목, 로봇은 컴퓨트가 병목

워크로드 특성도 LLM과 다릅니다.

​

LLM 추론은 Token을 생성할 때 Model Weight와 KV Cache를 반복해서 읽기 때문에 Memory Bandwidth가 중요한 병목입니다. 반면 로봇은 카메라에서 새로운 Frame이 계속 들어오고 이를 기반으로 다음 Action Chunk를 지속적으로 계산해야 합니다.

​

로봇 추론은 상대적으로 컴퓨트 자체의 요구량이 더 큰 워크로드입니다. 따라서 로봇의 지능과 Frame Rate를 높일수록 단순히 메모리 용량을 늘리는 것보다 필요한 연산능력을 어디에서 공급할지가 더 중요한 문제가 됩니다.

​

온디바이스 컴퓨트는 전력과 냉각이 문제

로봇 내부에서 모든 추론을 처리하기 어려운 가장 직접적인 이유는 전력과 냉각입니다. 예를 들어 Jetson Thor의 연산 성능은 B200의 약 1/10, B300의 약 1/14 수준입니다. 반대로 데이터센터 GPU를 그대로 로봇에 넣으면 GPU 하나가 로봇 전체보다 더 많은 전력을 소비하고 별도의 냉각 시스템까지 필요할 수 있습니다.

​

결국 로봇 내부 컴퓨트는

성능을 높이면 → 전력소모 증가 → 배터리 감소 → 냉각, 무게, 원가 증가

라는 물리적 Trade-off를 피하기 어렵습니다. 그렇다보니 로봇의 지능을 크게 높이는 과정에서는 데이터센터나 Edge Compute를 활용하는 방법을 고민할 수밖에 없습니다.

​

가동률을 고려해도 외부 컴퓨팅이 경제적이다

칩들의 경제성 측면에서도 데이터센터 Compute Pool을 공유하는 구조에 장점이 있습니다.

​

이미 AI 데이터센터가 첨단 웨이퍼와 DRAM 공급의 상당 부분을 흡수하고 있습니다. 이런 상황에서 수백만 대의 로봇 각각에 고성능 GPU와 고용량 메모리를 넣는다면 엄청난 양의 첨단 실리콘

이 필요합니다.

​

반면 하나의 데이터센터 GPU가 여러 로봇의 추론 요청을 동시에 처리할 수 있다면 로봇 한 대당 필요한 첨단 실리콘과 메모리의 양을 크게 낮출 수 있습니다. 로봇 보급량이 커질수록 이 차이도 커집니다.

​

가동률 측면에서도 차이가 있습니다.

​

로봇 내부 GPU는 해당 로봇이 움직이지 않으면 함께 놀게 됩니다. SemiAnalysis는 산업용 로봇의 컴퓨트 가동률을 약 40% 수준으로 가정했습니다. 반면 데이터센터 GPU는 여러 로봇에서 들어오는 요청을 하나의 Compute Pool에서 묶어 처리할 수 있기 때문에 90%에 가까운 가동률을 만들 수 있습니다.

​

애플, 26년 PER 37배 / Underweight

애플 2Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기)

애플 1Q26 실적발표 코멘트 / 주간전략보고 中 (바로가기)

애플 3Q25 실적발표 코멘트 / 주간전략보고 中 (바로가기)

​

애플 첫 폴더블 ‘아이폰 듀오’ 공개

애플이 아이폰 18 Pro/Pro Max를 출시하면서 폴더블인 '아이폰 듀오(iPhone Duo)'도 공개했습니다:

미국 가격은 256GB $1999 / 512GB $2199 / 1TB $2599 / 2TB $3199,

국내 가격은 256GB 329만원 / 512GB 359만원 / 1TB 419만원 / 2TB 509만원입니다.

​

'접고 펼치는 경험'

개인적으로 가장 인상적인 부분은 접고 펼칠 때 화면이 전환되는 애니메이션입니다. 단순히 폴더블 디스플레이를 적용한 것이 아니라, 기기를 접고 펼치는 물리적인 동작과 화면 속 인터페이스가 자연스럽게 이어지도록 상당히 세밀하게 설계했습니다.

​

돌이켜보면 애플 인텔리전스와 새로운 시리가 처음 공개됐을 당시 사람들이 애플의 AI에 기대했던 것도 이런 수준의 경험이 아니었나 싶습니다. 새로운 기능을 하나 더 넣는 것이 아니라 복잡한 기술이 있다는 사실을 사용자가 의식하지 않아도 될 정도로 자연스럽고 완성도 높게 연결하

는 경험입니다.

​

AI에서는 아직 그 기대를 충분히 충족시키지 못했지만, 이번 폴더블의 애니메이션에서는 오히려 사람들이 애플에 기대했던 특유의 사용자 경험이 무엇인지 다시 한번 보여줬다는 생각입니다.

​

아이폰 듀오 무게는 254g

개인적으로 아이폰 듀오로 갈아타야하나를 고민하다가, 이것저것을 보다보니 본체 무게가 254g입니다. 18 Pro Max 무게가 249g, 18 Pro 무게가 211g, z폴드가 201g, z플립 무게가 180g입니다. 원래 무게 때문에도 일반을 쓰고 있었던 입장에서 생각해보기에는 254g이란 무게가 꽤나 부담이었습니다. 다만 18 Pro, 18 Pro Max를 원래 쓰고 있었던 유저라면 아이폰 듀오를 고려해볼만 하겠다 싶은 생각입니다.

​

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)

​

구글 : GS Communacopia + Tech Conf.

구글, 9월 8일 GS Communacopia + Technology Conf 2026.에서 중요한 것만 정리해봅니다:

​

TPU 판매 방식이 세 갈래로 확장됐다

구글은 이제 TPU를 공급하는 방식을 크게 세 가지로 나누고 있습니다.

​

GCP 안에서 TPU를 서비스 형태로 제공하는 방식

고객이 TPU 시스템을 직접 구매해 자체 데이터센터에 설치하는 방식

네오클라우드를 통해 TPU를 사용하는 방식입니다.

​

기존에는 AI 수요를 확보하더라도 대부분 GCP 안에서 직접 소화해야 했습니다. 그러면 구글이 데이터센터와 전력, Powered Shell까지 상당 부분 직접 부담해야 하고 현금흐름도 초기에는 약하고 시간이 지나면서 회수되는

구조였습니다.

​

반면 외부 판매가 확대되면 구조가 달라집니다. 파트너가 LPS와 자본을 부담하고, 구글은 TPU 시스템과 기술을 공급할 수 있습니다. 구글 입장에서는 훨씬 적은 자본을 투입하면서도 TPU 수요를 매출로 전환할 수 있고, 현금도 계약 초기에 더 빠르게 유입될 수 있습니다. TPU 외부 판매는 단순히 고객군을 늘리는 것이 아니라 구글 AI 인프라 사업의 자본효율과 현금흐름 구조 자체를 개선하는 변화입니다.

​

투자금 회수 기간보다 계약기간이 훨씬 길다

구글은 AI 서버 전체 투자금의 회수 기간이 2년 미만, TPU 자체는 그보다 더 짧아 대략 1년이면 투자금을 회수하는 수준이라고 설명했습니다. 반면 대부분의 AI 인프라 계약은 총계약가치 기준 약 5년의 장기약정으로 체결되고 있습니다. 투자한 자본을 1~2년 안에 회수할 수 있는데 고객은 5년 동안 사용을 약정하고 있다면, 이후 새로운 TPU 세대가 출시되더라도 기존 설비가 충분히 돈을 벌기 전에 경제적 가치가 사라지는 것을 크게 걱정할 필요는 없다는 설명입니다.

​

ASIC(TPU + CPU) 사업규모는 AWS 2배 이상

구글은 자체 AI Accelerator와 CPU 사업 규모가 AWS의 2배 이상이라고 설명했습니다.

​

AWS가 자체 가속기 시장에서 두 번째로 큰 하이퍼스케일러라는 점을 감안하면 구글 TPU 생태계가 이미 상당한 규모에 도달했다는 의미입니다. 특히 앞으로는 이 규모가 구글 내부 데이터센터에만 묶여 있지 않습니다. TPU를 하드웨어로 따로 판매하기에 유통망이 넓어지고 있고 TPU의 TAM도 더 이상 GCP CapEx와 전력 확보 속도에만 제한되지 않습니다.

​

결국 이번 컨퍼런스에서 가장 중요하게 본 것은 TPU가 '구글 내부에서 사용하는 자체칩'에서 외부 고객에게 판매되는 하나의 독립적인 AI 인프라 플랫폼으로 바뀌고 있다는 점입니다. 구글이 모든 데이터센터 CapEx를 직접 부담하지 않아도 TPU를 더 많이 배치할 수 있고, 투자금 회수 기간보다 계약기간도 훨씬 길기 때문에 TPU 외부 판매가 커질수록 성장률뿐 아니라 자본효율과 현금흐름까지 함께 좋아질 수 있는 구조라고 볼

수 있습니다.

​

TPU가 처음으로 엔비디아 GPU와 직접 비교하기 시작하다

SemiAnalysis가 TPU의 소프트웨어 생태계 외부화에 대해 뉴스레터를 작성했습니다:

​

이번에 처음으로 TPU와 엔비디아 GPU의 추론 경제성을 직접 비교했는데, Qwen3.5-397B의 FP8 추론 기준 TPU v7의 토큰당 비용은 B200 대비 19%, B300 대비 34% 낮게 나타났습니다.

​

다만 이 비교는 조금 조심해서 볼 필요가 있습니다.

​

엔비디아는 Hopper → Blackwell → Blackwell Ultra로 넘어가면서 추론 최적화의 중심을 FP8보다 FP4 환경으로 옮겨가고 있습니다. 따라서 FP8만 놓고 TPU v7과 B200·B300을 비교하는 것이 실제 차세대 추론 경쟁력을 완전히 보여준다고 보기는 어렵습니다.

​

개인적으로 TPU가 엔비디아와 본격적으로 경쟁력을 비교해볼 만한 시점은 TPU v8i부터라고 보고 있습니다.

​

진짜 변화는 TorchTPU 지원

이번 내용에서 더 중요하게 보는 것은 성능 수치보다 소프트웨어 스택 변화입니다.​

​

기존 TPU 추론 구조는

PyTorch → TorchAX → JAX → StableHLO/XLA → TPU

였습니다.

​

개발자가 PyTorch로 모델을 작성하더라도 실제 TPU 실행은 JAX를 통해 이뤄졌습니다. 따라서 새로운 모델이 등장할 때마다 TPU에서 제대로 작동하도록 별도의 JAX 구현과 최적화가 필요했습니다. 이 구조는 TPU 외부 확장의 가장 큰 약점 중 하나였습니다.

​

반면 TorchTPU를 사용하면 TPU를 PyTorch에서 훨씬 더 직접적으로 다룰 수 있습니다. 결국 구글이 만들려는 것은 새로운 모델이 나올 때마다 CUDA용 구현 → 다시 JAX용으로 별도 포팅하던 부담을 줄이고 CUDA와 비슷한 환경을 만드는 것입니다. TPU가 구글 내부 전용 가속기에서 외부 Merchant에 가까운 플랫폼으로 확장되려면 사실 하드웨어 성능보다 이 문제가 먼저 해결

되어야 합니다.

​

신규 모델 지원 순서에서도 구글이 AMD보다 앞설 듯

새로운 오픈소스 모델이 등장했을 때 커뮤니티가 어떤 하드웨어를 먼저 지원하는지도 생태계 경쟁력을 판단하는 중요한 지표입니다.

​

현재 방향대로라면 10월 전후에는 신규 모델 지원 순서가

엔비디아 > 구글 > AMD

에 가까워질 가능성을 보고 있습니다.

​

엔비디아와의 격차가 아직 크다는 점보다 중요한 것은 TPU가 AMD보다 먼저 두 번째 선택지가 될 수 있느냐입니다. TPU가 PyTorch 생태계로 자연스럽게 들어오면 모델 개발자가 굳이 TPU만을 위한 별도 개발환경을 익혀야 할 이유가 줄어듭니다. 이 경우 하드웨어 성능과 가격만 경쟁력이 있다면 TPU를 선택하는 마찰비용도 크게 낮아질 수 있습니다.

​

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)

​

"GPT-6 Astra의 수요는 전례가 없을 정도"

오픈AI Codex 리드인 Tibo가 GPT-6 Astra 이후 수요를 말했습니다:

​

"Astra에 대한 수요는 정말 전례가 없을 정도입니다. 저희는 이 수요를 감당하기 위해 모든 방안을 도원하고 있지만 이전에도 매우 가파른 성장세를 겪은 적은 있지만 지금까지 이런 수준의 성장률은 본 적이 없습니다. 기존 이용자분들께 우수한 서비스를 제공하는 것이 항상 최우선 과제이지만, 이런 상황이 계속된다면 신규 ChatGPT Pro 구독 접수를 잠시 중단해야 할 수도 있습니다."

​

챗봇에서도 ChatGPT 점유율 상승 중

Similarweb의 생성형AI 웹사이트 트래픽 점유율을 살펴보시면, ⓐ최근 2~3개월 전부터 ChatGPT 점유율이 다시 상승하고 있습니다.(26년 6월 52.7% → 26년 8월 55.5%) ⓑClaude 챗봇 점유율은 1년 전에 비해서 꽤 높아졌습니다(25년 8월 1.9% → 26년

8월 9.3%). ⓒ2~3개월 전부터 Gemini 점유율이 하락하고 있습니다(26년 6월 27.8% → 26년 8월 25.6%). ⓓChatGPT MAU는 이제 10억 6000만 명이 됐습니다.

​

ChatGPT for Financial Services 출시

오픈AI가 금융 서비스 업계를 위한 ChatGPT(ChatGPT for Financial Services)를 출시했습니다:

​

주요 사용 사례는 엑셀로 ⓐ밸류에이션 분석, ⓑLBO 모델링(PE나 IB가 외부 부채를 활용해 기업 인수 시 IRR과 부채상환능력 계산), ⓒ인수대상 발굴(Buy-side M&A), ⓓ이익 분석, ⓔ사업계획서 작성하는 일입니다.

​

ChatGPT Image 2.5도 출시

오픈AI가 ChatGPT Images 2.5를 출시했습니다:

​

Images 2.0 대비 생성 지연시간을 최대 50% 단축하고, 훨씬 자연스러운 질감의 이미지를 만들며, 요청한 부분만 수정하고 나머지 피사체/구도/배경은 유지하는 정밀한 편집 능력을 강화했습니다. 여러 차례 연속 편집에서도 사용자가 바꿔달라 요청하지 않은 부분은 일관되게 유지시킨다는 게 굉장히 좋습니다.

​

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)

​

앤스로픽, 2분기 연속 흑자 예상

FT에 따르면 앤스로픽은 최근 일부 주주들에게 3Q26에도 조정 영업이익이 흑자를 기록할 것이라고 밝혔습니다. 직전 2Q26에도 조정 영업흑자를 기록했기 때문에 이번 분기까지 흑자가 이어지면 2개 분기 연속 흑자입니다. 다만 여기서 말하는 수익성은 SBC 등을 제외한 조정 기준입니다.

​

매출 성장속도도 빠르고

앤스로픽의 2Q26 매출은 $11.5B로 YoY 14

배 증가했습니다. 7월 말 기준 ARR은 $65B까지 올라왔습니다. 2025년 12월 말 $9B였던 것과 비교하면 불과 몇 달 사이 사업 규모가 크게 커졌습니다. SemiAnalysis는 투자자들이 앤스로픽의 ARR이 연말 $120B, 2027년 말에는 여기서 다시 3배 가까이 증가한 $360B에 가까울 것으로 예상하고 있다고 전했습니다.

​

GPM도 상당히 높은 수준

앤스로픽 GPM은 유통 파트너사(AWS, GCP, Azure)와의 매출 공유분과 모델 훈련 비용을 반영하기 전 기준 GPM은 80% 이상인 것으로 전해졌습니다. 따라서 단순히 매출만 빠르게 성장하는 것이 아니라 추론 서비스 자체의 단위경제성도 상당히 좋아지고 있는 것으로 보입니다.

​

IPO를 앞두고 가장 큰 우려였던 현금소진 우려 완화

앤스로픽은 Nasdaq 상장을 준비하고 있으며 IPO 기업가치는 $2T 이상이 거론되고 있습니다. 프론티어 AI 기업에 대한 가장 큰 우려 가운데 하나는 막대한 훈련 비용 때문에 매출이 빠르게 증가해도 현금소모가 계속된다는 점이었습니다.

​

따라서 두 분기 연속 조정 영업흑자가 확인된다면 앤스로픽은 성장하려면 계속 막대한 적자를 감수해야 하는 AI Lab에서 빠르게 벗어나고 있다는 것을 보여주는 중요한 지표가 됩니다.

중국 주요 AI Labs의 대규모 Distillation을 적발

앤스로픽이 중국 AI Labs 7곳의 불법 distillation를 적발 및 차단한 보고서를 공개했습니다.

​

2026년 2월 이후 알리바바, Moonshot AI, DeepSeek, Z.ai, 샤오미, SenseTime, MiniMax가 주도적이고 대규모로 Claude의 CoT를 탈취하여 증류한 사건입니다. 중국 업계의 Tier 1~2 AI Labs 주력 파운데이션 모델인 Qwen, Kimi, GLM, DeepSeek, MiniMax가 모두 오픈AI와 앤스로픽의 당대 SOTA 모델로부터 CoT를 빼서 사전학습 데이터셋으로 쓰고 있

는 상태입니다.

​

결국 중국의 주요 파운데이션 모델들이 자체 사전훈련만으로 발전하는 것이 아니라 미국 프론티어 모델의 출력과 추론능력을 Teacher로 활용해 사후훈련 효율을 높이는 구조가 광범위하게 나타나고 있다는 의미입니다.

​

점점 사이버 공격에 가까워지고 있다

개인적으로 더 중요하게 보는 것은 Distillation의 수법이 빠르게 고도화되고 있다는 점입니다. 초기에는 수많은 가짜 계정과 Proxy를 만들어 Claude API에 접근하고 결과물을 대량으로 수집하는 정도였다면, 이제는 가짜 계정 대량 생성 → CoT 추출 → 보호장치 우회 → 실제 고객 트래픽 우회 → 사용자 데이터 수집 → 제3자 데이터 구매 → 특정 Cyber Capability를 표적으로 한 추출까지로 발전했습니다.

​

가장 중요한 변화는 '모델 지능' 자체가 탈취 대상이 됐다는 것

기존 사이버 공격에서 핵심 자산은 데이터베이스, Credential, 소스코드 등이었습니다. 그런데 프론티어 AI 시대에는 모델의 Reasoning 능력 자체가 새로운 핵심 지적재산이 되고 있습니다.

​

수십억달러의 컴퓨트와 연구개발비를 투입해 만들어낸 에이전틱 Reasoning이나 사이버 역량을 경쟁사가 API 비용 일부만 지불하고 대량으로 추출할 수 있다면, 공격의 경제적 가치는 상당히 커집니다.

​

메타, 26년 PER 21배 / 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)

​

Muse Spark 1.3 : Terminal-bench 4.0 점수 33.3점

Muse Spark 1.3의 Terminal-bench 4.0 점수가 33.3점인 것으

로 추정됩니다.

​

어떤 벤치마크를 기준으로 살펴보느냐가 매우 중요합니다. 지금 가장 객관적으로 개발자들의 에이전트 사용 능력을 비교평가해주는 지표는 Terminal-bench 4.0이라고 생각합니다. SemiAnalysis는 이걸 보고 벤치맥싱의 사례라고 꼽았는데, 제 생각에 Muse Spark 1.3이 33.3점이면 굉장한 도약이며 메타에게는 매우 긍정적입니다.

​

Terminal-bench 4.0 업데이트(2026-09-09) → 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% > Muse Spark 1.3 33.3% > 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%

주요 모델 API 가격 업데이트(2026-09-09) → 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(곧 Grok 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

​

가장 실사용 코딩 에이전트 지능을 잘 보여주는 벤치마크 기준 Grok 4.6을 뛰어넘었다는 의미이고, Muse Spark의 API 가격을 생각하면 특히 매력적인 가격입니다. 지난주 주간전략보고에서 전해드렸던 GPT-6 Astra/Termianl-bench/에이전트-하네스 관련 코멘트를 참고하시면 도움이 되실 것 같습니다.

​

마크 저커버그가 말하는 Muse

마크 저커버그가 Sources Podcast에서 말한 것들을 정리해봅니다:

​

Muse의 목표는 '개인마다 24시간 일하는 AI 에이전트'를 제공하는 것

Muse의 목표는 모든 사람에게 개인의 목표를 이해하고 대신 일해주는 AI 에이전트를 제공하는 것입니다. 단순히 질문에 답하는 챗봇이라기보다, 사용자가 원하는 일을 이해하고 24시간 지속적으로 작업하면서 생산성을 극대화하는 개인용 에이전트에 가깝습니다.

​

비즈니스 모델도 메타답게 설계했다

Muse는 사용자에게 월 1억 토큰과 VM을 무료로 제공하고, 추가 사용량에 대해서는 구독제를 적용할 예정입니다. 더 흥미로운 부분은 거래가 발생했을 때의 수익모델입니다.

​

메타는 Muse가 사용자를 대신해 상품이나 서비스를 구매하도록 연결할 경우, 사용자에게 수수료를 받기보다 기업으로부터 거래에 대한 수수료를 받는 구조를 생각하고 있습니다. 결국 현재 메타의 광고사업과 비슷합니다.

사용자에게는 최대한 무료로 서비스를 제공하고 → 더 많은 사용자를 모은 뒤 → 기업이 그 사용자에게 접근하거나 거래를 성사시키는 과정에서 돈을 받는 구조

입니다. Muse가 대규모로 보급된다면 메타의 기존 광고모델이 Agentic Commerce까지 확장되는 그림으로 볼 수 있습니다.

​

Muse의 차별점은 'Fleet Learning'

개인적으로 가장 흥미로웠던 부분은 Fleet 개념입니다.

​

Muse는 각각의 에이전트가 완전히 독립적으로 움직이는 것이 아니라, 여러 에이전트가 익명화된 상태에서 서로 유용한 학습 결과를 공유하면서 발전하는 구

조를 사용합니다. 대부분의 AI 에이전트가 지금은 일종의 싱글플레이 게임처럼 작동합니다. 한 사용자가 좋은 활용법을 찾아도 다른 사용자의 에이전트는 이를 알지 못합니다.

​

반면 Muse는 수많은 사용자가 에이전트를 활용하는 과정에서 발견한 유용한 패턴을 Fleet 전체가 학습할 수 있습니다. 특히 에이전트가 사용자의 지시만 기다리는 것이 아니라 스스로 새로운 프로젝트와 작업을 제안할 수 있다는 점이 중요합니다.

​

많은 사용자가 아직 AI를 어떻게 활용해야 가장 생산적인지조차 모르는 상황에서는, 사용자가 좋은 Prompt를 만드는 것보다 에이전트가 먼저 '이런 일을 해볼까요?'라고 제안하는 능력이 훨씬 중요할 수 있습니다.

​

결국 Muse의 경쟁력은 개별 에이전트의 성능뿐 아니라 사용자 수가 늘어날수록 더 많은 사용 사례를 발견하고 Fleet 전체가 좋아지는 네트워크 효과에서 나올 가능성이 있습니다.

​

Spark의 다음은 Watermelon, 그보다 더 큰 모델도 훈련 중

파운데이션 모델 로드맵도 상당히 공격적입니다.

​

현재 Muse Spark 이후의 차세대 모델인 Watermelon을 준비하고 있으며, 사전훈련 컴퓨트 규모는 Spark 대비 약 10배 커질 예정입니다. 여기서 끝이 아니라 Watermelon보다 더 큰 다음 모델 역시 이미 훈련 중입니다.

​

최근 공개된 Muse Spark 1.3도 Terminal-bench 4.0에서 상당히 좋은 성능을 보여주고 있다는 걸 생각해보면 꽤나 인상적인 코멘트였습니다.

​

개인적으로 현재 Agentic Coding과 실제 작업수행 능력을 중심으로 순위를 매겨보면

OpenAI > Anthropic >> Meta > SpaceX > Google

정도로 보고 있습니다.

​

테슬라, 26년 PER 177배 / Underweight

테슬라 2Q26 실적발표 코멘트 / 주간전략보고

中 (바로가기)

스페이스X IPO 분석 #2 : 화성으로 가는 길에서, 지구를 손에 넣다 (바로가기)

스페이스X IPO 분석 : 머스크 제국의 심장, 스타링크가 떠받치는 스타십과 AGI (바로가기)

​

스페이스X, 속도 최우선에서 신뢰성까지 챙기는 단계로

최근 스페이스X가 데이터센터 건설 전략을 속도 최우선 → 신뢰성 강조로 바꾸고 있습니다:

​

2024년 멤피스 Colossus를 처음 구축할 당시 xAI의 목표는 명확했습니다. 경쟁사를 따라잡기 위해 GPU를 하루라도 빨리 가동하는 것이 가장 중요했습니다. 그 결과 첫 데이터센터에서 100,000개의 GPU를 단 122일 만에 가동했습니다.

​

다만 그 대가도 있었습니다. 전력과 냉각의 이중화가 충분하지 않았고 임시 인프라를 활용해 일단 가동한 뒤 부족한 부분을 보완하는 선가동-후보완 방식이 상당 부분 사용됐습니다. 당시에는 합리적인 선택이었습니다. 아무런 인프라 기반이 없는 상황에서 가장 중요한 것은 우선 대규모 컴퓨트를 확보하는 것이었기 때문입니다.

​

외부 고객을 받기 시작하면 신뢰성의 가치가 달라진다

하지만 지금은 상황이 달라졌습니다.

​

xAI가 자체 Grok 모델을 학습하기 위해 데이터센터를 사용한다면 일부 장애는 내부적으로 감수할 수 있습니다. 반면 스페이스X가 앤스로픽과 구글 등 외부 고객에게 컴퓨트 용량을를 판매하는 인프라 사업자로 확장되면 이야기가 달라집니다. 고객에게 SLA를 제공해야 하는 순간부터 전력/냉각 이중화, 장애 복구, 운영 안정성은 선택사항이 아니라 상품의 일부가 됩니다.

​

결국 스페이스X의 데이터센터도 단순히 GPU를 빠르게 켜는 시설에서 하이퍼스케일 클라우드에 가까운 신뢰성을 갖춘 인프라로 진화해야 합니다.

​

스페이스X식 표준화가 xAI로 이식되는 중

이를 위해 스페이스X 출신 인력도 대규모로 xAI에

합류했습니다.

​

장비와 설계를 표준화하고 의사결정을 중앙화하는 한편 스페이스X의 로켓 및 스타링크 엔지니어들에게 6~8주간 데이터센터 프로젝트 참여를 요청했습니다. 1,300명 이상이 지원했고 약 300명이 실제 프로젝트에 투입되면서 xAI 내부의 비효율과 안정성 문제를 상당 부분 개선했습니다.

​

이 변화에서 중요한 것은 단순히 엔지니어 숫자가 아닙니다. 설계 표준화 → 부품 표준화 → 의사결정 중앙화 → 빠른 반복 → 현장 피드백 반영이라는 운영방식을 데이터센터 건설에도 적용하기 시작했다는 점입니다.

​

'건설속도가 느려진다'는 해석은 너무 단순하다

The Information은 이러한 변화 때문에 데이터센터 건설속도가 느려질 수 있다고 평가했습니다.

​

하지만 지금의 xAI에 2024년 Colossus와 같은 122일 건설속도를 계속 기대하는 것 자체가 적절하지 않다고 봅니다. PUE와 이중화, 신뢰성을 희생하면서 계속해서 122일 만에 데이터센터를 짓는다면 오히려 문제가 됩니다. 초기 xAI에는 컴퓨트가 없었기 때문에 몇 달을 줄이는 것 자체가 경쟁력이었습니다. 지금은 이미 Tier 2 AI Lab으로 자리 잡았고 향후 필요한 컴퓨트와 데이터센터 용량을 수년 앞서 계획할 수 있는 단계입니다. 긴급하게 따라잡는 단계에서 계획적으로 확장하는 단계로 넘어간 것입니다.

​

앞으로 봐야 할 것은 122일이 아니라 24~36개월을 얼마나 줄이느냐

통상 하이퍼스케일러는 데이터센터를 계획하고 LPS를 확보한 뒤 실제 가동하기까지 24~36개월의 리드타임을 둡니다. xAI 역시 이제 충분한 사전 준비 기간을 확보할 수 있습니다. 따라서 앞으로 스페이스X의 실행력을 평가할 기준도 달라져야 합니다.

​

"하이퍼스케일러 수준 신뢰성을 유지하면서 24~36개월의 업계 표준 리드타임을 얼마나 압축할 수 있는가?"가 더 중

요한 질문입니다. 초기 Colossus의 극단적인 속도 일부를 포기하더라도 스페이스X식 설계 표준화와 공급망 관리, 중앙화된 의사결정을 통해 안정적인 데이터센터를 경쟁사보다 빠르게 반복 구축할 수 있다면 실질적인 속도 경쟁력은 오히려 더 강해질 수 있습니다.

스페이스X : GS Communacopia + Tech Conf.

스페이스X의 9월 10일 GS Communacopia + Technology Conf 2026., 핵심만 정리해봅니다:

​

신규 호스팅 계약으로 CY26 ARR $100B 가시성 상승

스페이스X CFO는 9월 초 신규 호스팅 계약을 체결했다고 밝혔습니다.

​

해당 계약은 2026년 12월 1일부터 월 $1.11B, 연환산하면 $13.32B의 매출을 발생시키는 규모입니다. 이 계약을 반영하면서 회사는 기존에 제시했던 CY26 연말 ARR $100B 목표 달성에 대한 확신이 더욱 높아졌다고 설명했습니다. 중요한 것은 단순히 계약 규모가 큰 것이 아니라, 스페이스X의 AI 컴퓨트가 외부 고객에게 실제로 상당한 가격으로 판매되고 있다는 점입니다.

​

짧은 계약기간은 GPU를 가장 높은 ROI에 배분하기 위한 전략

스페이스X의 컴퓨트 계약은 장기간 GPU를 묶어두는 방식이 아닙니다. 90일 단위의 계약과 반환구조를 활용해 사실상 수개월 단위로 GPU 할당을 다시 결정할 수 있도록 설계하고 있습니다. 이유는 Grok이나 Cursor 관련 제품 수요가 급증할 경우 외부에 임대한 GPU를 계속 묶어두는 것보다 자체 서비스에 투입하는 편이 더 높은 수익을 낼 수 있기 때문입니다.

​

결국 스페이스X의 AI 컴퓨트 사업은 단순한 GPU 임대업이라기보다

외부 임대 ↔ Grok 추론 ↔ Grok 훈련

가운데 같은 GPU를 어디에 배치했을 때 가장 높은 ROI가 나오는지를 계속 선택

하는 구조입니다. 따라서 장기계약으로 가동률을 고정하기보다 일정 부분 Capacity를 유동적으로 유지하는 것 자체가 중요한 경쟁력입니다.

​

CY27 지상 Compute 5~10GW 계획 재확인

지상 컴퓨트 용량은 CY26 말 2GW를 조금 넘는 수준 → CY27 5~10GW까지 확대한다는 계획을 재확인했습니다. 다만 범위가 매우 넓습니다. GPU 수요의 불확실성보다는 Powered Shell을 얼마나 많이, 얼마나 빠르게 확보할 수 있느냐가 실제 증설속도를 결정하기 때문입니다. 수요는 충분하지만 실제로 5GW가 될지 10GW가 될지는 전력과 데이터센터 인프라 확보속도가 결정하는 구조입니다.

​

Grok의 성공 기준은 Watt당 $30~50

CY27 자체 Grok 사업의 경제성을 평가하는 기준으로는 Watt당 $30~50의 매출을 제시했습니다.

​

현재는 이 범위의 상단에 위치하고 있다고 설명했습니다. 단순 계산하면 1GW를 자체 AI 추론에 투입해 Watt당 $50의 매출을 만들어낼 경우 연간 $50B의 매출에 해당합니다. 현재 Grok 4.6과 Grok Build 조합도 상당히 좋은 수준의 마진으로 서비스되고 있다는 설명입니다.

​

흥미로운 것은 외부 GPU 임대에서도 Watt당 경제성이 대략 비슷한 범위에서 형성되고 있다는 점입니다. 결국 스페이스X가 GPU를 내부에 사용할지 외부에 임대할지를 결정할 때 비교하는 기준도 Watt당 얼마의 매출과 이익을 만들어낼 수 있는가로 단순화할 수 있습니다.

​

AI Compute 투자금 회수기간이 1년 미만

더 중요한 것은 현재 AI 컴퓨트의 투자금 회수기간이 1년 미만이라는 설명입니다.

​

구글이 GCP에서 GPU를 수익화할 때 2년 미만, TPU는 약 1년 수준의 투자금 회수를 이야기했던 것과 비교하면 스페이스X는 상대적으로 짧은 계약 대신 상당히 높은 가격으로 컴퓨트를 판매하고 있는 것으로 볼

수 있습니다.

​

이 숫자가 중요한 이유는 스페이스X의 수익성만 보여주는 것이 아니기 때문입니다.

​

앤스로픽이나 구글 같은 고객이 스페이스X로부터 고가에 컴퓨트를 빌리는 이유는 그 컴퓨트를 이용해 지불한 금액보다 더 큰 경제적 가치를 만들어낼 수 있다고 판단하기 때문입니다. 따라서 현재 1GW의 AI 컴퓨트가 얼마의 매출을 만들어낼 수 있는가는 프론티어 AI 산업 전체의 ROI를 판단하는 좋은 지표가 될 수 있습니다. 지금까지 나타나는 숫자만 보면 상당히 좋은 수준입니다.

​

궤도 컴퓨팅의 경제성 확보 시점도 앞당겨질 수 있다

SpaceX는 CY27 첫 Compute Satellite 발사 → CY28부터 의미 있는 규모의 컴퓨트 배치라는 로드맵도 다시 제시했습니다. 흥미로운 것은 궤도 컴퓨트와 지상 데이터센터의 비용구조가 같아지는 시점을 더 앞당겨 보고 있다는 점입니다. 기존에는 이르면 CY28 정도를 생각했지만, Starship의 재사용성이 예상보다 빠르게 개선될 경우 빠르면 CY27에도 경제성이 비슷해질 가능성을 언급했습니다.

​

배경에는 양쪽 비용곡선의 방향이 다르다는 점이 있습니다.

​

지상 데이터센터는 AI 수요가 늘수록 부지, 전력, 송전망, 건설비용의 제약이 커지고 있습니다. 반면 궤도 컴퓨트는 Starship 재사용 횟수가 늘어날수록 발사비용을 지속적으로 낮출 수 있습니다.

​

지상 데이터센터 구축 비용은 LPS 병목으로 상승 압력을 받고 궤도 데이터센터 구축 비용은 재사용성 개선으로 하락하는 구조이기 때문에 두 비용곡선이 만나는 시점이 예상보다 빨라질 수 있다는