[원문 유형] 네이버 프리미엄 콘텐츠 [채널] 올바른 미국주식 by SAPIENS [게시일] 2026.09.03 [원문 URL] https://contents.premium.naver.com/sapiens/sapiensasset/contents/260903133240414ns [제목] 일간보고 : 투자의 생각 (260903) [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. ​ 2026년 9월 3일 목요일, 데일리 전해드립니다. ​ 주간전략보고 2026-08-31 주간전략보고 : 투자의 생각 (8월 31일~9월 4일) (바로가기​) 일간보고 2026-09-02 일간보고 : 투자의 생각 (260902) (바로가기​) 2026-09-01 일간보고 : 투자의 생각 (260901) (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 일간보고 : 투자의 생각 2026-09-03 (목) ​ 주요 지수 : 러셀 +1.13% > 다우 +0.56% > S&P +0.46% > 나스닥 +0.45% 상승종목비율 : NYSE 168%, Nasdaq 195% 🟢 (🟢🟡🔴) ​ 섹터 - 📈강세 : 원자재, 커뮤니케이션, 바이오텍, 헬스케어 - 📉약세 : 테크 ​ 📩 메이저 뉴스 보시는 순서는 이렇습니다. 제목 - 참고를 위해 살펴보는 기업군 주가 : 그날의 생각 ​ *이번 신한 김성환 애널리스트님의 9월 1일 자료 <9월 미국 주식시장 전략: 주도주 반격의 시간>도 좋아서, 직접 한 번 읽어보시길 권해드립니다. 빅테크/AI Labs: ​ (1) 오픈AI의 Astra는 모델의 파라미터를 키우는 대신 일부 레이어를 여러 번 통과시켜 토큰당 계산량을 늘리는 방법인 'Recurrent depth'를 사용하고 있습니다. 설계자/엔지니어 입장에서 생각해보면 recurrent depth라고도 하고 좀 더 사용자 입장에서 생각해보면 looped transformer라고 부르곤 합니다. 여기서는 일단 'Recurrent depth'라고 칭하고 이것이 무엇인지 짧게 정리해봅니다: 원래도 GB300 효과로 Astra의 퍼포먼스 개선 효과가 Fable 5 → Fable 5.1보다 크게 나올 것이라고 생각하고 있었는데, 어쩌면 그걸 넘어서 오픈AI가 다시 연구 주도권을 찾는 계기가 될 것으로도 예상해볼 수 있겠습니다. '연구 주도권'이란 2024년 9월의 o1로 reasoning(test-time compute), 2024년 12월의 o1-pro로 병렬 reasoning의 시대를 열었던 것처럼 새로운 지능향상의 사다리를 주도할 가능성을 뜻합니다. 기본 transformer부터 살펴봐야 합니다. 예를 들어 어떤 모델이 24개의 layer를 갖고 있다고 해보면, 컴퓨트 과정은 input 토큰이 들어오면 → L1 → L2 → ... → L24 → 다음 input 토큰처리식으로 진행됩니다. 24개의 layer를 가진 모델이면 한 토큰을 계산하는 동안 24개의 서로 다른 layer를 순차적으로 통과합니다. 여기서 모델을 더 크게 만들고 싶다면 layer의 수를 48개 정도로 늘리는 것입니다. 파라미터가 커지게 됩니다. 이러면 model weight을 저장하기 위한 용량도 많이 필요하며, wideEP를 하면 KV Cache 측면의 효율화가 가능하지만 대신 통신 부담이 늘어납니다. 모델을 설계하는 차원에서 생각해보시면 ⓐcompute ⓑmemory ⓒinterconnect 세 가지 축/요소를 고려하는 상태에서 파레토 최적화를 찾는 일에 가깝습니다. 어느 요소를 효율화하면 어느 요소의 부담이 늘어납니다. Recurrent depth는 24개의 layer를 n번 순환시키는 것입니다. 그럼 실제 저장된 파라미터는 24 layer인데 계산 그래프로는 48 layer를 지난 것과 비슷한 효과가 생깁니다. 이 아이디어 자체는 2025년 7월 14일 에서 부각됐던 바 있습니다. 각 토큰이 한 번, 두 번 혹은 그 이상의 depth 순환을 시킬 것인지를 고려할 수 있게 학습시킨 라우터를 추가함으로써 모델 파라미터를 키우지 않고도 모델의 지능을 높일 수 있다는 것입니다. 쉬운 토큰은 한 번만 통과시키고, 어려운 토큰은 정도에 따라 두 번 혹은 그 이상 순환시키는 것입니다. 지금의 LLM Scaling은 ⓐ모델의 파라미터를 키우거나, ⓑ학습 데이터를 더 넣거나, ⓒ추론에서 더 많은 reasoning 토큰을 생성하는 식이었습니다. Recurrent depth는 새로운 축입니다. 파라미터는 그대로 두고 토큰당 compute를 더 많이 쓰게 하는 방식이고 MoE처럼 필요한 토큰에 compute를 선택적으로 더 배분하여 모델의 최고 지능 상한을 키우는 방식(전반적인 지능을 높이려면 어쩔 수 없이 width를 키워야 하기에 파라미터를 키워서 unique layer를 늘려야 함 = 기존 스케일링 법칙은 유효)입니다. 그렇다고 파라미터를 키우는 방식 자체를 대체할 수 있는 것은 아닙니다. 더 정확히 짚으면 looped layer가 unique layer를 대체할 수 있느냐는 것인데 그렇지 않습니다. 이에 대해서는 2026년 4월 22일의 논문에서는 looped layer 1개 = unique layer 0.46개이고, recurrent를 4번을 돌렸다고 가정하면 실제 unique 기준으로는 1.9배 정도의 모델 효과를 냈습니다. 그만큼 컴퓨트 비용이 늘어납니다. 메모리가 부족한 것을 컴퓨트를 늘려서 메울 수 있긴 하지만 대체하는 것은 아닙니다. The Information은 Recurrent depth라고 해서 "CoT가 사라진다"고 말했는데, 그건 아닙니다. 원래의 transformer도 hidden state는 있습니다. 다만 hidden state를 n번 더 계산할 수 있게 될 뿐입니다. 이를 반복한다고 해서 CoT를 없애는 것이 아닙니다. 상관없습니다. 오픈AI의 수석 과학자인 야쿠브 파초키가 'Astra를 포함한 오픈AI 프론티어 모델들의 computation graph depth는 GPT-4의 2배 이내'라고 밝혔습니다. recurrent depth를 사용하더라도 숨겨진 depth 계산이 그렇게 늘어나는 건 아니라는 의미입니다. 물론 모델의 생각을 모니터링하기가 점점 더 어려워지고 있음은 말했지만 computation graph depth가 똑같다는 말 자체가 Astra가 recurrent depth를 쓴다고 해서 CoT 모니터링하기가 어려워졌다는 인과관계는 틀렸다는 말과 같습니다. 왜 CoT를 보기가 어려워지는가 하면 모델이 점점 더 강화학습을 통해서 발전하고 있기 때문입니다. 실제 문제 해결에 유리하고 더 효율적인 내부적인 컴퓨팅과 사람이 읽기 좋은 reasoning은 분리될 수밖에 없고 CoT 자체도 생각해보시면 모델의 hidden state computation 자체를 보여주는 건 아닙니다. 모델의 지능을 더 고도화하려 할수록 중요한 컴퓨팅은 뒤에서 최대한 많이 끝낸 뒤 아주 짧은 CoT만 출력하는 것이 더 자연스럽습니다. 마무리하면서 Recurrent Depth를 쭉 생각해보다보니, 샘 올트먼이 최근 "연구 속도를 조절하겠다"라고 선언하고 있는 것이 '우리가 연구 주도권을 되찾았다'는 말과 같은 뉘앙스인 듯 합니다. 속도 조절은 1위만 할 수 있는 것이기 때문입니다. ​ (2) 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. 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. 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). ​ (3) 9월 2일, 하루 사이 세 가지 모델이 출시됐습니다: 알리바바 Qwen3.8-Max-0902 업데이트가 있었습니다. *첨부자료 1* 2.4T 파라미터, 1M 컨텍스트 토큰입니다. 벤치마크 수준을 살펴보면 코딩에서는 GPT-5.6 Sol과 Opus 5 대비 경쟁력이 꽤 많이 낮습니다. 중국 내에서도 Tier 2 AI Labs권입니다. 구글 Gemini 3.8 Flash가 출시됐습니다 *첨부자료 2* 최근에는 Terminal-bench 4.0을 기준으로 하는 비교가 중요한데 Sonnet 5보다는 우수한 모델입니다. 메타 Muse Spark 1.3이 출시됐습니다 *첨부자료 3* 잠깐 헷갈려서 Terminal-bench 2.1인 걸 모르고 '드디어 MSL이 해냈나' 싶었는데, 여기도 예전에 쓰던 벤치마크들을 기준으로 비교한 것이라서 정확한 비교는 아닙니다. 다른 벤치들도 더 나와봐야 진짜 Muse Spark 1.3이 어느 정도인지를 알 것 같습니다. 모델 출시와 관련해서 몇 가지 생각을 정리해보면: (ㄱ) 상대적으로 모델에 자신이 없으면 민낯을 가리려고 예전 벤치마크를 쓰는 경우가 많습니다. 그리고 (ㄴ) 상대적으로 자신 있으면 가장 핫하고 많이 인용하는 벤치마크부터 맨 위에 대문으로 걸어두는 경우가 많습니다. 그리고 (ㄷ) 정말 훌륭한 모델이 나오기 전에 그걸 며칠 앞두고 지금 '잠깐이라도 내가 우세했음!'을 말하려고 신규 모델들이 잔뜩 출시되는 경우가 많습니다(Fable 5.1, Qwen-3.8-0902, Gemini 3.8 Flash, Muse Spark 1.3). (ㄹ) 아니면 진짜 좋은 모델이 나오고 나서 마지막에 좀 더 짜내서 벤치마크 좋게 만든다음 출시해야지 하고 모델 출시를 살짝 미루는 경우도 있습니다(Grok 4.7). 오픈AI가 이번 주에 Astra를 출시할 것으로 예상됩니다. Recurrent Depth를 통해 지능 향상의 아예 다른 축을 뚫을 Astra 출시를 앞두고 교통정리는 끝난 것으로 보입니다. 요즘 AI Labs 3등 싸움이 치열합니다. 글로벌로 AI Labs 3등을 꼽자면 중국이 최근 연구력으로 빠르게 치고 올라오고 있어서 Z.ai(GLM)와 Moonshot(Kimi)이 들어갈 것 같고, 서구권으로 한정해서 AI Labs 3등 자리를 놓고 xAI(Grok), DeepMind(Gemini), MSL(Muse)이 경쟁 중입니다. Terminal-bench 4.0 업데이트(Muse Spark 1.3 반영 안됨, 2026-09-03) → 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. Terminal-bench 4.0 기준으로 *첨부자료 4* 작업당 비용과 풀이 정확도로 파레토 프론티어를 그려보면 Opus 5 > GLM-5.3(근데 대부분 클라우드에서 추론하므로 기업들이 실제 채택하기란 어려움) > GPT-5.6 Sol > GPT-5.6 Terra > GPT-5.6 Luna입니다. GPT-5.6 이후 Codex ARR 성장률이 계속 좋은 이유입니다. 주요 모델 API 가격 업데이트(2026-09-03) → Mythos/Fable 5.1 $10/$50(SOTA) > GPT-5.6 Sol $5/$30(벤치상 Fable 5와 비슷) > 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(9일 내로 4.7 출시 예정) > GLM-5.3 $1.4/$4.4 > Muse Spark 1.3 $1.25/$4.25(잘 뽑혔으나 좀 더 지켜졸 예정) > 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 엔비디아 2Q Preview에서 '개척 → 효율의 루프를 그리며 발전한다'고 정리드렸던 것처럼, 이제 다시 프론티어 모델이 지능의 상한과 새로운 사용 사례를 개척할 시간이 다가오고 있습니다. GPT-6는 파라미터 규모를 키우는 것이 될텐데 unique layer를 키우기 전에 looped layer를 통한 지능향상이 어느 정도 수준까지 가능할지를 익힌다음 GPT-6에 녹일 것으로 예상됩니다. 그렇게 생각해보면 대략 GPT-6 출시일은 10월쯤이 되지 않을까 싶습니다. 이미 오픈AI-오라클의 프로젝트 애빌린은 6개 동이 완공되어 있으니 단일 클러스터 기준 1GW급으로 훈련할 수 있습니다. ​ AI HW: ​ (1) AVGO 2Q26 실적발표 후 시간외 -1%입니다: 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. 앤스로픽은 CY26 TPU v7 1GW 배포를 시작으로 → CY27 TPU v8i 5GW → CY28에는 다시 추가 10GW를 계획하고 있습니다. 이 계획대로면 FY27부터 브로드컴의 최대 XPU 고객은 앤스로픽이 됩니다. 루멘텀에게 강세입니다. 구글향 만큼이나 OCS 수요가 매우 크게 증가한다는 의미입니다. 8월 27일 도이치뱅크 컨퍼런스에서 OCS에 대해서 강세 코멘트를 했던 것과 앤스로픽이 최근 TPU 물량을 CY27 5GW → CY28 10GW으로 고정하고 있는 것과 관련이 있어보입니다. 구글, 앤스로픽, 오픈AI가 모두 루멘텀 MEMS 방식의 OCS 고객사입니다. 오픈AI는 할라페뇨를 FY27에 1.3GW → FY28에 할라페뇨와 차세대 XPU를 합쳐 5GW 이상을 배치할 계획이라고 밝혔습니다. 이미 할라페뇨 다음 칩 tape-out을 준비 중이고 3세대 XPU도 개발 파이프라인에 이습니다. FY28에는 오픈AI가 브로드컴의 두 번째 고객이 될 예정입니다. 메타는 CY27 말까지 3세대 MTIA를 공급받아 CY28까지 3GW를 배치할 에정입니다. 고객들의 잠재 수요까지 합치면 CY27~CY28 약 30GW까지도 보이긴 하지만, Powered Shell이 부족하기 때문에 해당 회계연도 안에 실제 가동된다고 가정하진 않았습니다. 한 고객의 AI 인프라 1GW당 가져가는 반도체 Content는 약 $20~30B로 예상했고 향후 XPU 세대가 바뀌어도 이 수준은 안정적일 것으로 전망했습니다. 그럼 이 계획대로라면 XPU의 ASP이 상승하긴 하지만, XPU의 TDP도 함꼐 늘어서 GW당 XPU의 수가 감소한다는 것인데 칩만 계획해서는 전성비를 높이기가 한계에 부딪혔다는 의미이기도 합니다. 그래서 엔비디아가 칩으로는 1GW당 dollar contenst를 늘리기 어려우니 ⓐ네트워킹도 더 많이 판매하고, ⓑ800VDC나 Kyber 랙으로 구리도 CPO로 교체하려는 작업에 힘쓰는 이유(= 전체 Critical IT Load에서 칩을 제외한 나머지를 효율화)이기도 합니다. CY1Q26 GPM 77% → CY2Q26 75%로 낮아졌으며 → CY3Q26에는 73%로 더 내려갈 예정입니다. GPM 94%짜리 VMware 소프트웨어 매출비중은 낮아지고, 상대적으로 마진이 낮은 GPM 67%인 XPU 비중이 빠르게 증가하고 있으며 XPU 내의 HBM 메모리 비용 부담이 계속 높아지기 때문입니다. CEO는 GPM이 아니라 OPM을 보라고 언급했습니다. 3Q26에도 GPM은 떨어지지만 OPM은 66%를 유지하겠다고 말했습니다. 엔비디아 2Q26에 이어서 브로드컴도 장기적으로 메모리 비용 상승분을 고객에게 모두 전가하지 않겠다고 말한것과도 같습니다. 브로드컴이 최근 AI Financing을 강화하고 있습니다. 그래서 이번 실적발표에서 애널리스트가 '앞으로도 각 GW마다 비슷한 규모의 지급보증이 생기는가'라고 묻자 경영진은 명확한 상한을 제시하지 않고 딜마다 다르다고 말했습니다. 기존의 '칩을 만들고 파는 기업' 포지션에서 '칩을 만들고 → 랙을 구성하고 → 외부 자본을 끌어와 Financing을 만들고 → 일정 부분 잔존가치 리스크까지 부담하는 기업'으로 바뀌어가는 중입니다. 그렇다보니 대차대조표와 앤스로픽/오픈AI의 지급능력에 대한 이슈를 예민하게 받아내야 하는 기업이 되고 있습니다. 브로드컴의 향후 연도별 XPU 고객 중요도를 보시면 FY26에는 #1 구글, #2 앤스로픽이고 → FY27에는 #1 앤스로픽, #2 구글이며 → FY28에는 #1 앤스로픽, #2 오픈AI가 됩니다. 구글이 생각보다 빠르게 미디어텍향으로 TPU 물량을 옮기고 있기 때문인데 이 과정에서 브로드컴은 수요 공백을 메우기 위해 (ㄱ) XPU GPM을 낮췄고, (ㄴ) AI Financing을 적극 돕고 있습니다. 고객사가 칩을 살 돈을 브로드컴이 보증서주는 구조입니다. 브로드컴은 아폴로, 블랙스톤과 함께 AI XPV Financing 플랫폼을 만들었고, CY28까지 앤스로픽과 오픈AI의 20GW 이상 인프라 구축을 지원하는 것이 목표입니다. 첫 번째 앤스로픽의 1GW 배치를 위해 $35B 규모의 첫 트랜치가 이미 성사된 상태입니다. ​ (2) 모건스탠리의 SEMICON Taiwan을 정리해보면 *첨부자료 1*: DRAM 가격은 기존 conventional DRAM 3Q26 QoQ +8~13% 예상이었는데 → 9월 초 기준으로 이제는 3Q26 conventional DRAM QoQ +13~18% / HBM Blended ASP QoQ +8~13%으로 상향됐습니다. NAND는 3Q26 QoQ +8~13% → 9월 초 기준 3Q26 QoQ +10~15%로 상향됐습니다. 메모리가 시스템 수준의 차별화 요소로 부각되고 있습니다. AI 성능은 점점 더 컴퓨팅보다는 메모리에 의해 제약받고 있는 상황입니다. 모델이 커지고, Agentic AI를 채택하며, 컨텍스트 윈도우가 커지는 환경으로 하여금 메모리 대역폭, 메모리 용량, Latency의 중요성을 높이며 tokens/watt, tokens/$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. 전통적인 스토리지를 넘어서 새로운 티어로 이동하는 과정입니다. ​ (3) 버티브가 BTM 프로젝트의 전력 설계 선도 기업인 UtilityInnovation을 $1.45B에 인수했습니다. 마이크로그리드 제어, 현장 발전 및 ESS 통합, BTM 아키텍처 설계 역량을 갖게 됐습니다. ​ (4) 이번 SEMICON Taiwan 루멘텀 세션에서 자료들을 보다보니, 루멘텀은 Scale-up를 위해서 기존 기술 중에서는 VCSEL를 선호하고 있습니다 *첨부자료 2, 3*. 지금은 InP로 single-mode fiber 구성이 메인으로 논의되고 있는데 VCSEL가 더 나을 것임을 제안하는 세션이었습니다. 흥미로운 건 세계 최대/최고의 InP 파운드리이자 최고의 기술력을 가진 루멘텀이 Scale-up에서 VCSEL을 강조하기 시작했다는 것입니다: InP나 TFLN처럼 더 빠르고 더 멀리가는 광학 기술보다, Scale-up은 대량생산, 전력, 신뢰성, 집적밀도가 중요하니 현재 기준으로는 VCSEL과 SiPh가 상대적으로 유리한데 멀리 보자면 새로운 광학 기술이 필요하다는 것이 전체 주장입니다. VCSEL은 짧은 거리용 기술입니다. 그런데 Scale-up 네트워크에서는 아주 짧은 거리 + 엄청나게 많은 연결 + 매우 낮은 전력 + 높은 신뢰성 + 높은 포트 밀도라는 특성상 기존의 Scale-out에서의 가치제안과 달라지다보니 VCSEL의 장점을 살릴 수 있는 것입니다. 1개의 광원이 엄청난 대역폭을 혼자 감당해야 하면(InP/SiPh 기반 싱글모드 트랜시버) InP/TFLN 같은 고성능이 필요하지만 VCSEL를 병렬로 많이 붙이면 개별 VCSEL 속도는 느려도 전체 대역폭은 충분히 확보할 수 있습니다. VCSEL의 장점은 대량생산 경험에서 나옵니다. 스마트폰 Face ID 같은 3D Sensing 시장에서 VCSEL을 썼던 것만큼 대량생산 및 배포 경험이 있는 기술은 없습니다. 이미 검증된 기술이니 양산 경험, 수율, 공급망, 신뢰도 면에서 장점이 많습니다. SiPh는 균형잡히긴 했는데 실리콘에서 레이저를 만들 수 없으니 결국 InP로 만든 외부 레이저(ELS)를 붙여야 합니다. 시스템 복잡성이 높아지는 구조입니다. '기존 데이터센터 분야에서 VCSEL을 생각하시면' 주류는 코히런트(COHR)가 200G datacom에 쓰던 850nm VCSEL입니다. 그런데 루멘텀이 가진 VCSEL은 약간 다릅니다. 루멘텀은 OFC 2026에서 1060nm multimode VCSEL array로 Scale-up 광학 링크 구성을 시연한 바 있습니다. 그리고 이미 3D Sensing용 VCSEL 대량생산 기반이 있어서 이미 100억 개 이상을 출하한 바 있습니다. 루멘텀이 압도적 강점을 가진 이 분야가 Scale-up에 최적이라고 데이터로 말한 것이니 루멘텀에게는 긍정적입니다. 흥미로운 건 COHR도 원래는 CY25에 Scale-up VCSEL array를 850nm / 32×50G NRZ / 1.6T로 구성했었는데, 2025년 하반기에는 기술개발하다가 루멘텀이 개발했던 1060nm 방식을 따라와서 1060nm VCSEL/PD array를 CY26에 출시하겠다고 말한 바 있습니다. 루멘텀이 코히런트보다 먼저 공격적으로 표준화 및 기술개발에 참여하고 있습니다. 이것도 좀 더 정확히 설명하자면 6개월 전의 OFC 2026에서 루멘텀은 고객 다수는 여전히 Scale-up에서도 single-mode fiber를 선호한다고 말한 바 있고 VCSEL은 일부 고객이 대안으로 열어두고 있는 옵션이라고 설명했었습니다. 지금 거의 2~3년치 Scale-up XPU 계획은 InP + SiPh 주도의 NPO/CPO로 고정되어 있는데 이게 기존 로드맵을 유지할지 아니면 VCSEL로 갈지를 두고 광학 세션들마다 얘기들이 많이 나오고 있습니다. 이게 모든 산업이 워낙 빠르게, 워낙 극한의 연구를 하고 있고, 워낙 대량으로 한 번에 실수없이 배포해야 하는 섹터이기 때문에 몇 개월, 몇 주 사이에도 표준이 바뀔 수 있으니 계속 헤비하게 공부하며 지켜보는 것 외에는 사실 묘수는 거의 없어 보입니다. 간단하게만 투자자로서 함의점을 정리하자면 Scale-up이 EML/CW Laser로 가건, VCSEL로 가건 루멘텀이 양쪽 기술을 선도하고 있다는 것입니다. 핵심은 fast VCSEL이 아니라 slow-and-wide VCSEL CPO/NPO 구현입니다. VCSEL 하나를 200G/lane 이상으로 무리하게 고속화하는 대신 32~64G NRZ lane을 수십 개 병렬로 배치해 필요한 총 대역폭을 확보하는 구조입니다. 만약 Scale-up에서 VCSEL CPO가 모멘텀을 얻게 되면 GaAs쪽 밸류체인도 한 번 봐야겠다 싶습니다. 이렇게 되면 동일한 총 대역폭을 구현하기 위해 필요한 광학 링크의 수가 크게 늘어나기 때문에 Fiber, Photodiode뿐 아니라 각각의 lane을 구동하고 수신하는 Laser Driver와 TIA의 채널 수도 증가합니다. 셈텍에게는 긍정적입니다. 이상적인 slow-and-wide optical I/O는 DSP 중심 → 단순하고 저전력인 아날로그 PMD 중심으로 아키텍처가 바뀐다는 의미입니다. 셈텍의 매출은 ⓐ채널당 ASP x ⓑ시스템당 채널 수 x ⓒ시스템의 수로 결정되는데, ⓐ가 어느 정도 낮아지더라도 ⓑ가 3~6배 증가하니 전체 시스템당 dollar content는 증가한다는 의미입니다. 송신은 레인마다 Electrical signal → Driver → VCSEL → Fiber로 연결되고, 수신은 Fiber → Photodiode → TIA → Electrical signal로 나갑니다. 그래서 Driver, PD, TIA 수요가 커집니다. 2Q26에 셈텍은 PD도 아예 내재화했습니다. 어차피 깊게 생각을 정리한 김에 첨언드리자면 업계에서는 microLED에 대해서는 이미 거의 죽은 기술로 보고 있다보니, CRDO의 microLED 피칭에 컨콜 이후 애널리스트들도 그닥 공감을 못하는 분위기이긴 합니다. Enterprise/GPU IaaS: ​ (1) 엔비디아의 Revenue Share 방식으로 자금조달하는 최초의 네오클라우드 중 하나인 GMI Cloud가 139억 대만 달러를 대출 요청했는데 300억 대만달러까지 대출을 확보했습니다. 수요가 매우 많아서 5년 만기 대출 규모는 400억 대만달러까지 늘어날 수 있다고도 덧붙였습니다. 엔비디아는 GMI Cloud에 VR200를 제공하고 엔비디아는 미판매 컴퓨팅 자산을 인수하기로 계약함으로써 매출 하한선을 보장하는 계약입니다. AI HW 섹터에는 긍정적인 뉴스였습니다. 신재생/전력기기: (1) 업계 별다른 뉴스는 없었습니다. 광고/이커머스: ​ (1) 미국 연방판사가 DoJ가 구글에 AdX를 매각하도록 강제하려는 시도를 기각했습니다. 반독점 책임은 유지되지만 매각요청만 기각한 것입니다. 의료기기/핀테크/코인: ​ (1) 오늘 트랜스메딕스의 3Q 비행 건수는 1,940건, 오늘의 일간 비행데이터는 +364건이었습니다. 3Q는 64일이 지났으며 일평균 비행속도는 30.31건 속도였습니다. ​ (2) 오늘의 서클 USDC 유통량은 $73.87B, CCTP 전송량은 30일 기준 $17.7B입니다. USDC 유통량 자체는 42주간 횡보 중입니다. 횡보를 뚫는 기준은 MoM 기준 20% 이상의 성장세를 1주간 유지하는가입니다. 오늘 주간 기준 -0.08%, 월간 기준 +2.24% 수준입니다. 지금은 Crypto Pair Trading(e.g. BTC/USDC, ETH/USDC 등)을 위한 예탁금으로 인해서 USDC 유통량이 바뀌는 게 가장 큽니다. 그래서 크립토가 오르면 USDC 유통량이 일시적으로 오르고 합니다. 아직 스테이블코인 결제가 더 쓰인다거나 하는 요소로 펀더멘탈이 바뀌는 것은 아닙니다. ​ (3) 피겨 테크의 주간/월간 잠정 영업 지표를 여기서 확인하실 수 있습니다. 9월 2일부로 피겨의 Kiavi 인수가 완료됐습니다. Kiavi는 집을 유지하고 월세로 내놓으려는 임대인들을 위한 대출이 주력입니다. RTL로 리모델링한 뒤 임대가 시작되면 DSCR로 리파이낸싱하는 루프입니다. 더 많은 제품들이 추가되고 3Q 가이던스에는 Kiavi 수치가 포함되지 않았으며 인수 회계에 따라 9월 1일부터 Kiavi 매출과 이익이 FIGR에게 잡힐 것이므로 추정치는 약간 상회하게 나올 것으로 예상됩니다. 저희의 생각을 담아서 랩을 운용하고 있습니다 메리츠증권 : https://naver.me/xQiZ5UHt SK증권 : https://naver.me/FlcOtVGm