[원문 유형] 네이버 프리미엄 콘텐츠 [채널] 올바른 미국주식 by SAPIENS [게시일] 2026.08.21 [원문 URL] https://contents.premium.naver.com/sapiens/sapiensasset/contents/260821151534765op [제목] 엔비디아 2Q26 Preview : 3R에 답할 시간 - Rubin, Rubin Ultra, Revenue Share [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. ​ 미리 보는 엔비디아 2Q26 실적발표 Preview입니다. 이번 회계분기인 5~7월 사이에도 많은 일들이 있었습니다. 그동안의 AI 사이클 전반을 recap하는 자료이기도 합니다. ​ 2Q 빅테크들의 실적발표 함의점, AI S-curve는 현재 어디쯤 와있는가, 게빈 베이커의 생각과 9가지 함의점, 개척 → 효율의 루프, $500B 네오클라우드 생태계를 짚어봅니다. ​ Rubin 출하, Rubin Ultra의 스펙과 로드맵, Revenue Share라는 새로운 구조에 대한 관심이 높습니다. 돈은 이미 잘 버는 걸 알기에 CY27 이후를 보며 밸류 확장이 필요한 때입니다. ​ 엔비디아 (NVDA) 실적발표 2026-05-21 엔비디아 1Q26 실적발표 : 하이퍼스케일러 CapEx보다 '더' 빠르게 성장하겠다 (바로가기) 2026-02-26 엔비디아 4Q25 실적발표 : 담백한 실적발표, 핵심은 모두 그린라이트 (바로가기) 2025-11-20 엔비디아 3Q25 실적발표 : 2026년 말까지 "SOLD OUT", 젠슨황의 $500B 매출 확신 (바로가기) 2025-08-28 엔비디아 2Q25 실적발표 : Blackwell 12개월치 SOLD OUT, AI CAPEX $3~4T를 말하다 (바로가기) 이제는 한 분기의 AI Recap이기도 한 Preview 2026-05-15 엔비디아 1Q26 Preview : "I'm Back" (바로가기) 2026-02-20 엔비디아 4Q25 Preview : 컴퓨팅이 곧 매출인 시대, 결국 엔비디아의 시간은 온다 (바로가기) 2025-11-16 엔비디아 3Q25 Preview : 모두가 느끼는 '수요 쓰나미' AI CAPEX $5T를 향하다 (바로가기) 2025-08-21 엔비디아 2Q25 Preview : AI 산업혁명, 우리에게 아직 과열은 없다 🔥 (바로가기) AI 심화편 of 심화편 2026-07-09 구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대 (바로가기) 2026-06-19 추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' (바로가기) 2026-06-05 AI 가속기 심화편 : GPU vs TPU, 무엇이 칩을 다르게 만드나 (feat. CPU, ASIC, FPGA) (바로가기) 2026-05-27 LLM 추론 토큰 가격의 비밀 : MoE의 시대, 엔비디아 NVL72가 중요한 이유 (바로가기) 유니티 (U) 2026-08-11 유니티 2Q26 실적발표 : 앱러빈이 이미 걸어간 길, 유니티는 이제 그 초입에 서 있다 (바로가기) 2025-11-26 유니티 기업분석 : 게임엔진 + AI 광고엔진, 숫자로 증명하기 시작한 시너지 (바로가기) 광학 (Optics) 2026-08-12 루멘텀 2Q26 실적발표 : ALL BEAT, 더욱 강해진 루멘텀의 모멘텀 (바로가기) 2026-08-06 비아비 솔루션스 2Q26 실적발표 : CPO 정상 진행 중, 광학은 Lab → Production으로 (바로가기) 2026-07-03 셈텍(SMTC) 기업분석 : 미디어텍 TPU와 함께 성장할 기업, 'DSP를 지우는 자' (바로가기) 2026-04-17 '빛💡'의 시대 : 광학 밸류체인 한 눈에 보기 (바로가기) 메모리 (Memory) 2026-06-25 마이크론 2Q26 실적발표 : 이제 메모리는 찍기도 전에 팔린다 (바로가기) 2026-06-19 추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' (바로가기) 2026-01-21 추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘 (바로가기) 2026-01-07 엔비디아 CES 2026 : Vera Rubin의 시대, ICMS가 불러올 메모리 지각변동 (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 ​ 엔비디아 2Q26 실적 Preview : 3R에 답할 시간 - Rubin, Rubin Ultra, Revenue Share? AI 사이클에 대한 이해 더하기 : 빅테크 목소리, AI 초입, 게빈 베이커, 개척 → 효율, $500B 주요 애널리스트들의 생각 : Bank of America, Morgan Stanley 투자의 생각 : 엔비디아(NVDA) ​ 엔비디아 2Q26 실적 프리뷰 3R에 답할 시간 - Rubin, Rubin Ultra, Revenue Share? 이번 분기 - CY2Q26 (FY2Q27) 컨센 - 매출 : $91.9B (QoQ 12.6%) → 공식 가이던스는 $91B (±2%) ​ 다음 분기 - CY3Q26 (FY3Q27) 컨센 - 매출 : $103.8B *스트릿 컨센* ​ 실적발표에서 중요한 요소 ​ 1. 이번 분기 2Q26(5월~7월) 실적은 얼마인가? 중요도 10% 이번 분기에 가장 중요한 것도 GB300 랙 출하가 얼마나 잘 되고 있느냐입니다. ​ 지난 분기와 같습니다. VR200 NVL72 랙이 나오기 전인데도 벌써부터 스페이스X의 GB300 NVL72 클러스터가 1GW에 3개월 계약가로 $40B~$50B로 책정되고 있음을 생각해보자면 GB300 NVL72에 대한 수요도 충분히 매우 높은 상태임을 간접적으로 알 수 있습니다. Beat를 예상합니다. ​ 2. 다음 분기 3Q26(8월~10월) 실적 가이던스는 얼마인가? 중요도 30% 다음 분기는 VR200 NVL72, CPU 랙, STX 랙, LPX 랙, Spectrum-X 랙 램프업이 중요할 것으로 예상합니다. ​ 7월 말부터 HBM4 이슈가 완전히 해소됐기 때문에 VR200 양산에는 문제가 없는 것으로 파악됩니다. 엔비디아가 직접 L10 Compute Tray까지 조립한 뒤에 서버 ODM/OEM 기업들에게 납품하고 있는 중이라 랙 단계에서는 크게 병목일 요소가 없을 것으로 예상합니다. 8월 14일 기점으로 Spectrum-6 CPO 스위치도 양산에 들어갔습니다. GPM은 Rubin으로 넘어가면서 가격 상승분이 충분히 GPM 방어에 도움이 될 수준으로 보이며, 경쟁사들에 비해서 여전히 상대적으로는 싼 가격에 HBM4를 공급받을 것으로 예상됩니다. 컨센상 CY27에 엔비디아가 공급받는 HBM4 가격은 $4.0/Gb, 브로드컴은 $4.5/Gb, AMD는 $5.0/Gb로 추정됩니다. ​ 3. 크게 보고 CY26/CY27 수요, 공급 가시성은 어떤가? 중요도 50% 장기적인 수요, Rubin, Rubin Ultra에 대해서 확인해봐야 합니다. ​ 수요에서 가장 중요한 것은 AI Labs와 하이퍼스케일러의 ARR인데 7월 기준 앤스로픽과 오픈AI를 합칠 경우 벌써 $105B입니다. GB300 덕에 파레토 프론티어가 대거 개척됐고, 이는 곧 GPU ROI 상승 및 업계 전반의 더 높은 AI CapEx 수요를 이끌어내고 있습니다. 공급에서 Grace Blackwell → Vera Rubin 전환은 칩 단계에서 어려운 부분을 지났기에 지금부터의 랙 제품 양산과 고객사의 클러스터 구축은 비교적 쉽습니다. 구조적으로는 Rubin Ultra에서 Kyber 랙을 출시하기 전까지 GB200 NVL72 → GB300 NVL72 → VR200 NVL72가 모두 Oberon 랙 아키텍처를 채택하고 있기 때문입니다. 이번 분기는 메모리/광학과 관련해서 2H27에 출하될 Rubin Ultra를 놓고 루머가 많았습니다. 4-die/2-die, Kyber 랙, Scale-up CPO 스위치, HBM 용량과 HBM4/4E 스펙, Vera CPU SOCAMM 탑재량 등입니다. 현 상태에서 추정하기로 공급망에 문제는 없을 것으로 보이며 VR300 NVL72 랙 8개를 Scale-up CPO 스위치로 하나의 NVL572 Scale-up Domain을 만들 것으로 예상됩니다. 결과적으로는 기존 Rubin Ultra 설계에 비해 스펙은 거의 비슷하게 유지될 것으로 예상합니다. ​ 4. 중국향 제품, 차세대 GPU 제품군, 네트워킹, 소프트웨어 중요도 10% 새로운 Revenue Share 구조가 화두입니다. ​ 네오클라우드들에게 다양한 수준과 규모에서 Backstop을 제공하고, 대신 네오클라우드가 미리 엔비디아와 정한 가격보다 높은 가격으로 컴퓨트를 판매할 경우 초과수익의 일부를 나누는 것입니다. 원래는 엔비디아 입장에서는 한 번 GPU를 팔고나면 그 이후의 컴퓨트 판매에 대한 직접적인 수익은 없었는데, 이제는 GPU가 수년 동안 만들어내는 매출 일부를 가져가는 계약입니다. 모건스탠리는 이를 두고 1GW당 최대 연간 $10.3B씩 거둘 수 있는 게 아니냐고 추정했는데 이번 컨콜에서 엔비디아 경영진의 좀 더 디테일한 코멘트들이 중요해졌습니다. 'CY28~CY29의 EPS 추정치를 어느 정도 상향해야 하는가'를 결정하기 때문입니다. AI 사이클에 대한 이해 더하기 빅테크의 목소리, AI 아직 초입이다, 게빈 베이커, 개척 → 효율, $500B 네오클라우드 이번 분기의 CSP/CapEx 체크 (5) ​ 1. 빅테크 CapEx는 다시 상향 국면으로 구글은 가장 먼저 연간 CapEx 가이던스를 기존 $180~190B에서 $195~205B로 상향했습니다. 메타도 하단을 높이며 $125~145B에서 $130~145B로 사실상 상향했고, 아마존 역시 메모리 가격상승에도 불구 높아진 ROI에 맞게 기존 $200B에서 $220B로 높였습니다. ​ 마이크로소프트는 표면적인 자본집행 규모가 기존 약 $190B에 비해서 $175B로 줄은 듯 보이지만, 실제 집행 규모는 이전과 같았습니다. Powered Shell의 감가상각 기간을 15년에서 25년으로 늘리고 일부 리스 구조를 재분류하면서 FCF에 약 $15B의 여유를 확보했습니다. 일부 인프라를 직접 소유하는 대신 Operating Lease와 임대료 형태로 조달하면 회계상 CapEx 부담을 낮추면서 실제 컴퓨팅 자원은 계속 확대할 수 있습니다. 일종의 CapEx to OpEx 전환입니다. ​ 따라서 공시된 CapEx만 보면 증가폭이 제한적으로 보일 수 있지만 리스와 클라우드 계약까지 포함한 실질적인 연간 투하자본은 매 분기 높아지고 있습니다. ​ 2. GPU ROI가 높아 구매할 수 있는 만큼 더 사는 상황 빅테크가 CapEx를 계속 늘리는 가장 중요한 이유는 GPU의 ROI가 높아지는 속도가 더 빠르기 때문입니다. AI 컴퓨팅을 통해 창출하는 매출과 생산성 효과인 P의 상승분이 GPU와 데이터센터 구축비용인 C 상승분보다 훨씬 큰 상태입니다. ​ 이에 따라 빅테크는 비용을 줄이기보다 확보할 수 있는 GPU, 전력, 데이터센터 용량을 최대한 앞당겨 구매하겠다는 입장을 반복하고 있습니다. 실제로 최근인 6~7월까지도 일부 하이퍼스케일러 서버 조달 일정이 앞당겨졌습니다. CapEx 가이던스가 이미 상향됐지만 하반기에도 추가 상향 여지가 남아 있다고 보고 있습니다. ​ 3. 단기적인 FCF 마이너스는 크게 우려하지 않는 모습들 구글, 마이크로소프트, 메타, 아마존 모두 AI 인프라 투자로 단기 FCF가 감소하거나 일부 기간 마이너스로 전환되는 것을 크게 우려하지 않았습니다. 중요한 것은 FCF의 절대값보다 영업현금흐름이 얼마나 빠르게 늘어나는지, 그리고 AI CapEx가 실제 매출과 이익으로 얼마나 빠르게 전환되는지입니다. ​ 현재 경영진의 행동을 보면 AI 인프라의 수익화 가시성이 충분히 높기 때문에 단기적인 FCF보다 시장점유율과 컴퓨팅 공급능력 확보를 우선하고 있습니다. 성장을 위해 장기적인 영업자산들을 늘리는 과정입니다. 비용이 높아졌지만 수익성이 더 높아졌으니 투자를 미루는 것이 아니라 오히려 앞당기는 것이 현명한 선택인 상황입니다. ​ 4. Vera Rubin은 Blackwell의 확장판에 가깝습니다 Hopper에서 Grace Blackwell로 전환할 때는 서버의 기계적 구조, 전력, 냉각밀도, 랙 설계가 모두 바뀌었습니다. Hopper는 일반적으로 GPU 8개가 하나의 서버에 들어갔지만 Grace Blackwell부터는 Oberon 랙을 기반으로 GB200 NVL72처럼 GPU 72개를 하나의 시스템으로 연결해야 했습니다. 데이터센터 사업자 입장에서는 기존 서버를 교체하는 수준이 아니라 전력, 냉각, 네트워크 구조를 함께 바꿔야 하는 전환이었습니다. ​ 반면 GB200 NVL72 → GB300 NVL72 → VR200 NVL72로 이어지는 변화는 Oberon에서 증명된 기본적인 랙 구조와 기계적 특성이 상당 부분 유지됩니다. VR200은 GPU당 Compute Die가 2개로 늘어나 Die 기준으로는 144개가 되지만 시스템 전체로 보면 새로운 형태의 랙을 다시 도입하는 것보다 기존 Blackwell 인프라를 확장 및 강화하는 성격이 강합니다. ​ Hopper에서 Grace Blackwell이 A → B의 변화였다면 GB200과 GB300, VR200은 A → A+ → A+++에 가깝습니다. 따라서 VR200은 이전 세대보다 생산과 배포의 실행위험이 낮습니다. 엔비디아 Vera Rubin NVL72 랙을 CSP에 초기 배포 및 테스트한 결과도 좋습니다. Grace Blackwell 서버를 운영하는 데 사용한 소프트웨어들과 상당부분 호환되도록 처음부터 만들었기 때문입니다. 대규모 클러스터로 운영하는 데에는 2~3개월 정도 더 걸린다고 하니 대략 10~11월쯤 VR200 NVL72 클러스터 GA가 있을 것으로 예상됩니다. 예정된 CapEx 집행과 서버 배치가 크게 지연될 가능성은 낮아 보인다는 의미입니다. ​ 5. CSP 입장에서는 지금의 할당이 나쁘지 않다 AI 서버 가격은 계속 높아지고 있으며 Tier 2 유통채널에 배정되는 물량도 매우 제한적입니다. 기업이 자체적으로 AI 서버를 구매해 온프레미스 환경을 구축하려면 서버 가격뿐 아니라 전력, 냉각, 네트워크, 운영인력까지 직접 확보해야 합니다. ​ 최신 GPU 물량을 제때 받기도 어렵습니다. 이에 따라 많은 기업이 직접 서버를 구축하기보다 AWS, Azure, GCP 같은 CSP의 AI 컴퓨팅을 사용하는 방향으로 이동할 가능성이 높습니다. 장기적으로는 기업이 자체적으로 구매하던 일부 Enterprise Server와 PC 투자까지 데이터센터가 흡수하는 효과가 나타날 수 있습니다. AI 침투는 여전히 초입이다 ​ AI S-curve는 아직 초반입니다 AI 침투율은 여전히 S-Curve의 초입입니다. ​ 첫째, 위 왼쪽 차트를 보시면 전체 IT 예산 중 AI가 차지하는 비중은 1H25 3.0% → 2H25 3.2% → 1H26 4.2%로 올라오고 있지만 여전히 한 자릿수 초반입니다(왼쪽, 첫 번째 차트). 숫자만 놓고 보면 AI 투자는 이미 거대해 보이지만 기업 IT 예산 전체에서 차지하는 비중은 아직 작습니다. Gartner 전망에 따르면 CY26 글로벌 연간 IT 총 예산은 $6.31T로 추정됩니다. 이 안에서 AI 지출 규모가 차지하는 비중이 높아질 여력, 그리고 AI를 통해서 IT로 할 수 있는 것들이 많아지면서 글로벌 연간 IT 총 예산이 커지는 효과를 감안하면 여전히 2~3이닝 정도에 있다고 느낍니다. ​ 둘째, AI 채택을 주도하는 테크 기업은 Fortune 500 기업의 약 25%(오른쪽, 두 번째 차트)입니다. 나머지 75%는 대체로 테크 기업들의 도입 패턴을 후행합니다. 클라우드 산업도 개화한 지 10년이 넘었지만, 여전히 많은 기업이 클라우드 마이그레이션을 진행 중입니다. AI도 마찬가지입니다. 지금 시장에서 보이는 수요는 전체 기업 수요의 끝이 아니라 테크 기업과 선도 기업 중심의 초기 확산 구간에 가깝다고 생각합니다. ​ AI Labs들의 매출은 CY27~CY28쯤 빅테크들을 도장깨기할 것 LLM API 볼륨은 2026년 초 Claude Code/Codex 등 Agentic AI 덕에 가파르게 상승 중입니다. ​ 2026년 7월 기준 앤스로픽의 ARR은 $65B+, 오픈AI의 ARR은 $40B+로 추정됩니다. 앤스로픽의 매출(ARR이 아닌 누적)은 CY27쯤이면 자연스레 넷플릭스(2Q26 TTM 매출 $48.37B), SAP(TTM $43.61B), 세일즈포스(TTM $42.83B)를 넘을 것이란 의미입니다. ​ 올해 앤스로픽의 연말 기준 ARR이 $100B에 도달한다고 보고, 연말기준 ARR 기준 CY26 $100B → CY27 $300B → CY28 $600B 궤적으로 증가한다고 추정해봅니다. 이 경우 CY27쯤이면 메타의 매출(2Q26 TTM 기준)인 $228B를 넘기고 → CY28쯤에는 마이크로소프트의 $332B, 구글의 $446B, 애플의 $467B를 넘길 것으로 예상합니다. 이 궤적대로라면 역대 가장 빠른 속도로 성장하는, 새로운 빅테크의 등장입니다. ​ AI 사이클: 수요는 어디서 나와서 어디로 흘러가는가? AI Labs의 ARR이 매우 중요합니다. 이에 대해서는 자료로 올려드린 바 있습니다. 다시 한 번 정리해보면 이렇습니다. ​ 흐름이 어떻게 이어지는가를 보시면: ​ (1) 기업들이 AI Labs(e.g. OpenAI, Anthropic)의 LLM(폐쇄소스 or 오픈소스)을 가지고 자체 데이터를 넣어 사전훈련(pre-training)합니다. 기본적으로 중간중간 모델을 업그레이드할 때나, 추론하면서도 새롭게 데이터를 추가하여 훈련시킬 때마다 계속해서 사후훈련(post-training)은 계속됩니다. 혹은 모델부터 사용하지 않고 이미 만들어진 AI 애플리케이션(ChatGPT/Sora/Codex, Claude Code, Cursor, Suno, Harvey 등)을 사용할 수도 있습니다. ​ (2) AI Labs의 LLM API를 사용할 때마다, 혹은 AI Labs가 만든 제품을 직접 사용할 때마다 AI Labs의 ARR이 올라갑니다. 오픈AI의 ARR은 2026년 7월 기준 $40B, 앤트로픽 ARR은 $65B입니다. 기업이나 소비자들의 LLM 토큰 사용량 성장세가 워낙 빠르다보니 앤스로픽과 오픈AI의 ARR만 합치더라도 CY26 말 $150B를 넘길 것으로 추정합니다. 2026년 초 추정으로는 모든 AI Labs 및 하이퍼스케일러들의 ARR을 합쳐서 $100B를 넘길 거라고 예상했었는데 엄청난 기울기로 성장하고 있음을 느낄 수 있습니다. 그리고 이것이 얼마의 CapEx로 연결될지에 대해서는 5월 25일 주간전략보고의 CapEx to OpEx 코멘트에서 전해드렸습니다. ​ (3)​ AI Labs는 당장 흑자가 필요하진 않습니다. AGI로 가기 위한 자금 및 인재를 확보하고 유지하기 위한 자금조달이 목표이므로 들어온 매출을 그대로 모두 투자하고 있습니다. AI Labs가 자체적으로 현금이 있는 것은 아니니 클라우드 기업들에게 컴퓨팅을 장기로 빌립니다. 오픈AI는 마이크로소프트, 오라클, 코어위브, 아마존, 자체 데이터센터까지 구축할 예정입니다. 앤트로픽은 아마존, 구글을 통해서 서비스 중입니다. 그리고 ARR로 채워지지 않는 금액에 대해서는 성장한 ARR만큼 높아진 밸류에이션을 레버리지 삼아 자본조달 및 부채조달 방식으로 필요한 재원을 조달합니다. ​ (4) AI Labs가 컴퓨팅을 장기 임대하는 것을 계약으로 받았으므로, 클라우드 기업들은 컴퓨팅을 여러 갈래로 서비스하려 노력합니다: ⓐ자체적으로 데이터센터 부지를 구매하고, 전력을 조달하려 전력망 계약을 맺고, 전력기기도 N년 뒤에 인도되도록 준비하며, AI 칩 클러스터도 자체적으로 구축합니다. ⓑ혹은 네오클라우드에게 사용 가능한 GPU 베어메탈이 준비된 것을 5~6년간 통째로 빌리는 계약을 맺거나(CoreWeave, Nebius, IREN), ⓒ전력이 연결된 부지(Powered Shell)만 구매 혹은 임대하여 자신들이 클러스터를 채우기도(Oracle-Crusoe, Applied Digital)합니다. ​ *오라클은 ⓐ가 없고 ⓒ를 통해서 클러스터만 채워넣는 구조입니다. 그래서 적은 CAPEX로도 하이퍼스케일러보다 훨씬 더 많은 양의 컴퓨팅을 갖습니다. 1GW 데이터센터는 대략 $50B가 들어갑니다. GB200으로 채우면 $35B인데, VR200으로 채우면 점점 더 많은 비용이 드는 구조입니다. FLOPS per Watt가 좋아져서 그렇습니다. 1GW 데이터센터에서 65%정도가 Compute, Networking, Storage이고, 35%가 데이터센터 부지, 전력/에너지, 각종 인프라 등입니다. 오라클은 여기서 65%에 해당하는 클러스터 부분만 자체 CAPEX로 쓰고, 나머지 35%는 임대하고 있다는 의미입니다. 여기서 오라클을 주요 임차인으로 두고 임대인으로서 성장한 게 크루소(Crusoe)입니다. ​ (5) 계약이 확보됐고 AI Labs가 계속해서 성장 중인 것을 확인했으니, 클라우드 기업들이 어떻게 ⓐⓑⓒ에 대한 자금을 조달할 것인가도 갈라집니다. 크게 보자면 단기자산(GPU, Networking, Storage)이 있고, 장기자산(데이터센터 부지, 데이터센터 전력계약, 발전자산, 전력기기)이 있습니다. 건물을 지을 때 토지가격과 건물가격을 따로 매기는 것과 비슷합니다. 단기자산은 감가상각이 5년이라고 하면, 장기자산은 15~20년입니다. 성격이 다릅니다. 여기서 단기자산은 하이퍼스케일러들의 자체 FCF나 회사채 발행을 통해 조달합니다. 장기자산은 Brookfield Asset Management, Apollo Global, KKR, BlackRock, BlackStone 같은 PE/인프라 펀드가 껍데기에 대한 자금을 조달해서 일정수준 이상의 임대료를 받아가는 식입니다. 하이퍼스케일러 입장에서는 ROIC가 높은 자산에 최대한 투자하는 게 중요하므로 부동산을 소유하는 대신 장기 임대료를 지불하고 아낀 현금을 GPU에 투자합니다. PE/인프라 펀드는 초우량 임차인으로부터 앞으로 15~20년 간 발생하는 안정적이고 물가 상승에 연동된 장기 임대 수익을 확보하게 됩니다. ​ 가파른 성장, 돈이 되니까 쓰는 것 결국에는 실제로 돈이 되니까 AI Labs의 ARR이 높아지는 것이고, 이와 관련해서 SemiAnalysis가 AI Dark Output에 대해서 올렸습니다. 생각해볼 거리가 많습니다: ​ 1. AI, 비용은 보이지만 산출은 보이지 않는다 AI 투자는 데이터센터, GPU, 전력, 물 사용량, 토큰 지출처럼 비용 측면에서는 매우 잘 관찰됩니다. 그래서 언론, 정부, 투자자들은 AI가 얼마나 많은 자본과 에너지를 쓰는지 쉽게 포착합니다. 반대로 AI가 만들어내는 산출은 통계에 잘 잡히지 않습니다. 기업 내부에서 AI가 문서 작성, 리서치, 코드 리뷰, 고객 대응, 법률 초안 작성 등을 수행해도 그것이 별도 가격으로 판매되지 않으면 GDP에는 거의 반영되지 않습니다. SemiAnalysis는 이렇게 실제로는 생산되지만 공식 경제통계에는 잘 보이지 않는 AI 산출물을 Dark Output이라고 칭했습니다. ​ 닷컴버블 시대에 Dark Fiber는 과잉투자의 상징이었습니다. 닷컴버블 시기 통신사들은 인터넷 트래픽이 폭발적으로 증가할 것이라고 보고 막대한 자본을 투입해 광섬유망을 깔았습니다. 문제는 그중 상당수가 당장 사용되지 않았다는 점입니다. 물리적으로는 이미 땅속에 묻혀 있었지만, 실제 트래픽을 실어 나르지 않는 광섬유는 매출도 만들지 않았고 경제적 가치도 즉시 드러나지 않았습니다. 그래서 이를 Dark Fiber라고 불렀습니다. 이당시 Dark는 Negative에 있었다면, 이번의 Dark는 Positive에 있어서 실제로 더 좋음에도 사람들이 여전히 버블의 논리로만 접근할 리스크가 있음을 말하는 플롯이기도 합니다. ​ Dark Output은 크게 대체형 Dark Output과 신규형 Dark Output으로 나뉩니다. ​ 대체형 Dark Output은 원래 사람이 돈을 받고 하던 일을 AI가 대체하는 경우입니다. 예를 들어 변호사가 작성하던 간단한 법률 문서를 AI가 몇 센트의 토큰 비용으로 작성하면 사용자가 얻는 가치는 비슷할 수 있습니다. 그러나 기존 법률 서비스 매출은 사라지고 GDP에는 단지 AI 토큰 지출 몇 달러만 남을 수 있습니다. 신규형 Dark Output은 원래는 너무 비싸서 하지 않았던 일이 AI 덕분에 새롭게 수행할 수 있게 된 경우입니다. 예를 들어 과거에는 $2,000가 들던 문헌조사를 이제 $2에 할 수 있다면, 사람들은 단순히 비용을 절감하는 데서 그치지 않고 프로젝트마다 문헌조사를 하게 됩니다. 이 경우 새로운 가치가 생기지만 통계에는 토큰 사용료 정도만 잡힙니다. ​ 2. 과거 컴퓨터 혁명도 그랬다 1980~90년대 컴퓨터 혁명을 예시로 들어보면, 당시 전문가들은 "컴퓨터 시대는 어디서나 보이지만 생산성 통계에서는 보이지 않는다"고 말했습니다. 실제로 컴퓨터와 인터넷은 경제 구조를 바꿨지만, 초기 거시경제 통계는 그 효과를 제대로 포착하지 못했습니다. 이후 2013년 GDP 산정 방식이 개정되면서 R&D와 지식재산 투자가 GDP에 포함됐고, 과거 1990년대 생산량이 크게 상향 조정됐습니다. AI는 이 측정 문제가 더 심각할 가능성이 있습니다. AI는 서비스업과 지식노동에 집중되어 있기 때문입니다. ​ 제조업에서는 생산성 향상을 비교적 쉽게 측정할 수 있습니다. 나사, 자동차, 반도체처럼 물리적 제품은 몇 개를 만들었는지 셀 수 있습니다. 가격이 하락하고 생산량이 증가하면 실질 GDP와 생산성 개선으로 반영됩니다. ​ 하지만 서비스업은 측정하기가 힘듭니다. 법률 자문 1단위, 컨설팅 1단위, 리서치 1단위, 코드 리뷰 1단위처럼 표준화된 수량 단위가 없습니다. 그래서 통계는 주로 매출, 임금, 근로시간, 가격조사에 의존합니다. AI가 서비스 비용을 급격히 낮추거나 기업 내부 업무로 흡수해버리면 실제 산출은 유지되거나 증가했는데도 통계상으로는 매출 감소 및 생산 감소처럼 보일 수 있습니다. ​ 예시를 들자면, 첫 번째는 기업이 기존에 $10,000짜리 HR 서비스를 외부 업체에서 구매했는데, 이제 AI HR 업체가 훨씬 더 낮은 비용으로 같은 가격 $10,000에 제공하는 경우입니다. 이 경우 거래 가격이 유지되므로 GDP에는 계속 잡힙니다. 비용은 줄고 마진은 늘어납니다. 두 번째는 기업이 같은 HR 업무를 내부에서 토큰가격 $10으로 처리하는 경우입니다. 실제 업무는 그대로 수행됐지만 외부 서비스 매출 $10,000가 사라지고, GDP에는 $10의 AI 사용료만 잡힙니다. 이 경우 통계상으로는 산출이 줄어든 것으로 보입니다. 이렇게 내재화하는 경우 특이하게 AI를 활용해 기업의 생산성을 드라마틱하게 높임에도 불구하고 통계에는 기업의 생산성 향상이 잡히는 게 아니라 AI 기업들의 매출 증가만 찍힙니다. 결과적으로 AI를 도입한 산업은 정체된 것처럼 보이고, AI 공급업체만 성장한 것처럼 왜곡될 수 있습니다. AI 심화편, 게빈 베이커 인터뷰 이번 심화편 자료 도 많은 디테일들을 담고 있기에 꼭 한 번씩 살펴보시길 권해드립니다. ​ 중요하게 생각하는 부분들만 아홉 가지를 정리해봅니다: ​ 1. 병목의 대부분은 결국 '자본주의'가 해결할 것 규제와 정치적 반발이 과도하게 커지지 않는다면, 전력 부족 문제는 결국 자본주의가 해결할 가능성이 높습니다. 가격 신호가 생기고, 수요가 충분히 크고, 자본이 몰리면 발전 설비와 전력 인프라 공급망은 시간이 지나며 확장되기 때문입니다. 수요가 확실하다면 공급망은 결국 병목을 완화하는 방향으로 움직입니다. ​ 2. 궤도 컴퓨팅은 우주에 '랙'을 띄우는 것 궤도 컴퓨팅을 우주에 거대한 데이터센터 건물을 띄우는 개념으로 보면 비현실적으로 느껴집니다. 하지만 핵심은 훨씬 단순합니다. 우주에 데이터센터 건물을 짓는 것이 아니라 컴퓨팅 랙 하나를 궤도에 올리는 것입니다. Blackwell 랙 하나 정도의 컴퓨팅 노드에 대형 태양광 패널과 방열판을 붙이고 이를 태양 동기 궤도에서 운영하는 구조입니다. 데이터센터를 건물 단위가 아니라 랙 단위의 궤도 컴퓨팅 노드로 재정의하는 것입니다. ​ 랙을 우주에 올리는 것 자체보다 더 어려운 문제는 고장 났을 때 어떻게 수리하고 교체할 것인가입니다. 지상 데이터센터에서는 사람이 들어가 서버, GPU, 랙을 교체할 수 있습니다. 하지만 우주에서는 그렇게 할 수 없습니다. 결국 초기 단계에서는 고장 난 장비를 수리하기보다는 모듈 단위로 교체하거나 수리 없이 운영하는 구조가 될 가능성이 높습니다. 게빈 베이커는 향후 옵티머스가 우주에 나가서 수리할 수 있게 되기 전에는 수리 없이 운영할 것으로 봤습니다. ​ 3. 인간은 컴퓨트를 물리적으로 가능한 한 한계까지 끌어다 쓸 것 핵심은 AI 수요가 특정 인프라 하나로 끝나지 않는다는 점입니다. 디바이스에서 처리할 수 있는 것은 디바이스에서 처리하고, 지상 데이터센터에서 처리해야 하는 것은 지상에서 처리하며, 시간이 지나면 궤도 컴퓨팅까지 동원될 수 있습니다. 결국 인간은 사용할 수 있는 만큼의 전력을 컴퓨트로 전환하게 될 것입니다. AI 시대의 병목은 GPU에서 시작했지만, 점점 더 와트, 입지, 인허가, 냉각, 네트워크, 그리고 궤도 인프라로 확장되고 있습니다. ​ 4. 역사 속 버블과는 다르지만, 운율은 반복된다 AI가 정말 중요한 기술이라면 오히려 버블 가능성을 배제해서는 안 됩니다. 과거에도 새로운 범용기술이 등장할 때마다 시장은 먼저 그 기술의 중요성을 알아봤고, 그다음 인프라 투자가 폭발했습니다. 철도, 운하, 전기, 통신망, 인터넷 모두 비슷한 과정을 거쳤습니다. 처음에는 시장이 새로운 기술의 잠재력을 제대로 인식합니다. 이후 점점 더 많은 투자자가 같은 방향으로 낙관하기 시작합니다. 마이클 모부신이 말하는 ‘다양성의 붕괴’가 일어나는 것입니다. 의견의 다양성이 사라지고 모두가 같은 방향을 보기 시작하면, 그때 버블이 만들어집니다. ​ 버블은 나쁜 것만은 아닙니다. 역사적으로 버블은 새로운 기술 인프라를 구축하는 자금을 공급했습니다. 철도망, 통신망, 인터넷 인프라도 이런 과정을 통해 빠르게 깔렸습니다. 문제는 어느 순간 공급이 수요를 앞지른다는 점입니다. 인프라 투자가 너무 빠르게 늘어나면 결국 과잉 구축이 발생합니다. 그리고 그때 폭락이 찾아옵니다. ​ 다만 현재 AI 인프라 사이클은 2000년 인터넷 버블과 중요한 차이가 있습니다. 가장 큰 차이는 자금 조달 구조입니다. 지금 AI 인프라 투자의 상당 부분은 여전히 영업현금흐름에서 나오고 있습니다. 2000년 당시에는 현금흐름이 거의 없는 기업들이 막대한 밸류에이션을 받았고, 부채와 자본시장 자금으로 인프라를 과도하게 지었습니다. 반면 지금 AI 인프라 투자의 중심에는 막대한 현금흐름을 창출하는 빅테크 기업들이 있습니다. ​ 사용률도 다릅니다. 과거 광섬유 버블 당시에는 깔아놓은 광섬유의 대부분이 사용되지 않았습니다. 반면 지금은 GPU가 사실상 100%에 가까운 가동률(오라클 2Q26 "글로벌 GPU 가동률 97.5%")로 사용되고 있습니다. 공급이 남아도는 것이 아니라 수요를 감당하지 못하는 상태입니다. ​ 5. 만인의 호국신산 'TSMC' AI 사이클에서 가장 중요한 병목 중 하나는 웨이퍼입니다. 그리고 이 병목의 중심에는 TSMC가 있습니다. TSMC는 일반적인 공급업체가 아닙니다. 엔비디아와 하이퍼스케일러들에게 TSMC의 웨이퍼 공급은 곧 매출의 상한입니다. 게빈 베이커가 여전히 현 시장을 낙관적으로 보는 이유는 TSMC가 통제하고 있는 웨이퍼 쇼티지가 AI 버블을 막아주는 역할을 하고 있기 때문입니다. ​ AI 수요가 아무리 강해도 TSMC가 만들 수 있는 웨이퍼 수가 제한되어 있다면, 공급이 수요를 과도하게 앞지르는 상황까지 가기 어렵습니다. 이 병목이 오히려 과잉 구축을 제어하는 안전장치처럼 작동하고 있는 셈입니다. ​ 진짜 리스크는 인텔과 삼성의 공급 확대입니다. ​ 고객들이 인텔과 삼성파운드리로도 눈을 돌리기 시작했습니다. 역사적으로 보면 공급을 늘리고 싶은 유혹을 끝까지 참는 기업은 많지 않습니다. 인텔이든 삼성파운드리든, 둘 중 하나는 어느 시점에 공격적인 공급 확대에 나설 가능성이 있습니다. 한쪽이 공격적으로 생산능력을 늘리기 시작하면 다른 플레이어들도 가만히 있기 어렵습니다. 고객들은 제2공급원을 원하고, 정부는 파운드리 공급망을 가져오길 원하며, 자본시장은 성장 스토리를 원합니다. 이 조합은 결국 TSMC에게도 공급 확대 압력으로 이어질 수 있습니다. ​ 결국 많은 부분은 TSMC가 인텔과 삼성에 대해 얼마나 큰 우위를 유지할 수 있느냐에 달려 있습니다. TSMC가 충분한 기술 격차, 수율 우위, 생산 안정성, 고객 신뢰를 유지한다면 공급 확장은 일정한 균형 안에서 관리될 수 있습니다. 반대로 인텔이나 삼성이 빠르게 추격해 대규모 제2공급원으로 부상하면, 웨이퍼 제약은 완화되고 AI 인프라 공급은 더 빠르게 늘어날 수 있습니다. 이것은 단기적으로는 긍정적으로 보일 수 있지만, 중장기적으로는 과잉 구축과 버블의 토대가 될 수 있습니다. ​ 따라서 AI 버블을 판단할 때 단 하나의 변수를 봐야 한다면, TSMC의 생산능력 결정을 봐야 한다는 것이 게빈 베이커의 주장입니다. TSMC에게 필요한 것은 골디락스입니다. 생산능력을 너무 적게 늘리면 AI 수요를 제대로 충족하지 못하고 고객들은 인텔과 삼성 같은 대체 공급원을 더 강하게 찾게 됩니다. 반대로 생산능력을 너무 많이 늘리면 공급이 수요를 앞지르기 시작하고 AI 인프라 버블의 토대가 만들어질 수 있습니다. ​ 6. AI 요금제의 변화 : 정액제 → 종량제 과거 통신 산업은 정액 요금제와 사용량 기반 요금제가 결합되어 있을 때 강한 성장 산업이었습니다. 일정 사용량까지는 고정 요금을 내고, 이를 초과하면 사용한 만큼 추가 요금을 내는 구조였습니다. 하지만 모바일 통신과 국제전화의 성장은 모두가 정액제를 쓰기 시작하면서 둔화됐습니다. 사용량이 늘어나도 매출이 함께 늘어나지 않는 구조가 되었기 때문입니다. ​ AI는 지금 반대 방향으로 가고 있습니다. 정액요금제에서 종량제 구조로 이동하고 있습니다. 이는 AI 산업 전체에는 매우 강한 매출 성장 요인입니다. 사람들은 AI를 쓰는 것을 좋아합니다. 과거 사람들이 전화 통화와 국제전화를 좋아했던 것처럼, 이제는 AI에게 질문하고, 글을 쓰게 하고, 코드를 짜게 하고, 업무를 맡기는 것을 좋아합니다. ​ 여기에 Agentic AI가 더해지면 사용량은 훨씬 더 빠르게 늘어날 것입니다. 한 사람이 하나의 챗봇을 쓰는 시대가 아니라 한 사람이 10개, 50개, 100개의 에이전트를 동시에 돌리는 시대가 오고 있습니다. 이 구조에서는 토큰 사용량이 선형적으로 늘지 않습니다. 업무가 에이전트화될수록 사용량은 폭발적으로 증가할 수 있습니다. ​ 사용량 기반 요금제로의 전환은 오픈AI와 앤스로픽 같은 프론티어 AI 기업의 ARR을 크게 끌어올릴 수 있습니다. 이유는 두 가지입니다. 첫째, 더 많은 컴퓨트가 온라인되면서 공급 가능한 토큰량이 늘어납니다. 둘째, 기업용 사용량 기반 모델에서는 프론티어 토큰에 더 높은 가격을 받을 수 있습니다. 정액제에서는 사용자가 많이 쓸수록 기업의 원가 부담이 커집니다. 반대로 사용량 기반 요금제에서는 사용량이 늘어날수록 매출도 함께 증가합니다. AI 기업 입장에서는 훨씬 건강한 수익 모델입니다. ​ 다만 이 변화는 모두에게 긍정적이지만은 않습니다. 프론티어 AI를 제대로 쓰기 위해서는 더 많은 비용을 지불해야 하기 때문입니다. 결국 중요한 질문은 '누가 더 비싼 토큰 비용을 감당할 수 있는가', 더 정확히는 '누가 더 많은 토큰을 써서 더 큰 부가가치를 만들어낼 수 있는가'입니다. 프론티어 모델의 토큰당 가격이 올라간다는 말은 단순히 비용 부담이 커진다는 뜻이 아닙니다. 더 높은 부가가치를 생산할 수 있는 개인, 조직, 기업, 국가만이 최첨단 AI를 계속 활용할 수 있다는 의미입니다. ​ 7. 다시금 강조드린 MoE & Swicthed Scale-up Network의 강점 MoE는 활성 파라미터만 연산하기 때문에 compute 비용을 크게 줄여줍니다. 그러나 그 대가로 Expert Parallelism이 필수가 됩니다. 전문가들이 여러 GPU나 가속기에 흩어져 있기 때문에 토큰은 매번 필요한 전문가가 있는 칩으로 이동해야 합니다. 여기서 핵심은 all-to-all 통신입니다. 모든 칩이 모든 칩과 빠르게 연결되어야 합니다. 그런데 all-to-all 통신은 전체 속도가 가장 느린 경로에 의해 결정됩니다. ​ 아무리 연산량을 줄여도, 토큰이 전문가에게 이동하는 과정에서 통신 대기시간이 길어지면 MoE가 제공하는 compute 절감 효과는 통신 비용에서 사라집니다. 결국 MoE의 진짜 경제성은 모든 GPU-to-GPU 경로가 얼마나 균일하고 빠른가에 달려 있습니다. ​ Switched Scale-up Network가 중요한 이유는 MoE가 이론적으로 아껴주는 compute 비용을 실제 토큰 처리량으로 그대로 연결해주기 때문입니다. NVL72 구조에서는 어떤 GPU에서 다른 어떤 GPU로 가더라도 경로가 짧고 균일합니다. hop 2번입니다. 자기 GPU에서 NVSwitch를 거쳐 목적지 GPU로 가는 구조입니다. 가장 느린 경로가 전체 추론 속도를 잡아먹는 문제가 크게 줄어듭니다. ​ 반대로 Torus 구조(TPU v7까지, Trainium2/2.5까지 Torus)에서는 목적지에 따라 hop 수가 달라집니다. 같은 랙 안에서는 괜찮더라도, 전문가가 랙 밖에 있으면 훨씬 느린 scale-out 네트워크를 타야 합니다. 이 경우 토큰의 일부가 느린 경로로 이동하면서 전체 추론 성능이 그 속도에 묶일 수 있습니다. ​ *TPU v8i부터는 Boardfly를 택하긴 했는데, 이건 최대 hop 기준 3D Torus는 16 hop이던 것을 Boardfly에서는 7 hop으로 낮춰줄뿐 All-to-All 통신의 이점을 따라오진 못합니다. <구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대>를 참고하시면 도움이 되실 겁니다. ​ 추론의 Decode 단계는 토큰을 하나씩 순차적으로 생성하는 과정입니다. 이 단계에서는 작은 지연도 누적됩니다. 예를 들어 토큰 하나를 생성하는 시간이 20ms에서 30ms로 늘어나면, 같은 하드웨어가 시간당 생산할 수 있는 토큰 수는 크게 줄어듭니다. 하드웨어 비용은 그대로인데 산출되는 토큰 수가 줄어드는 것입니다. 이 말은 곧 백만 토큰당 비용이 올라간다는 뜻입니다. AI 추론에서 TCO는 단순히 칩 가격이 아니라 같은 자본비와 전력비로 얼마나 많은 토큰을 생산할 수 있느냐의 문제입니다. 따라서 hop을 줄이고, 통신 지연을 줄이고, 모든 GPU 간 경로를 균일하게 만드는 것은 MoE 추론에서 곧바로 TCO 대비 성능 개선으로 이어집니다. ​ 8. Prefill/decode 분리로 'GPU를 더 오래 쓰게 될 것' 기존 GPU가 모든 작업을 최고 속도로 처리해야 한다면 기술 변화에 따라 빠르게 구식이 될 수 있습니다. 하지만 Prefill과 Decode가 분리되면 이야기가 달라집니다. A100이나 H100은 최신 모델의 가장 민감한 Decode 병목을 담당하지 않더라도, Prefill 작업에서는 여전히 의미 있는 자산으로 남을 수 있습니다. ​ 그렇게 되면 GPU는 물리적으로 수명을 다할 때까지 계속 경제적 가치를 가질 수 있습니다. 기존 5~6년 경제적 내용연수가 10년 이상으로까지 길어질 수 있다는 의미입니다. GPU의 경제적 유효 수명이 길어진다면 GPU를 담보로 한 대출의 리스크도 낮아집니다. ​ 지금까지 많은 사모 신용 자금은 GPU의 경제적 수명을 3~4년 정도로 보고 대출 구조를 짰습니다. 그런데 Prefill/Decode 분리와 추론 가속기 조합으로 기존 GPU가 10년 이상 경제적 가치를 유지할 수 있다면, GPU 파이낸싱의 위험 가정은 달라질 수 있습니다. 자산의 유효 수명이 길어지면 잔존가치가 높아지고, 담보 안정성이 개선되며, 조달 금리도 낮아질 수 있습니다. AI 인프라는 수백억 달러 단위의 자본이 필요한 산업입니다. 따라서 금리 1~2%포인트 차이도 전체 프로젝트 경제성에 큰 영향을 줍니다. ​ 9. AI 기업들의 밸류에이션은 말이 안되는 것들이 몇 개 있다 현재 AI 관련 자산들의 밸류에이션을 교차적으로 비교해보면 상당히 이상한 지점이 많습니다. 어떤 자산은 극단적으로 높은 배수를 받고 있고, 반대로 어떤 자산은 구조적 수혜가 분명한데도 매우 낮은 배수에 머물러 있습니다. 특히 메모리가 그렇습니다. AI 인프라 수요가 구조적이고, 메모리 공급이 부족하며, HBM과 서버 DRAM 수요가 계속 강하다면 메모리 기업들이 지금처럼 낮은 밸류에이션을 받아야 하는지 의문이라 평했습니다. ​ 가장 이상한 비교는 반도체 장비 기업과 DRAM 기업 사이에서 나옵니다. 반도체 장비 회사들은 Forward PER 기준으로 40배 수준에 거래되고 있습니다. 반면 DRAM 회사들은 한 자릿수 중반 수준에 거래되고 있습니다. 물론 장비 기업들의 비즈니스 모델이 과거보다 좋아진 것은 사실입니다. 장비 기업들은 부품, 서비스, 유지보수 매출이 늘어나면서 반복 수익 성격이 강해졌고 수익의 질도 과거보다 개선되었습니다. ​ 하지만 그렇다고 해도 장비 기업과 메모리 기업 사이의 밸류에이션 격차가 이 정도까지 벌어지는 것이 정당한지는 별개의 문제입니다. HBM이 메모리 산업의 수익성을 구조적으로 끌어올릴 가능성이 있다면, 메모리 기업들의 낮은 배수는 더 설명하기 어려워집니다. ​ 엔비디아 역시 비슷한 관점에서 볼 수 있습니다. 엔비디아는 지난 12년 동안을 살펴볼 때, 밸류에이션이 최저점에 머물러 있을 수준까지 내려왔고, 절대 밸류에이션 기준으로도 매우 낮아졌습니다. 이 밸류에이션을 정당화하려면 엔비디아가 앞으로 상상하기 어려울 정도로 큰 점유율을 잃는다는 가정이 필요합니다. 즉, 시장은 엔비디아의 경쟁 우위가 빠르게 훼손되고, GPU 수요가 둔화되며, 대체 칩들이 의미 있게 점유율을 가져간다는 시나리오를 일부 가격에 반영하고 있는 것으로 보입니다. ​ 하지만 현실은 아직 그렇게 보이지 않습니다. 엔비디아는 하드웨어뿐 아니라 네트워크, 소프트웨어, 시스템 설계, 공급망, 고객 최적화까지 연결된 전체 AI 컴퓨팅 스택을 갖고 있습니다. 단순히 칩 하나의 성능 비교만으로 엔비디아의 경쟁력을 설명하기 어렵습니다. AI 인프라의 핵심 병목을 쥐고 있는 기업들이 사이클 피크 논리만으로 할인받고 있는 셈입니다. 개척 → 효율 → 재개척의 루프 ​ 효율화하면서 AI Labs의 매출이 '줄어들 것'을 우려한다 코인베이스 CEO인 브라이언 암스트롱이 X에 올린 글이 화제였습니다. 토큰 사용량이 기하급수적으로 증가함에도 불구하고 AI 비용을 평평하게 유지한 비결이라며: ⓐ더 나은 기본값(기본 모델을 뭐로 허용할 것이냐), ⓑ더 나은 라우팅, ⓒ더 나은 캐싱을 언급했습니다. ​ ⓐ더 나은 기본값 : 엔지니어들은 LLM 게이트웨이를 통해 GLM-5.2나 Kimi-2.7 같은 Open-weight 모델부터 Fable 5/Opus 4.8/GPT-5.5 등 프론티어 모델까지 어떤 모델도 선택할 수 있습니다. 하지만 기본값으로는 가장 저렴한 GLM-5.2, Kimi-2.7를 설정해둔다는 것입니다. 코인베이스 직원 중 91%가 사용량 상한에 도달한 바가 없었으니, 기본값으로 안되면 더 좋은 모델을 써서 해결하라는 제안입니다. ⓑ더 나은 라우팅 : 커스텀 하네스를 만들었습니다. 프롬프트를 전처리하고 KV Cache hit rate를 높이면서도 기본적으로 마치 구리와 광학에서 '구리가 통하면 구리를 써라'가 엔지니어들의 컨센인 것처럼 모든 영역에 가장 비싼/가장 고지능의 모델을 들이댈 필요는 없습니다. Planning에는 프론티어 모델을 쓰지만, 실행에는 저가형 모델을 포함해 적합한 모델을 쓰도록 라우팅 성능을 끌어올리는 것입니다. 인간이 모델을 선택하지 않도록 했습니다. ⓒ더 나은 캐싱 : KV Cache miss는 KV Cache hit에 비해 비용이 10배 이상 높습니다. 이전에 작업했던 것을 끌어오기만 하면 되는 것이 아니라 다시 GPU가 연산해서 KV Cache를 생성해야 하기 때문입니다. Warm KV Cache의 크기를 늘려서 기업 전체적으로 KV Cache hit rate를 5% → 60%로 끌어올렸습니다. ​ 그 외에도 컨텍스트를 가볍게 유지하거나, 엔지니어마다 얼마의 토큰을 쓰고 있는지를 파악할 수 있게 하는 방법까지 사용해서 AI 토큰 비용은 줄이면서도(막대), AI 토큰 사용량은 키웠다(선)는 것입니다. ​ 다만 이건 생각해보면 두 가지 의미를 담고 있습니다: ​ 첫째, 원래 리밋 없이 막 쓰던 기업이 한 번만 할 수 있는 조치입니다. 모든 기업이 AI 토큰 사용량이 점점 더 많아지고 인적자본비용과 비슷하거나 그보다 더 많은 토큰비용을 쓰는 미래가 될 것임을 생각해보면, 한 번은 있어야 할 일이지만 일회성이고 반복적인 효율이 아닙니다. ​ 둘째, 이것 자체는 더 효율적으로 토큰을 사용해서 같은 자금으로 더 많은 일을 하자는 굉장히 좋은 글인데 '이제 AI Labs의 토큰 소비금액이 줄어들 것이다'라는 맥락의 글에 자주 인용되곤 하면서 오해가 있습니다. ​ 개척 → 효율 → 개척 → 효율의 루프 기본적으로는 개척 → 효율의 루프라고 생각합니다. AI Boom 이후 AI Labs들의 ARR이 성장해온 사이클을 보자면 순서는 늘 개척 → 효율순으로 발전해왔습니다. 개척은 LLM을 가져다가 이전에 할 수 없었던 $10, $100, $1K, $10K짜리 작업물을 뽑는 것에 성공하는 것을 말합니다. 이전의 모델로는 할 수 없었던 작업을 수행하게 되면서 새로운 사용 사례가 생기는 과정입니다. ​ 그리고는 늘 효율의 시간이 왔습니다. 새로운 작업을 할 수 있게 되고 나면, 프론티어 모델들을 암암리에 모두들 증류하고, 3~6개월 뒤에 저가형/오픈웨이트 모델이 출시됩니다. 프론티어 모델로 하던 작업물의 퀄리티와 비슷한 수준을 더욱 저가에 뽑아내기 위한 수많은 엔지니어링 설정을 거칩니다. ​ 개척 → 효율의 루프는 꼭 GLM-5.2나 Kimi 2.7에서만 벌어지던 일은 아닙니다. 예를 들어, 처음에는 Gemini 3.1 Pro로만 가능한 작업이 있으면 이것으로 새로운 작업을 시작합니다. 꼭 모든 토큰을 고지능으로만 서빙하지는 않아도 되므로 Gemini 3.1 Flash로도 충분함을 입증하면 Flash로 대체합니다. 그리고나서 더욱 더 일상적인 작업이 되면 Gemini 3.1 Flash-Lite로 대체합니다. ​ 이렇게 변해왔으니 AI Labs들의 ARR은 감소했어야 직관에 맞아보이지만, 실제로는 개척의 속도와 새롭게 생겨나는 규모가 효율로 감소하는 ARR의 규모보다 훨씬 크기 때문에 계속해서 ARR은 커져왔습니다. 시초는 2022년 10월, 사람들이 알게 된 건 2023년 5월부터이지만 매번 AI Labs들의 ARR이 개척 뒤의 효율 때문에 감소세로 접어들 것이라는 우려를 접하고 있습니다. 그때마다의 개척/효율모델 이름은 바뀌지만 운율은 반복됩니다. ​ 더 나아가서는 오픈소스와 폐쇄소스의 논쟁은 폐쇄소스 AI 기업들의 ARR이 급증한 이후 거의 반복적으로 등장합니다. Kimi-K3에서도 그랬고, DeepSeek-V4-Pro/Flash, GLM-5.2에서도 마찬가지였습니다. 오픈소스 vs 폐쇄소스의 오래된 트렌드에 대해서는 이전에 <100조 개 토큰으로 살펴보는 진짜 LLM 사용법> 자료에서 설명드린 바 있습니다. ​ 간단하게 다시 정리해보자면, 경쟁력 있는 오픈소스 모델이 출시되면 일시적으로 오픈소스 모델의 토큰 점유율이 ±5%p 내외로 올라가는 구간이 나타납니다. 그러나 큰 그림에서는 오픈소스 모델의 비중이 꾸준히 30% 안팎을 유지해왔습니다. 오픈소스 모델이 프론티어 폐쇄소스 모델을 구조적으로 대체한다기보다는 특정 시점마다 일부 사용량을 가져가고 다시 균형점으로 돌아오는 흐름에 가깝습니다. ​ 프론티어 AI Labs의 개척 : '새로운 작업이 가능해진다' AI 모델 발전은 계속해서 개척과 효율화의 루프를 그려왔습니다. 프론티어 AI Labs가 새로운 모델을 출시하면, 처음에는 이전 세대 모델로는 잘 풀리지 않던 새로운 작업 영역이 열립니다. 더 긴 추론, 더 복잡한 코딩, 더 긴 컨텍스트, 더 높은 신뢰도의 에이전트 작업, 멀티모달 활용처럼 사용 사례의 난이도 자체가 올라갑니다. ​ 이 시기에는 모델 성능의 절대값이 중요합니다. 따라서 폐쇄소스 프론티어 모델의 가치가 크게 부각됩니다. 사용자는 단순히 더 저렴한 모델을 찾는 것이 아니라, 이전에는 불가능했거나 신뢰도가 낮아서 맡기기 어려웠던 작업을 처리할 수 있는 모델을 찾습니다. 이 구간에서는 가성비보다 '가능한 작업의 범위'가 더 중요합니다. ​ 오픈소스 AI 모델의 효율화 : '동등한 작업을 더 저렴하게' 하지만 시간이 지나면 효율화 사이클이 시작됩니다. 어떤 작업이 가능한지, 어떤 프롬프트 구조가 잘 작동하는지, 어떤 툴을 붙이면 되는지, 어떤 평가셋으로 품질을 검증해야 하는지가 점차 정리되면 기업들은 open-weights 모델에 각종 스캐폴딩을 붙여 프론티어 모델로 가능했던 output 퀄리티에 근접하려고 시도합니다. ​ 실제로 문제 정의가 명확하고 반복 가능한 업무에서는 이런 방식이 꽤 잘 작동합니다. 고객 응대, 문서 분류, 정형화된 코드 보조, 내부 검색, 요약, 반복적인 백오피스 업무처럼 작업 범위가 분명한 영역에서는 open-weights 모델과 엔지니어링 최적화의 조합이 충분히 경쟁력을 가질 수 있습니다. ​ 비용의 위치가 바뀐다 중요한 점은 이것이 '공짜로 프론티어 모델을 대체한다'는 의미가 아니라는 것입니다. 모델 API 사용료는 줄어들 수 있지만 반대로 다른 비용이 늘어납니다. 스캐폴딩을 위한 도구, 평가 시스템, 데이터 파이프라인, 파인튜닝, 모니터링, 보안, 운영 자동화, 유지보수에 시간과 비용이 들어갑니다. 결국 비용이 API 사용료에서 → SWE 엔지니어 인건비/데이터/인프라로 이동하는 것입니다. 겉으로는 모델 비용을 절감하는 것처럼 보이지만 실제로는 이것도 꽤 많은 내부 리소스와 시스템 구축 역량을 필요로 합니다. 따라서 open-weights 효율화는 폐쇄소스 모델의 완전한 대체라기보다는 일부 반복 업무에서 비용 구조를 바꾸는 과정에 가깝습니다. ​ 시간이 지나면 프론티어는 새로운 시장을 연다 문제는 이 효율화가 어느 정도 완성될 즈음이면 프론티어 AI Labs가 다시 새로운 모델을 내놓습니다. 그렇게 나온 새 모델은 기존 작업을 더 싸고 빠르게 처리하는 데서 끝나지 않습니다. 이전에는 경제성이 없거나 신뢰도가 부족해서 쓰기 어려웠던 더 높은 부가가치의 사용 사례를 새롭게 열어줍니다. ​ 그러면 사용자들은 다시 그 새로운 능력에 맞춰 사용량을 늘립니다. 기업들은 더 복잡한 업무를 AI에 맡기기 시작합니다. 단순 문서 요약 → 코드 작성으로 → 장기 에이전트 작업으로 → 단일 작업 자동화에서 복수 시스템을 넘나드는 업무 자동화로 사용 사례가 확장됩니다. 이때 AI 수요는 줄어드는 것이 아니라 더 높은 난이도의 작업으로 이동합니다. ​ 간단하게 보자면, input $1~$2를 가져다가 $10의 output을 뽑아내는 경쟁에서 → input $5~$10를 가져다가 output $50를 뽑아내는 경쟁으로 → input $10~$20을 가져다가 output $100를 뽑아내는 경쟁으로 향합니다. AI 모델을 가지고 할 수 있는 작업당 창출하는 부가가치의 TAM이 성장하는 속도가 효율화시키는 속도보다 더 빠르기에 AI Labs들의 총 시장규모가 빠르게 커지고, 폐쇄소스와 오픈소스 Labs들의 ARR이 동시에 빠르게 증가하며, 컴퓨트 부족이 강화되고 있습니다. ​ 효율화 공식은 새로운 문제에서 한계를 맞는다 이전 효율화 사이클에서 성공했던 로직, 'open-weights 모델에 충분한 스캐폴딩을 붙이면 프론티어 모델과 비슷하게 만들 수 있다'는 접근은 새로운 문제 분포에서는 다시 한계에 부딪힙니다. 과거의 작업은 따라잡을 수 있지만 프론티어 모델이 새롭게 연 작업 영역에서는 다시 장기 작업 수행 능력의 격차가 벌어집니다. ​ 따라서 오픈소스 모델은 과거에 개척된 작업을 효율화하는 데 강점이 있고, 프론티어 폐쇄소스 모델은 아직 표준화되지 않은 새로운 작업 영역을 여는 데 강점이 있습니다. 두 영역은 경쟁하면서도 역할이 다릅니다. 한쪽이 다른 한쪽을 완전히 대체하는 구조라기보다 시간차를 두고 서로 다른 층위의 수요를 담당하는 구조입니다. ​ 결국 어느 수준 이상을 넘기지 못하는 이유는 결국 오픈소스 모델들이 부족한 FLOPS를 보충하기 위해, 프론티어 AI Labs의 모델에서 지식을 distillation해서 오픈소스 모델을 만드는 데 사용하기 때문입니다. 이번에도 사람들은 GLM-5.2, Kimi-K2.7을 보며 Mythos Preview 버전부터 상당량 distillation하여 모델을 훈련시켰을 것으로 추정하고 있습니다. GPT가 프론티어일 때는 GPT를, Gemini가 프론티어일 때는 Gemini를, Claude가 프론티어일 때는 Claude에서 데이터를 뽑아내고 있습니다. ​ 개척 → 효율화 → 재개척의 루프 정리하자면 AI 산업은 프론티어 모델과 오픈 모델 중 하나가 일방적으로 승리하는 구조가 아닙니다. 프론티어 모델이 새로운 사용 사례를 개척하고, 이후 open-weights 생태계와 엔지니어링 최적화가 그 일부를 효율화하며, 다시 프론티어 모델이 더 높은 난이도의 사용 사례를 여는 반복 구조에 가깝습니다. AI 발전이 계속해서 개척 → 효율화 → 재개척의 루프를 그리는 이유입니다. ​ 따라서 오픈소스 모델의 성능 개선을 폐쇄소스 프론티어 모델 수요의 구조적 붕괴로 해석하기보다 AI 사용 사례가 한 단계 표준화되고 있다는 신호로 보는 편이 더 적절하다고 생각합니다. 그리고 프론티어 모델이 다시 더 어려운 작업 영역을 열 때마다 전체 AI 사용량과 컴퓨팅 수요는 한 번 더 확장될 가능성이 높습니다. ​ 물론 언젠가 이 리듬이 통하지 않을 때가 생길 수도 있겠습니다만, 2023년 AI Boom 이후 매번 그래왔기에 이것을 상수로 보고 접근하는 것이 더 합리적이라 생각합니다. 그래도 매번 오픈소스가 폐쇄소스를 잡아먹을 것이란 오해가 반복되긴 합니다. $500B, 네오클라우드를 위한 금융 플랫폼 ​ 네오클라우드 생태계를 키우기 위한 방법 젠슨 황이 X에 글을 올렸습니다. ​ 핵심은 엔비디아의 AI Factory(GPU 데이터센터)를 이제 단순한 IT 설비가 아니라 기관투자자들이 투자할 수 있는 하나의 독립적인 자산등급(Asset Class)으로 만들겠다는 것입니다. ​ 이를 위해 아폴로, 블랙록, 블랙스톤, 브룩필드, 골드만삭스, KKR이 참여하는 독립적인 금융 플랫폼을 구성하고 향후 엔비디아 GPU 기반 AI Factory 구축에 필요한 $500B 규모의 제3자 자본을 동원할 계획입니다. ​ 여기서 가장 먼저 짚어야 할 것은 엔비디아가 $500B를 직접 투자하는 것이 아니라는 점입니다. 각 AI 데이터센터 프로젝트의 경제성을 6개 투자 파트너들이 독립적으로 검토한 뒤 투자 여부를 결정하고 대부분의 자본도 이들이 제공합니다. 엔비디아의 대차대조가 아니라 제3자 기관투자자의 대차대조표를 이용해 엔비디아 생태계의 데이터센터를 늘리는 구조입니다. ​ 네오클라우드는 'GPU 수요는 많지만 돈은 빌리기 어려운' 문제가 있었다 이번 금융 플랫폼이 필요한 이유부터 생각할 필요가 있습니다. ​ 현재 GPU 수요는 하이퍼스케일러에만 있는 것이 아닙니다. 기업, 연구기관, AI Labs, AI 스타트업처럼 이른바 롱테일 고객들의 컴퓨트 수요도 매우 강합니다. 오히려 이들은 컴퓨트를 급하게 필요로 하기 때문에 GPU를 더 비싼 가격에 사용할 의향도 있습니다. ​ 문제는 자금조달입니다. 네오클라우드는 GPU와 데이터센터를 구축하려면 외부에서 자금을 빌려야 합니다. 그런데 금융기관 입장에서 결국 중요한 것은 "이 GPU를 최종적으로 사용하는 고객이 누구인가?"입니다. ​ 마이크로소프트나 구글 같은 투자등급의 우량고객과 초기 AI 스타트업의 신용도는 당연히 크게 다릅니다. 최종 고객의 신용도가 낮으면 네오클라우드가 조달하는 자금의 금리가 높아지고, 금리가 높아지면 GPU를 아무리 비싸게 임대하더라도 프로젝트 수익성이 떨어집니다. ​ 결국 지금까지는 GPU를 가장 필요로 하고 가장 높은 가격을 지불할 고객들이 오히려 자금조달 시 원금회수 신뢰도 때문에 GPU를 확보하기 어려운 구조가 존재했습니다. ​ 엔비디아 입장에서도 해당 병목을 풀어야 한다 엔비디아 입장에서는 이 문제가 더욱 중요합니다. ​ 기업과 AI 스타트업은 엔비디아 GPU를 가장 적극적으로 활용하는 고객들입니다. 이들에게 더 많은 GPU를 공급하면 당장의 GPU 매출도 늘어나지만 장기적으로는 더 중요한 효과가 있습니다. ​ 새로운 모델과 워크로드가 계속해서 엔비디아 하드웨어와 + CUDA 생태계 위에서 개발되고 최적화됩니다. 일종의 Hardware Lottery처럼 어떤 AI 기업과 모델이 최종 승자가 될지 알 수 없다면 가능한 많은 AI 기업들이 엔비디아 GPU 위에서 경쟁하도록 만드는 것이 엔비디아에게 가장 유리합니다. ​ 문제는 엔비디아가 모든 고객에게 직접 자금을 제공하거나 직접 지급보증을 서는 데에는 대차대조표상 한계가 있다는 것입니다. 이번 $500B 플랫폼은 이 문제를 제3자 기관투자자의 자본을 끌어들여 해결하는 구조입니다. ​ 추론 덕에 GPU의 경제성이 좋아졌기 때문에 가능해진 구조 이 금융구조가 지금 등장한 이유도 중요합니다. ​ 최근 Agentic AI 추론 수요가 폭발하면서 GPU 컴퓨트의 경제적 가치가 빠르게 높아지고 있습니다. 최근 GB300 NVL72 대규모 계약들을 보면 1GW당 가격이 CY26 초까지 논의되던 $12B가 아니라 $40~$50B까지도 논의되고 있습니다(오픈AI/앤스로픽 모델을 API 서빙할 경우 현재 $100B/GW/year 수준). 여기에다 더해서A100/H100/B200 같은 이전 세대 GPU의 잔존가치도 예상보다 잘 유지되고 있습니다. ​ 금융기관 입장에서는 과거보다 AI Factory를 담보로 잡기가 쉬워지고 있습니다. 최종 고객이 문제가 생기더라도 GPU와 Powered Shell 자체를 다른 AI 고객에게 다시 임대할 수 있는 가능성 이 높아졌기 때문입니다. ​ 컴퓨트가 희소할수록 AI Factory는 특정 고객에게 종속된 설비가 아니라 재임대 가능한 현금흐름 창출 자산에 가까워집니다. 젠슨 황이 AI Factory를 투자 가능한 자산등급(Investable Asset Class)라고 표현한 배경입니다. ​ 엔비디아는 최대 25%의 백스톱을 제공한다 엔비디아가 이 플랫폼에서 완전히 손을 떼는 것은 아닙니다. ​ 파트너십에 포함된 프로젝트 일부에 대해 엔비디아는 투자금의 최대 25% 수준까지 잔존가치 등을 Backstop할 수 있는 옵션을 갖는 구조입니다. 구체적인 방식은 프로젝트마다 달라질 수 있지만, 임대계약에 공동 참여하거나, 고객이 지급능력을 상실하면 Powered Shell이나 컴퓨트의 재임대를 지원하거나, 일정 가격으로 컴퓨트 용량을 인수하는 방식 등을 생각할 수 있습니다. ​ 핵심은 엔비디아가 프로젝트 전체를 직접 자금조달하는 것이 아니라 하방 일부만 보전해 기관투자자들이 훨씬 낮은 금리로 자금을 공급할 수 있게 만드는 것입니다. 엔비디아가 25%의 Risk를 부담함으로써 나머지 75% 이상의 민간자본을 끌어올 수 있다면 대차대조표를 훨씬 효율적으로 활용할 수 있습니다. ​ 대가로 엔비디아는 AI Factory의 Upside를 가져간다 모건스탠리가 이번 구조에서 더 중요하게 보는 것은 Revenue Share 옵션입니다. ​ 엔비디아는 AI Factory의 하방 Risk 일부를 Backstop하는 대신 해당 데이터센터가 미리 정한 기준보다 높은 가격으로 컴퓨트를 판매할 경우 초과수익의 일부를 Revenue Share로 받을 수 있습니다. ​ 이 구조가 흥미롭습니다. ​ 기존 엔비디아는 GPU를 한 번 판매하면 그 이후 네오클라우드가 GPU를 얼마에 임대하든 직접적인 수익은 없었습니다. 앞으로는 GPU 판매뿐 아니라, GPU가 수년 동안 만들어내는 Compute Revenue의 일부까지 가져갈 수 있습니다. 별도의 GPU를 추가 생산하는 데 드는 비용 없이 발생하는 매출이기 때문에 이 Revenue Share는 엔비디아 입장에서 GPM이 사실상 100%에 가까운 고마진 반복매출이 될 가능성이 있습니다. ​ 모건스탠리 계산대로면 1GW당 연간 $10.3B까지 가능 모건스탠리는 이를 수치로 계산했습니다: ​ GB300 기반 AI Factory 1GW에 약 410,256개의 GPU가 들어간다고 가정합니다. 해당 AI Factory의 손익분기점이 $2.12/GPU/hr인데 실제 GPU 임대가격이 $13/GPU/hr라면 초과수익은 '$13 - $2.12 = $10.88/GPU/hr'입니다. 여기에서 엔비디아가 35%의 Revenue Share를 가져간다면 엔비디아 몫은 $3.81/GPU/hr가 됩니다. 가동률 75%로 가정하면 1GW당 엔비디아가 얻는 연간 Revenue Share는 $10.3B입니다. ​ 만약 한 해에 이런 구조로 5GW가 구축된다면 단순 계산으로 연간 약 $51.3B의 추가 매출원이 생깁니다. 모건스탠리는 이 구조가 현 추정 기준 엔비디아의 CY28 EPS를 약 9.8% 높일 수 있다고 추정했습니다. ​ 순환금융의 우려도 불식시킬 수 있다 이번 구조는 엔비디아에 제기돼 온 순환금융(Circular Financing) 우려를 줄이는 데에도 도움이 됩니다. 기존 시장의 우려는 엔비디아가 AI 기업에 돈을 댐 → AI 기업이 그 돈으로 엔비디아 GPU를 구매함 → 엔비디아 매출 증가라는 구조였습니다. ​ 이 경우 실제 최종수요가 얼마나 강한 것인지와 엔비디아가 자신의 매출을 직접 자금조달로 해결하고 있는 것인지가 섞여 보일 수 있습니다. 하지만 이번에는 독립된 제3자 투자기관이 프로젝트의 경제성을 직접 심사하고 대부분의 자본을 투입합니다. 엔비디아는 일부 Downside를 지급보증하는 역할에 가까워집니다. 따라서 앞으로 이전보다 외부 자본이 경제성을 검증하고 투자했다는 신호가 강해질 수 있습니다.​ 주요 애널리스트들의 생각 Bank of America, Morgan Stanley Bank of America Rubin의 시대가 시작됐다, 실적 추정치 상향이 이어질 것 (Q2 preview: Rubin era starts, expect multiquarter upgrade cycle) Rubin 사이클이 시작된다 BofA의 엔비디아 2Q26 Preview를 정리해보면: ​ 가장 중요한 변화는 이제 Rubin 사이클이 시작된다는 것입니다. 이제부터는 Vera Rubin 출하와 Vera CPU 램프업이 시작됩니다. 따라서 2Q26 실적과 3Q26 가이던스를 공개하는 이번 실적발표에 컨센 상회한 정도에 맞게, 몇 개 분기에 걸친 실적 추정치 상향 사이클이 시작될 것으로 봤습니다. ​ GPU 임대가격이 All-time High 부근입니다. A100은 $1.64, H100은 $2.80, B200은 $5.66입니다. GPU 공급이 늘어나고 있지만 임대가격이 떨어지지 않고 있다는 점에서 AI 컴퓨트가 계속해서 공급 부족이란 의미입니다. 결과적으로 Rubin ASP를 추가로 올릴 수 있는 여지가 생긴다는 의미이기에 GB300 NVL72가 랙당 $4M → VR200 NVL72은 랙당 $7~8.5M까지 높아질 것으로 추정했습니다. ​ 시장에서 메모리 가격이 급등하면서 GPM이 훼손되는 게 아니냐는 우려가 있지만 이를 일축했습니다. GB300의 DRAM 원가는 전체 랙 ASP의 12.1%인데, VR200에서는 12.7% 정도로 높아질 것으로 추정했습니다. 메모리 가격이 높아지긴 하지만 GPU 시스템 가격이 그보다 훨씬 많이 높아지기 때문입니다. 랙 ASP에서 차지하는 HBM 원가로만 보면 GB300 7.5% → VR200 5~6%로 오히려 더 떨어질 것으로 봤습니다. 개인적인 생각도 가격결정력이 높기에 마진에는 문제가 없을 것이라고 봅니다. ​ 엔비디아가 직접 지분투자한 규모는 $70B입니다. 그런데 엔비디아가 CY26~CY27동안 벌어들일 예상 FCF는 $469B입니다. 투자금은 2년치 FCF의 약 15%에 불과하기 때문에 생태계 투자를 이어가면서도 FCF의 50%를 주주에게 돌려주겠다는 정책을 유지하는 데는 문제가 없다고 봤습니다. Morgan Stanley Rubin 제품 사이클의 실적에 영향을 주려면 한 분기 더 남았다 (NVDA Earnings Preview: Strong growth even before Rubin product cycle impact) Blackwell에 대한 수요가 여전히 강하다 모건스탠리는 GB300에 대한 수요가 워낙 강하기에 이번 분기에도 Beat and Raise를 기록할 가능성이 높지만, 주가의 촉매가 될 가능성은 낮게 봤습니다. 지난 네 차례의 실적발표에서 모두 Beat and Raise를 했지만 실적발표 다음 날 주가가 하락했던 것을 예로 들어, 이미 엔비디아를 둘러싼 핵심 논쟁들이 보다 장기적인 실적 성장 가시성에 대한 논의와 관련이 깊어진 상태이기 때문이라는 의견입니다. ​ Rubin은 계획대로, Blackwell은 더 강해졌다 Rubin은 계획대로 진행되고 있으며 Blackwell은 수요가 더 강해졌습니다. ​ Rubin 출하는 3Q26부터 시작될 것이며 모건스탠리는 3Q26 Rubin 매출 $9B(GPU 15만 개 x ASP $60K = $9B)를 예상하고 있습니다. 최근 KYEC가 2Q26 실적발표에서 FY26 가이던스를 하향한 것을 두고 Rubin 출하량이 줄어든 게 아니냐는 투자자들의 우려가 있으나 두 가지 면에서 지금 우려할 것은 아님을 짚었습니다. ⓐ이것은 Unit 출하의 문제가 아니라 Test time이 증가하다보니 생긴 이슈로 보고 있습니다. ⓑ그리고 모건스탠리의 3Q26 150K 전망은 이전 추정치였던 500K보다는 이미 많이 낮아진 상태라서 이정도는 충분히 출하할 것이란 뷰입니다. Blackwell에 대해서는 6월 대만 출장 당시 TSMC의 4nm wafer start가 늘었다는 채널 체크 내용을 감안할 때, 실제 3Q26까지의 GB300 출하가 생각보다 더 많아졌을 가능성이 높아진 상태입니다. ​ 모건스탠리, 대만 AI 공급망 체크 8월 10일, 모건스탠리 대만팀이 AI 공급망 체크 자료를 냈습니다: ​ Rubin Ultra - HBM: 현재 논의 중인 엔비디아 공급망 내용에 따르면, Rubin Ultra는 SKU별로 서로 다른 HBM 스펙을 적용할 가능성이 높습니다. 하이엔드는 HBM4e 8Hi, 로우엔드는 HBM4 12Hi 또는 8Hi입니다. 최종 결정은 3Q26 말 이전에 할 것으로 예상되지만 모건스탠리가 꼽은 despec의 이유는 세 가지입니다. ⓐHBM 공급이 부족하기도 하고, ⓑHBM 비용 자체가 높기도 하며, ⓒ가장 중요한 건 워크로드별로 메모리 요구량의 차이가 있기 때문입니다. 엔비디아는 IR을 통해서 Rubin Ultra는 despec이 아니라 고객들의 니즈에 맞춘 유연한 SKU 채택 과정에서 발생한 것임을 강조했습니다. 워크로드별로 HBM 요구사항이 굳이 많이 필요하지 않은 경우들도 있기 때문에, 이들의 수요에 좀 더 유연하게 대응하기 위해 SKU를 여러 가지로 나누고 있다는 것입니다. UBS DRAM/NAND 체크에서 전해드린 것처럼 despec에도 불구하고 엔비디아의 VR300향 요구 물량 자체가 많아지며 HBM 수요가 기존 58.7B Gb → 61.5B Gb로 증가했다는 것도 함께 참고하시면 좋을 것 같습니다. 총 수요 자체는 가격과 무관하게 계속해서 증가하고 있습니다. 칩 볼륨이 늘어날 때 수혜를 보는 라인쪽으로는 긍정적이기 때문에 ⓐ엔비디아는 GPU를 더 팔게 되니 좋고, ⓑ인터커넥트 기업들 입장에서는 연결할 칩의 수가 많아지니 좋으며, ⓒ기타 부품기업들도 기회는 생길 것으로 예상합니다. Rubin Ultra - 랙 구조: 첫 Rubin Ultra 시스템은 기존 Oberon NVL72 랙 구조를 유지할 가능성이 높습니다. 대신 엔비디아는 CPO/NPO를 통해서 여러 NVL72 랙을 연결하여 NVL576 규모의 Scale-up Domain을 구현하는 방향으로 갈 것입니다. 2H27의 Scale-up CPO는 하나의 VR300 NVL72 랙의 NVSwitch와 다른 NVL72 랙의 NVSwitch를 연결하는 랙 간 연결의 Scale-up입니다. 랙과 랙들을 연결하여 Pod 구조가 이번 Rubin의 핵심 아키텍처임은 3월의 <엔비디아 GTC 2026 : 7개의 칩, 5개의 랙 시스템, 그리고 하나의 AI 슈퍼컴퓨터>에서 전해드린 바 있습니다. Pod 개념에 대해서 조금 더 자세히 보시려면 구글 TPU Pod 구조를 살펴보시면 도움이 되실 거라 <구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대>를 보시면 더 자세한 이해가 가능하실 겁니다. 중국 GPU 기업들도 2T 이상의 대형 모델을 지원하기 위해서는 Supernode 아키텍처를 채택하고 있습니다. 다만 GPU SerDes가 공정 제약 때문에 100G/lane 수준에 머물 것이므로 엔비디아의 CPO보다는 NPO를 사용해서 랙 간 연결을 할 것으로 예상됩니다. Supernode나 Pod이나 같은 말입니다. 이제 랙들을 하나처럼 연결하여 Scale-up Domain을 키우려는 방향입니다. LLM 모델의 크기가 커질 때 왜 Scale-up Domain이 중요한지에 대해서는 에서 설명드린 바 있습니다. NVL랙: 엔비디아의 CY27 Rubin NVL72 랙 출하량은 90K까지 높아질 것으로 예상했습니다. 구글 TPU: 구글 TPU 수요가 생각보다 훨씬 강합니다. 모건스탠리 추정 CY26 TPU는 370만 개 → CY27은 735만 개입니다. CY27 TPU 구성은 대략 v8i Sunfish(브로드컴) 400만 개 + v8t Zebrafish(미디어텍) 300만 개 + v9 Humufish(미디어텍) 15만 개입니다. 미디어텍의 부상은 셈텍의 강세와도 결이 같다고 봅니다. 이에 대해서는 <셈텍(SMTC) 기업분석 : 미디어텍 TPU와 함께 성장할 기업, 'DSP를 지우는 자'>자료를 살펴보시면 도움이 되실 것 같습니다. ​ 투자의 생각 : 엔비디아(NVDA) ​ 엔비디아 2Q26 Preview, AI 사이클의 핵심 기업 : 이번 Preview 체크 이후로도 Overweight를 유지합니다. CY26 PER 23.0배(CY26 EPS $9.4) → CY27 PER 15.5배(CY27 EPS $14)입니다. CY27는 LPX + CPU + STX + 네트워킹 등등 종합적으로 붙을 것들을 생각하기에 EPS가 $14 이상은 나올 것으로 보입니다. 아직 CY27의 충분한 업사이드를 다 책정하고 있다고 보지 않습니다. 수요-공급-경쟁역량 순으로 생각해보자면: ⓐ수요는 2026년 7월 기준 앤스로픽과 오픈AI의 ARR 합산은 이미 $100B를 넘긴 $105B에 도달했습니다. ⓑ공급에서도 Oberon 랙 아키텍처, L10 Compute Tray 양산 후 납품 구조를 생각하면 큰 문제가 보이지 않습니다. 수요 대비 HBM 용량 부족은 CPO 채택에서 앞서가며 Scale-up Domain을 키워 대응할 예정입니다. ⓒ경쟁역량에서는 Blackwell보다 Rubin은 훨씬 더 경쟁역량이 높은 세대가 될 것으로 예상합니다. GB300이 온라인되자 파레토 프론티어가 바뀌고 있습니다. 오픈AI가 7월부터 GPT-5.6 Sol 덕에 약진했고, MSL과 xAI도 3등 자리를 놓고 경쟁할 수준까지 모델 경쟁력을 끌어올렸습니다. 만약 TileRT를 통해서 기존 GPU들의 웬만한 주력 LLM Fast Inference 대응이 가능해질 경우 가치제안이 한 번 더 레벨업될 것으로 예상합니다.