방향 미정추적 후보Codex 검토RL·테스트타임 컴퓨트의 비중 확대는 AI 인프라 구성을 바꿀 수 있으나 개별 기업의 실현 정도는 원문만으로 판정하기 어렵다.핵심 의문 해소달라진 점원문은 사전학습 데이터의 한계와 함께 RL·테스트타임 컴퓨트의 중요성이 커지고 추론 작업이 Agentic으로 진화한다고 설명한다.다르게 볼 이유컴퓨트·메모리·인터커넥트의 조합이 달러당 지능과 토큰 생산에 영향을 준다는 원문 해석은 산업의 수요 구성을 다시 검토할 근거다. Codex 검토에서는 개별 대상의 수혜 방향과 실현 정도가 확정되지 않아 방향은 undetermined로 둔다.남은 확인각 AI Lab의 실제 컴퓨트 배분과 개별 공급기업의 매출 영향은 원문에서 확인되지 않는다
원문을 바탕으로 한 Codex의 독립 판단입니다. 출처가 전한 사실·해석과 구분해 읽을 수 있습니다.
분석 대상 · RL·테스트타임 컴퓨트와 AI 인프라
이전에는
이전 상태의 비교 근거가 이 분석에 정리되지 않았습니다.
새롭게 달라진 점
원문은 사전학습 데이터의 한계와 함께 RL·테스트타임 컴퓨트의 중요성이 커지고 추론 작업이 Agentic으로 진화한다고 설명한다.
원문 근거
Data Wall을 극복하기 위해 RL과 Test-time Compute가 중요해졌습니다 이러한 변화는 모델의 지능을 높이는 방법이 달라지고 있기 때문입니다. 인터넷에서 수집한 고품질 데이터만으로 사전훈련을 계속 확대하기 어려워지면서, 모델이 직접 문제를 풀고 검증하는 과정에서 생성한 합성 데이터와 성공적인 Trajectory를 학습에 활용하는 비중이 높아지고 있습니다. 2024년 9월 출시된 o1-preview가 중요한 전환점이었습니다. 오픈AI는 RL로 모델이 더 오래 생각하도록 훈련하고, 추론할 때도 더 많은 Test-time Compute를 사용해 복잡한 문제를 해결하는 방식을 본격적으로 상용화했습니다. 여기서 RL과 Test-time Compute는 구분해야 합니다. RL은 모델의 추론 전략을 학습시키는 사후훈련이고, Test-time Compute는 학습이 끝난 모델이 실제 문제를 해결하는 과정에서 사용하는 연산량입니다. RL 과정에서도 모델이 여러 풀이를 생성하는 추론 연산이 발생하지만, 이는 훈련을 위한 컴퓨트입니다. 반면 실제 고객의 요청을 처리하는 것은 Inference로 구분됩니다. 그렇지만 둘은 서로 연결됩니다. RL로 모델이 효과적으로 추론하는 방법을 학습하면 추론 과정에서 더 많은 컴퓨트를 활용해 성능을 높일 수 있습니다. 이때 생성된 풀이 과정과 Trajectory 중 유효성이 검증된 데이터를 선별해 다시 사전훈련이나 사후훈련에 활용하는 것도 가능합니다. 훈련이 곧 추론이고, 추론이 곧 훈련인 상태입니다. GB200 NVL72 도입과 Claude Code의 확산이 맞물렸습니다
추론 워크로드 자체도 Instant → Reasoning → Agentic으로 진화하고 있습니다. AI의 추론 퍼포먼스를 결정하는 하드웨어는 크게 ①컴퓨트 ②메모리 ③인터커넥트로 구성됩니다. 그리고 이 세 가지 자원 사이의 상대적인 가치가 계속 바뀌고 있습니다. 메모리 : Phase 1에서 Phase 2로 바뀌어가는 구간 CY3Q25~CY1Q26에는 비싼 GPU의 가동률을 높이기 위해 칩당 HBM 용량을 늘리고, 시스템 전체의 메모리 용량을 확대하는 데 투자가 집중됐습니다. 그런데 이제는 하이퍼스케일러들이 원하는 만큼 메모리를 구매하기 어려운 단계에 도달했습니다. 최종 수요의 상당 부분은 AI Labs에서 발생하기 때문에 사실상 AI Labs가 CSP를 통해 간접적으로 메모리를 구매하는 구조입니다. 메모리 공급업체 입장에서는 상황이 바뀌고 있습니다. 고객들이 당장 메모리를 더 달라고 요구하는 단계를 지나, LTA/SCA를 통해 향후 수년간의 구매물량을 약정하고 CY28 이후 공급을 위한 클린룸 증설을 뒷받침하는 방향으로 움직이고 있습니다. AI Labs가 직접 메모리 공급업체와 구매약정을 체결하려는 움직임도 나타나고 있습니다. 메모리 Phase 1의 P 상승형 랠리를 지나, Phase 2의 Q 증가형 랠리로 전환하는 과정이라고 보고 있습니다. 물론 실제 Q 증가가 나타나려면 신규 클린룸과 생산설비가 가동돼야 합니다. 다만 장기 구매약정을 통해 공급업체들이 증설을 결정할 수 있는 수요 가시성이 높아졌다는 것이 중요합니다. 인터커넥트 : 메모리를 더 늘리기 어렵다면 Scale-up Domain을 키운다
① Pre-training ② RL/Post-training ③ Test-time Compute입니다. 2024년 9월 o1-preview 이후에는 ③Test-time Compute를 늘리는 방법으로 주로 Reasoning 토큰을 더 많이 생성하는 방식을 사용했습니다. 그런데 Recurrent Depth는 다른 접근법입니다. 모델이 다음 토큰을 생성하기 전에 내부적으로 같은 Transformer Layer를 여러 차례 통과시키는 것입니다. 외부로 생성하는 Reasoning 토큰을 늘리지 않고도 토큰당 내부 컴퓨트 사용량을 늘려 모델의 지능을 높이려는 시도입니다. 같은 레이어의 가중치를 반복해서 사용하기 때문에 매번 새로운 파라미터를 불러올 필요 없이 추가적인 연산을 수행할 수 있습니다. 흥미롭게 보는 것은 지능을 높이기 위해 메모리 용량이나 출력 토큰 수를 늘리는 방법 외에도, 이미 확보한 컴퓨트를 더 많이 활용하는 새로운 선택지가 생겼다는 점입니다. CY27 이후로 중요해지는 것은 '인터커넥트' 어떤 자원을 많이 써서 퍼포먼스를 끌어올릴 수 있을 것인지를 다루는 과정입니다. 이 흐름을 종합해서 생각해 보면, 메모리를 확보하기 위한 경쟁이 이어지는 가운데 그다음으로 중요해지는 것은 인터커넥트입니다. 칩당 메모리 용량을 계속 늘리기 어렵다면 Scale-up Domain을 확장해야 하고, 더 많은 XPU를 하나의 시스템으로 묶으려면 인터커넥트에 훨씬 더 많은 투자를 해야 합니다. 엔비디아의 VR300 NVL72이 양산되기 시작하는 CY2H27부터는 Global Scale-up Domain을 구성하기 위한 구리/NPO/CPO 수요가 함께 증가하면서, 랙당 BoM에서 인터커넥트가 차지하는 비중도 크게 높아질 것으로 예상합니다.
다르게 볼 이유
컴퓨트·메모리·인터커넥트의 조합이 달러당 지능과 토큰 생산에 영향을 준다는 원문 해석은 산업의 수요 구성을 다시 검토할 근거다. Codex 검토에서는 개별 대상의 수혜 방향과 실현 정도가 확정되지 않아 방향은 undetermined로 둔다.
원문 근거
이번에는 구매자인 AI Labs의 입장에서 생각해 보겠습니다. AI Labs가 원하는 것은 컴퓨트~메모리~인터커넥트를 적절하게 조합해 달러당 더 높은 지능과 더 많은 토큰을 생산하는 것입니다. 칩 메이커 역시 이 문제를 해결해 주면서 높은 GPM으로 제품을 판매하는 입장입니다. 칩당 메모리 용량을 늘리는 방법이 한계에 도달했다면 다음으로 선택할 수 있는 방법은 Scale-up Domain을 확장하는 것입니다. 더 많은 XPU를 고속 인터커넥트로 묶어 하나의 도메인으로 만들고, 개별 XPU의 제한된 메모리를 시스템 차원에서 활용하는 것입니다. 여기서는 XPU 숫자만 늘린다고 되는 것이 아닙니다. XPU 사이의 통신 속도가 느리면 KV Cache와 데이터를 주고받는 과정에서 병목이 생겨 GPU 가동률이 떨어집니다. Scale-up Domain을 충분히 크고 빠르게 구성할 수 있다면 KV Cache를 외부로 Offloading하는 부담을 줄이고, 더 많은 메모리를 하나의 시스템처럼 활용할 수 있습니다. 워크로드에 따라 토큰당 추론비용도 낮아집니다. 따라서 CY27~CY28에는 XPU 자체의 성능 향상과 함께 인터커넥트의 대역폭/전력효율에 대한 요구가 훨씬 높아질 것으로 예상하며, 이미 그 기술적인 변화가 주가에 반영되고 있는 구간입니다. 컴퓨트 : Recurrent Depth, 메모리 대신 컴퓨트를 더 적극 활용하다 오픈AI는 여기서 한 번 더 나아간 접근법을 연구하고 있는 것으로 알려졌습니다. Recurrent Depth입니다. AI 모델의 지능을 높이는 방법은 크게 세 가지입니다.
판단을 뒷받침하는 근거
- 추론 워크로드가 Instant에서 Reasoning, Agentic으로 진화한다고 제시된다.
원문 근거
추론 워크로드 자체도 Instant → Reasoning → Agentic으로 진화하고 있습니다. AI의 추론 퍼포먼스를 결정하는 하드웨어는 크게 ①컴퓨트 ②메모리 ③인터커넥트로 구성됩니다. 그리고 이 세 가지 자원 사이의 상대적인 가치가 계속 바뀌고 있습니다. 메모리 : Phase 1에서 Phase 2로 바뀌어가는 구간 CY3Q25~CY1Q26에는 비싼 GPU의 가동률을 높이기 위해 칩당 HBM 용량을 늘리고, 시스템 전체의 메모리 용량을 확대하는 데 투자가 집중됐습니다. 그런데 이제는 하이퍼스케일러들이 원하는 만큼 메모리를 구매하기 어려운 단계에 도달했습니다. 최종 수요의 상당 부분은 AI Labs에서 발생하기 때문에 사실상 AI Labs가 CSP를 통해 간접적으로 메모리를 구매하는 구조입니다. 메모리 공급업체 입장에서는 상황이 바뀌고 있습니다. 고객들이 당장 메모리를 더 달라고 요구하는 단계를 지나, LTA/SCA를 통해 향후 수년간의 구매물량을 약정하고 CY28 이후 공급을 위한 클린룸 증설을 뒷받침하는 방향으로 움직이고 있습니다. AI Labs가 직접 메모리 공급업체와 구매약정을 체결하려는 움직임도 나타나고 있습니다. 메모리 Phase 1의 P 상승형 랠리를 지나, Phase 2의 Q 증가형 랠리로 전환하는 과정이라고 보고 있습니다. 물론 실제 Q 증가가 나타나려면 신규 클린룸과 생산설비가 가동돼야 합니다. 다만 장기 구매약정을 통해 공급업체들이 증설을 결정할 수 있는 수요 가시성이 높아졌다는 것이 중요합니다. 인터커넥트 : 메모리를 더 늘리기 어렵다면 Scale-up Domain을 키운다
다음 확인 지점
- RL·테스트타임 컴퓨트 증가가 실제 인프라 구매와 각 구성요소 수요로 연결되는지 확인할 필요가 있다.
원문 근거
추론 워크로드 자체도 Instant → Reasoning → Agentic으로 진화하고 있습니다. AI의 추론 퍼포먼스를 결정하는 하드웨어는 크게 ①컴퓨트 ②메모리 ③인터커넥트로 구성됩니다. 그리고 이 세 가지 자원 사이의 상대적인 가치가 계속 바뀌고 있습니다. 메모리 : Phase 1에서 Phase 2로 바뀌어가는 구간 CY3Q25~CY1Q26에는 비싼 GPU의 가동률을 높이기 위해 칩당 HBM 용량을 늘리고, 시스템 전체의 메모리 용량을 확대하는 데 투자가 집중됐습니다. 그런데 이제는 하이퍼스케일러들이 원하는 만큼 메모리를 구매하기 어려운 단계에 도달했습니다. 최종 수요의 상당 부분은 AI Labs에서 발생하기 때문에 사실상 AI Labs가 CSP를 통해 간접적으로 메모리를 구매하는 구조입니다. 메모리 공급업체 입장에서는 상황이 바뀌고 있습니다. 고객들이 당장 메모리를 더 달라고 요구하는 단계를 지나, LTA/SCA를 통해 향후 수년간의 구매물량을 약정하고 CY28 이후 공급을 위한 클린룸 증설을 뒷받침하는 방향으로 움직이고 있습니다. AI Labs가 직접 메모리 공급업체와 구매약정을 체결하려는 움직임도 나타나고 있습니다. 메모리 Phase 1의 P 상승형 랠리를 지나, Phase 2의 Q 증가형 랠리로 전환하는 과정이라고 보고 있습니다. 물론 실제 Q 증가가 나타나려면 신규 클린룸과 생산설비가 가동돼야 합니다. 다만 장기 구매약정을 통해 공급업체들이 증설을 결정할 수 있는 수요 가시성이 높아졌다는 것이 중요합니다. 인터커넥트 : 메모리를 더 늘리기 어렵다면 Scale-up Domain을 키운다
이번에는 구매자인 AI Labs의 입장에서 생각해 보겠습니다. AI Labs가 원하는 것은 컴퓨트~메모리~인터커넥트를 적절하게 조합해 달러당 더 높은 지능과 더 많은 토큰을 생산하는 것입니다. 칩 메이커 역시 이 문제를 해결해 주면서 높은 GPM으로 제품을 판매하는 입장입니다. 칩당 메모리 용량을 늘리는 방법이 한계에 도달했다면 다음으로 선택할 수 있는 방법은 Scale-up Domain을 확장하는 것입니다. 더 많은 XPU를 고속 인터커넥트로 묶어 하나의 도메인으로 만들고, 개별 XPU의 제한된 메모리를 시스템 차원에서 활용하는 것입니다. 여기서는 XPU 숫자만 늘린다고 되는 것이 아닙니다. XPU 사이의 통신 속도가 느리면 KV Cache와 데이터를 주고받는 과정에서 병목이 생겨 GPU 가동률이 떨어집니다. Scale-up Domain을 충분히 크고 빠르게 구성할 수 있다면 KV Cache를 외부로 Offloading하는 부담을 줄이고, 더 많은 메모리를 하나의 시스템처럼 활용할 수 있습니다. 워크로드에 따라 토큰당 추론비용도 낮아집니다. 따라서 CY27~CY28에는 XPU 자체의 성능 향상과 함께 인터커넥트의 대역폭/전력효율에 대한 요구가 훨씬 높아질 것으로 예상하며, 이미 그 기술적인 변화가 주가에 반영되고 있는 구간입니다. 컴퓨트 : Recurrent Depth, 메모리 대신 컴퓨트를 더 적극 활용하다 오픈AI는 여기서 한 번 더 나아간 접근법을 연구하고 있는 것으로 알려졌습니다. Recurrent Depth입니다. AI 모델의 지능을 높이는 방법은 크게 세 가지입니다.
① Pre-training ② RL/Post-training ③ Test-time Compute입니다. 2024년 9월 o1-preview 이후에는 ③Test-time Compute를 늘리는 방법으로 주로 Reasoning 토큰을 더 많이 생성하는 방식을 사용했습니다. 그런데 Recurrent Depth는 다른 접근법입니다. 모델이 다음 토큰을 생성하기 전에 내부적으로 같은 Transformer Layer를 여러 차례 통과시키는 것입니다. 외부로 생성하는 Reasoning 토큰을 늘리지 않고도 토큰당 내부 컴퓨트 사용량을 늘려 모델의 지능을 높이려는 시도입니다. 같은 레이어의 가중치를 반복해서 사용하기 때문에 매번 새로운 파라미터를 불러올 필요 없이 추가적인 연산을 수행할 수 있습니다. 흥미롭게 보는 것은 지능을 높이기 위해 메모리 용량이나 출력 토큰 수를 늘리는 방법 외에도, 이미 확보한 컴퓨트를 더 많이 활용하는 새로운 선택지가 생겼다는 점입니다. CY27 이후로 중요해지는 것은 '인터커넥트' 어떤 자원을 많이 써서 퍼포먼스를 끌어올릴 수 있을 것인지를 다루는 과정입니다. 이 흐름을 종합해서 생각해 보면, 메모리를 확보하기 위한 경쟁이 이어지는 가운데 그다음으로 중요해지는 것은 인터커넥트입니다. 칩당 메모리 용량을 계속 늘리기 어렵다면 Scale-up Domain을 확장해야 하고, 더 많은 XPU를 하나의 시스템으로 묶으려면 인터커넥트에 훨씬 더 많은 투자를 해야 합니다. 엔비디아의 VR300 NVL72이 양산되기 시작하는 CY2H27부터는 Global Scale-up Domain을 구성하기 위한 구리/NPO/CPO 수요가 함께 증가하면서, 랙당 BoM에서 인터커넥트가 차지하는 비중도 크게 높아질 것으로 예상합니다.
아직 모르는 점
- 각 AI Lab의 실제 컴퓨트 배분과 개별 공급기업의 매출 영향은 원문에서 확인되지 않는다
원문 근거 4개 펼치기
출처의 해석·전망
- 고품질 인터넷 데이터만으로 사전학습을 늘리는 방식의 한계 속에서 RL과 테스트타임 컴퓨트가 중요해졌고, 추론 워크로드가 Instant·Reasoning·Agentic으로 진화한다고 정리한다.
보존 원문 발췌
Data Wall을 극복하기 위해 RL과 Test-time Compute가 중요해졌습니다 이러한 변화는 모델의 지능을 높이는 방법이 달라지고 있기 때문입니다. 인터넷에서 수집한 고품질 데이터만으로 사전훈련을 계속 확대하기 어려워지면서, 모델이 직접 문제를 풀고 검증하는 과정에서 생성한 합성 데이터와 성공적인 Trajectory를 학습에 활용하는 비중이 높아지고 있습니다. 2024년 9월 출시된 o1-preview가 중요한 전환점이었습니다. 오픈AI는 RL로 모델이 더 오래 생각하도록 훈련하고, 추론할 때도 더 많은 Test-time Compute를 사용해 복잡한 문제를 해결하는 방식을 본격적으로 상용화했습니다. 여기서 RL과 Test-time Compute는 구분해야 합니다. RL은 모델의 추론 전략을 학습시키는 사후훈련이고, Test-time Compute는 학습이 끝난 모델이 실제 문제를 해결하는 과정에서 사용하는 연산량입니다. RL 과정에서도 모델이 여러 풀이를 생성하는 추론 연산이 발생하지만, 이는 훈련을 위한 컴퓨트입니다. 반면 실제 고객의 요청을 처리하는 것은 Inference로 구분됩니다. 그렇지만 둘은 서로 연결됩니다. RL로 모델이 효과적으로 추론하는 방법을 학습하면 추론 과정에서 더 많은 컴퓨트를 활용해 성능을 높일 수 있습니다. 이때 생성된 풀이 과정과 Trajectory 중 유효성이 검증된 데이터를 선별해 다시 사전훈련이나 사후훈련에 활용하는 것도 가능합니다. 훈련이 곧 추론이고, 추론이 곧 훈련인 상태입니다. GB200 NVL72 도입과 Claude Code의 확산이 맞물렸습니다
추론 워크로드 자체도 Instant → Reasoning → Agentic으로 진화하고 있습니다. AI의 추론 퍼포먼스를 결정하는 하드웨어는 크게 ①컴퓨트 ②메모리 ③인터커넥트로 구성됩니다. 그리고 이 세 가지 자원 사이의 상대적인 가치가 계속 바뀌고 있습니다. 메모리 : Phase 1에서 Phase 2로 바뀌어가는 구간 CY3Q25~CY1Q26에는 비싼 GPU의 가동률을 높이기 위해 칩당 HBM 용량을 늘리고, 시스템 전체의 메모리 용량을 확대하는 데 투자가 집중됐습니다. 그런데 이제는 하이퍼스케일러들이 원하는 만큼 메모리를 구매하기 어려운 단계에 도달했습니다. 최종 수요의 상당 부분은 AI Labs에서 발생하기 때문에 사실상 AI Labs가 CSP를 통해 간접적으로 메모리를 구매하는 구조입니다. 메모리 공급업체 입장에서는 상황이 바뀌고 있습니다. 고객들이 당장 메모리를 더 달라고 요구하는 단계를 지나, LTA/SCA를 통해 향후 수년간의 구매물량을 약정하고 CY28 이후 공급을 위한 클린룸 증설을 뒷받침하는 방향으로 움직이고 있습니다. AI Labs가 직접 메모리 공급업체와 구매약정을 체결하려는 움직임도 나타나고 있습니다. 메모리 Phase 1의 P 상승형 랠리를 지나, Phase 2의 Q 증가형 랠리로 전환하는 과정이라고 보고 있습니다. 물론 실제 Q 증가가 나타나려면 신규 클린룸과 생산설비가 가동돼야 합니다. 다만 장기 구매약정을 통해 공급업체들이 증설을 결정할 수 있는 수요 가시성이 높아졌다는 것이 중요합니다. 인터커넥트 : 메모리를 더 늘리기 어렵다면 Scale-up Domain을 키운다
이번에는 구매자인 AI Labs의 입장에서 생각해 보겠습니다. AI Labs가 원하는 것은 컴퓨트~메모리~인터커넥트를 적절하게 조합해 달러당 더 높은 지능과 더 많은 토큰을 생산하는 것입니다. 칩 메이커 역시 이 문제를 해결해 주면서 높은 GPM으로 제품을 판매하는 입장입니다. 칩당 메모리 용량을 늘리는 방법이 한계에 도달했다면 다음으로 선택할 수 있는 방법은 Scale-up Domain을 확장하는 것입니다. 더 많은 XPU를 고속 인터커넥트로 묶어 하나의 도메인으로 만들고, 개별 XPU의 제한된 메모리를 시스템 차원에서 활용하는 것입니다. 여기서는 XPU 숫자만 늘린다고 되는 것이 아닙니다. XPU 사이의 통신 속도가 느리면 KV Cache와 데이터를 주고받는 과정에서 병목이 생겨 GPU 가동률이 떨어집니다. Scale-up Domain을 충분히 크고 빠르게 구성할 수 있다면 KV Cache를 외부로 Offloading하는 부담을 줄이고, 더 많은 메모리를 하나의 시스템처럼 활용할 수 있습니다. 워크로드에 따라 토큰당 추론비용도 낮아집니다. 따라서 CY27~CY28에는 XPU 자체의 성능 향상과 함께 인터커넥트의 대역폭/전력효율에 대한 요구가 훨씬 높아질 것으로 예상하며, 이미 그 기술적인 변화가 주가에 반영되고 있는 구간입니다. 컴퓨트 : Recurrent Depth, 메모리 대신 컴퓨트를 더 적극 활용하다 오픈AI는 여기서 한 번 더 나아간 접근법을 연구하고 있는 것으로 알려졌습니다. Recurrent Depth입니다. AI 모델의 지능을 높이는 방법은 크게 세 가지입니다.
① Pre-training ② RL/Post-training ③ Test-time Compute입니다. 2024년 9월 o1-preview 이후에는 ③Test-time Compute를 늘리는 방법으로 주로 Reasoning 토큰을 더 많이 생성하는 방식을 사용했습니다. 그런데 Recurrent Depth는 다른 접근법입니다. 모델이 다음 토큰을 생성하기 전에 내부적으로 같은 Transformer Layer를 여러 차례 통과시키는 것입니다. 외부로 생성하는 Reasoning 토큰을 늘리지 않고도 토큰당 내부 컴퓨트 사용량을 늘려 모델의 지능을 높이려는 시도입니다. 같은 레이어의 가중치를 반복해서 사용하기 때문에 매번 새로운 파라미터를 불러올 필요 없이 추가적인 연산을 수행할 수 있습니다. 흥미롭게 보는 것은 지능을 높이기 위해 메모리 용량이나 출력 토큰 수를 늘리는 방법 외에도, 이미 확보한 컴퓨트를 더 많이 활용하는 새로운 선택지가 생겼다는 점입니다. CY27 이후로 중요해지는 것은 '인터커넥트' 어떤 자원을 많이 써서 퍼포먼스를 끌어올릴 수 있을 것인지를 다루는 과정입니다. 이 흐름을 종합해서 생각해 보면, 메모리를 확보하기 위한 경쟁이 이어지는 가운데 그다음으로 중요해지는 것은 인터커넥트입니다. 칩당 메모리 용량을 계속 늘리기 어렵다면 Scale-up Domain을 확장해야 하고, 더 많은 XPU를 하나의 시스템으로 묶으려면 인터커넥트에 훨씬 더 많은 투자를 해야 합니다. 엔비디아의 VR300 NVL72이 양산되기 시작하는 CY2H27부터는 Global Scale-up Domain을 구성하기 위한 구리/NPO/CPO 수요가 함께 증가하면서, 랙당 BoM에서 인터커넥트가 차지하는 비중도 크게 높아질 것으로 예상합니다.
상승 관점 보조 신호 · 가격 충격·지속성·후속 근거
장대양봉급 뉴스
근거 미확인- 이 자료에서 판단할 근거를 확보하지 못했습니다.
지속 턴어라운드
근거 미확인- 이 자료에서 판단할 근거를 확보하지 못했습니다.
셀온 뒤 재상승 근거
근거 미확인- 이 자료에서 판단할 근거를 확보하지 못했습니다.