기술의 실체를 논문 수준으로 이해하고, 2026년 시장 데이터를 그 위에 올려 읽는다.
강사: 조훈상 · 2026년 9월 12일
AI는 무엇인가
정의, 70년의 역사, 왜 2022년에 폭발했는가.
어떻게 작동하는가
토큰, 임베딩, 어텐션, 스케일링 법칙, 학습 3단계. 그리고 2023~26년 아키텍처의 변화.
어디서 막히는가
환각, 데이터 벽, 추론 붕괴 논쟁, 에너지, 평가의 오염.
시장은 무엇을 가격에 넣었나
설비투자 $650B, 매출 $200B, Nvidia 실적, 부채 구조, GPU 임대료, HBM, 시나리오와 선행 지표.
2부 뒤와 3부 뒤에 10분씩 쉽니다. 질문은 언제든 손 들어 주세요.
정의 · 역사 · 왜 지금인가
사람이 하면 "똑똑하다"고 할 일을 컴퓨터가 하게 만드는 기술.
— 가장 쉬운 정의 (McCarthy, 1956 정의의 현대어 번역)
보고(이미지 인식), 듣고(음성 인식), 읽고 쓰고(언어 모델), 판단하고(추천·예측), 만들어 내는(생성) 것까지 모두 포함합니다.
가장 넓은 말. 1950년대부터. 규칙을 사람이 일일이 써 준 프로그램(전문가 시스템)도 포함.
규칙을 사람이 쓰지 않고, 데이터에서 컴퓨터가 스스로 찾게 하는 방식. 통계학과 최적화의 결합.
뉴런을 흉내 낸 함수를 수십~수백 층 쌓은 것. 2012년 이후 모든 돌파구의 주역.
요즘 뉴스의 "AI"는 거의 전부 딥러닝, 그중에서도 생성형 AI를 말합니다.
"귀가 뾰족하고, 수염이 있고, 꼬리가 길면 고양이다."
→ 귀가 접힌 스코티시폴드는? 뒤에서 찍은 사진은? 규칙이 끝없이 늘어남.
고양이 사진 100만 장, 아닌 사진 100만 장을 보여 주고 "틀린 만큼 손잡이를 조금씩 돌려라."
→ 이 "손잡이"가 파라미터, "조금씩 돌리기"가 경사하강법.
모든 딥러닝은 결국 하나의 문장입니다. 틀린 정도(손실)를 재고, 그걸 줄이는 방향으로 파라미터를 아주 조금 움직이는 일을 수십억 번 반복한다.
인터넷 30년치 텍스트. Common Crawl 기준 수십조 토큰 규모의 공개 웹.
행렬 곱셈에 특화된 GPU. 2012년 AlexNet은 GPU 2장, 2024년 프런티어 모델은 수만 장.
트랜스포머. 순차 처리(RNN)의 병목을 없애 GPU를 100% 활용하게 만든 구조.
역전파는 1986년, 신경망 언어모델은 2003년(Bengio)에 이미 있었습니다. 부족했던 건 아이디어가 아니라 규모였습니다.
입력 x를 보고 라벨 y를 분류·예측한다. p(y|x)
데이터의 분포 자체를 배워 새 표본을 만든다. p(x)
오늘 강의의 나머지는 대부분 생성형 AI, 그중에서도 대규모 언어 모델(LLM) 이야기입니다.
| 회사 | 모델·제품 | 특징 |
|---|---|---|
| OpenAI | GPT 시리즈, ChatGPT | 2022년 붐의 시작. 추론 모델(o 시리즈) 선도 |
| Google DeepMind | Gemini | 검색·지메일·안드로이드 통합, 초장문 컨텍스트 |
| Anthropic | Claude | 긴 문서, 코딩, 에이전트, 안전 연구 |
| Meta | Llama | 오픈 웨이트. 누구나 내려받아 실행 |
| DeepSeek / Alibaba (중국) | DeepSeek V3·R1, Qwen | 저비용 MoE, 오픈 웨이트로 2025년 판도 변화 |
| 네이버 / LG / 업스테이지 등 | 하이퍼클로바X, 엑사원, 솔라 | 한국어 특화, 국가 AI 컴퓨팅 사업 |
전부 2017년 트랜스포머 구조 위에 있습니다. 차이는 데이터·규모·학습 후처리·시스템.
토큰 · 임베딩 · 어텐션 · 스케일링 · 학습 3단계 · 2023~26년 아키텍처 추이
언어 모델은 "다음 토큰의 확률 분포"를 출력하는 함수입니다.
학습 목표는 학습 데이터 전체에 대해 이 확률의 로그를 최대화(교차 엔트로피 최소화)하는 것. 이 단순한 게임을 수십조 토큰으로 반복하면 문법·상식·논리·말투가 부산물로 생깁니다.
번역, 요약, 코딩은 따로 가르친 적이 없습니다. 인터넷에 그런 글이 있었을 뿐입니다.
모델은 후보마다 확률을 매기고 하나를 표본 추출합니다. 고른 뒤 다시 다음 토큰을 고릅니다(자기회귀 생성).
포인트 항상 1등만 고르지 않습니다. 분포를 얼마나 뾰족하게 할지가 temperature, 상위 몇 개만 볼지가 top-p. 같은 질문에 답이 달라지는 이유입니다.
글자를 자주 붙어 나오는 조각으로 묶음. 어휘 크기 10만~25만 개.
한국어는 영어보다 같은 뜻에 토큰이 1.5~2배 든다. 비용과 컨텍스트에 직접 영향.
각 토큰을 수천 차원 벡터로. 학습이 끝나면 의미가 기하학이 된다.
(Mikolov et al., 2013, word2vec). 현대 LLM은 문맥에 따라 같은 단어의 벡터가 달라진다.
"은행에 갔더니 배가 고파서 배를 샀는데 강에 배가 지나갔다." 같은 "배"가 앞뒤 토큰에 다른 가중치를 주어 다른 벡터가 된다.
토큰 사이의 정보 이동. 멀티헤드 = 관계를 여러 관점에서 동시에(문법·의미·위치).
토큰 안의 변환. 파라미터의 약 2/3가 여기. 지식이 저장되는 곳으로 해석됨 (Geva et al., 2021).
100층 넘게 쌓아도 학습이 되게 하는 배관. 없으면 기울기가 사라진다.
이 층을 GPT-3는 96층, 최신 프런티어 모델은 100층 이상 쌓고, 마지막에 어휘 크기의 softmax로 다음 토큰 분포를 낸다. 마스킹으로 미래 토큰은 못 보게 한다.
이 O(n²)이 2부 후반의 "최근 추이" 절반을 설명합니다. 100만 토큰 컨텍스트는 1,000토큰의 100만 배가 아니라 1조 배의 어텐션 계산입니다.
손실은 파라미터 N, 데이터 D, 계산량 C에 대해 멱법칙으로 부드럽게 줄어든다.
Kaplan et al. (OpenAI, 2020) → Hoffmann et al. "Chinchilla" (DeepMind, 2022)
같은 계산량이면 모델을 키우기보다 데이터를 더 먹여라. 최적 비율은 파라미터 1개당 약 20토큰.
GPT-3(175B, 300B 토큰)는 "덜 학습된" 모델이었다. 이후 Llama 3(8B, 15T 토큰)처럼 작은 모델에 훨씬 많은 데이터를 넣는 흐름이 됨.
이 법칙이 "돈을 더 넣으면 더 똑똑해진다"는 투자 논리의 수학적 근거입니다. 4부에서 이 법칙이 어디까지 유효한지 다시 봅니다.
70B 파라미터, 1.4T 토큰 (Chinchilla 최적 비율 20:1)
C = 6 × 7×10¹⁰ × 1.4×10¹² ≈ 5.9×10²³ FLOPs
H100 BF16 실효 ~4×10¹⁴ FLOP/s (MFU 40%) → GPU 1장 47년, 1,024장 약 17일
GPU 시간당 $2.35 기준 학습 클라우드 비용 ≈ $1.0M. 10²⁶ FLOPs 프런티어 모델은 이의 170배
투자 함의: 손실은 자원의 로그에 선형. 같은 폭의 개선에 매번 더 큰 자본이 든다. Capex 성장률이 매출 성장률보다 높아야 하는 구조적 이유이자, 어디선가 멈춰야 하는 이유.
1025~26FLOPs. 학습 총 연산량. EU AI법은 10²⁵ 이상을 "시스템적 위험" 모델로 규제
1013토큰. 학습 데이터. 사람이 평생 읽는 양(약 10⁹)의 1만 배
104~5GPU 장 수. 수개월. 전력 수십~수백 MW
정확한 값은 대부분 비공개. 자릿수 감각만 가져가시면 됩니다. Epoch AI 추정 기준.
앞 토큰들의 K, V를 저장해 두고 재사용. 없으면 토큰마다 전부 다시 계산. 긴 대화일수록 GPU 메모리를 잡아먹는 주범.
입력을 읽는 단계는 병렬(계산 병목), 출력은 한 토큰씩(메모리 대역폭 병목). 서빙 비용 구조가 여기서 갈린다.
16비트를 4~8비트로 줄이고, 큰 모델의 출력을 작은 모델이 흉내 내게 학습. 폰에서 도는 모델의 원리.
2025년 기준 프런티어 모델 API 가격은 2023년 대비 약 100분의 1. 학습은 비싸지고 추론은 싸지는 비대칭이 4부의 투자 논쟁과 이어집니다.
H100 1장, 연산 상한 기준: 4×10¹⁴ / 1.4×10¹¹ ≈ 2,900 토큰/s
시간당 $2.35 ÷ (2,900 × 3,600) → ≈ $0.22 / 100만 토큰 (이론 하한, 실효 MFU 25% 시 ≈ $0.35)
2026년 프런티어급 API 출력 가격 $2~15 / 100만 토큰 → 컴퓨트 대비 5~40배. 마진은 여기서 나오고, 가격 경쟁도 여기로 온다
MoE는 Nactive를 줄여 연산 원가를 낮추지만 HBM 용량은 총 N에 비례. GQA·MLA는 KV 캐시를 줄여 배치를 키움. 모든 아키텍처 추이가 이 두 줄의 원가를 겨냥한다.
| 시점 | 모델 (프런티어급) | 출력 $/1M 토큰 | 비고 |
|---|---|---|---|
| 2023.3 | GPT-4 (8k) | $60 | 붐 초기 가격 |
| 2024.5 | GPT-4o | $15 | 1년 만에 1/4 |
| 2025 | 프런티어 다수 | $8~15 | 추론 모델은 생각 토큰까지 과금 |
| 2025~26 | 오픈 웨이트 MoE (DeepSeek 등) | $0.3~2 | 프런티어 대비 1/10~1/50 |
| 2026 | 소형 증류 모델 | $0.1~0.6 | 컴퓨트 하한 $0.2~0.4에 근접 |
동일 능력 기준 가격은 연 약 10배 하락 (Epoch AI·a16z 추정 9~900배/년, 과제별 편차 큼). 무어의 법칙보다 훨씬 가파르다.
매출 = 가격 × 물량. 가격이 연 10배 떨어지면 물량이 연 10배 이상 늘어야 매출이 유지됨. 2024~26년은 물량이 이겼다(매출 3~7×). 이 관계가 깨지는 순간이 사이클 전환점.
"트랜스포머는 여전히 기준이지만, 더 이상 유일한 블록은 아니다."
FFN을 여러 "전문가"로 쪼개고, 토큰마다 라우터가 상위 k개만 켠다.
같은 추론 비용으로 훨씬 큰 "지식 저장소"를 갖는다. 대신 메모리는 전부 필요하고, 라우팅 불균형·학습 불안정이 난제.
"돈을 덜 쓰고도 된다"는 2025년 1월 DeepSeek 쇼크의 기술적 실체.
| 기법 | 아이디어 | 대표 |
|---|---|---|
| FlashAttention | 수학은 그대로, GPU 메모리 접근 순서만 바꿔 2~4배 가속 | Dao et al., 2022~24 |
| GQA / MLA | K, V 헤드를 공유하거나 저차원으로 압축해 KV 캐시 축소 | Llama 2·3, DeepSeek-V2·V3 |
| 슬라이딩 윈도우 + 전역 혼합 | 대부분 층은 근처만 보고, 일부 층만 전체를 봄 | Gemma 2·3, Mistral |
| 희소·선형 어텐션 | 관련 있는 토큰만 골라 보거나 커널 근사로 O(n) | NSA (DeepSeek, 2025), Lightning Attention |
| 상태공간 모델 (SSM) | 어텐션 대신 순환 상태로 O(n). 긴 입력에 유리, 정밀 검색은 약함 | Mamba (Gu & Dao, 2023), Mamba-2 |
| 하이브리드 | SSM 층 다수 + 어텐션 층 소수. 2025~26년 실무 합의점 | Jamba, Nemotron-H, Granite 4, Qwen3-Next |
결론: 순수 트랜스포머가 사라지진 않았지만, "어텐션은 비싼 자원이니 필요한 층에만"이 새 기본값이 됨.
답하기 전에 긴 "생각 토큰"을 생성하게 하고, 정답 여부만으로 강화학습.
효과는 검증 가능한 영역(수학·코드·논리)에 집중. 지식 집약 과제에서는 생각을 길게 해도 정확도가 거의 안 오르고 환각이 늘 수 있다는 2025년 연구.
비용은 답 길이에 비례. 같은 질문에 20~80% 지연.
2026년 프런티어 시스템은 "모델 하나"가 아니라 모델 + 검색 + 도구 + 검증기 + 라우팅의 시스템입니다.
큰 모델의 답(또는 확률 분포)으로 작은 모델을 학습. R1의 추론 능력을 1.5B~70B 모델에 옮긴 것이 대표 사례. 프런티어 능력이 12~18개월 뒤 10분의 1 크기에서 재현되는 패턴.
Llama, Qwen, DeepSeek, Gemma, Mistral. 가중치 공개로 누구나 자체 서버에서 실행. 중국 모델이 2025년 이후 오픈 진영을 주도.
3~8B 모델이 폰·노트북 NPU에서 실행. 개인정보가 밖으로 안 나가고 지연이 없음. 애플·삼성·구글 모두 기본 탑재.
투자 관점 함의: 최상위 능력은 소수 회사가 독점하지만, "충분히 좋은" 능력은 빠르게 범용재(commodity)가 된다.
10분잠시 쉬어 갑니다
돌아오면: 이 기술은 어디서 막히는가. 그리고 누가 얼마를 걸고 있는가.
환각 · 데이터 벽 · 추론 붕괴 논쟁 · 컨텍스트 · 평가 · 에너지 · 안전
다음 토큰 예측은 그럴듯함을 최적화하지 참을 최적화하지 않는다.
변호사가 ChatGPT가 만든 판례 6건을 법원에 제출. 전부 존재하지 않았다. "이 판례 진짜야?"에 AI는 "네"라고 답했다.
확인하는 도구가 아니라 초안 도구.
Chinchilla가 "데이터가 병목"이라 했는데, 인터넷의 양질 텍스트는 유한하다.
데이터를 더 못 구하니 같은 데이터에서 더 많이 짜내는 방향으로. RL과 테스트 타임 컴퓨트는 데이터 벽에 대한 우회로이기도 하다.
시험 문제가 학습 데이터에 섞여 들어감. 새 벤치마크가 나오면 6~12개월 안에 포화. "박사급"이란 홍보와 실사용 체감의 괴리 원인.
회사가 유리한 지표만 공개. 독립 평가(LMArena, SWE-bench Verified, ARC-AGI, HLE)로 교차 확인 필요.
2025년 LLM 논문의 30% 이상이 한계 연구. 가장 많이 다뤄진 순: 추론 → 일반화 → 환각 → 편향 → 보안.
토큰당 비용이 100분의 1로 떨어졌지만 총 사용량이 그 이상 늘어 총 전력은 증가. 제번스의 역설.
10분잠시 쉬어 갑니다
돌아오면 돈 이야기입니다. 2026년 한 해 설비투자 규모부터.
공급 측(설비투자·Nvidia·부채) → 수요 측(매출) → 가격(임대료·밸류에이션) → 시나리오
$630~690B상위 4~5개사 2026 합계 추정. 2025년 $388B 대비 +60~75%. 약 75%가 AI 인프라
$96.2B분기 매출. YoY +106%, QoQ +18%
$89.0B데이터센터 매출. YoY +117%. 총매출의 92.5%
75.0%매출총이익률 (GAAP = non-GAAP)
| 항목 | 값 | 근거 |
|---|---|---|
| Q3 FY27 가이던스 | $108B | 8-K |
| 연환산 매출 | ≈ $432B | ×4 |
| 순이익률 가정 | 55% | 최근 분기 50%대 중반 |
| 연환산 순이익 | ≈ $238B | |
| 시가총액 | ≈ $4.5T | 보도 |
| P/E (연환산) | ≈ 19× |
S&P 500 평균과 비슷한 배수에 YoY +106% 성장이 붙어 있다. 시장은 이 성장이 지속되지 않는다고 이미 가정하고 있다. 즉 엔비디아 주가의 리스크는 성장 둔화 자체가 아니라 마진 붕괴(경쟁 ASIC, 고객 협상력) 또는 매출 절대 감소(재고 사이클).
예시 계산. 컨센서스 추정치가 아니며 가이던스 단순 연환산.
교차 확인: 상위 5개 고객이 데이터센터 매출의 절반 이상. 4부 앞 슬라이드의 capex 표에서 하이퍼스케일러 한 곳이 가이던스를 10% 낮추면 엔비디아 매출에 어떤 영향인지 역산해 볼 것.
| 주체 | 구조 | 읽을 점 |
|---|---|---|
| 하이퍼스케일러 공모채 | 2025년 약 $121B 발행. 5년 평균의 4배 이상. 2026년 수천억 달러 전망 | 현금 풍부한 회사도 채권으로 전환 시작 |
| Meta × Blue Owl | 데이터센터 SPV. 펀드 80% / Meta 20%. 만기 2049, IG 등급 | 부외(off-balance) 구조. 연결 재무제표에서 capex가 안 보임 |
| Oracle | $14B+ 데이터센터 연계 채권. 투자자 요구 수익률 상승, 유통시장에서 연속 리프라이싱 | 신용시장이 이미 개별 프로젝트를 차별화 중 |
| CoreWeave | GPU 담보 $7.5B 시설 (Blackstone), 변동금리 평균 ~11%. 2026.1 상환 개시. 최초 IG 등급 GPU 담보 파이낸싱 | 3년 수명 자산에 IG 등급. 신용평가사의 가정이 시험대 |
| 144A 사모채·사모신용 | SEC 미등록. 기관 전용. $60B+ 데이터센터 개발 자금 | 공시 밖에서 커지는 레버리지. 총 규모 파악 불가가 리스크 |
| 가정 | 6년 정액 | 4년 정액 | 3년 정액 |
|---|---|---|---|
| 연간 GPU·서버 capex | $100B | $100B | $100B |
| 정상 상태 연 감가상각 | $16.7B | $25.0B | $33.3B |
| 6년 대비 세전이익 차이 | — | −$8.3B | −$16.7B |
| 순이익 $100B 회사의 EPS 영향 (세율 20%) | — | −6.7% | −13.3% |
빅테크는 2020~23년 서버 내용연수를 3년 → 5~6년으로 늘려 이익을 올렸다. AI GPU는 세대 교체가 12~18개월. 감사인·투자자의 압력으로 다시 줄이는 순간 이익이 역방향으로 움직인다.
순환 금융과 결합하면: 자산 수명이 짧을수록 "선행 투자"라는 방어 논리가 약해진다.
예시 숫자. 실제 회사는 GPU와 건물·네트워크가 섞여 있어 영향은 이보다 작다. 10-K "property and equipment" 각주에서 내용연수 변경 문구를 확인할 것.
≈ $175~200B업계 전체 연환산 매출 (중복 제거, 2026.6). Epoch AI
회계 주의 OpenAI는 클라우드 경유 매출의 수취분만, Anthropic은 총액을 인식. 단순 비교 시 Anthropic이 과대. 두 회사 합산은 약 $100B.
2025년 논쟁의 근거였던 "OpenAI 매출 $13B vs 컴퓨트 지출 $60B"는 1년 만에 매출이 3배가 되며 구도가 바뀌었다. 수요는 진짜다. 질문은 지속성과 마진.
| 항목 | 2026 연환산 |
|---|---|
| 빅테크 AI 관련 capex | ≈ $450~500B |
| 생성형 AI 산업 매출 | ≈ $175~200B |
| Nvidia 데이터센터 매출 (연환산) | ≈ $356B |
| 매출/AI capex 비율 | ≈ 0.4 |
| Bain 2030 필요 매출 | $2T (현 궤적 대비 $800B 부족) |
강세: 매출이 연 3~7배 성장 중. 이 속도면 Bain의 $2T는 2028~29년에 도달. Capex는 3~5년 앞선 선행 투자이므로 비율 0.4는 정상.
약세: 매출의 절반이 두 회사, 그중 상당액이 빅테크 자체 크레딧·순환 계약. 성장률 7.5×는 낮은 기저 효과. GPU 수명 3년이면 capex는 "선행"이 아니라 "소모".
쟁점은 규모가 아니라 자산 수명과 마진.
생성형 AI 산업 매출 런레이트 ≈ $200B. 2026년 capex 한 해분을 회수하려면 매출이 약 2배 더 필요하고, 2027년 capex($900B 시나리오)까지 합치면 $1T 규모.
연 3× 성장이면 2028년 도달. 연 1.5× 성장이면 2030년에도 미달. 성장률 가정 하나가 결론을 가른다.
예시 계산. 클라우드 대체 수요(기존 워크로드 이전)와 내부 효율 개선 효과는 제외. Bain의 "2030년 $2T" 추정과 같은 방향.
구세대 GPU의 잔존가치가 3년 안에 75% 하락. GPU 담보 대출과 5~6년 감가상각의 가정과 직접 충돌.
| 회사 | 기업가치 (2026 보도) | 연환산 매출 | EV/런레이트 | 비고 |
|---|---|---|---|---|
| OpenAI | ≈ $730B | $40B | ≈ 18× | 2029년까지 누적 영업손실 $140B 전망. 2023년 $80B의 9배 |
| Anthropic | ≈ $380B | $65B | ≈ 6× | 총액 인식 기준. 순액 환산 시 배수 상승 |
| Nvidia (상장) | ≈ $4.5T | ≈ $385B | ≈ 12× | GM 75%, 순이익률 50%대. PER는 성장률 대비 낮게 형성 |
비상장 수치는 라운드·2차 거래 보도 기준. 정확한 값보다 매출 배수가 급락 중이라는 방향이 핵심. 2025년 OpenAI EV/매출 ≈ 40× → 2026 ≈ 18×. 밸류에이션이 매출을 못 따라가는 게 아니라 매출이 밸류에이션을 따라잡는 중.
| 항목 | SaaS 관행 | 프런티어 랩에서 다른 점 |
|---|---|---|
| 매출 인식 | 구독 ARR | API 종량제 + 구독 혼합. 총액/순액 기준 회사마다 다름. 런레이트 ≠ ARR |
| 매출총이익률 | 75~85% | 추론 컴퓨트가 매출원가. 보도 기준 40~60%. 가격 인하와 추론 모델(토큰 증가)이 양방향 압력 |
| R&D | 매출의 20~30% | 학습 컴퓨트가 R&D. 매출 초과 가능. 자본화 여부에 따라 영업이익 크게 달라짐 |
| 부외 약정 | 거의 없음 | 클라우드 컴퓨트 구매 약정 수백억~천억 달러. 부채처럼 취급해야 함 |
| 해자 | 전환 비용, 네트워크 | 능력 우위는 12~18개월. 지속 해자는 유통(기본 탑재), 데이터, 에이전트 워크플로 락인 |
| 고객 집중 | 분산 | 매출 상당액이 투자자(클라우드)에서 회수되는 순환 구조. 독립 매출 비중 별도 산출 |
| 적정 배수 | EV/ARR 8~15× | 매출총이익률 조정 후 EV/GP로 비교. 2026년 OpenAI 18×·Anthropic 6× 는 GP 기준으로는 더 높음 |
IPO 서류가 나오면 확인 순서: 매출 인식 기준 → 매출원가 정의 → 컴퓨트 약정 → 관계자 매출 비중.
외부 자금 없이 장부 가치와 매출이 동시에 부풀 수 있는 구조. 1999년 통신장비의 벤더 파이낸싱(Lucent, Nortel)과 동일 패턴. 다만 당시와 달리 자금 공급자가 현금 창출 능력이 있는 빅테크라는 점이 차이.
확인할 것: Nvidia 매출 중 자사 투자 고객 비중, 클라우드 매출 중 자사 투자 랩 비중. 공시 압력이 커지는 중.
| 시기 | 무엇에 | 결과 | 지금과의 차이 |
|---|---|---|---|
| 1840년대 영국 | 철도 | 철도 주식 폭락, 다수 회사 파산. 노선은 남아 산업혁명의 동맥이 됨 | 인프라가 100년 감 |
| 1999~2001 | 광섬유·통신 | 깔린 광섬유의 95%가 수년간 "다크 파이버". 이후 유튜브·넷플릭스의 기반 | 광섬유는 20년 감. GPU는 3년 |
| 1999~2000 | 닷컴 | 나스닥 78% 하락. 아마존·구글은 살아남아 세계를 바꿈 | 당시 매출 0인 회사 다수 vs 지금은 $200B 실매출 |
공통 교훈: 기술이 진짜인 것과 자산 가격이 맞는 것은 별개. 둘 다 참일 수 있다. 이번 사이클의 고유 변수는 자산 수명이 짧다는 것. 과잉 투자의 잔존물이 광섬유처럼 남지 않고 감가로 사라질 수 있다.
Nvidia 구매 약정 $279B의 대부분이 메모리. 코스피 반도체 비중은 곧 Nvidia 데이터센터 매출에 대한 레버리지 베타.
리스크: 점유율 하락 추세(64→50%), 삼성·마이크론 HBM4 진입으로 가격 결정력 약화, 사이클 고점 논쟁.
| 강세 | 기본 | 약세 | |
|---|---|---|---|
| 가정 | 매출 연 3× 유지. 에이전트가 기업 워크플로 대체 | 매출 성장 둔화(연 1.5~2×). Capex 2027 정점 후 평탄 | 매출 성장 급감. 감가상각 정책 변경. 신용 이벤트 |
| Capex | 2028 $1.5T+ | 2027 $900B 정점 | 2027부터 감소. 가이던스 하향 |
| Nvidia | GM 유지, Rubin 사이클 재가속 | GM 70% 내외로 정상화, 성장률 둔화 | 재고 조정, 주문 취소. 2022년 게이밍 재고 사이클 재연 |
| 메모리 | HBM 공급 부족 지속 | 2027 HBM4 공급 확대로 가격 정상화 | 범용 DRAM 사이클 하락과 동조 |
| 프런티어 랩 | 2027 흑자 전환 | IPO. 매출 배수 5~8×로 수렴 | 다운라운드. 소규모 랩 통합 |
| 첫 신호 | 2026 Q4 capex 가이던스 상향 | 클라우드 매출 성장 < capex 성장 | GPU 내용연수 단축 공시, 사모채 스프레드 확대 |
확률을 붙이지 않았습니다. 각자의 시각으로 채우는 것이 이 표의 용도입니다.
현재 ≈ 0.4. 2027년 말 0.6 미만이면 약세 시나리오.
매 분기 AWS·Azure·GCP. capex 성장이 2년 연속 매출 성장을 앞서면 경고.
4분기 연속 상회 중. 첫 미달 분기가 사이클 전환 신호.
세대별 지수. 최신 세대 가격이 출시 12개월 내 50% 하락하면 과잉.
빅테크 10-K 각주. 내용연수 단축 시 EPS 즉시 하향.
Oracle·CoreWeave 연계 채권의 유통 수익률. 신용시장이 주식시장보다 먼저 움직인다.
Nvidia·클라우드 매출 중 자사 투자 고객 비중 공시.
총액/순액 기준 통일 여부. IPO 서류가 나오면 첫 확인 대상.
| 기술 사실 | 시장 함의 |
|---|---|
| Chinchilla: 데이터가 병목, 데이터 벽 2026~32 | 학습 capex 성장 둔화 가능. 대신 추론 capex로 이동. 메모리 대역폭 수요 ↑ (HBM 유리) |
| MoE·증류: 프런티어 능력이 12~18개월 뒤 10분의 1 비용 | 모델 자체는 범용재. 마진은 응용·데이터·유통으로. 순수 모델 회사의 배수 하방 |
| 추론 모델: 테스트 타임 컴퓨트 스케일링 | 토큰당 가격은 떨어져도 토큰 수가 폭증. 추론 GPU·전력 수요의 구조적 근거 |
| 어텐션 O(n²) → 하이브리드·SSM | 연산보다 메모리가 병목. Nvidia 약정 $279B가 메모리인 이유 |
| 환각·에이전트 20~40% 실패율 | 고위험 업무 자동화는 아직. 매출 성장이 "보조 도구" 단계에 머물 위험 |
| 전력 수백 MW~GW 클러스터 | 전력·냉각·변압기가 2차 병목. 유틸리티·가스터빈·원전 재평가 |
하이브리드 아키텍처 표준화, 추론 모델의 검증 가능 영역 확대, 에이전트 신뢰성이 최대 과제.
"AI 기능"이라는 말이 사라지고 모든 소프트웨어에 스며듦. 충분히 좋은 모델은 범용재. 마진은 응용과 데이터로 이동.
2027~28년이 capex 대비 매출 검증의 해. 프런티어 랩 IPO가 회계 투명성의 분기점.
EU AI법 본격 적용, 한국 AI기본법 시행. 순환 거래·부외 부채 공시 압력.
예측은 틀립니다. 방향과 확인 지표만 보세요.
기술 쪽이든 시장 쪽이든. 숫자의 출처가 궁금하면 참고 문헌 슬라이드를 함께 보겠습니다. (투자 조언이 아닙니다.)
2026년 9월 12일 · 본 자료의 시장 수치는 공개 보도·공시 기준이며 투자 권유가 아닙니다.