늦게 시작하는 돈공부

  AI 반도체 시장의 절대강자 엔비디아(Nvidia, NVDA) 주가가 고점 대비 조정을 받으면서 시장의 경계심이 커지고 있습니다. 투자자들과 월가 애널리스트들은 이제 단순한 매출 성장 수치를 넘어 "AI 붐이 계속 유지될 것인가?"에 대한 근본적인 답을 원하고 있습니다. 이번 실적 발표 및 경영진 컨퍼런스 콜에서 집중 조명될 핵심 관전 포인트 5가지를 정리했습니다. 📌 핵심 요약 (Key Takeaways) 순환 투자 우려와 5,000억 달러 자금 조달 플랫폼 고성능 메모리(HBM) 가격 상승이 수익성(마진)에 미치는 영향 차세대 AI 칩 '루빈(Rubin)' 공급망 병목 현상 중국 시장향 AI 칩(H200 등) 판매 정상화 여부 AMD 및 빅테크 자체 칩(ASIC) 추격에 따른 시장 점유율 지수 1. 5,000억 달러 자금 조달과 순환 투자 논란 최근 엔비디아가 세계적인 사모펀드 및 투자사(블랙록, 아폴로, KKR 등)와 손잡고 5,000억 달러(약 660조 원) 규모의 AI 인프라 자금 조달 플랫폼 을 구축한다는 소식이 전해졌습니다. 월가에서는 이번 자금 조달 플랫폼의 세부 운용 방식에 주목하고 있습니다. 일각에서는 이러한 형태의 자금 투입이 Past 닷컴 버블 당시의 순환 투자 구조 와 유사하다는 우려를 제기하고 있기 때문입니다. 투자자들은 미국 내 AI 인프라 지출의 '진짜 지속 가능성'에 대해 경영진의 확고한 설명을 기대하고 있습니다. 2. 메모리 가격 상승, 마진 압박으로 이어질까? AI 칩 핵심 부품인 HBM(고대역폭 메모리) 등 메모리 가격이 지속적으로 상승하면서 엔비디아의 마진율 하락 우려가 커졌습니다. 웨드부시(Wedbush)의 시각: 최근 엔비디아가 장기 공급 계약을 체결하고 AI 칩 가격 인상을 단행함에 따라, 백분율 마진율은 다소 흔들릴 수 있어도 절대적인 이익 규모(Absolute Margin)는 2027년까지 견고하게 유지할 것으로 전망했습니다. 3. 차세대 플랫폼 '루빈...

  솔직히 저는 이번 뉴스를 처음 접했을 때 대수롭지 않게 넘겼습니다. 중국산 메모리 허용설이라니, 어차피 루머겠거니 했거든요. 그런데 밤새 뉴욕 증시에서 반도체주가 줄줄이 하락하고, 마이크론이 10% 가까이 밀리는 걸 보면서 생각이 달라졌습니다. 애플이 중국 CXMT와 YMTC의 메모리를 사용할 수 있다는 보도 하나가 글로벌 반도체 시장 전체를 흔들고 있습니다. 그렇다면 이게 정말 확정된 얘기인지, 우리 삼성전자와 SK하이닉스에는 어떤 의미인지 차근차근 짚어보겠습니다. 루머인가, 신호인가 — 보도의 배경 이번 보도의 출발점은 미국의 중소 투자 매체인 스탁 언락(Stock Unlock)과 시킹 알파(Seeking Alpha)였습니다. 월스트리트저널이나 파이낸셜타임즈 같은 메이저 언론은 아직 이 사안을 공식 보도하지 않고 있습니다. 제가 직접 여러 외신을 훑어봤는데, 대형 언론들은 신중하게 침묵하고 있었습니다. 미국 정부의 공식 입장도 마찬가지입니다. 긍정도 부정도 하지 않는 이른바 NCND(Neither Confirm Nor Deny) 정책을 유지하고 있습니다. 여기서 NCND란 공식 확인도 공식 부인도 하지 않는 외교·행정적 태도를 뜻합니다. 쉽게 말해 "우리가 한다고도, 안 한다고도 말 못 하겠다"는 것인데, 이런 태도가 나올 때는 보통 내부에서 무언가 진지하게 논의가 진행 중이라는 신호이기도 합니다. 타이밍도 의미심장합니다. 9월 중 시진핑 국가주석의 방미가 예정된 상황에서 이 보도가 흘러나왔습니다. 미·중 정상회담을 앞두고 외교적 유화 제스처로 애플의 중국산 메모리 조달을 허용하는 방안을 검토 중이라는 내용이 핵심인데, 단순한 기업 간 거래가 아니라 지정학적 계산이 깔린 사안이라는 점에서 저는 그냥 루머로 흘려버리기가 어려웠습니다. 보도에 따르면 애플이 조달을 검토 중인 제품은 CXMT(창신메모리)의 D램과 YMTC(양쯔메모리)의 낸드 플래시입니다. 낸드 플래시(NAND Flash)란 전원이 꺼져도 데이터가 유지되는 비휘발성 메모리 반...

  솔직히 저는 엔비디아를 오랫동안 그냥 '칩 잘 만드는 회사' 정도로만 봤습니다. 그런데 아폴로, 블랙스톤, 골드만삭스 같은 월가 대형 금융사들과 손잡고 5,000억 달러 규모의 AI 인프라 자금 조달 플랫폼을 만들겠다는 발표를 보고서야 이 회사가 향하는 방향이 완전히 다르다는 걸 깨달았습니다. GPU를 파는 것도 모자라 GPU를 살 돈의 흐름까지 직접 설계하겠다는 건데, 이게 단순한 사업 다각화인지 아니면 구조적 위험의 시작인지 짚어볼 필요가 있다고 생각했습니다. AI 인프라, 왜 GPU 한 장으로는 설명이 안 되나 처음에 저는 이 문제를 너무 단순하게 봤습니다. AI 서비스를 운영하려면 GPU를 많이 사면 되는 거 아닌가 싶었는데, 실제 구조를 파고들수록 그렇게 간단한 문제가 아니었습니다. 요즘 쓰이는 프런티어 모델은 가중치(weight) 자체가 워낙 거대해서 GPU 한 장에 올라가지 않습니다. 여기서 가중치란 AI 모델이 학습을 통해 얻은 수십억~수천억 개의 숫자 파라미터를 말합니다. 이걸 여러 GPU에 나눠 싣고 서로 초고속으로 데이터를 주고받아야 하죠. 그래서 GPU 연산 성능만큼이나 GPU 간 통신 속도와 HBM(고대역폭 메모리) 용량이 동시에 중요해집니다. HBM이란 GPU 내부에 적층 방식으로 붙어 있는 고속 메모리로, 일반 DRAM보다 수배 빠른 데이터 전송 속도를 제공합니다. 요즘 널리 쓰이는 MoE(전문가 혼합 모델)는 구조가 더 복잡합니다. MoE란 입력 토큰마다 전체 모델이 아닌 일부 '전문가' 네트워크만 선택적으로 활성화해 계산량을 줄이는 방식입니다. 그런데 전문가들이 여러 GPU에 분산돼 있어서 토큰마다 해당 전문가가 있는 GPU로 중간 데이터를 보내고 다시 받아와야 합니다. 연산량은 줄지만 통신 부담은 그대로 남는 구조입니다. 여기에 KV 캐시(Key-Value Cache) 문제가 더해집니다. KV 캐시란 긴 대화나 문서를 처리할 때 이전 계산 결과를 GPU 메모리에 보관해두는 임시 저장소입니다. 사용...