2026년 6월 16일 화요일

생각정리 284 (* AI optical supply chain)

그동안 머릿속으로만 대략 그려두었던 AI optical supply chain에 대한 생각을 정리할 겸 글로 남겨본다.

이번 글에서는 그 광기술의 핵심 소재인 InP를 출발점으로, substrate에서 epi-wafer, laser/device, module, system/platform으로 이어지는 밸류체인을 차례대로 살펴보려 한다.

AI 인프라의 숨은 병목, InP 공급망에서 누가 가장 많은 이익을 가져갈까

데이터센터 내부에서 폭증하는 데이터를 빠르게 이동시키려면 전기 신호만으로는 한계가 있다. 결국 더 많은 구간에서 빛을 활용해야 하고, 이 과정에서 광통신 부품의 핵심 소재인 인듐인, InP의 중요성이 커지고 있다.

InP는 전기 신호와 광 신호를 상호 변환하는 데 적합한 화합물 반도체 소재다. AI 데이터센터에서는 광트랜시버, 레이저, 광링크, 향후 CPO와 광엔진까지 연결되는 핵심 기반으로 쓰인다. 특히 NVIDIA와 hyperscaler가 데이터센터 내부 연결을 더 고속화하고, 더 낮은 전력으로 처리하려는 흐름 속에서 InP 공급망은 점점 더 중요한 병목으로 부각되고 있다.

그런데 이 공급망을 단순히 “InP 기판이 부족하니 기판 업체가 가장 많이 번다”로 해석하면 핵심을 놓칠 수 있다. 실제 이익이 어디에 쌓이는지는 밸류체인을 단계별로 나눠 봐야 한다.

큰 구조는 다음과 같다.

InP substrate → Epi-wafer → Laser / Device fabrication → Module fabrication → System / Platform

상위 upstream일수록 과점 구도는 명확하다. 하지만 과점이 곧바로 초고마진을 의미하지는 않는다. 오히려 구조적으로 더 높은 이익률과 가격결정력을 가져갈 수 있는 구간은 고사양 epi-wafer와 laser/device fabrication일 가능성이 높다. 다만 여기서도 마진율과 영업이익 절대금액은 구분해야 한다.

1. InP substrate: 가장 강한 과점, 그러나 Capex 부담도 가장 크다

가장 upstream에 있는 것은 InP substrate다. 단결정 성장 후 절단·연마해 만든 기판으로, 그 위에 epi layer를 성장시키기 전 단계의 소재다.

이 시장은 매우 과점적이다. 공개 보도 기준으로는 AXT와 Sumitomo Electric이 글로벌 InP substrate 제조의 약 80%를 차지하고, JX Advanced Metals가 약 10% 수준으로 언급된다. 즉, 세 회사가 글로벌 공급의 대부분을 장악하고 있다고 볼 수 있다. [1]

기업별로 보면 Sumitomo Electric은 InP substrate에서 가장 중요한 일본 공급사다. 일부 물량은 내부적으로 소비하는 것으로 알려져 있어 외부 merchant 시장에서는 공급 부족이 더 심하게 느껴질 수 있다.

Sumitomo Electric

AXT는 Coherent의 주요 공급망으로 언급되는 핵심 substrate 업체다. 다만 중국 생산 기반이 크기 때문에 중국의 InP 수출통제와 허가 지연 리스크에 노출돼 있다.

AXT

JX Advanced Metals는 Lumentum의 핵심 공급망으로 거론되며, 최근 공격적인 증설을 발표했다.

JX Advanced Metals

JX는 InP 기판 생산능력을 2025년도 대비 7~10배로 확대하기 위해 향후 4년간 최대 1,200억 엔의 추가 투자를 추진하겠다고 밝혔다. 기존 발표 투자까지 포함하면 InP 관련 총 투자 규모는 약 1,500억 엔 수준이다. 회사는 고객사 증산 요청이 기존 전망을 크게 웃돈다고 설명했고, 동시에 가격 현실화도 추진하겠다고 밝혔다. [2]

이 발표는 JX의 InP 사업이 단순 소재 사업에서 회사의 새로운 수익 축으로 올라가는 전환점이다. 다만 substrate 업체의 이익 구조를 볼 때 한 가지 주의할 점이 있다. 과점이 강하다고 해서 항상 초고마진이 보장되는 것은 아니다.

InP substrate는 결정 성장, 품질 안정성, defect control, 직경 확대, 수율 관리가 핵심이다. 고객 입장에서는 qualification이 어렵기 때문에 공급사를 쉽게 바꾸기 어렵다. 하지만 한 번 장기공급계약 구조가 잡히면 가격은 고객과의 협상, 물량, 수율, 가동률에 의해 결정된다. 대규모 Capex가 먼저 들어가고, 고객들은 공급 안정성을 위해 dual sourcing을 추진한다.

AXT의 사례도 이를 보여준다. AXT는 InP substrate 병목의 핵심 축으로 언급되지만, FY2025 기준 gross margin은 12.7%에 그쳤고 순손실을 기록했다. 공급부족의 중심에 있는 upstream 업체라고 해서 곧바로 높은 OPM을 누리는 구조는 아니라는 뜻이다. [3]

따라서 substrate 업체는 이번 cycle에서 확실히 수혜를 보겠지만, 이익률 측면에서는 downstream의 고부가 공정보다 제한적일 수 있다. JX와 AXT의 투자 포인트는 초고마진보다 물량 증가와 가격 현실화에 따른 영업이익 절대금액 증가에 가깝다.

2. Epi-wafer: 고객별 recipe와 수율이 만드는 고마진 구간

InP substrate 다음 단계는 Epi-wafer다. 이 단계에서는 InP 기판 위에 InGaAsP, InAlAs, InGaAs 등 다양한 화합물 반도체 층을 성장시킨다. 겉으로 보면 substrate 위에 막을 올리는 공정이지만, 실제로는 고객별 소자 구조와 수율을 결정하는 고부가 공정이다.

대표적인 제품은 LD epi-wafer, DFB/LD epi-wafer, PD/APD epi-wafer 등이다. 광통신용 레이저와 포토다이오드 성능은 epi layer의 두께, 조성, doping profile, 균일도, 결함 수준에 크게 좌우된다. 이 때문에 epi-wafer 업체는 단순 소재 업체라기보다 고객 맞춤형 recipe와 수율을 제공하는 기술 공급자에 가깝다.

LMOC는 이 구조를 잘 보여주는 사례다. LMOC는 GaAs와 InP 기반 epitaxial wafer를 광통신, 산업용, 특수 목적 시장에 공급하는 업체다. 회사 제품군에는 data center용 DFB epi-wafer, VCSEL epi-wafer, high power CW laser epi-wafer, Silicon Photonics epi-wafer, GaAs PD epi-wafer 등이 포함된다. [4]

LMOC

LMOC의 LD epi-wafer gross margin은 60%에 육박한다. 컨센서스 기준으로도 LMOC의 EBIT margin은 2026년 이후 40%대 중후반까지 올라가는 구조가 제시된다. 이는 epi-wafer가 단순 소재가 아니라 고객 인증, recipe, 수율, 장기 공급관계가 결합된 고부가 공정임을 보여준다.

왜 epi-wafer는 이렇게 높은 마진을 가질 수 있을까. 이유는 세 가지다.

첫째, 고객별 recipe가 다르다. 동일한 InP substrate를 쓰더라도 최종 고객이 원하는 레이저 성능, 파장, 출력, 신뢰성 조건에 따라 epi 구조가 달라진다.

둘째, 수율이 곧 고객의 원가다. epi-wafer 품질이 불안정하면 device fabrication 단계에서 불량이 커진다. 고객은 단가보다 신뢰성과 반복성을 더 중요하게 본다.

셋째, switching cost가 높다. 한 번 특정 epi-wafer로 device qualification을 완료하면 공급사를 바꾸기 어렵다. 이 구조가 가격 방어력으로 이어진다.

여기서 중요한 변화가 있다. 지금까지는 InP substrate 자체가 부족해 epi-wafer 업체들이 주문을 충분히 소화하지 못했다. 하지만 JX, AXT, Coherent 등이 상위 wafer·substrate capa를 늘리면 상황이 달라진다. upstream 병목이 풀리면 epi-wafer 업체는 더 많은 wafer를 받아 더 많은 고부가 제품을 출하할 수 있다.

따라서 단기 1~2년 이익률 관점에서는 epi-wafer 업체가 가장 매력적일 수 있다. 특히 LMOC, VPEC, IQE처럼 InP epi-wafer에 강점을 가진 업체는 substrate 공급 완화의 직접 수혜를 볼 가능성이 높다.

3. Epi-wafer도 용도에 따라 부가가치가 다르다

다만 Epi-wafer를 하나의 시장으로만 묶어 보면 중요한 차이를 놓치기 쉽다. Epi-wafer도 어느 용도에 쓰이는지에 따라 부가가치가 크게 달라진다. 특히 AI 데이터센터와 Silicon Photonics 관점에서는 LD epi-wafer, 그중에서도 SiPh LD, C-DFB, EML, CW laser source용 epi-wafer가 가장 직접적인 고부가 라인으로 볼 수 있다.

LMOC와 VPEC의 차이가 이를 잘 보여준다. 두 회사 모두 III-V compound semiconductor epi-wafer 업체로 묶을 수 있지만, 제품 믹스의 중심축은 다르다. LMOC는 광통신용 LD/PD epi-wafer, 특히 LD와 SiPh LD 쪽 색깔이 더 강한 회사다. 회사 제품군에는 DFB epi-wafer, high power CW laser epi-wafer, Silicon Photonics epi-wafer, GaAs PD epi-wafer 등이 포함된다. 적용처도 data center와 optical communication에 직접 연결된다. [4]

LMOC

반면 VPEC는 RF microelectronics epi-wafer에서 출발해 optoelectronics로 확장한 더 넓은 범위의 III-V epi foundry에 가깝다. VPEC는 GaAs HBT, pHEMT, BiHEMT, InP HBT/HEMT, GaN epi-wafer 같은 RF·무선통신용 제품군을 보유하고, optoelectronics 쪽에서는 DFB LD, VCSEL, GaAs PD, InGaAs PD/APD, long wavelength InGaAs PD 등을 공급한다. 따라서 VPEC는 AI 데이터센터 광통신 수혜도 있지만, 기본적으로는 RF 회복과 광통신 성장을 함께 타는 혼합형 epi foundry로 보는 편이 맞다. [5]

VPEC

이 차이는 투자에 있어서도 중요하다. LMOC는 SiPh/AI 데이터센터용 external laser source에 직접 연결된 LD epi-wafer pure play에 가깝고, VPEC는 RF HBT/pHEMT 회복과 optoelectronics 성장의 복합 수혜주에 가깝다.

특히 Silicon Photonics 구조에서는 silicon die 안에 수동소자와 변조기, 도파로가 통합되더라도 광원은 여전히 InP 기반 external laser가 필요한 경우가 많다. 이 때문에 LMOC의 SiPh LD, C-DFB, EML, high-speed LD epi-wafer는 AI optical supply chain에서 더 직접적인 고부가 제품으로 평가할 수 있다.

PD/APD도 별도로 구분해야 한다. 일반적인 광통신 밸류체인에서는 LD가 PD보다 평균적으로 고부가 제품이다. LD는 능동 광원으로, 파장 안정성, 출력, threshold current, slope efficiency, 신뢰성 조건이 모두 중요하고 epitaxy 품질 민감도도 높다. 반면 단순 PIN PD나 범용 GaAs PD는 상대적으로 저부가 제품에 가깝다.

다만 APD, coherent PD, 고속 InGaAs PD, LiDAR용 APD는 고감도 수신과 장거리 전송에 필요하기 때문에 부가가치가 올라간다. 따라서 “PD 전체가 저부가”라는 접근보다는 제품별로 나눠 보는 편이 정확하다.

결국 Epi-wafer 시장에서도 제품별 이익률은 다르게 봐야 한다. SiPh LD / CW laser source / DFB / EML용 LD epi-wafer가 가장 고부가 축, APD와 고속 InGaAs PD가 중상위 부가가치 축, 범용 PD와 기타 optical epi-wafer는 상대적으로 낮은 부가가치 축으로 나눠 보는 것이 합리적이다.

따라서 AI 데이터센터와 Silicon Photonics 수혜를 모델링할 때는 단순히 “Epi-wafer 매출”로 묶기보다, LD epi-wafer 중심의 성장률과 마진을 더 높게, PD/APD는 제품별로 차등화된 성장률과 마진을 적용하는 편이 더 정확하다.

4. Laser / Device fabrication: 구조적 profit pool이 가장 커질 가능성이 높은 구간

Epi-wafer 다음은 Laser / Device fabrication이다. 이 단계에서는 epi-wafer를 기반으로 DFB laser, EML, CW laser, UHP laser, photodiode, modulator 등 실제 광소자를 만든다.

AI 데이터센터 고객이 최종적으로 필요로 하는 것은 기판이나 epi-wafer 자체가 아니다. 고객이 원하는 것은 검증된 레이저, 안정적인 광링크, 대량 양산 가능한 optical engine이다. 따라서 밸류체인에서 실제 profit pool은 시간이 갈수록 device fabrication 쪽으로 더 많이 이동할 가능성이 높다.

Lumentum은 이 구간에서 가장 중요한 구조적 수혜주로 볼 수 있다. 회사는 AI 데이터센터용 첨단 레이저 생산을 위해 미국 내 신규 제조시설을 발표했고, 이 시설은 6-inch InP wafer를 활용해 mid-2028부터 ramp될 예정이다. NVIDIA가 해당 시설의 고객으로 언급된 점도 중요하다. [6]

Lumentum

Lumentum의 FY2026 4분기 가이던스는 매출 9.6억~10.1억 달러, non-GAAP operating margin 35~36%로 제시됐다. 이 숫자는 Lumentum이 단순 optical component 업체가 아니라, AI 광인터커넥트 병목을 제품화할 수 있는 고마진 laser/device supplier로 재평가되는 구간에 들어섰음을 보여준다. [7]

Coherent도 비슷한 방향으로 움직이고 있다. Coherent는 미국 텍사스 Sherman에서 세계 최초의 150mm InP manufacturing line 확장 프로젝트를 진행 중이며, 목적은 InP devices를 scale 생산하는 것이다. 이는 단순히 substrate를 더 많이 사는 문제가 아니라, 더 큰 직경의 InP wafer를 활용해 device fab의 생산성과 수율을 높이려는 전략이다. [8]

coherent

결국 laser/device fab의 경쟁력은 네 가지로 요약된다.

고객 인증, 양산 수율, 신뢰성 데이터, 그리고 hyperscaler/NVIDIA 생태계와의 연결성이다.

이 네 가지가 결합되면 가격결정력은 substrate보다 더 강해질 수 있다. substrate는 공급이 늘면 가격 상승률이 둔화될 수 있지만, 검증된 laser/device는 AI 네트워크 architecture 안에 들어가는 순간 switching cost가 더 커진다.

따라서 중장기 3~5년 관점에서는 Lumentum과 Coherent 같은 laser/device fab 업체가 가장 큰 영업이익 절대금액을 가져갈 가능성이 높다.

5. Module fabrication: 물량은 크지만 경쟁도 강하다

다음 단계는 Module fabrication이다. 여기서는 laser, photodiode, driver IC, DSP, optical engine 등을 조립해 transceiver나 optical module로 만든다.

AI 데이터센터에서는 800G, 1.6T, 향후 3.2T로 넘어가는 과정에서 optical module 수요가 빠르게 증가한다. 따라서 시장 규모만 보면 module 단계도 매우 크다. 다만 이 구간은 상대적으로 경쟁이 심하다.

Module 업체는 물량 성장의 수혜를 크게 받는다. 하지만 단순 조립과 통합 중심의 module business는 고객의 가격 압력이 강하다. hyperscaler와 시스템 업체는 여러 module supplier를 병렬로 운영하려 하기 때문에 장기적으로는 마진 방어가 쉽지 않다.

물론 예외는 있다. 단순 transceiver 조립을 넘어 CPO, optical engine, advanced packaging, co-design 영역으로 들어가는 업체는 더 높은 이익률을 확보할 수 있다. Coherent와 Lumentum이 단순 module 업체와 다르게 평가받는 이유도 여기에 있다. 두 회사는 module을 만들 수 있을 뿐 아니라, 그 안에 들어가는 laser/device 핵심 기술을 직접 보유하고 있다.

따라서 module fabrication은 매출 성장성은 크지만, 구조적 이익포착력은 laser/device fab보다 낮다고 보는 것이 합리적이다.

6. System / Platform: 최종 수요를 결정하는 지배자

마지막 단계는 System / Platform이다. 여기에는 NVIDIA, hyperscaler, 네트워크 장비 업체, 클라우드 사업자가 들어간다.

cisco

ciena

nokia

Marvell

NVIDIA

Broadcom

이 구간은 InP 공급망 전체의 수요를 결정한다. 어떤 속도의 광링크가 필요한지, copper에서 optical로 얼마나 빠르게 전환할지, CPO를 언제 도입할지, optical engine을 어디까지 내부화할지를 결정하는 주체가 system/platform이다.

다만 이 글의 초점은 InP 공급망 내에서 누가 구조적으로 이익을 포착하느냐이므로, platform 업체는 최종 수요를 결정하는 상위 지배자로 보고 넘어가는 것이 맞다. NVIDIA와 hyperscaler가 광통신 투자를 늘릴수록 InP substrate, epi-wafer, laser/device, module의 수요는 순차적으로 증가한다. 그러나 이익률과 주가 탄력은 각 단계별 병목 강도와 경쟁 구도에 따라 달라진다.

7. 단계별 OPM으로 본 구조적 이익포착력

이제 핵심 질문으로 넘어가 보자. InP 공급망에서 누가 구조적으로 더 많은 이익을 가져갈까.

정리해놓고 보면 판단은 명확하다. InP substrate 과점 업체보다, 그 아래의 고사양 epi-wafer와 laser/device fab 업체가 구조적으로 더 많은 이익을 가져갈 가능성이 높다. 다만 여기서 반드시 구분해야 할 것이 있다. 마진율과 영업이익 절대금액은 다르다.

Substrate 업체는 과점 구조가 가장 강하다. 하지만 JX의 1,200억 엔 투자, AXT의 capa 확대, Coherent의 150mm InP line 증설처럼 대규모 투자가 동시에 진행되면, 장기적으로는 공급부족 프리미엄이 완화될 수 있다. 이 경우 substrate 업체는 출하량 증가로 이익은 늘겠지만, 마진율은 일정 수준에서 안정화될 가능성이 높다.

반대로 epi-wafer 업체는 upstream 공급부족이 완화될 때 오히려 생산량을 늘릴 수 있다. LMOC의 LD epi-wafer처럼 제품 mix가 좋고 고객 qualification이 깊게 들어간 제품은 높은 gross margin을 유지할 수 있다. 이 구간은 단기적으로 가장 높은 마진율을 보여줄 수 있다.

하지만 가장 큰 구조적 profit pool은 laser/device fab에서 만들어질 가능성이 높다. Lumentum과 Coherent는 단순히 wafer를 가공하는 업체가 아니라, AI 데이터센터 고객이 실제로 필요로 하는 레이저와 광소자를 공급한다. NVIDIA와 hyperscaler가 원하는 것은 검증된 InP substrate 그 자체보다, 안정적으로 작동하는 고출력·고신뢰성 optical link다.

이 차이가 이익률의 차이를 만든다.

8. 병목이 풀릴수록 누가 더 좋아질까

지금 InP 공급망에서는 특이한 일이 동시에 벌어지고 있다. AXT, JX Advanced Metals, Coherent가 모두 상위 wafer·substrate·device capa를 빠르게 늘리고 있다. JX는 InP substrate capa를 2025년도 대비 7~10배로 확대하겠다고 발표했고, Coherent는 150mm InP manufacturing line을 확장하고 있으며, AXT도 InP substrate 공급 확대의 핵심 축으로 거론된다. [2][3][8]

이 변화는 downstream에 중요한 의미를 가진다.

지금까지는 InP substrate 부족이 epi-wafer, device fab, module까지 연쇄적으로 병목을 만들었다. 기판이 부족하면 epi-wafer를 만들 수 없고, epi-wafer가 부족하면 laser/device 출하가 제한되며, 결국 module 업체도 주문을 다 채우지 못한다.

그러나 upstream 공급이 늘어나면 병목은 순차적으로 아래로 이동한다.

이 구간에서 가장 중요한 질문은 “공급부족이 풀리면 누가 매출을 가장 크게 늘릴 수 있는가”다. substrate 업체는 당연히 물량이 늘어난다. 하지만 동시에 고객들은 공급 안정성을 확보하기 위해 복수 공급망을 더 강하게 요구할 것이다. 가격은 오르더라도 무한정 오르기는 어렵다.

반면 epi-wafer와 laser/device 업체는 그동안 원재료 부족 때문에 못 만들던 제품을 더 많이 만들 수 있다. 특히 Lumentum처럼 이미 고객 수요가 강하고, 신규 6-inch InP 기반 생산시설을 준비하는 업체는 upstream 병목 완화가 곧 매출과 이익 증가로 이어질 수 있다. Coherent도 자체 150mm InP device line을 통해 더 큰 wafer size, 더 높은 수율, 더 많은 device output을 추구하고 있다.

따라서 병목 해소 이후의 승자는 단순히 기판을 가장 많이 가진 회사가 아닐 수 있다. 오히려 기판 부족이 풀렸을 때 더 많은 고부가 제품을 출하할 수 있는 회사가 더 큰 이익을 가져갈 가능성이 높다.

9. 최종 투자 관점

InP 공급망을 투자 관점에서 정리하면 다음과 같다.

첫째, upstream 병목에 직접 노출되고 싶다면 JX, AXT, Sumitomo가 핵심이다. 이들은 InP substrate 공급부족의 직접 수혜자다. 특히 JX는 대규모 증설과 가격 현실화 요청으로 earnings upgrade 가능성이 커졌다. 다만 대규모 Capex와 고객 가격 협상력을 함께 고려해야 한다.

둘째, 마진율을 보고 접근한다면 LMOC, VPEC, IQE 같은 epi-wafer 업체가 더 매력적이다. 고객별 recipe, qualification, 수율 안정성 때문에 이 구간은 높은 가격 방어력을 가질 수 있다. 그중에서도 LMOC는 SiPh/AI 데이터센터용 LD epi-wafer 노출도가 높고, VPEC는 RF microelectronics와 optoelectronics를 함께 가진 혼합형 epi foundry로 봐야 한다.

셋째, 구조적 profit pool과 영업이익 절대금액을 본다면 Lumentum과 Coherent가 더 중요하다. 이들은 AI 데이터센터가 실제로 필요로 하는 laser/device를 공급하는 기업이다. substrate와 epi-wafer 공급이 늘어날수록 이들의 생산 병목이 풀리고, 더 많은 고부가 제품 출하로 이어질 수 있다.

결론적으로, 단기적으로는 epi-wafer, 중장기적으로는 laser/device fab이 가장 매력적인 이익포착 구간이라고 본다. InP substrate 업체들은 이번 cycle의 출발점이자 필수 병목이지만, 최종적으로 가장 큰 이익이 쌓이는 곳은 고객이 실제로 돈을 지불하는 고성능 laser/device 구간일 가능성이 높다.

따라서 InP 공급망에서 구조적 수혜를 순서대로 정리하면 다음과 같다.

단기 마진율: LMOC, VPEC, IQE

중장기 영업이익 절대금액: Lumentum, Coherent

upstream 병목 순수 노출: JX Advanced Metals, AXT, Sumitomo Electric

이 구도가 앞으로 2~3년 동안 AI optical supply chain에서 가장 중요한 투자 프레임이 될 가능성이 높다.

=끝

생각정리 283 (* AI Factory Networks)

광학인터커넥팅에 대해 추가 리서치를 이어나가본다.

AI Factory 시대의 광통신: 더 많은 데이터가 더 가까운 곳에서, 더 빠르게 움직이는 구조

AI Factory가 커질수록 가장 중요한 과제 중 하나는 데이터 이동이다. 수십만 개의 GPU가 하나의 거대한 시스템처럼 동작하려면 GPU와 GPU, 서버와 서버, 데이터센터와 데이터센터 사이에서 막대한 양의 데이터를 끊임없이 주고받아야 한다.

특히 Agentic AI와 대규모 추론 워크로드가 확산될수록 네트워크를 통해 이동하는 데이터량은 더 빠르게 증가한다. 여러 AI 에이전트가 서로 작업을 나누고, 외부 도구를 호출하고, 메모리를 검색하고, 결과를 다시 종합하는 과정이 반복되기 때문이다.

이 과정에서 핵심은 데이터를 얼마나 빠르고, 안정적으로, 낮은 지연시간으로 이동시키는가이다. AI 데이터센터의 핵심 인프라는 GPU, 전력, 냉각과 함께 광통신 네트워크로 확장되고 있다.

광통신을 쉽게 이해하는 방법

광통신은 빛으로 데이터를 보내는 기술이다. 전기 신호를 빛으로 바꾸고, 이 빛을 광섬유를 통해 보낸 뒤, 다시 전기 신호로 바꾸는 구조이다.

쉽게 비유하면 다음과 같다.

AI 데이터센터에서 해결해야 할 문제는 세 가지로 압축된다.

첫째, 한 포트당 속도를 높여야 한다.
둘째, 하나의 광섬유 안에 더 많은 데이터를 넣어야 한다.
셋째, 광섬유 자체를 더 많이 써야 한다.

이 세 가지가 동시에 진행되면서 광통신 산업의 수혜 범위가 넓어지고 있다.

AI 데이터센터 네트워크는 세 구간으로 나뉜다

AI 데이터센터의 광통신 수요는 크게 Scale-Up, Scale-Out, Scale-Across로 나눠 볼 수 있다. GlobalFoundries가 제시한 구분도 이 구조를 잘 보여준다.

Scale-Up은 가장 가까운 거리의 연결이다. GPU가 많아질수록 GPU끼리 더 빠르게 데이터를 주고받아야 한다. 이 구간에서는 지연시간이 매우 중요하다. 작은 지연도 전체 AI 클러스터 성능에 영향을 줄 수 있다.

Scale-Out은 데이터센터 내부에서 서버와 스위치, 랙과 랙을 연결하는 구간이다. 여기서는 포트 속도와 광섬유 수가 중요하다. 400G에서 800G, 1.6T, 3.2T로 넘어가는 흐름이 이 구간에서 나타난다.

Scale-Across는 데이터센터 간 연결이다. AI 클러스터가 여러 데이터센터로 확장되면 데이터센터 간에도 대용량 통신이 필요해진다. 이때는 장거리 전송에 강한 coherent optics, DWDM, WSS, multi-rail 장비가 중요해진다.

Pluggable: 교체성과 표준화가 강한 광모듈

Pluggable 광모듈은 서버나 스위치 앞단에 꽂아서 쓰는 광모듈이다. 문제가 생기면 모듈만 교체할 수 있고, 표준화도 잘 되어 있어 운영이 쉽다. 400G, 800G, 1.6T 광모듈 수요는 AI 데이터센터 확산과 함께 계속 중요해지고 있다.

속도가 올라갈수록 스위치 ASIC에서 광모듈까지 전기 신호가 이동하는 거리가 부담으로 작용한다. 전기 신호가 길게 이동하면 전력 손실, 발열, 신호 품질 저하가 함께 커진다. 데이터가 빛으로 바뀌기 전까지 전기 신호로 이동하는 거리를 줄이는 것이 중요해진다.

이 문제를 줄이기 위해 등장한 구조가 NPO와 CPO이다.

NPO와 CPO: 광엔진을 칩 가까이 가져가는 구조

NPO는 Near-Packaged Optics이다. 광엔진을 스위치 ASIC 가까이에 배치하는 구조이다. 광엔진이 칩에 가까워지면 전기 신호가 이동하는 거리가 줄어든다.

CPO는 Co-Packaged Optics이다. 광엔진을 스위치 ASIC과 같은 패키지 수준까지 더 가깝게 붙이는 구조이다. NPO보다 더 적극적인 통합 방식이다.

두 기술의 방향은 같다. 전기 신호 이동 거리를 줄이고, 더 낮은 전력으로 더 많은 데이터를 보내는 것이다.

CPO는 수율, 수리성, 열관리, 표준화가 함께 중요해지는 구조이다. 광엔진을 고가의 ASIC 가까이에 붙이기 때문에 패키징 난도와 운영 방식도 함께 바뀐다. 이에 따라 당분간은 pluggable, NPO, CPO가 함께 쓰이는 혼합 구조가 이어질 가능성이 높다.

Lumentum이 언급한 것처럼 hyperscaler마다 출발점도 다르다. 어떤 고객은 pluggable과 OCS 중심 접근을 선호하고, 어떤 고객은 NPO를 먼저 검토하며, 또 다른 고객은 merchant CPO solution을 활용하려 한다. 장기적으로는 silicon photonics, ring modulator, DWDM 기반 구조로 수렴할 가능성이 높다.

https://uiyeonassociation.blogspot.com/2026/05/258-optical-interconnect-3-cpo.html

DWDM: 하나의 광섬유 안에 더 많은 데이터를 넣는 기술

AI 데이터센터에서 가장 중요한 변화 중 하나는 DWDM의 중요성 확대이다.

DWDM은 Dense Wavelength Division Multiplexing의 약자이다. 하나의 광섬유 안에 서로 다른 파장의 빛을 여러 개 넣는 기술이다.

https://ko.oadm-cwdm-dwdm.com/info/dwdm-network-technology-92915204.html

도로로 비유하면 하나의 도로 안에 여러 색깔의 차선을 촘촘히 까는 방식이다. 차선이 많아질수록 같은 도로에서도 더 많은 차가 동시에 지나갈 수 있다. DWDM도 마찬가지이다. 같은 광섬유 안에 더 많은 파장을 넣어 fiber당 데이터 전송량을 늘린다.

이 기술이 중요한 이유는 데이터센터 안의 공간 제약 때문이다. 케이블을 깔 수 있는 공간은 랙, 트레이, 패널, 덕트, 냉각 구조와 함께 제한된다. 산업은 이 제약을 풀기 위해 두 가지를 동시에 추구한다.

하나는 광섬유 수를 늘리는 것이다.
다른 하나는 광섬유 한 가닥당 처리량을 높이는 것이다.

DWDM은 두 번째 해법이다. 특히 NPO와 CPO에서는 광엔진이 칩 가까이 이동하기 때문에, 한정된 공간에서 더 많은 데이터를 보내는 능력이 중요해진다.

Lumentum이 comb laser보다 DWDM을 더 현실적인 접근으로 본 것도 이 맥락이다. Comb laser는 하나의 레이저에서 여러 파장을 만들어내는 방식이다. 기술적으로 매력적이지만 실제 시스템에서는 광소자를 통과할 때 손실과 안정성 문제가 생길 수 있다. DWDM은 서로 다른 주파수의 레이저를 조합하는 방식이어서 양산 관점에서 더 현실적인 선택지가 될 수 있다.

Microring modulator: 빛을 작고 빠르게 조절하는 부품

CPO와 NPO에서 자주 나오는 용어가 microring modulator이다. 이름은 어렵지만 역할은 비교적 단순하다.

Modulator는 데이터를 빛에 실어주는 장치이다. 전기 신호를 받아서 빛의 상태를 바꾸고, 그 변화에 데이터를 담는다. Microring modulator는 아주 작은 링 구조를 이용해 빛을 조절하는 방식이다.

CPO와 NPO에서 자주 나오는 microring modulator는 silicon modulator의 대표적인 구현 방식 중 하나.

Silicon photonics에서 전기 신호를 빛에 실어주는 modulator는 MZM, MRM(*microring modulator) 등으로 구현될 수 있는데, 그중 MRM은 작은 링 공진기를 이용해 빛을 빠르고 효율적으로 조절함

https://uiyeonassociation.blogspot.com/2026/05/258-optical-interconnect-3-cpo.html

이 기술이 주목받는 이유는 작은 면적, 낮은 전력, silicon photonics와의 높은 호환성이다. CPO에서는 광엔진이 ASIC 가까이에 붙기 때문에 면적과 전력이 특히 중요하다. 같은 공간 안에 더 많은 광소자를 넣어야 하기 때문이다.

GlobalFoundries가 microring modulator와 DWDM, silicon photonics를 함께 강조하는 이유가 여기에 있다. AI 데이터센터의 광통신 병목은 광모듈 조립 영역을 넘어 반도체 파운드리와 패키징 기술의 영역으로 확장되고 있다.

GF's

Silicon photonics: 빛을 다루는 반도체 플랫폼

Silicon Photonics는 실리콘 기반 반도체 공정 위에 waveguide, modulator, resonator, photodetector 등 광소자를 집적하는 기술 플랫폼이다.

이 플랫폼을 통해 만들어지는 PIC는 EIC, laser, driver, TIA, packaging 기술과 결합되면서 optical engine이나 optical transceiver로 구현된다.

기존 pluggable transceiver에서는 이 기능이 독립 모듈 안에 들어가지만, CPO 구조에서는 optical engine이 ASIC 가까이에 배치되면서 패키지 내부의 일부로 통합된다.

따라서 Silicon Photonics는 특정 제품명이라기보다, 광트랜시버와 CPO 광엔진을 가능하게 하는 핵심 제조 플랫폼에 가깝다.

아래 그림 silicon photonics를 실리콘 칩 위에 광학 부품을 통합해 기존 전기 신호 대신 빛으로 데이터를 전송하는 기술로 설명한다. silicon waveguide, silicon modulator, silicon resonator, germanium photodetector, InP laser 같은 요소가 여기에 포함된다. 궁극적으로는 PIC와 EIC 기능을 실리콘 기반 칩 위에 더 많이 통합하는 방향을 지향한다.

https://uiyeonassociation.blogspot.com/2026/05/258-optical-interconnect-3-cpo.html

LandMark Optoelectronics Corporation

볼때마다 헷갈리는 용어정리..

Coherent optics: 데이터센터 간 연결의 핵심 기술

데이터센터 내부 연결과 데이터센터 간 연결은 요구 조건이 다르다. 데이터센터 내부는 거리가 짧고, 데이터센터 간 연결은 수십 km, 수백 km, 경우에 따라 1,000km 이상까지 확장될 수 있다.

이때 필요한 것이 coherent optics이다.

Coherent optics는 고성능 광통신 모뎀에 가깝다. 빛의 세기뿐 아니라 위상과 편광까지 활용해 데이터를 보낸다. 이를 통해 같은 광섬유에서 더 많은 데이터를 더 멀리 보낼 수 있다.

https://blog.viavisolutions.com/2020/05/01/the-emergence-of-400g-pluggable-coherent-optics-your-questions-answered-2/

AI Factory가 여러 지역으로 분산되면 Scale-Across 수요가 늘어난다. 여러 데이터센터를 하나의 거대한 AI 클러스터처럼 연결해야 하기 때문이다.

이 구간에서는 400ZR, 800ZR, 1.6T ZR/ZR+ 같은 coherent pluggable이 중요해진다. Marvell, Ciena, Cisco/Acacia, Nokia/Infinera, Coherent 같은 기업들이 이 영역에서 중요한 이유이다.

WSS와 ROADM: 파장별로 길을 바꾸는 장치

DWDM을 쓰면 하나의 광섬유 안에 여러 파장의 빛이 들어간다. 이때 각각의 파장을 어느 방향으로 보낼지 결정하는 장치가 필요하다.

여기서 필요한 장치가 WSS이다. WSS는 Wavelength Selective Switch의 약자이다. 특정 파장의 빛을 골라 원하는 방향으로 보내는 장치이다.

쉽게 말해, WSS는 광 네트워크의 신호등이다. 빨간 파장은 A 데이터센터로 보내고, 파란 파장은 B 데이터센터로 보내고, 초록 파장은 그대로 통과시키는 식이다.

ROADM은 Reconfigurable Optical Add-Drop Multiplexer이다. 이름은 어렵지만 역할은 광 네트워크를 유연하게 재구성하는 장비이다. 특정 파장을 중간 지점에서 내리거나, 새로 태우거나, 다른 경로로 보낼 수 있게 한다.

AI 데이터센터 간 연결이 복잡해질수록 WSS와 ROADM의 중요성은 커진다. 수많은 파장과 경로를 자동으로 관리해야 하기 때문이다.

https://ko.oadm-cwdm-dwdm.com/wdm-transport-platform/9-dimensional-wss-roadm-dwdm-otn-platform.html

Multi-rail: 여러 광섬유 레일을 한 번에 운영하는 구조

최근 Nokia와 Ciena가 강조하는 개념 중 하나가 multi-rail이다.

Multi-rail을 쉽게 설명하면, 여러 개의 광섬유 묶음을 하나의 시스템처럼 운영하는 구조이다. AI 데이터센터 간 트래픽이 늘어나면 여러 fiber pair를 병렬로 사용해야 한다. 이때 각각을 따로 증폭하고 관리하면 장비와 공간, 전력, 운영 복잡도가 크게 증가한다.

Multi-rail 장비는 이 문제를 줄여준다. 여러 광섬유 레일을 고밀도로 증폭하고, 모니터링하고, 관리하는 역할을 한다.

핵심은 많아진 광섬유를 더 적은 장비와 공간으로 효율적으로 운영하는 것이다.

AI 데이터센터가 커질수록 전송 용량과 함께 공간과 전력도 중요해진다. 광통신 장비를 놓을 랙 공간은 제한되어 있고, 전력도 중요한 제약이다. 그래서 multi-rail amplifier, OCM, DGE 같은 부품과 장비가 함께 중요해진다.

OCM은 Optical Channel Monitor이다. 각 파장의 상태를 감시하는 장치이다.
DGE는 Dynamic Gain Equalizer이다. 파장별 세기를 고르게 맞춰주는 장치이다.
이 부품들은 대규모 광 네트워크를 안정적으로 운영하기 위해 필요하다.

MPO: 광섬유가 많아질수록 중요해지는 패시브 부품

AI 데이터센터에서 자주 놓치는 부분이 MPO이다. MPO는 Multi-fiber Push On의 약자이다. 여러 가닥의 광섬유를 하나의 커넥터에 담아 한 번에 연결하는 부품이다.

일반 커넥터가 한두 가닥의 광섬유를 연결한다면, MPO는 8개, 12개, 16개, 24개 이상의 광섬유를 하나의 커넥터로 연결할 수 있다.

이 부품이 중요한 이유는 단순하다. AI 데이터센터에서는 광섬유 수가 급증한다. 스위치 포트가 늘고, optical link가 늘고, 랙 간 연결이 늘어난다. 그러면 케이블과 커넥터, 패치패널이 함께 늘어난다.

MPO는 이 과정에서 공간을 줄이고, 연결 밀도를 높이고, 배선 복잡도를 낮추는 역할을 한다.

NPO와 CPO에서는 광엔진이 칩 가까이 이동하고, channel 수가 늘어나며, fiber 관리가 더 정교해진다. 이에 따라 passive interconnect의 품질과 공급 안정성도 중요해진다.

이 때문에 MPO 업체들이 단순 협력사를 넘어 CSP에 직접 공급하는 Tier 1 공급업체로 올라설 가능성이 거론되고 있다. AI 데이터센터에서는 커넥터 하나의 품질 문제도 전체 네트워크 안정성과 직결될 수 있기 때문이다.

OCS: 전기 변환 없이 빛의 경로를 바꾸는 기술

AI 데이터센터에서 또 하나 주목해야 할 기술은 OCS이다. OCS는 Optical Circuit Switch이다. 빛을 전기 신호로 바꾸지 않고 광 경로 자체를 바꾸는 장치이다.

일반적인 네트워크 스위칭은 광신호를 전기 신호로 바꾼 뒤 경로를 결정하고, 다시 광신호로 바꾸는 과정을 거친다. 이 과정에서 전력과 지연이 발생한다.

OCS는 특정 연결을 광 경로 수준에서 직접 바꾸는 기술이다. 쉽게 말해, 광섬유 네트워크의 철도 선로를 바꾸는 장치이다. AI 클러스터는 작업 종류에 따라 필요한 연결 구조가 달라질 수 있다. OCS는 이런 연결 구조를 더 유연하게 바꾸는 데 도움이 된다.

OCS는 연결 전환 속도, 네트워크 제어 소프트웨어, 기존 이더넷 스위치와의 조합이 중요하다. 대형 AI 클러스터에서 특정 구간의 효율을 높이는 보완 기술로 볼 수 있다.

LandMark Optoelectronics Corporation

광통신 수요를 키우는 다섯 가지 변화

AI 데이터센터 광통신 수요는 다섯 가지 변화로 정리할 수 있다.

첫째, 포트 속도가 올라간다.
400G에서 800G, 1.6T, 3.2T로 이동한다.

둘째, 광섬유 한 가닥당 데이터 밀도가 올라간다.
DWDM과 coherent optics가 중요해진다.

셋째, 광섬유 수 자체도 늘어난다.
MPO, MTP, fiber assembly, patch panel 수요가 증가한다.

넷째, 광엔진이 칩 가까이 이동한다.
NPO와 CPO, silicon photonics, microring modulator가 중요해진다.

다섯째, 데이터센터 간 연결이 커진다.
coherent optics, WSS, ROADM, multi-rail line system이 필요해진다.

결국 AI Factory는 더 빠른 포트, 더 많은 파장, 더 촘촘한 커넥터, 더 지능적인 광 경로 제어, 더 가까운 광엔진을 동시에 요구하는 구조이다.

네트워크는 핵심 운영자산으로 이동하고 있다

마지막으로 봐야 할 변화는 네트워크를 바라보는 기업 고객의 시각이다. Lumen의 최근 코멘트는 이 지점을 잘 보여준다.

AI가 기업 운영 안으로 들어오면 네트워크는 CTO, CIO, COO, CEO가 함께 설계해야 하는 핵심 운영자산이 된다.

이유는 지연시간 때문이다. AI 서비스는 공장, 매장, 콜센터, 병원, 물류센터, 금융 거래 시스템 가까이에서 작동해야 한다. 이때 데이터가 어디에 위치하는지, 어느 경로로 이동하는지, 응답이 몇 밀리초 안에 돌아오는지가 서비스 품질을 결정한다.

Lumen은 AI 확산으로 엣지 컴퓨팅의 중요성이 다시 커지고 있다고 설명했다. 엣지 컴퓨팅은 데이터를 중앙 데이터센터에만 두지 않고, 사용자와 가까운 위치에서 처리하는 구조이다. AI 환경에서는 지연시간이 사용자 경험과 성능으로 연결된다.

대표 사례는 스마트팩토리와 AI 고객 응대 에이전트이다. 스마트팩토리에서는 센서, 로봇, 설비 제어 데이터가 실시간으로 움직여야 한다. AI가 이상 징후를 늦게 판단하면 생산 손실이나 안전 문제가 생길 수 있다. AI 고객 응대 에이전트도 마찬가지이다. 고객 질문에 90초 뒤에 답하는 AI와 즉시 답하는 AI는 완전히 다른 서비스이다.

이 때문에 데이터 위치, 지연시간, 네트워크 경로 최적화가 중요해진다. 광통신 네트워크는 AI 서비스의 반응속도와 품질을 결정하는 인프라가 된다.

Lumen이 말한 NaaS, Network-as-a-Service도 이 흐름과 연결된다. NaaS는 네트워크를 클라우드처럼 필요한 만큼 쓰고, 필요한 곳에 빠르게 연결하고, 수요 변화에 맞춰 조정하는 방식이다.

Lumen은 디지털 매출이 아직 초기 단계이지만, 장기적으로는 J커브 형태의 채택 가능성을 언급했다. 기업들이 온디맨드 프로비저닝과 유연한 네트워크 설계의 가치를 체감하는 순간, 클라우드 도입 초기처럼 채택 속도가 빨라질 수 있다는 논리이다.

여기서 중요한 촉매는 초저지연에 대한 수요이다. 기업들은 AI를 도입하면서 더 많은 연산 능력과 함께 결과를 얼마나 빠르게 받아볼 수 있는지를 중요하게 보기 시작했다. 스마트팩토리의 실시간 제어, AI 고객 응대 에이전트의 즉각적인 응답, 자율 시스템의 의사결정처럼 지연시간이 사용자 경험과 운영 효율을 직접 좌우하는 영역이 늘어나고 있다.

NVIDIA의 Vera Rubin 플랫폼이 랙 스케일 AI 시스템과 고속 네트워킹을 함께 강조하는 흐름도 같은 방향이다. Cerebras처럼 초저지연 추론을 강조하는 아키텍처가 주목받는 흐름도 맞닿아 있다. AI 인프라 경쟁은 더 많은 연산을 수행하는 경쟁이면서 동시에 데이터를 더 짧은 시간 안에 이동시키는 경쟁이다.

기업이 AI를 실제 서비스와 운영에 붙이는 순간, 광통신 네트워크는 AI 성능, 고객 경험, 생산성, 운영 안정성을 좌우하는 전략 자산으로 이동한다.

투자 관점에서 봐야 할 변화

앞으로 가장 중요한 관찰 포인트는 다섯 가지이다.

첫째, CPO가 실제 양산으로 얼마나 빠르게 넘어가는가이다. CPO는 전력과 밀도 측면에서 매력적이지만, 수율, 수리성, 열관리, 표준화 문제가 함께 남아 있다. 단기적으로는 pluggable과 NPO가 함께 확산되는 경로가 유력하다.

둘째, DWDM이 NPO와 CPO의 핵심 구조로 자리 잡는가이다. 한 광섬유 안에 여러 파장을 넣는 구조가 확산되면 laser, mux/demux, microring modulator, silicon photonics 업체의 중요성이 커진다.

셋째, coherent optics가 더 짧은 거리까지 내려오는가이다. AI 데이터센터 간 연결이 폭증하면 campus, metro, regional 구간에서 coherent pluggable 수요가 커질 수 있다.

넷째, MPO 같은 패시브 부품이 전략 부품으로 재평가되는가이다. 광섬유 수가 늘수록 연결 품질, 납기, 신뢰성, 고객 인증이 중요해진다. 이 경우 선두 업체와 후발 업체의 격차가 더 벌어질 수 있다.

다섯째, 기업 네트워크의 구매 의사결정자가 바뀌는가이다. 네트워크가 CTO·CIO·CEO가 직접 설계하는 AI 운영자산이 될 때 시장의 성격이 달라진다. Lumen이 말한 NaaS의 J커브 가능성은 이 변화에 대한 신호로 볼 수 있다.

결론

AI Factory는 더 빠른 포트, 더 많은 파장, 더 촘촘한 커넥터, 더 지능적인 광 경로 제어, 더 가까운 광엔진을 동시에 요구한다. 여기에 엣지 AI와 NaaS가 결합되면 광통신 네트워크는 데이터센터 내부 인프라를 넘어 기업 운영 전반의 핵심 자산으로 확장된다.

한 줄로 정리하면 이렇다.

AI Factory는 더 많은 데이터를 더 좁은 공간에서, 더 낮은 전력으로, 더 짧은 지연시간 안에 이동시켜야 하는 산업이다. 이 변화가 광모듈, 레이저, silicon photonics, DWDM, coherent optics, WSS, MPO, multi-rail 장비, 그리고 NaaS 기반 네트워크 인프라 전반의 수요를 동시에 끌어올리고 있다.

=끝

2026년 6월 15일 월요일

생각정리 282 (* HDD)

HDD 산업은 AI 데이터 저장 수요 확대와 제한적인 공급 증설이 맞물리며 다시 업사이클의 변곡점에 진입하고 있는듯 싶다.

개인적으로 SSD의 성능 우위와 고성장성을 근거로 HDD 산업을 구조적으로 열위에 있는 레거시 산업으로 보는 시각이 강했었다.

생각정리 189 ( *HDD, eSSD)

그러나 AI 도입 확대에 따른 data retention 강화, Video AI와 자율주행 등 데이터 생성형 워크로드 확산, 그리고 과점화된 HDD 공급 구조를 함께 보면 HDD의 역할은 다시 평가될 필요가 있다고 생각된다.

HDD는 SSD와 단순히 대체 관계에 놓인 저장장치라기보다, 대규모 cold data와 warm data를 장기간 보관하는 핵심 인프라 자산에 가까워진다.

특히 AI가 더 많은 데이터를 더 오래 저장하고, 동시에 새로운 데이터를 지속적으로 생성하는 국면에서는 HDD의 경제성과 저장 밀도, 공급 제약에 따른 가격 결정력이 동시에 부각될 수 있다.

이에 따라 이번 리서치 기록은 HDD 업황이 다시 구조적 호황으로 전환될 가능성을 점검하고, Seagate를 중심으로 수요 증가, 공급 부족, 가격 인상, 이익 레버리지의 연결 구조를 정리하기 위한 목적이다.

#요약

첫째, AI 도입 기업의 data retention 강화 흐름이다.

Seagate 조사에 따르면 AI 도입 기업의 90%는 더 긴 데이터 보존 기간이 AI 결과의 품질을 높이는 요인이라고 봤다. 또한 AI 사용 기업의 88%는 trustworthy AI 구현을 위해 더 많은 데이터를 더 오래 저장해야 한다고 답했다. 클라우드 스토리지를 주로 사용하는 응답자의 61%는 향후 3년간 클라우드 저장용량이 100% 이상 증가할 것으로 예상했다. 이는 AI 확산이 단순 연산 수요를 넘어 장기 데이터 보관 수요까지 구조적으로 확대시키고 있음을 보여주는 흐름이다.

둘째, AI가 데이터를 소비하는 단계를 넘어 스스로 데이터를 생성하는 단계로 진입하고 있다는 점이다.

Seagate CFO는 Morgan Stanley 컨퍼런스에서 AI, 특히 Video AI가 저장 수요를 예상보다 빠르게 끌어올리고 있다고 설명했다. 자율주행과 같은 애플리케이션 역시 대규모 데이터를 지속적으로 생성하며 저장 수요 증가에 기여하고 있다. 이는 AI 워크로드가 기존 데이터를 학습·분석하는 데 그치지 않고, 새로운 데이터를 대량으로 만들어내는 방향으로 확장되고 있음을 의미한다.

셋째, HDD 공급이 수요만큼 빠르게 늘기 어려운 과점 산업 구조이다.

Morgan Stanley는 HDD 수요가 연 40~50% 증가하는 반면 공급 증가율은 30~35% 수준에 그칠 것으로 분석했다. 이에 따라 공급 부족은 단기에 해소되기보다 장기간 이어질 가능성이 높다. 특히 nearline HDD 가격은 현재 TB당 14달러대에서 2027~2028년 25~30달러 수준까지 상승할 수 있다고 제시했다. 이는 AI 데이터 저장 수요 확대와 제한적인 공급 증가가 결합되면서 HDD 업체의 가격 결정력이 강화되는 국면임을 시사한다.

2026.06.17 Seagate Technology

2026.05.18 Seagate Technology

2026.06.17 Western digital

AI가 데이터를 먹고 다시 데이터를 만드는 시대: HDD 슈퍼사이클의 구조적 배경

부제: Frontier LLM, Agentic AI, Physical AI가 만드는 저장 수요 폭증과 Seagate·Western Digital의 재평가

AI 기술이 다음 단계로 넘어가면서 시장이 새롭게 주목해야 할 병목은 저장장치다.

AI는 단순히 연산만 많이 쓰는 기술이 아니다. AI는 데이터를 학습하고, 데이터를 생성하며, 생성한 데이터를 다시 저장하고, 그 데이터를 다시 다음 학습과 추론에 활용하는 기술이다. 이 구조가 본격화될수록 AI 인프라의 핵심 질문은 “얼마나 빨리 계산할 수 있는가”에서 “얼마나 많은 데이터를 오래 보관할 수 있는가”로 확장된다.

이 변화의 중심에 HDD, 특히 클라우드 데이터센터에 들어가는 nearline HDD가 있다. Seagate와 Western Digital이 최근 AI 인프라 투자에서 재평가받는 이유도 여기에 있다.

1. AI 수요는 이제 compute에서 storage로 확산되고 있다

AI 투자 사이클의 1차 수혜는 GPU와 HBM이었다. 이는 AI가 더 많은 연산을 필요로 했기 때문이다. 대형 언어모델을 학습시키고, 수많은 사용자의 추론 요청을 처리하려면 더 많은 GPU와 고대역폭 메모리가 필요했다.

그러나 AI가 기업 업무와 클라우드 서비스 안으로 깊게 들어오면서 새로운 수요가 나타나고 있다. 바로 데이터 보존 수요다.

기업은 AI를 더 잘 활용하기 위해 데이터를 쉽게 삭제하지 않기 시작했다. 과거에는 오래된 데이터가 비용이었다. 지금은 오래된 데이터도 모델 학습, RAG 검색, 품질 검증, 보안 감사, 규제 대응에 활용될 수 있는 자산이 됐다.

Seagate가 강조하는 핵심도 여기에 있다. AI를 도입한 기업들은 더 많은 데이터를 더 오래 보관할수록 AI 결과의 품질이 좋아진다고 본다. 또한 trustworthy AI를 구현하려면 어떤 데이터로 판단했는지, 어떤 결과가 나왔는지, 어떤 과정을 거쳤는지를 추적할 수 있어야 한다. 결국 AI 확산은 단순한 연산 수요 증가에 그치지 않고, data retention, 즉 데이터 장기 보존 수요를 구조적으로 끌어올린다.

이 변화는 HDD 업체에 직접적인 수요 상방 압력으로 작용한다. 장기간 보관해야 하는 대규모 데이터는 모두 SSD에 저장하기 어렵다. 비용, 전력, 확장성 측면에서 클라우드 데이터센터는 여전히 nearline HDD를 핵심 저장 계층으로 사용한다. 따라서 AI가 기업 데이터 보존 기간을 늘릴수록 HDD 수요도 함께 증가한다.

2. AI는 데이터를 소비하는 단계를 넘어 데이터를 직접 생산한다

AI 확산 초기에는 “기업이 이미 보유한 데이터를 AI에 활용한다”는 관점이 중요했다. 그러나 지금은 한 단계 더 나아가고 있다. AI 자체가 새로운 데이터를 만들어내기 시작했다.

LLM은 답변만 만드는 것이 아니다. 프롬프트, 응답, 대화 이력, 검색 결과, 코드, 요약문, 평가 결과를 계속 남긴다. 여기에 agentic AI가 결합되면 데이터 생성량은 더 커진다.

Agentic AI는 목표를 세우고, 작업을 나누고, 검색하고, 도구를 호출하고, 코드를 실행하고, 실패하면 수정하고, 다시 결과를 평가한다. 하나의 최종 결과물 뒤에는 수많은 중간 산출물이 존재한다.

예를 들어 코딩 agent는 코드 초안, 수정 이력, 오류 로그, 테스트 결과를 만든다. 연구 agent는 실험 계획, 학습 로그, 평가 결과, 모델 checkpoint, 실패한 실험 기록을 남긴다. 업무 자동화 agent는 검색 결과, 문서 초안, API 호출 기록, 실행 내역을 남긴다.

이 데이터들은 단순한 부산물이 아니다. 다음 작업의 context가 되고, 모델 평가 데이터가 되며, RAG 검색 데이터가 되고, compliance와 감사의 근거가 된다. 결국 AI는 데이터를 먹고, 데이터를 만들고, 그 데이터를 다시 다음 AI 작업에 투입하는 폐쇄루프를 형성한다.

이 지점이 HDD 수요의 핵심이다. AI가 더 많이 쓰일수록 생성 데이터가 늘어나고, 생성 데이터가 늘어날수록 더 오래 보관해야 할 이유가 커진다. 데이터 보존이 늘어나면 다시 AI의 성능 개선과 서비스 고도화에 활용된다. 이 반복 구조가 AI 시대의 저장장치 수요를 구조적으로 끌어올린다.

3. Frontier LLM은 인간 개입을 줄이며 AI R&D 자동화 단계로 간다

초기 LLM은 사용자가 질문하면 답변을 만들어주는 도구에 가까웠다. 그러나 frontier LLM은 이미 그 역할을 넘어가고 있다. 최신 AI는 코드를 작성하고, 데이터를 정리하고, 실험을 설계하고, 결과를 평가하며, 다시 개선안을 제시한다.

여기서 투자자가 주목해야 할 관점은 AI가 스스로 작업하고, 결과를 평가하고, 다시 개선하는 폐쇄루프다.

이 흐름은 recursive self-improvement, 즉 재귀적 자기개선으로 이어질 수 있다. AI가 더 나은 코드를 만들고, 더 나은 실험을 설계하고, 더 나은 모델을 만드는 데 관여하기 시작하면, AI 개발 속도는 인간 연구자의 작업 시간에만 묶이지 않는다. 인간은 모든 과정을 직접 수행하기보다 목표를 설정하고, 결과를 검증하고, 방향을 조정하는 역할로 이동한다.

이 변화는 AI 산업의 경쟁 구도를 바꾼다. 앞선 frontier LLM 기업은 더 강한 모델을 보유하는 데 그치지 않고, 그 모델을 이용해 내부 연구개발 생산성을 다시 끌어올릴 수 있다. 강한 AI가 더 강한 AI 개발을 돕고, 그 결과 다시 더 강한 AI가 만들어지는 구조가 생긴다.

이 과정에서는 막대한 저장 수요가 발생한다. AI R&D 자동화는 수많은 실험, 평가, 코드 변경, 데이터셋 생성, 모델 checkpoint 저장을 동반한다. 실패한 실험도 버려지기 어렵다. 왜 실패했는지, 어떤 조건에서 성능이 개선됐는지, 어떤 데이터가 효과적이었는지가 다음 연구의 자산이 되기 때문이다.

따라서 frontier LLM의 발전은 단순히 더 많은 GPU를 요구하는 데서 끝나지 않는다. 더 많은 연구 데이터, 더 많은 실험 로그, 더 많은 모델 산출물, 더 긴 데이터 보존 기간을 요구한다.

4. Google DeepMind의 AGI에서 ASI로 가는 네 가지 경로

Google DeepMind가 발표한 「From AGI to ASI」 논문은 이 흐름을 더 큰 틀에서 설명한다. 논문은 AGI, 즉 인간 수준의 범용인공지능에 도달한 이후 AI가 ASI, 즉 초인공지능으로 발전하는 경로를 네 가지로 제시한다.

첫째는 스케일링이다. 더 많은 연산력, 더 큰 모델, 더 많은 데이터를 투입해 AI 성능을 끌어올리는 방식이다. 지금까지 AI 산업이 가장 익숙하게 사용해온 방식이며, GPU, HBM, 데이터센터 투자의 핵심 배경이다.

둘째는 알고리즘 패러다임 전환이다. 현재의 트랜스포머 기반 모델을 넘어 새로운 구조, 새로운 학습 방식, 더 효율적인 하드웨어가 등장할 수 있다. 스파이킹 뉴런, 뉴로모픽 하드웨어, 새로운 형태의 모델 아키텍처가 여기에 해당한다.

셋째는 AI의 재귀적 자기개선이다. AI가 AI 연구를 돕고, 이후에는 AI가 스스로 더 나은 AI를 만드는 과정에 깊이 관여하는 방식이다. 이 경로가 현실화되면 AI 발전은 단순한 선형 개선보다 훨씬 가파른 속도로 진행될 수 있다.

넷째는 다중 에이전트와 집단지능이다. 하나의 거대한 AI 모델이 모든 문제를 해결하는 대신, 수많은 AI 에이전트가 서로 협업하고 경쟁하며 집단적으로 문제를 해결하는 방식이다. 수만 명의 전문가가 동시에 연구하는 것처럼, 수많은 AI 에이전트가 24시간 병렬로 일하는 구조에 가깝다.

중요한 점은 이 네 가지 경로가 서로 대체 관계로만 움직이지 않는다는 점이다. 실제 AI 산업에서는 스케일링, 알고리즘 전환, 자기개선, 다중 에이전트화가 동시에 진행될 가능성이 높다. 이 조합은 더 많은 연산력뿐 아니라 더 많은 데이터, 더 긴 데이터 보존, 더 큰 저장 인프라를 요구한다.

5. Physical AI가 열리면 저장 수요의 단위가 달라진다

Agentic AI 다음 단계는 physical AI다. Physical AI는 로봇, 자율주행차, 드론, 산업 자동화 장비처럼 현실 세계에서 움직이는 AI를 의미한다.

이 단계에서 저장 수요는 텍스트 중심 AI와 비교하기 어려울 정도로 커진다. 로봇과 자율주행차는 카메라 영상, 라이다, 레이더, 센서, 위치 정보, 제어 로그를 계속 생성한다. 공장 자동화 장비는 생산 공정 데이터, 불량 감지 영상, 설비 상태 데이터를 실시간으로 남긴다.

특히 자율주행과 로봇 데이터는 쉽게 삭제하기 어렵다. 안전성 검증, 사고 분석, 규제 대응, 보험, 모델 재학습에 필요하기 때문이다. 기업 입장에서는 데이터를 삭제하는 것보다 보관하는 편이 장기적으로 더 가치 있을 수 있다.

이 흐름은 Seagate CFO가 언급한 robotics와 autonomous driving의 데이터 생성 논리와 연결된다. 자율주행 차량과 로봇은 인간보다 훨씬 빠른 속도로 현실 세계 데이터를 생성한다. 그리고 이 데이터는 단순 사용 기록이 아니라 안전과 규제, 모델 개선에 필요한 핵심 자산이 된다.

따라서 AI의 발전 경로가 text AI → agentic AI → physical AI로 이어질수록 저장 수요의 기울기는 더 가팔라진다. 텍스트 로그가 쌓이는 단계에서 영상, 센서, 시뮬레이션, 로봇 행동 데이터가 쌓이는 단계로 넘어가면 필요한 저장용량은 완전히 다른 차원으로 커진다.

https://www.pi.website/research/memory

6. 왜 SSD가 아니라 HDD인가: AI 데이터센터의 장기 기억장치

AI 인프라에서 모든 저장장치가 같은 역할을 하는 것은 아니다. 학습과 추론 중 즉시 접근해야 하는 데이터에는 HBM, DRAM, NVMe SSD가 필요하다. 빠른 속도가 중요하기 때문이다.

반면 장기 보관 데이터, 원천 데이터, 백업 데이터, 재학습용 데이터, compliance 데이터, 대규모 데이터레이크에는 HDD가 가장 경제적이다. HDD는 SSD보다 속도는 느리지만, 대용량 데이터를 낮은 비용으로 오래 보관하는 데 강점이 있다.

AI 시대에는 데이터의 대부분이 실시간 처리 대상만으로 구성되지 않는다. 학습에 쓴 원천 데이터, 과거 inference 로그, synthetic data, 영상 데이터, 로봇 센서 데이터, 실험 결과처럼 장기간 보관해야 하는 데이터가 계속 쌓인다. 이 영역에서 hyperscaler가 가장 중요하게 보는 것은 속도보다 TB당 비용, 전력 효율, 대규모 확장성이다.

HDD 기업들이 AI 확산을 구조적 수요 상방 요인으로 보는 이유도 여기에 있다. AI는 데이터를 더 많이 만들 뿐 아니라, 데이터를 더 오래 보관하게 만든다. 그리고 장기 보존 데이터의 최종 저장 계층에서는 HDD가 여전히 가장 경제적인 선택지다.

GPU가 AI의 연산 엔진이라면, HDD는 AI가 만든 데이터를 축적하는 장기 기억장치에 가깝다.

7. HDD 산업은 수요 폭증과 제한된 공급이 동시에 나타난다

HDD 투자 매력이 커지는 이유는 수요만 증가하기 때문이 아니다. 공급이 빠르게 늘기 어렵다는 점이 더 중요하다.

HDD 시장은 Seagate와 Western Digital을 중심으로 과점화되어 있다. 과거 PC HDD 시장이 축소되면서 업체들은 무리한 설비 확장을 줄였고, 시장은 클라우드 데이터센터 중심으로 재편됐다. 이제 수요는 AI와 hyperscaler 중심으로 다시 커지고 있지만, 공급업체들은 과거처럼 신규 공장을 공격적으로 짓지 않고 있다.

또한 고용량 nearline HDD는 단순히 돈을 투입한다고 바로 생산량이 늘어나는 제품이 아니다. HAMR 같은 차세대 저장 기술은 긴 인증 과정과 높은 제조 난도가 필요하다. 고객사인 대형 클라우드 업체들도 안정성 검증을 오래 진행한다.

이 구조에서는 수요가 빠르게 늘어도 공급이 즉시 따라오기 어렵다. AI inference, agentic workload, cloud data retention, physical AI 데이터가 모두 저장 수요를 끌어올리는 가운데 공급 증가율이 제한된다면, 가격 결정권은 자연스럽게 공급자에게 넘어간다.

Morgan Stanley 조사도 이 흐름을 뒷받침한다. HDD 수요는 연 40~50% 증가하는 반면 공급은 30~35% 증가에 그치고, 공급 부족은 2028년까지 이어질 가능성이 제기된다. nearline HDD 가격 역시 현재 TB당 14달러대에서 2027~2028년 25~30달러까지 상승할 수 있다는 전망이 나온다.

8. Seagate와 Western Digital의 이익 레버리지

HDD 가격이 오르면 Seagate와 Western Digital의 이익은 강하게 반응할 수 있다. 특히 현재 사이클은 단순히 물량을 많이 팔아 이익이 늘어나는 구조가 아니다. 제한된 공급 속에서 TB당 가격이 올라가고, 고용량 제품 믹스가 개선되며, 추가 가격 인상분이 높은 비율로 이익에 반영되는 구조다.

HDD 업체가 대규모 신규 설비를 급하게 늘리지 않는다면 고정비 부담은 제한된다. 반면 클라우드 고객의 수요가 계속 강하면 가격은 더 안정적으로 올라갈 수 있다. 이 경우 매출 증가보다 영업이익 증가가 더 크게 나타나는 operating leverage가 발생한다.

Seagate와 Western Digital의 투자 논리는 여기서 만들어진다. AI가 더 많은 데이터를 만들고, 기업이 데이터를 더 오래 보관하며, 클라우드 데이터센터가 nearline HDD를 대량으로 확보해야 한다면 HDD 가격은 구조적으로 지지된다. 가격이 오르면 EPS 추정치가 빠르게 상향될 수 있고, 시장은 이들을 과거의 경기민감 부품주가 아니라 AI 데이터 인프라 과점 기업으로 재평가할 수 있다.

9. AI 저장 수요는 일시적 테마가 아니라 기술 진화의 결과다

이번 HDD 사이클을 단순히 AI 테마에 편승한 단기 수급으로만 보기 어렵다. 근본 배경은 AI 기술의 발전 방향 자체에 있다.

Frontier LLM은 인간 개입을 줄이며 연구, 코딩, 평가, 개선 과정을 자동화하고 있다. Google DeepMind가 제시한 AGI에서 ASI로의 경로 역시 스케일링, 알고리즘 전환, 자기개선, 다중 에이전트화를 동시에 강조한다. 이 모든 경로는 더 많은 연산력뿐 아니라 더 많은 데이터, 더 긴 데이터 보존, 더 큰 저장 인프라를 필요로 한다.

여기에 agentic AI가 확산되면 AI는 업무 수행 과정에서 중간 산출물을 계속 만든다. physical AI가 확산되면 현실 세계의 영상과 센서 데이터가 폭발적으로 쌓인다. 이렇게 쌓인 데이터는 다시 모델 개선, 서비스 고도화, 안전성 검증, 규제 대응에 활용된다.

결국 AI는 연산 수요와 저장 수요를 동시에 키우는 기술이다. 지금까지 시장이 GPU와 HBM을 중심으로 AI capex를 이해했다면, 앞으로는 AI가 만들어내는 데이터의 장기 보존 수요도 함께 봐야 한다.

결론: HDD는 AI 데이터 폐쇄루프의 장기 기억장치다

AI 산업의 다음 투자 포인트는 단순히 더 빠른 칩에만 있지 않다. AI가 더 똑똑해질수록 더 많은 데이터를 필요로 하고, 더 많은 데이터를 생성하며, 그 데이터를 다시 저장해 다음 성능 개선에 활용한다. 이 구조가 바로 AI 데이터 폐쇄루프다.

이 폐쇄루프는 frontier LLM의 AI R&D 자동화에서 시작해 agentic AI의 업무 실행 데이터로 확장되고, 이후 physical AI의 영상·센서 데이터로 폭발한다. 데이터가 많아질수록 기업은 삭제보다 보존을 선택하게 되고, 장기 보존 수요가 커질수록 nearline HDD의 전략적 가치는 높아진다.

따라서 Seagate와 Western Digital의 투자 논리는 단순한 HDD 가격 상승이 아니다. 본질은 AI compute capex 이후 storage capex가 본격적으로 열리는 구조적 변화다. GPU와 HBM이 AI 시대의 연산 인프라였다면, HDD는 AI 시대의 데이터 기억장치다.

이 관점에서 HDD 상위 두 업체는 더 이상 과거 PC 부품 사이클에 묶인 기업으로만 볼 수 없다. AI가 스스로 데이터를 만들고, 저장하고, 다시 활용하는 시대가 열릴수록 Seagate와 Western Digital은 AI 데이터센터의 핵심 저장 인프라 기업으로 재평가될 가능성이 높다.

참고 링크

Google DeepMind, From AGI to ASI: AGI 이후 ASI로 가는 경로를 scaling AGI, AI paradigm shifts, recursive improvement, large-scale multi-agent collectives로 제시합니다. (Google DeepMind)
Seagate, AI-Driven Data Creation to Spur Next-Wave Cloud Storage Growth: AI 도입 기업의 data retention 확대와 클라우드 저장용량 증가 전망을 담은 공식 서베이입니다. (Seagate Investors)
Seagate CFO Morgan Stanley Conference: AI, 특히 Video AI와 자율주행이 저장 수요를 가속하고 있다는 회사 측 설명입니다. (Investing.com)
Morgan Stanley / Barron’s: HDD 수요 40~50% 성장, 공급 30~35% 성장, 2028년까지 공급 부족, TB당 25~30달러 가격 목표를 다룹니다. (Barron's)
Western Digital 2026년 HDD 공급 매진 관련 보도: 클라우드·AI 인프라 수요가 장기 공급계약으로 HDD 물량을 흡수하고 있다는 점을 보여줍니다. (tomshardware.com)

=끝

~~(스페이스X 왜 계속오르지..?)~~

2026년 6월 14일 일요일

생각정리 281 (* SpaceX IPO)

지난 밤까지만 해도 SpaceX IPO 시초가가 공모가를 하회할 수 있다고 생각했다.

그러나 내 예상과 달리 SpaceX IPO는 흥행리에 마무리됐다. 내가 놓친 부분이 무엇인지 다시 점검하기 위해 SpaceX에 대한 생각을 정리해본다.

SpaceX IPO 이후의 소견: 위성통신 대체론보다 AI 인프라 병목을 봐야 한다

부제: 저궤도 광위성망은 지상 광케이블망을 대체하기보다, AI 시대의 보완 인프라로 남을 가능성이 높다

SpaceX

SpaceX IPO 성공 이후 시장에서는 저궤도 위성망을 차세대 통신 인프라의 중심축으로 해석하는 시각이 강해지고 있다. 기존 인터넷 인프라가 지상 데이터센터, 해저케이블, 통신망, 클라우드를 중심으로 확장되어 왔다면, 앞으로는 저궤도 위성망과 우주 데이터센터가 새로운 글로벌 데이터 인프라의 한 축으로 부상할 수 있다는 주장이다.

SpaceX가 Starlink, 재사용 발사체, 위성 제조, AI 데이터센터, 우주 데이터센터 구상을 동시에 보유하고 있다는 점을 감안하면 이 서사는 충분히 매력적이다. SEC 공시에 따르면 SpaceX는 2026년 5월 20일 Form S-1을 제출했고, 이후 공모 관련 문서와 사업 설명을 통해 AI 컴퓨트 인프라 확장 의지도 드러냈다.

다만 투자 관점에서는 이 서사를 조금 더 냉정하게 볼 필요가 있다. 저궤도 위성이 차기 통신망으로 지상 통신망을 잠식한다는 주장은 물리적·경제적 관점에서 과장될 여지가 크다. 특히 Agentic AI와 AI Inference 시대가 본격화될수록, 지상 광케이블 기반 광통신망의 전략적 중요성은 오히려 더 커질 가능성이 높다.

1. AI 시대의 통신 병목은 “연결 가능성”이 아니라 “초대용량 반복 전송”이다

저궤도 위성망의 가장 큰 장점은 커버리지다. 해상, 항공, 오지, 산악지역, 전쟁·재난 지역처럼 지상망이 닿기 어려운 곳을 연결하는 데 강하다. 그러나 AI 시대의 핵심 트래픽은 단순히 “어디든 연결되는가”보다 얼마나 많은 데이터를, 얼마나 싸게, 얼마나 안정적으로 계속 보낼 수 있는가에 의해 결정된다.

Agentic AI와 AI Inference는 기존 인터넷 서비스보다 훨씬 더 많은 네트워크 호출을 만든다. 하나의 요청이 들어오면 모델은 검색, 데이터베이스 조회, 외부 API 호출, 도구 실행, 멀티모달 처리, 재추론을 반복한다. 이 과정에서 트래픽은 사용자의 단말과 위성 사이보다 데이터센터 내부, 데이터센터 간, 엣지 서버와 클라우드 리전 사이에서 훨씬 더 많이 발생한다.

이 때문에 AI 인프라 기업들은 네트워크를 단순 부속 설비가 아니라 핵심 컴퓨팅 자산으로 보고 있다. NVIDIA는 조 단위 파라미터 AI 모델 학습과 배포를 위해 엔드투엔드 800Gb/s InfiniBand 네트워킹을 강조하고 있고, Google은 5세대 Jupiter 데이터센터 네트워크가 13Pbps의 bisection bandwidth까지 확장된다고 설명한다. (NVIDIA)

즉, AI 시대의 통신 병목은 하늘에서 전 세계를 덮는 커버리지보다, 데이터센터 클러스터 안팎에서 페타비트급 트래픽을 안정적으로 소화하는 능력에 더 가깝다.

2. 광케이블은 “전용 관로”, 저궤도 위성은 “공유 공간”이다

저궤도 광위성망이 광통신 기술을 사용한다고 해서 지상 광케이블망과 같은 구조가 되는 것은 아니다. 가장 큰 차이는 닫힌 전용 관로와 열린 자유공간의 차이다.

광케이블은 유리섬유 안에 빛을 가둬 보낸다. 외부 간섭이 작고, 경로가 고정되어 있으며, 광섬유 쌍과 파장을 늘려 용량을 확장할 수 있다. 반면 저궤도 위성망은 위성 간 레이저 링크를 쓰더라도 전체적으로는 궤도, 빔, 지상국, 단말, 날씨, 대기 상태, 위성 간 정렬, 핸드오버에 영향을 받는 네트워크다.

수치로 보면 차이가 더 분명하다. Google의 Dunant 해저케이블은 대서양 구간에서 250Tbps 설계 용량을 제공한다. Google은 Dunant가 12개 광섬유 쌍을 활용한 장거리 SDM 해저케이블이며, 대서양을 가로질러 250Tbps 용량을 제공한다고 설명한다. (Google Cloud)

반면 Starlink는 3세대 위성을 Starship으로 한 번 발사할 때 네트워크 용량이 60Tbps 추가될 것으로 제시한다. 이 수치 자체는 매우 크지만, 위성망 용량은 특정 대륙 간 데이터센터 백본에 집중되는 것이 아니라 전 지구 표면, 다수 사용자, 다수 빔, 다수 지상국에 분산된다. (Starlink)

따라서 대도시·클라우드 리전·데이터센터 클러스터처럼 트래픽이 밀집된 구간에서는 광케이블의 물리적 경제성이 압도적이다. 위성망은 넓게 덮는 데 강하지만, 광케이블은 특정 구간에 데이터를 굵고 안정적으로 밀어 넣는 데 강하다.

3. AI Inference 시대일수록 광케이블의 전략적 가치는 커진다

AI Inference 시대에는 평균 속도만 중요한 것이 아니다. 연속성, 지터, 패킷 손실, 재전송 비용, 전력 효율, 단가 per bit가 모두 중요해진다.

Agentic AI는 한 번의 응답 과정에서 여러 단계의 작업을 이어간다. 중간에 네트워크 지연이 튀거나, 연결이 흔들리거나, 데이터 손실이 발생하면 서비스 품질이 바로 떨어진다. 기업용 AI, 금융 AI, 제조 AI, 자율주행, 로보틱스, 실시간 영상·음성 AI에서는 이런 연속성이 더 중요하다.

저궤도 위성은 구조적으로 계속 움직인다. 사용자는 여러 위성으로 연결을 넘겨받아야 하고, 위성 간 링크와 지상국 경로도 계속 바뀐다. 반면 광케이블망은 경로가 고정되어 있고, 데이터센터 사업자가 이중화·다중화·예비 용량을 계획적으로 설계할 수 있다.

쉽게 말하면 이렇다.

광케이블은 지하와 해저에 깔린 고속철도망이다.
저궤도 위성망은 전 세계를 덮는 항공망이다.

항공망은 고속철도가 닿지 않는 지역을 연결하는 데 탁월하다. 하지만 모든 출퇴근과 대량 물류를 항공기로 처리할 수는 없다. AI 시대의 데이터 흐름은 “가끔 멀리 가는 이동”보다 “매일, 매초, 대량으로 반복되는 물류”에 가깝다. 그래서 AI 시대가 될수록 주력망은 광케이블에 더 가까워진다.

4. 저궤도 광통신의 한계는 1차원 물리에서 출발한다

저궤도 위성망이 광케이블을 대체하기 어려운 이유는 복잡한 논리가 아니라 기초 물리에서 출발한다.

첫째, 빛이 지나가는 매질이 다르다. 광케이블은 닫힌 유리섬유 안에서 빛을 보낸다. 위성 광통신은 자유공간을 통과한다. 우주 공간에서는 유리할 수 있지만, 지상 데이터센터와 연결되려면 대기권을 통과해야 한다. 이때 구름, 비, 안개, 대기 난류, 흡수·산란, 정렬 오차가 생긴다.

둘째, 수요 밀도에 대한 대응 방식이 다르다. 광케이블은 수요가 몰리는 구간에 케이블을 더 깔고, 광섬유 쌍을 늘리고, 장비를 업그레이드하면 된다. 반면 위성망은 궤도, 주파수, 빔 간섭, 지상국 위치, 위성 수명, 발사 비용에 의해 확장 속도가 제한된다.

셋째, 전송 단가가 다르다. AI Inference는 1회성 연결이 아니라 반복적이고 상시적인 데이터 이동이다. 이때 중요한 것은 최고 속도보다 1비트당 전송 비용이다. 광케이블은 초기 투자비가 크지만 대규모 트래픽을 낮은 한계비용으로 처리할 수 있다. 위성망은 위성 제작, 발사, 교체, 궤도 유지, 지상국, 단말, 스펙트럼 관리 비용이 계속 붙는다.

따라서 AI 시대의 데이터 폭증은 저궤도 위성망의 대체 논리를 강화하기보다, 광케이블망의 필수성을 더 강화한다.

5. 그래도 SpaceX의 강점은 분명하다: 통신 대체가 아니라 인프라 실행력이다

그렇다고 SpaceX IPO를 부정적으로만 볼 필요는 없다. 오히려 긍정적으로 봐야 할 부분은 “저궤도 위성이 지상 통신망을 대체한다”는 서사가 아니라, 대규모 물리 인프라를 빠르게 구축하고 이를 매출화하는 실행력이다.

xAI의 Colossus 사례는 이를 잘 보여준다. xAI는 Colossus를 122일 만에 구축했고, 이후 92일 만에 200,000개 GPU 클러스터로 확장했다고 설명한다. NVIDIA도 xAI와 NVIDIA가 Colossus를 122일 만에 구축했으며, 첫 랙이 들어온 뒤 19일 만에 학습을 시작했다고 밝혔다. (xAI)

이 실행력은 AI 인프라 병목이 심한 국면에서는 매우 큰 가치다. 전력, 부지, 냉각, GPU, 네트워크, 시공, 운영을 동시에 묶어 실제 컴퓨트 용량으로 바꾸는 기업은 많지 않다.

특히 SpaceX의 공모 관련 SEC 문서에는 Google과의 대형 컴퓨트 계약도 공개되어 있다. 해당 문서에 따르면 SpaceX는 Google에 약 110,000개 NVIDIA GPU와 관련 컴퓨트 용량을 제공하고, Google은 2026년 10월부터 2029년 6월까지 월 9.2억 달러를 지급하기로 했다. (SEC)

Anthropic도 Colossus 1의 전체 컴퓨트 용량을 사용하는 파트너십을 발표했다. xAI는 Colossus 1이 220,000개 이상의 NVIDIA GPU를 보유하고 있으며, Anthropic이 Claude Pro와 Claude Max 가입자 용량 개선을 위해 이를 사용할 계획이라고 밝혔다. (xAI)

이 점은 SpaceX의 투자 논리를 조금 다르게 만든다. SpaceX의 핵심 투자 포인트는 단순 위성 인터넷 기업이 아니라, 발사체·위성·전력·AI 데이터센터·컴퓨트 임대까지 묶는 물리 인프라 실행 기업으로 볼 때 더 설득력이 생긴다.

6. IPO 공모자금도 우주보다 AI 인프라 쪽에 더 기울어져 있다

이번 IPO에서 중요한 부분은 공모자금의 성격이다. SpaceX는 S-1에서 순조달금을 성장 전략에 사용할 계획이라고 밝혔다. 구체적인 사용처로는 AI compute infrastructure 확대, launch infrastructure와 launch vehicles 개선, satellite constellations의 규모·용량 확대, 일반 기업 목적을 제시했다.

다만 S-1에는 사업부별로 얼마를 배정한다는 확정 금액이나 비율이 없다. 공모자금의 정확한 배분표는 공개되지 않았고, 실제 사용처는 경영진 재량에 맡겨져 있다. 따라서 “우주산업에 얼마, AI 컴퓨팅에 얼마”라는 질문에 대해 공식적으로 답할 수 있는 숫자는 아직 없다.

그럼에도 최근 CAPEX 믹스를 보면 투자 방향은 비교적 분명하다. 2025년 CAPEX는 Space 38.32억 달러, Connectivity 41.78억 달러, AI 127.27억 달러였다.

2026년 1분기 CAPEX는 Space 10.52억 달러, Connectivity 13.32억 달러, AI 77.23억 달러였다.

이를 비중으로 보면 2025년에는 AI가 약 61%, Space와 Connectivity를 합친 우주·위성 인프라가 약 39%였고, 2026년 1분기에는 AI 비중이 약 76%, 우주·위성 인프라가 약 24%였다.

IPO 규모는 공식 발표 기준 Class A 보통주 5억5,555만5,555주, 주당 135달러, 총 약 750억 달러다. 여기에 2025년 CAPEX 믹스를 단순 적용하면 AI 컴퓨팅에 약 460억 달러, Space와 Connectivity를 합친 우주·위성 인프라에 약 290억 달러가 배정되는 구조로 추정할 수 있다. 2026년 1분기 CAPEX 믹스를 적용하면 AI 컴퓨팅은 약 573억 달러, 우주·위성 인프라는 약 177억 달러로 추정된다.

이 계산은 회사의 공식 배분 계획이 아니라 최근 실제 투자 비중을 IPO 자금에 단순 대입한 민감도 분석이다. 그러나 방향성은 분명하다. 시장이 SpaceX를 우주 기업으로만 보고 IPO를 흥행시킨 것이 아니라, AI 컴퓨팅 인프라 병목을 해결할 수 있는 초대형 물리 인프라 기업으로 재평가했을 가능성이 있다.

투자 관점에서 SpaceX는 “우주 vs AI”의 이분법으로 보기 어렵다. Starship과 Starlink는 우주 인프라이고, AI 데이터센터와 컴퓨트 임대는 지상 인프라다. 그러나 두 축은 모두 대규모 물리 인프라를 빠르게 구축하고, 비용을 낮추고, 공급 병목을 장악한다는 하나의 논리로 연결된다. 이번 IPO 흥행은 저궤도 위성망 대체론보다 AI 컴퓨팅 병목 프리미엄으로 해석할 때 더 자연스럽다.

7. 다만 Grok과 AI 플랫폼 경쟁력은 아직 검증이 필요하다

문제는 SpaceX가 AI 인프라를 빠르게 구축할 수 있다는 점과, Grok이 선도 LLM으로 자리 잡을 수 있다는 점은 별개의 문제라는 것이다.

Grok은 인지도와 모델 생태계 측면에서 아직 ChatGPT, Claude, Gemini 대비 후발주자 성격이 강하다. Artificial Analysis의 최신 Intelligence Index에서도 Grok 4.3은 Claude Fable 5, GPT-5.5, Gemini 3.1 Pro Preview 등 최상위 모델보다 낮은 점수권에 위치한다. 다만 출력 속도와 가격 경쟁력에서는 상대적으로 강점을 보인다. (Artificial Analysis)

따라서 IPO 공모자금의 상당 부분이 AI에 투입된다면, 투자자는 SpaceX를 어떤 기업으로 볼지 구분해야 한다.

첫째, 위성통신 기업인가.
둘째, 재사용 발사체와 우주 운송 기업인가.
셋째, AI 데이터센터 인프라 기업인가.
넷째, Grok 중심의 AI 플랫폼 기업인가.

이 네 가지는 서로 연결되어 있지만, 수익성·경쟁우위·리스크가 모두 다르다. 특히 Grok의 모델 경쟁력이 아직 절대 우위로 검증되지 않은 상황에서는, AI 플랫폼보다는 AI 하드웨어·AI 컴포넌트 병목에 투자하는 전략이 더 합리적일 수 있다.

8. 오히려 더 명확한 투자 테마는 AI 하드웨어와 광통신 컴포넌트다

SpaceX의 실행력은 인정하더라도, 현재 AI 투자에서 더 직접적인 병목은 GPU, HBM, 고속 네트워킹, 광트랜시버, CPO, 스위치, 전력기기, 냉각, 변압기, 데이터센터 시공에 있다.

AI Inference가 늘어날수록 데이터는 더 많이, 더 빠르게, 더 안정적으로 이동해야 한다. 이 과정에서 광통신 장비, 데이터센터 네트워크, 전력 인프라, 냉각 인프라의 중요성은 더 커진다. Google이 AI 시대에 맞춰 Virgo Network 같은 대규모 데이터센터 패브릭을 별도로 설계하는 이유도 여기에 있다. Google은 Virgo Network를 현대 AI 워크로드의 엄격한 요구에 맞춘 scale-out 데이터센터 네트워크로 설명한다. (Google Cloud)

결국 SpaceX IPO의 긍정적 함의는 “위성이 광케이블을 대체한다”가 아니다. 오히려 반대에 가깝다. AI 인프라 병목이 얼마나 심각한지, 그리고 컴퓨트·전력·광통신·데이터센터 네트워크의 가치가 얼마나 커지고 있는지 확인시켜주는 사건에 가깝다.

9. 우주 데이터센터의 실질적 한계: 태양광은 강하지만, 냉각·통신·정비가 병목이다

우주 데이터센터 구상도 장기적으로는 흥미롭다. Google Research는 Project Suncatcher를 통해 태양광 기반 위성 컨스텔레이션에 TPU와 자유공간 광링크를 탑재하는 구상을 제시했다. Google은 적절한 궤도에서는 태양광 패널 생산성이 지상 대비 최대 8배 높을 수 있고, 거의 연속적인 전력 생산이 가능하다고 설명한다. (Google Research)

하지만 Google도 동시에 여러 기술적 과제를 명확히 언급한다. 데이터센터급 위성 간 링크를 구현하려면 수십 Tbps급 링크가 필요하고, 이를 위해 위성들이 수백 미터에서 수 킬로미터 이하의 매우 가까운 편대비행을 해야 한다. 또한 TPU는 방사선 환경을 견뎌야 하며, 열관리, 고대역폭 지상 통신, 궤도상 신뢰성이 여전히 주요 과제로 남아 있다. (Google Research)

더 근본적인 문제는 냉각이다. 우주는 “차갑다”는 이미지와 달리, 진공 상태에서는 공기나 물을 통한 대류 냉각이 어렵다. 고출력 AI 칩에서 나온 열은 결국 방열판을 통해 복사 방식으로 버려야 한다. 최근 우주 데이터센터 경제성 연구도 1MW급 우주 컴퓨트 시스템에서 태양광 패널 면적과 방열판 면적, kg/kW 질량, 발사비가 동시에 맞아야 한다고 지적한다. 해당 연구는 대표 사례에서 1MW IT 전력을 위해 수천㎡ 규모의 태양광·방열 면적이 필요하며, 현재 공개된 Falcon 9 전용 LEO 발사비만 감안해도 지상 데이터센터와 경쟁하려면 발사·제작 비용이 크게 낮아져야 한다고 분석한다. (arXiv)

따라서 우주 데이터센터는 우주 관측 데이터의 궤도상 전처리, 군사·재난용 엣지 컴퓨트, 지상 전력망 제약을 우회하는 실험적 인프라로는 의미가 있다. 하지만 범용 AI 학습과 대규모 상업 추론의 주력 인프라가 되려면 냉각, 방사선, 발사비, 정비 불가능성, 위성 수명, 지상-우주 통신 병목을 모두 해결해야 한다.

핵심 정리

SpaceX IPO는 분명 역사적인 이벤트다. 그러나 이를 저궤도 위성이 지상 통신망을 대체하는 사건으로 해석하면 투자 논리가 흐려진다. Agentic AI와 AI Inference 시대에는 데이터 전송량, 전송속도, 연속성, 단가 per bit가 더 중요해지고, 이 조건에서는 지상·해저 광케이블 기반 광통신망의 가치가 더 커진다.

SpaceX의 진짜 강점은 위성망의 대체성이 아니라 대규모 물리 인프라를 빠르게 구축하고, 전력·컴퓨트·네트워크 병목을 매출로 전환하는 실행력에 있다. xAI Colossus, Google·Anthropic 컴퓨트 계약은 이 점에서 긍정적이다.

공모자금의 성격도 이 해석을 뒷받침한다. S-1은 AI compute infrastructure, launch infrastructure, launch vehicles, satellite constellations 확대를 사용처로 제시했지만, 사업부별 금액 배분은 공개하지 않았다. 다만 최근 CAPEX 믹스를 보면 AI 비중은 2025년 약 61%, 2026년 1분기 약 76%까지 올라간다.

750억 달러 IPO 자금을 이 비중에 단순 대입하면 AI 컴퓨팅에는 약 460억~573억 달러, 우주·위성 인프라에는 약 177억~290억 달러가 배정되는 셈이다. 공식 배분표는 아니지만, 시장이 SpaceX를 단순 우주 기업보다 AI 인프라 병목을 해결할 수 있는 물리 인프라 기업으로까지 평가했을 가능성을 보여준다.

다만 Grok의 모델 경쟁력은 아직 선도 LLM 대비 절대 우위로 보기 어렵고, 우주 데이터센터 역시 장기 선택지에 가깝다. 현재 더 명확한 투자 테마는 SpaceX 그 자체보다 AI 하드웨어, HBM, 광통신, 데이터센터 네트워크, 전력기기, 냉각 인프라에 가까워 보인다.

아직까지 왜 우주와 AI Infra라는 복합 위험 산업을 동시에 영위하는 SpaceX에 이토록 높은 밸류에이션을 부여해야 하는지에 대한 근본적인 답은 완전히 찾지 못했다.

SpaceX는 독보적인 우주 기업이어서 비싼 것인가, 아니면 동시에 AI 시대의 물리 인프라 병목까지 가장 빠르게 풀 수 있는 기업이기 때문에 프리미엄 평가받고 있는 것인가.

현재로서는 후자에 더 가까워 보인다. 다만 그 프리미엄을 현재 밸류에이션이 충분히 정당화하는지는 여전히 별개의 문제이지 않나 싶다.

=끝

뭔가 웅장하고 멋있긴 하네..

예전부터 천문학, 우주 SF광팬이긴 한데.. 그렇다고 투자까지.. SF로 할수는 없지않나..

멋있다..

다행성인류라...