2026년 6월 4일 목요일

생각정리 272 (* Optical AI Backbone, Optical Fiber)

별 시덥지 않은 이슈로 시장이 급락할때는 산업 및 기술변화에 대한 리서치를 하기 정말 좋은 시점인것 같다.

GTC Computex 2026 이후에 CY1Q26 TMT 컨퍼런스에 참석한 여러 기업들의 Call을 듣고 정리하다 광통신 인프라 관련 재밌는 포인트를 발견해서 정리해본다.

광통신 인프라 CAPEX: AI는 네트워크의 투자 우선순위를 바꾸고 있다

전체 논지 요약

AI 인프라 투자는 GPU에서 시작했지만, 추론 AI와 Agentic AI가 확산될수록 투자 병목은 점차 연결 인프라로 이동하고 있다. AI가 단순히 질문에 답하는 수준을 넘어 데이터를 찾고, 여러 시스템을 호출하고, 판단을 검증하고, 다시 실행하는 구조로 발전하면서 네트워크의 역할이 커지고 있기 때문이다.

핵심은 두 가지다.

첫째, 클라우드와 데이터센터 내부에서는 동서 트래픽이 증가한다. AI가 모델, 스토리지, 데이터베이스, API, 다른 AI 시스템을 반복적으로 호출하기 때문이다.

둘째, 공장·병원·물류센터·매장 같은 현장에서는 Edge Data Point와 Cloud를 연결하는 access·backhaul·last-mile의 중요성이 커진다.

현장에서 발생한 데이터가 빠르게 클라우드로 올라가고, AI의 판단이 다시 현장 시스템으로 내려와야 Agentic AI의 효율성이 실제로 발현될 수 있다.

AI CAPEX의 다음 병목은 연산이 아니라 연결이다

지금까지 AI 인프라 투자의 중심에는 GPU가 있었다. 대규모 언어모델의 성능이 좋아질수록 더 많은 연산 자원과 메모리 대역폭이 필요했고, 이 때문에 시장의 관심은 NVIDIA GPU, HBM, 서버, 전력 인프라, 데이터센터 부지에 집중되었다.

그러나 추론 AI와 Agentic AI로 넘어가면 투자 논리는 한 단계 확장된다. 이제 중요한 것은 GPU를 얼마나 많이 보유하고 있는지에 그치지 않는다. AI가 필요한 데이터를 얼마나 빠르게 찾고, 여러 모델과 시스템을 얼마나 낮은 지연으로 연결하며, 판단과 검증 루프를 얼마나 안정적으로 반복할 수 있는지가 중요해진다.

추론 AI는 단순히 모델에 질문을 넣고 답을 받는 구조에서 끝나지 않는다. 사용자의 요청을 이해한 뒤 관련 데이터를 검색하고, 업무 시스템을 호출하고, 다른 모델이나 도구를 실행하고, 중간 결과를 검증한 뒤 다시 추론한다. 이 과정이 반복될수록 연산 자원만큼 중요한 것이 데이터 이동 경로다.

따라서 AI 시대의 네트워크는 인터넷 접속을 위한 보조 인프라에 머물지 않는다. 데이터, 모델, GPU 클러스터, 스토리지, API, 클라우드, 엣지를 연결하는 AI 실행 인프라로 바뀌고 있다. 이 변화가 광통신 인프라 CAPEX를 다시 봐야 하는 출발점이다.

왜 동서 트래픽이 중요해지는가

기존 인터넷과 기업 네트워크의 중심은 주로 남북 트래픽이었다. 사용자가 사무실, 가정, 모바일 단말에서 애플리케이션에 접속하고, 해당 요청이 데이터센터나 클라우드로 이동하는 구조였다. 기업 직원이 ERP에 접속하거나, 고객이 쇼핑몰 앱을 실행하거나, 사용자가 검색 서비스를 이용하는 흐름이 대표적이었다.

미국의 백본홀 통신망

루멘 테크놀로지의 미국내 백본연결망

반면 Agentic AI는 사용자가 한 번 요청한 뒤 내부적으로 훨씬 많은 작업을 수행한다. 예를 들어 “이번 분기 실적을 분석해 투자 의견을 정리해줘”라는 요청이 들어오면 AI는 단순히 문장을 생성하지 않는다. 실적 데이터를 조회하고, 과거 실적과 비교하고, 시장 컨센서스를 확인하고, 경쟁사 밸류에이션을 불러오고, 산업 지표와 뉴스 흐름을 점검한다. 이후 결론이 맞는지 다시 검증하고, 부족한 데이터가 있으면 재검색한다.

이때 트래픽은 사용자와 서버 사이에서만 움직이지 않는다. AI 모델과 데이터베이스, 벡터DB, 스토리지, API, 다른 모델, 다른 클라우드, 다른 데이터센터 사이에서 데이터가 반복적으로 이동한다. 이 흐름이 바로 동서 트래픽이다.

추론 AI와 Agentic AI 시대에 동서 트래픽이 중요해지는 이유는 분명하다. AI의 병목이 “사람이 애플리케이션에 접속하는 구간”에서 AI가 데이터를 찾고, 모델을 호출하고, 여러 시스템을 연결해 판단하는 구간으로 이동하고 있기 때문이다.

Agentic AI는 산업 현장에서 어떤 방식으로 효율성을 높이는가

동서 트래픽의 중요성을 이해하려면 AI 데이터센터 안에서만 생각하면 부족하다. Agentic AI가 실제 경제활동에 들어가는 순간, 데이터는 공장, 병원, 물류센터, 매장, 발전소, 항만 같은 Edge Data Point에서 발생한다. 그리고 이 데이터는 클라우드와 AI 데이터센터로 이동해 분석되고, 다시 현장으로 실행 지시가 내려온다.

제조공장을 예로 들면 변화가 명확하다. 과거 공장 자동화는 설비별 센서 데이터를 수집하고, 이상 신호가 발생하면 관리자가 확인하는 방식에 가까웠다. Agentic AI가 도입되면 생산라인의 진동 센서, 온도 센서, 산업용 카메라, 로봇팔 데이터가 실시간으로 수집된다. AI 에이전트는 이 데이터를 클라우드의 품질관리 시스템, MES, 재고 시스템, 설비 이력 데이터, 디지털 트윈 모델과 연결해 판단한다.

예를 들어 산업용 카메라가 미세 불량 가능성을 포착하면 AI는 단순 경고를 내는 데서 멈추지 않는다. 해당 제품의 공정 조건을 확인하고, 같은 배치의 원재료 이력을 조회하며, 과거 유사한 진동 패턴이 어떤 고장으로 이어졌는지 비교한다. 이후 생산 속도를 낮출지, 특정 설비를 점검할지, 대체 라인으로 물량을 넘길지까지 제안할 수 있다. 이 과정에서 현장 데이터는 클라우드로 올라가고, 클라우드 내부에서는 모델·스토리지·업무 시스템 간 호출이 반복된다.

병원도 비슷하다. Agentic AI가 병원 운영에 들어가면 영상 장비, 병상 관리 시스템, 예약 시스템, 검사 장비, 약제 재고, 의료진 스케줄 데이터가 연결된다. 응급실 환자 유입이 갑자기 늘어나면 AI 에이전트는 현재 병상 여유, 검사 대기 시간, 의료진 배치, 수술실 일정, 약제 재고를 동시에 확인한다. 이후 환자 분류, 검사 우선순위, 병상 배정, 인력 재배치 시나리오를 제안할 수 있다.

물류센터에서는 주문, 재고, 로봇, 컨베이어, 스캐너, 카메라, 트럭 도착 정보가 실시간으로 움직인다. Agentic AI는 특정 시간대에 주문이 몰리면 어느 구역의 피킹 인력이 부족한지, 어떤 컨베이어가 병목인지, 어떤 출고 차량의 적재 순서를 바꿔야 하는지 판단한다. 외부 교통 데이터와 배송 우선순위까지 반영하면 출고 순서와 배송 경로도 조정할 수 있다.

리테일 매장에서도 POS 데이터, 재고 데이터, 매대 카메라, 고객 동선, 온라인 주문, 지역 날씨, 프로모션 정보가 동시에 발생한다. Agentic AI는 특정 상품의 판매 속도가 예상보다 빠르면 매장 재고와 근처 물류센터 재고를 함께 조회하고, 자동 발주나 매대 재배치를 제안할 수 있다. 특정 시간대에 고객이 몰리면 계산대 인력 배치나 픽업 주문 처리 순서도 조정할 수 있다.

이 사례들의 공통점은 분명하다. Agentic AI는 현장의 데이터를 단순히 수집하는 기술이 아니라, 그 데이터를 여러 시스템과 연결해 판단하고 다시 실행으로 되돌리는 기술이다. 이 과정에서 Edge Data Point와 Cloud 사이의 저지연 연결, 그리고 Cloud 내부의 동서 트래픽 처리 능력이 동시에 중요해진다.

Edge-to-Cloud 연결이 중요해지는 이유

Agentic AI의 효율성은 현장 데이터를 얼마나 빠르게 가져오고, 판단 결과를 얼마나 빠르게 현장 시스템에 되돌려보내는지에 따라 달라진다. 제조공장의 불량 감지, 병원의 응급실 운영, 물류센터의 출고 순서 조정, 매장의 자동 발주 기능은 모두 실시간성에 가까운 연결을 요구한다.

이때 필요한 것은 단순 인터넷 접속이 아니다. 현장에서 발생하는 고해상도 영상, 센서 데이터, 로봇 제어 데이터, 재고·주문 데이터가 안정적으로 클라우드와 AI 데이터센터까지 이동해야 한다. 동시에 AI가 만든 판단 결과가 현장 장비와 업무 시스템으로 다시 내려와야 한다.

따라서 AI가 현장으로 확산될수록 네트워크 수요는 두 방향에서 동시에 증가한다. 첫째, 클라우드와 AI 데이터센터 내부에서는 모델, 스토리지, 데이터베이스, 업무 시스템 사이의 동서 트래픽이 늘어난다. 둘째, 공장·병원·물류센터·매장 같은 Edge Data Point와 클라우드 사이에서는 저지연 access, backhaul, middle-mile 연결의 중요성이 커진다.

이 구분이 중요하다. 동서 트래픽은 주로 데이터센터 내부와 클라우드 간 연결의 문제다. 반면 access·backhaul·last-mile은 현장 데이터를 AI 인프라로 끌어올리고, AI의 판단을 다시 현장으로 내려보내는 문제다. 두 영역은 서로 다르지만, Agentic AI가 확산될수록 함께 성장할 수밖에 없다.

백엔드가 먼저 커지고, 이후 프론트엔드와 DCI가 따라온다

AI 데이터센터 내부에서는 가장 먼저 백엔드 네트워크가 압박을 받는다. 백엔드 네트워크는 GPU, AI accelerator, 스토리지, 서버 노드를 연결하는 영역이다. 대규모 추론과 학습에서는 여러 GPU가 하나의 거대한 컴퓨팅 풀처럼 움직여야 한다. 이때 GPU 간 데이터 이동이 느리면 전체 시스템 효율이 떨어진다.

Agentic AI는 이 압박을 더 강하게 만든다. 단일 모델 호출로 끝나는 작업보다, 계획 수립, 데이터 검색, 도구 호출, 결과 검증, 재추론이 반복되는 작업이 훨씬 많은 내부 트래픽을 만든다. 이 때문에 고속 Ethernet, 800G·1.6T 스위칭, 광모듈, 저지연 패브릭, congestion control, telemetry의 중요성이 커진다.

다만 백엔드 투자가 커진다고 해서 프론트엔드의 의미가 약해지는 흐름은 아니다. 백엔드가 강해질수록 다음 병목은 외부 연결에서 발생한다. AI 클러스터가 더 빠르게 추론하고 더 많은 요청을 처리할 수 있게 되면, 그 클러스터에 데이터를 넣고 빼는 경로가 중요해진다.

프론트엔드는 사용자 접속망만을 뜻하지 않는다. AI 클러스터를 외부 클라우드, 기업 데이터센터, 스토리지, WAN, 데이터센터 인터커넥트와 연결하는 영역이다. 기업 데이터가 퍼블릭 클라우드, 사내 데이터센터, 지점, 엣지 장비에 흩어져 있다면 AI 클러스터의 성능은 프론트엔드·DCI·WAN의 품질과 함께 결정된다.

따라서 AI CAPEX의 사이클은 백엔드와 프론트엔드가 서로 대체되는 구조보다, 백엔드 우선 투자 → 프론트엔드·DCI 후행 압력 → WAN·Access 확장의 순서로 전개될 가능성이 높다.

프론트엔드, 백엔드, DCI를 잘 도식화해놓은 표
Marvell

Scale Across의 본질은 여러 데이터센터와 현장을 하나의 AI 인프라처럼 묶는 것이다

Scale Up은 서버 내부와 랙 단위의 고밀도 연결을 의미한다. Scale Out은 데이터센터 내부에서 대규모 GPU 클러스터를 확장하는 단계다. 그 다음 단계인 Scale Across는 여러 데이터센터, 클라우드, 지역 거점, 산업 현장을 하나의 AI 인프라처럼 연결하는 경쟁이다.

Agentic AI가 강해질수록 기업은 단일 데이터센터 안에서만 AI를 운영하기 어렵다. 데이터는 분산되어 있고, 컴퓨팅 자원은 특정 지역의 대형 AI 데이터센터에 집중되며, 사용자와 현장 접점은 여러 지역으로 퍼져 있다. 이 세 가지가 서로 다른 위치에 존재하는 순간 AI 성능은 네트워크 구조에 의해 결정된다.

이때 필요한 것은 단순 인터넷 회선이 아니다. 데이터센터 간 전용 연결, 광전송망, 클라우드 온램프, 파장 서비스, 라우팅 자동화, 저지연 백본, 고속 광모듈이 중요해진다. AI가 더 많은 현실 세계의 데이터를 사용하려면, 현장 Edge Data Point와 클라우드 AI 인프라가 안정적으로 연결되어야 한다.

이 관점에서 광통신 인프라 CAPEX는 데이터센터 내부에서 시작해 데이터센터 간 연결로 확장되고, 다시 기업 지점과 엣지로 이어진다. AI가 산업 현장에 깊게 들어갈수록 광통신망은 AI 인프라의 외곽 설비가 아니라 현장 실행력을 결정하는 핵심 인프라로 재평가될 가능성이 높다.

BEAD와 FTTH는 분산형 AI 인프라 관점에서 다시 봐야 한다

Access, backhaul, last-mile 투자도 다시 볼 필요가 있다. 다만 논리의 순서를 정확히 잡아야 한다. 동서 트래픽이 중요해진다고 해서 FTTH나 BEAD가 곧바로 AI 백엔드 수혜가 되는 구조는 아니다.

AI 백엔드 네트워크는 주로 데이터센터 내부와 데이터센터 간 연결의 문제다. 반면 FTTH와 BEAD는 가정, 지역, 농촌, 중소도시, 커뮤니티 기관에 고속 인터넷을 공급하는 access 인프라 성격이 강하다. 따라서 둘을 직접 같은 투자 테마로 묶기보다는, 분산형 AI 활용을 가능하게 하는 인프라라는 관점에서 연결하는 편이 더 자연스럽다.

Agentic AI가 대형 클라우드 안에서만 쓰인다면 last-mile의 중요성은 제한적일 수 있다. 그러나 AI가 병원, 학교, 지방정부, 제조공장, 물류센터, 리테일 매장, 농업 현장, 중소기업 업무 시스템으로 확산되면 이야기가 달라진다. AI가 판단에 사용할 데이터는 대형 데이터센터 안에서만 만들어지지 않는다. 엣지와 지점, 지역망, 현장 장비에서 계속 생성된다.

따라서 BEAD와 FTTH의 재부각 논리는 “데이터센터 내부 동서 트래픽 증가”가 아니라, AI 활용 지점이 엣지와 지역으로 분산되면서 endpoint와 last-mile access의 전략적 가치가 올라간다는 데 있다.

Corning의 증설은 광통신 CAPEX가 AI 공급망의 핵심으로 들어왔다는 신호다

이러한 구조적 변화는 공급자들의 투자 결정에서도 확인된다. Corning은 NVIDIA와의 장기 파트너십을 통해 미국 내 광통신 생산능력을 대폭 확대하겠다고 발표했다. 핵심은 미국 내 optical connectivity 제조능력을 10배 확대하고, 미국 내 광섬유 생산능력을 50% 이상 늘리며, 노스캐롤라이나와 텍사스에 신규 제조시설 3곳을 건설한다는 내용이다. 신규 고용 규모도 3,000명 이상으로 제시됐다.

이 발표가 중요한 이유는 단순한 공장 증설 뉴스에 그치지 않기 때문이다. NVIDIA가 Corning과 손잡은 배경에는 AI 데이터센터에서 광연결이 병목으로 부상하고 있다는 판단이 깔려 있다. 현대 AI 워크로드는 수천 개의 GPU를 하나의 거대한 컴퓨팅 시스템처럼 묶어야 하고, 이 과정에서 고성능 광섬유, 커넥티비티, 포토닉스가 대량으로 필요하다.

이는 앞서 설명한 네트워크 투자 논리와 맞물린다. AI 데이터센터가 커질수록 GPU만 늘어나는 흐름에 머물지 않는다. GPU를 연결하는 광섬유, 고밀도 커넥터, 광모듈, 광전송 장비, 데이터센터 간 연결 인프라가 함께 필요해진다. AI factory의 규모가 커질수록 네트워크는 부속 설비가 아니라 AI 인프라의 핵심 구성요소가 된다.

Corning의 증설 계획은 두 가지 의미를 갖는다. 첫째, 대형 고객과 공급자가 광섬유·광연결을 AI 공급망의 전략 품목으로 보고 있다는 점이다. 둘째, 단기 공급 부족을 완화하기 위해서는 대규모 CAPEX와 시간이 필요하다는 점이다. 프리폼, 광섬유, 고밀도 연결 제품은 단기간에 공급이 탄력적으로 늘어나기 어렵기 때문이다.

프리폼이 얼마나 만들기 어렵고, 그 프리폼을 광섬유로 전환하는 과정도 얼마나 민감한지를 보여주는 글

광섬유 가격 상승은 구조적 수요 변화를 반영하기 시작했다

광통신 밸류체인의 가격 흐름도 같은 방향을 가리킨다. 중국 G.657.A2 광섬유 가격은 2025년 말 또는 2026년 초 이전 32~35위안/芯公里 수준에서, 2026년 3~4월 210~240위안/芯公里 수준까지 급등한 것으로 파악된다. 공개 자료상 A2급 프리폼 자체의 현물가격 시계열은 제한적이지만, 완제품 광섬유 가격 급등의 배경에는 상류 프리폼 공급 병목이 자리한다는 설명이 반복적으로 제시되고 있다.

https://business.cctv.com/2026/04/21/ARTIGxdq0f22sHxu7nx9dGug260421.shtml
https://www.21jingji.com/article/20260310/herald/78991d2bb98e6982bef768f899e26a27.html
https://36kr.com/p/3743708854009864?utm_source=chatgpt.com

중요한 점은 이번 가격 상승을 단순한 재고 사이클로만 보기 어렵다는 것이다. 과거 광섬유 수요는 5G, FTTH, 통신망 보급률 상승에 좌우되는 성격이 강했다. 그러나 지금은 AI 데이터센터 내부 고속 광연결, 데이터센터 간 DCI, 클라우드 간 연결, 엣지·지점 데이터를 AI 인프라로 연결하는 backhaul 수요가 동시에 커지고 있다.

결국 광섬유는 가정과 기지국을 연결하는 소재를 넘어, GPU 클러스터와 데이터센터, 클라우드와 엣지를 연결하는 AI 인프라의 핵심 소재로 재평가되고 있다. Corning의 대규모 증설 발표도 이 가격 흐름과 같은 방향을 가리킨다. 가격 상승은 수요가 공급보다 빠르게 움직이고 있다는 시장 신호이고, 글로벌 선도 업체의 증설은 그 수요가 일시적 현상에 그치지 않을 수 있다는 산업적 대응이다.

물론 단기적으로는 급등 이후 가격 조정, 신규 증설, 기술별 수요 변화, 중국 업체의 공급 대응을 함께 점검해야 한다. 그럼에도 큰 방향은 분명하다. 추론 AI와 Agentic AI가 동서 트래픽을 늘리고, 백엔드·프론트엔드·DCI·access 인프라 투자를 순차적으로 자극한다면, 광섬유 수요 역시 과거 통신망 투자 사이클을 넘어 AI CAPEX의 확장된 수혜 영역으로 편입될 수 있다.

결론: AI CAPEX는 GPU에서 광통신 인프라로 확장된다

AI 투자의 첫 번째 국면은 GPU와 데이터센터였다. 그러나 추론 AI와 Agentic AI가 확산될수록 투자 논리는 더 넓어진다. AI는 더 많은 데이터를 찾아야 하고, 더 많은 시스템을 호출해야 하며, 더 많은 검증 루프를 수행해야 한다. 이 과정에서 네트워크는 AI 성능과 비용을 결정하는 핵심 요소가 된다.

가장 먼저 부각되는 것은 동서 트래픽이다. AI가 데이터를 찾아 움직이고, 모델과 모델이 연결되며, GPU 클러스터와 스토리지가 실시간으로 상호작용하는 구조에서는 데이터센터 내부와 데이터센터 간 네트워크가 중요해진다.

그 다음에는 백엔드 네트워크 CAPEX가 커진다. Agentic AI의 반복 검증 루프는 GPU 간 통신과 클러스터 내부 데이터 이동을 늘리고, 이는 고속 Ethernet, 광모듈, 스위칭 장비, 저지연 패브릭 수요로 연결된다.

이후에는 프론트엔드, DCI, WAN 투자 압력이 뒤따른다. 백엔드가 강해질수록 AI 클러스터를 외부 데이터, 클라우드, 스토리지, 기업 시스템과 연결하는 경로가 다시 병목이 되기 때문이다.

마지막으로 access, backhaul, last-mile의 중요성이 재평가된다. AI가 대형 데이터센터 안에서만 작동하는 기술을 넘어, 공장·병원·물류센터·매장 같은 Edge Data Point로 확산될수록 endpoint를 AI 인프라와 연결하는 광통신망의 전략적 가치는 커진다.

결국 AI 시대의 CAPEX는 GPU 구매에서 끝나지 않는다. 연산 자원을 연결하고, 분산된 데이터를 묶고, 엣지의 현실 세계를 AI 모델과 이어주는 광통신 인프라 CAPEX로 확장된다. 최근 광섬유 가격 상승과 Corning의 대규모 광통신 생산능력 확장 계획은 이 변화가 이미 공급망과 가격에 반영되기 시작했음을 보여준다.

=끝

2026년 6월 2일 화요일

생각정리 271 (* AI Components Up-cycle -4)

지난 3Q25 Review 시즌에 PCB 업체들의 단체 NDR 컨퍼런스에 참석한 적이 있다. 당시 일정 중간에 삼성전기 세션이 있었지만, 별도로 신청하지는 않았었다. 그런데 마침 시간이 비었고, 현장에서 따로 요청드린 끝에 삼성전기 NDR 컨퍼런스에도 참석할 수 있었다.

앞뒤로 진행된 PCB 업체 세션과 비교하면 삼성전기 세션의 참석 인원은 유독 적었다. 그런데 그 자리에서 한 기관투자자분이 상당히 날카로운 질문을 연달아 던졌다. 회사의 답변은 다소 명확하지 않았지만, 그 질의응답을 듣는 순간 기록의 필요성을 느꼈다. 이전 세션까지는 내용을 따로 적어두지 않았지만, 급히 가방에 넣어두었던 노트북을 꺼내 당시 내용을 후다닥 정리하기 시작했던 기억이 있다.

당시에는 ABF 산업을 따로 공부하고 있었기 때문에, MLCC 산업의 업황 변화가 더욱 선명하게 체감됐다. 회사로 돌아와 내용을 다시 정리하는 과정에서, 다른 PCB 업체들보다 삼성전기의 업사이드 포텐셜이 훨씬 크다는 생각이 들었고, 이후 포트폴리오 비중을 조정했다.

그 뒤로도 수동소자 업종을 계속 눈여겨보고 있다. 최근에는 Agentic AI가 AI 인프라 산업의 지형을 바꿔가는 과정에서, 수동소자가 예상보다 더 중요한 축으로 부상할 가능성이 높아지고 있다고 느낀다.

2026.06.03 기준

마침 연휴 동안 범용 수동소자의 대표 기업인 Walsin Technology의 최근 어닝콜을 정리하던 중, 이러한 관점을 뒷받침할 만한 흥미로운 변화도 확인할 수 있었다.

Walsin Technology

수동소자 업황은 과거처럼 PC, 스마트폰, TV 수요 사이클만으로 설명하기 어려운 국면에 들어서고 있다.

특히 Computex 2026에서 강조된 agentic AI의 확산은 AI 연산이 데이터센터 내부에만 머무르지 않고, AI PC, edge device, 자동차, 로봇, 휴머노이드로 확산될 가능성을 보여줬다.

이 변화는 수동소자 산업에도 직접적인 영향을 미친다. AI가 더 많은 기기 안에서 상시 작동하려면 전력 공급은 더 정밀해져야 하고, 신호 품질은 더 안정적이어야 하며, 물리세계에서 작동하는 기기는 더 높은 내열성·내진동성·내구성을 갖춰야 한다.

결국 MLCC, 저항기, 인덕터 같은 수동소자는 단순한 후방 부품이 아니라 AI 확산을 가능하게 하는 전력·신호·신뢰성 인프라로 재평가될 수 있다.

이번 글은 Walsin Technology의 코멘트를 출발점으로, Computex 2026 이후 agentic AI 확산이 수동소자 산업의 수요, 제품 믹스, 가격 사이클을 어떻게 바꿀 수 있는지를 정리해보는 리서치 기록이다.

AI가 물리세계로 내려오면, 수동소자가 먼저 부족해진다

1. AI 투자를 GPU와 HBM만으로 보면 놓치는 것이 있다

AI 인프라 투자는 지금까지 주로 GPU, HBM, 첨단 패키징 중심으로 설명되어 왔다. 그러나 AI 시스템이 고도화될수록 또 하나의 중요한 부품군이 부각되고 있다. 바로 수동소자다.

수동소자는 스스로 연산하지 않는다. 대신 반도체가 안정적으로 작동할 수 있도록 전압을 안정화하고, 전류를 조절하고, 노이즈를 줄이고, 전력 변환을 돕는 역할을 한다.

쉽게 말하면 GPU와 CPU가 엔진이라면, 수동소자는 엔진에 전기를 안정적으로 공급하는 배관, 밸브, 완충 장치, 필터에 가깝다. 엔진 성능이 높아질수록 연료 공급과 열 관리가 중요해지는 것처럼, AI 반도체 성능이 높아질수록 전기적 안정성을 책임지는 수동소자의 중요성도 커진다.

이번 글의 핵심 질문은 단순하다.

AI가 서버에서 PC, 엣지 디바이스, 자율주행, 휴머노이드로 확산될 때 수동소자 수요는 얼마나 구조적으로 증가할 수 있는가.

2. 수동소자의 3대 축: MLCC, 저항기, 인덕터

수동소자는 종류가 많지만, AI 확산과 가장 직접적으로 연결되는 부품은 MLCC, 저항기, 인덕터다.

세 부품의 역할을 한 문장으로 정리하면 다음과 같다.

MLCC는 저장하고 걸러내며, 저항기는 조절하고 감지하고, 인덕터는 완충하고 변환한다.

AI 기기는 순간적으로 전력을 많이 쓰고, 메모리 접근이 잦고, 고속 통신이 많다. 따라서 기존 PC나 스마트폰보다 더 촘촘한 전원 안정화와 노이즈 관리가 필요하다. 이 지점에서 수동소자 탑재량과 요구 사양이 함께 올라간다.

3. AI 서버 랙당 수동소자 사용량은 비선형적으로 증가한다

수동소자 수요를 볼 때 가장 먼저 확인해야 할 변화는 AI 서버 랙당 탑재량 증가다.

AI 서버는 세대가 올라갈수록 GPU 수, 전력 소모, 발열, 통신 속도가 동시에 증가한다. 이 네 가지 변화는 모두 수동소자를 더 많이 필요로 만든다.

HGX H100에서 Rubin Ultra NVL576으로 넘어가면 GPU 수는 8개에서 576개로 증가한다. 이 과정에서 MLCC와 chip resistor 사용량은 단순히 몇 배 늘어나는 수준을 넘어 최대 100배 수준까지 증가할 수 있는 구조로 바뀐다.

이 숫자가 중요한 이유는 명확하다. AI 서버 수요는 더 이상 “서버가 몇 대 팔리는가”만으로 설명하기 어렵다. 이제는 한 랙 안에 얼마나 많은 전력 안정화 부품이 들어가는가가 더 중요해지고 있다.

4. AI 서버의 핵심은 연산·통신·전원 3개 축이다

AI 서버에서 수동소자가 늘어나는 이유는 세 가지다.

첫째, 연산량 증가다. GPU 수가 늘어나면 전력 사용량이 커진다. GPU, CPU, HBM 주변에는 더 많은 MLCC와 저항기, 인덕터가 필요하다.

둘째, 통신량 증가다. AI 서버는 GPU끼리, 서버끼리, 랙끼리 대량의 데이터를 주고받는다. 통신 속도가 빨라질수록 신호 품질과 노이즈 관리가 중요해진다.

셋째, 전원부 복잡도 증가다. AI 랙은 수백 kW에서 MW급 전력을 다루는 방향으로 가고 있다. 전력을 안정적으로 변환하고 분배하려면 고전압 MLCC, 고전류 인덕터, 저저항·고정밀 저항기가 필요하다.

따라서 AI 서버 수요를 볼 때 GPU와 HBM만 보는 것은 부족하다. AI 랙은 연산, 통신, 전원이 동시에 고도화되는 시스템이고, 수동소자는 이 세 축을 모두 떠받치는 부품이다.

5. Computex의 메시지: AI는 서버 밖으로 이동하고 있다

이번 Computex에서 Qualcomm, Intel, Marvell, NVIDIA가 공통적으로 보여준 방향은 분명하다. AI는 데이터센터 안에만 머무르지 않는다. 앞으로 AI는 PC, 스마트폰, 웨어러블, 자동차, 로봇, 산업 장비로 확산된다.

Qualcomm은 agentic AI 시대를 강조했다. Agentic AI는 사용자의 질문에 답하는 수준을 넘어, 스스로 작업을 나누고, 도구를 호출하고, 여러 기기에서 행동하는 AI를 의미한다.

이 변화가 본격화되면 디지털 생태계의 중심은 스마트폰이나 특정 OS가 아니라 AI agent로 이동할 수 있다. 에이전트는 하나의 기기에만 머무르지 않고, 사용자를 따라 스마트폰, PC, 자동차, 웨어러블을 넘나들며 작동한다.

앞으로의 기기는 단순히 앱을 실행하는 장치가 아니다. 사용자의 주변 상황을 계속 인식하고, 필요한 작업을 상시 처리하고, 클라우드가 없어도 일정 수준의 AI 추론을 수행해야 한다. 이를 위해 기기는 고성능, 저전력, 온디바이스 AI, 고속 연결성을 동시에 갖춰야 한다.

이 변화는 엣지 디바이스 교체 사이클과도 연결된다.

Agentic AI가 복잡한 다단계 작업을 수행하면 토큰 사용량도 급증한다. 모든 연산을 클라우드에서 처리하면 비용과 지연시간 문제가 커진다. 이 때문에 Qualcomm은 필요한 작업만 클라우드에서 처리하고, 나머지는 디바이스에서 처리하는 분산형 agentic AI 구조를 제시한다.

이 구조가 확산되면 AI 연산은 데이터센터 한 곳에 집중되지 않는다. 스마트폰, PC, 자동차, 로봇, 웨어러블이 모두 작은 AI 컴퓨터가 된다. 그리고 모든 AI 컴퓨터는 더 많은 전력을 더 정밀하게 다뤄야 한다.

6. AI PC와 AI Deskside PC는 수동소자 탑재 집약도를 높인다

AI PC는 기존 PC에 NPU만 추가한 제품으로 보기 어렵다. 앞으로의 AI PC는 CPU, GPU, NPU, 메모리, SSD, 통신칩, 전원관리칩이 함께 작동하는 고밀도 로컬 AI 장치에 가까워진다.

AI가 로컬에서 실행되면 메모리 접근이 많아지고, 전력 부하가 순간적으로 커진다. 특히 agentic AI는 한 번의 명령으로 끝나지 않는다. 파일을 읽고, 웹을 검색하고, 코드를 작성하고, 결과를 검증하고, 다시 수정하는 작업을 반복한다. 이 과정에서 CPU, 메모리, 저장장치, 네트워크가 동시에 사용된다.

AI Deskside PC는 이 흐름을 더 강하게 보여준다. NVIDIA의 DGX Spark 같은 개인용 AI 슈퍼컴퓨터는 데스크톱 크기 안에서 대형 모델을 추론하고 미세조정할 수 있도록 설계됐다. 일반 PC보다 훨씬 높은 연산 성능과 대용량 통합 메모리를 요구한다.

공식 BOM이 공개된 것은 아니지만, 회로 블록 기준으로 보면 AI PC와 AI Deskside PC의 수동소자 탑재량은 기존 PC보다 높아질 가능성이 크다.

위 수치는 제조사 공식 BOM이 아니라 working estimate다. 그러나 방향성은 분명하다. AI PC와 AI Deskside PC는 더 많은 연산, 더 큰 메모리, 더 높은 전력 변환, 더 빠른 통신을 필요로 한다. 이 네 가지는 모두 수동소자 탑재 집약도를 높이는 요인이다.

7. 휴머노이드는 움직이는 AI 서버에 가깝다

시장에서 가장 기대감이 높은 AI application 중 하나는 휴머노이드다. 휴머노이드는 단순한 로봇이 아니다. AI 연산 장치, 센서, 모터, 배터리, 통신 모듈, 전원 변환 회로가 하나의 몸체 안에 들어간 복합 전자 시스템이다.

데이터센터 서버는 고정된 공간에서 작동한다. 반면 휴머노이드는 실제 물리세계에서 걷고, 보고, 듣고, 판단하고, 물체를 잡고, 사람과 상호작용한다. 이 과정에서 카메라, 라이다, IMU, 힘 센서, 촉각 센서, 모터 드라이버, 배터리 관리 시스템, 엣지 AI 보드가 동시에 작동한다.

휴머노이드를 주요 모듈로 나누면 수동소자 사용량이 왜 커질 수밖에 없는지 이해하기 쉽다.

Goldman sachs

휴머노이드에서 중요한 것은 개수만이 아니다. 물리세계에서 작동하는 AI 기기는 데이터센터보다 훨씬 거친 환경에 놓인다. 진동, 충격, 열, 습도, 먼지, 전자파, 반복적인 기계적 스트레스가 모두 부품에 부담을 준다.

그래서 휴머노이드에는 단순 범용품보다 내열성, 내습성, 내진동성, 내충격성, 장기 신뢰성을 갖춘 고품질 수동소자가 필요하다. 특히 모터가 많은 제품에서는 전류가 순간적으로 크게 변하고, 모터 구동 과정에서 전압 스파이크가 발생할 수 있다.

이때 MLCC는 전압을 안정화하고, 인덕터는 전류 변화를 완충하며, 저항기는 전류를 감지하고 제어한다. Physical AI가 확산될수록 수동소자는 더 많이 쓰일 뿐 아니라, 더 높은 사양으로 쓰일 수밖에 없다.

8. 수동소자 제조 경쟁력은 소재와 공정에서 갈린다

수동소자는 작은 부품이지만 고성능 제품일수록 제조 난이도가 높다. 핵심은 더 작게 만들면서도 더 높은 전압, 더 큰 전류, 더 높은 온도, 더 강한 진동을 견디게 만드는 것이다.

MLCC의 경쟁력은 세라믹 유전체를 얼마나 얇고 균일하게 만들고, 그 얇은 층을 얼마나 많이 쌓을 수 있는지에서 나온다. 층을 많이 쌓으면 용량은 커지지만, 전압을 버티고 장기 신뢰성을 유지하기는 더 어려워진다. 그래서 고용량·고전압 MLCC는 분말, 전극, 적층, 소성, 검사 공정이 모두 중요하다.

인덕터의 경쟁력은 자성 소재, 코일 설계, 저손실 구조, 열 관리에서 나온다. AI 서버와 전장 전원부는 큰 전류를 다루기 때문에 인덕터가 뜨거워지거나 손실이 커지면 시스템 효율이 떨어진다. 그래서 고전류를 버티면서도 저항을 낮추고, 크기를 줄이고, 발열을 억제하는 기술이 중요하다.

저항기의 경쟁력은 저저항, 고정밀, 낮은 온도계수, 고전력 내구성에서 갈린다. AI 서버 전원부, 전기차, 로봇의 배터리 관리 시스템에서는 전류를 정확하게 감지해야 한다. 온도에 따라 저항값이 흔들리면 전류 측정이 부정확해지고, 이는 안전성과 신뢰성 문제로 이어질 수 있다.

결국 고성능 수동소자는 단순 부품이 아니라 소재·공정·신뢰성 기술이 결합된 전력 인프라 부품이다.

9. 프리미엄 수동소자에서 시작된 타이트닝은 범용품으로 번질 수 있다

수동소자 사이클은 보통 프리미엄 제품에서 먼저 시작된다. 이번에도 같은 흐름이 나타날 가능성이 크다.

AI 서버는 고용량 MLCC, 고전압 MLCC, 고정밀 저항기, 고전류 인덕터를 많이 필요로 한다. 전장과 로봇도 내열성, 내진동성, 내습성, 내황화성 같은 고신뢰성 스펙을 요구한다. 이런 제품은 고객 인증과 신뢰성 검증이 필요하기 때문에 공급이 갑자기 늘어나기 어렵다.

초기에는 AI 서버용, 전장용, 산업용 고사양 수동소자에서 리드타임이 길어지고 가격이 오른다. 이후 공급업체가 한정된 생산능력을 고부가 제품으로 옮기면 범용품 공급 여유도 줄어든다. 이때부터는 소비자 IT 수요가 완전히 강하지 않더라도 범용 MLCC, 범용 저항기, 일반 인덕터 가격에도 반등 압력이 생길 수 있다.

즉, 이번 사이클은 프리미엄 세그먼트의 가격 인상이 범용 세그먼트로 확산되는 구조로 볼 수 있다.

10. 수동소자 upcycle의 추가 근거: 주문을 다 받지 않는 시장으로 전환

이번 수동소자 사이클의 신뢰도를 높이는 또 하나의 근거는 조달 방식의 변화다. 과거에는 수동소자가 범용 전자부품으로 취급되는 경우가 많았다. 재고가 충분하고 납기가 짧으면 필요한 시점에 주문하면 되는 부품에 가까웠다.

그러나 AI 서버 증산이 본격화되면서 분위기가 달라지고 있다. 대만의 Foxconn, Quanta, Wistron 같은 AI 서버 제조업체들은 NVIDIA와 주요 클라우드 고객의 수요에 맞춰 생산능력을 빠르게 늘리고 있다. 이 과정에서 GPU, HBM, 전원공급장치, PCB뿐 아니라 MLCC, 저항기, 인덕터 같은 수동소자도 생산 차질을 막기 위한 핵심 조달 항목으로 올라서고 있다.

특히 AI 서버용 수동소자는 범용품과 다르다. 고출력 전원부, 고속 신호, 고열 환경에서 안정적으로 작동해야 하기 때문에 고용량 MLCC, 고전압 MLCC, 저저항·고정밀 저항기, 고전류 인덕터가 필요하다. 이 제품들은 아무 업체나 즉시 공급하기 어렵고, 고객 인증과 신뢰성 검증에도 시간이 걸린다.

그래서 시장은 단순한 주문 증가 단계를 넘어 물량 확보 경쟁으로 이동하고 있다. 일부 MLCC의 리드타임은 16~24주 이상으로 길어졌고, 대만 유통 채널에서는 재고가 낮아졌다는 신호도 확인된다. 선두 업체들은 AI 서버용 고부가 제품에 생산능력을 우선 배정하고 있으며, 그 결과 일반 범용품 주문은 2선 업체로 밀려나는 흐름도 나타난다.

여기서 중요한 변화는 공급업체가 모든 주문을 무조건 받지 않는다는 점이다. Walsin Technology는 원재료 가격이 급등하는 상황에서 고객 주문이 계속 들어오고 있지만, 비용 전가가 끝나기 전에 무제한으로 물량을 공급할 수 없다는 취지로 설명했다. 이는 수동소자 시장이 과거의 구매자 우위에서 판매자 우위의 가격 협상 구간으로 이동하고 있음을 보여준다.

일본과 대만 업체들의 가격 전략도 같은 방향이다. Taiyo Yuden은 일부 MLCC 가격을 인상했고, Yageo와 Walsin도 손실 제품이나 특정 제품군에 대해 고객별 가격 조정을 협의하고 있다. 이는 전면적인 패닉 쇼티지라기보다, 프리미엄 수동소자부터 가격 협상과 고객별 물량 배정이 시작되는 국면으로 볼 수 있다.

이 구조가 중요한 이유는 가격 인상이 프리미엄 제품에만 머물지 않을 수 있기 때문이다. 선두 업체가 AI 서버용 고부가 제품에 생산능력을 배정하면, 기존 범용 제품의 공급 여유는 줄어든다. 그러면 범용품에서도 리드타임이 늘고, 유통 채널이 선제적으로 재고를 확보하며, 가격 인상 기대가 확산될 수 있다.

결국 이번 수동소자 upcycle은 단순한 수요 회복이 아니다. AI 서버 제조업체의 증산, 선두 수동소자 업체의 고부가 제품 우선 배정, 고객별 가격 협상, 리드타임 확대, 재고 축소가 동시에 나타나는 공급망 재편이다. 이 조합은 수동소자 가격 인상과 제품 믹스 개선이 예상보다 빠르게 진행될 수 있다는 근거가 된다.

11. 원재료 가격 상승은 가격 인상 속도를 더 빠르게 만들 수 있다

이번 수동소자 사이클의 또 다른 특징은 후방 원가 압력이다. 전방에서는 AI 서버, AI PC, edge device, 휴머노이드, 자율주행이 수요를 끌어올리고 있다. 동시에 후방에서는 은, 팔라듐, 구리, 니켈, 주석, 탄탈럼, 희토류, 석유계 소재 가격이 상승하면서 제조 원가를 밀어 올리고 있다.

이 구조는 수동소자 업체에 두 가지 압력을 만든다.

첫째, demand-pull inflation이다. 고객이 더 많은 고품질 수동소자를 요구하면서 가격 협상력이 공급업체 쪽으로 이동한다.

둘째, cost-push inflation이다. 금속과 희귀금속, 에너지, 운송비가 오르면서 제조 원가 자체가 상승한다.

일반적으로 원가가 올라도 최종 수요가 약하면 가격 전가는 어렵다. 그러나 지금은 AI 서버와 전장, 로봇, edge AI 수요가 동시에 커지고 있다. 고객 입장에서는 가격보다 안정적인 물량 확보가 더 중요해질 수 있다.

그래서 이번 가격 사이클은 예상보다 빠르게 진행될 수 있다. 프리미엄 수동소자에서 시작된 가격 인상은 원가 상승과 맞물려 범용 제품군으로 확산될 가능성이 있다.

12. 결론: 수동소자는 AI 인프라의 숨은 병목이다

AI가 발전할수록 더 많은 연산이 필요하다. 그러나 연산만으로 AI 시스템은 완성되지 않는다. 그 연산을 가능하게 하려면 전력 공급이 안정적이어야 하고, 신호가 깨끗해야 하며, 열과 진동을 견딜 수 있어야 한다.

AI 서버는 랙당 수동소자 사용량을 급격히 늘리고 있다. AI PC와 AI Deskside PC는 개인 단말 안으로 고성능 AI 연산과 대용량 메모리를 가져온다. 휴머노이드와 자율주행, 산업용 로봇은 AI를 물리세계로 확산시키며 더 높은 내구성과 신뢰성을 요구한다.

여기에 공급 측면에서는 선두 업체들이 고부가 제품에 생산능력을 우선 배정하고, 일부 주문은 가격 협상과 물량 배정을 거쳐 공급하는 구조로 이동하고 있다. 후방에서는 금속과 희귀금속 가격 상승이 원가를 밀어 올리고 있다.

이 변화는 수동소자 산업에 세 가지 효과를 만든다.

첫째, 기기당 탑재 개수 증가다.
둘째, 고사양 제품 비중 상승이다.
셋째, 리드타임 확대와 ASP 인상 가능성이다.

따라서 수동소자는 더 이상 후방의 저부가 범용 부품으로만 보기 어렵다. AI가 데이터센터에서 PC, edge device, 자동차, 로봇, 산업 장비로 확산될수록 수동소자는 AI 전력·신호·신뢰성 인프라를 지탱하는 핵심 부품군으로 재평가될 수 있다.

=끝

2026년 6월 1일 월요일

생각정리 270 (* AI Components Up-cycle -3)

어제 Nvidia computex 2026를 실시간으로 시청하며 들었던 생각을 두서없이 기록해본다.

Agentic AI 시대의 새로운 병목

토큰 수요는 GPU에서만 늘어나지 않는다

단순 챗봇 대비 에이전틱 AI closed-loop 자동화는 전체 토큰 소비를 보수적으로 10~50배, 업무 자동화에서는 50~200배, 코딩·EDA·데이터 분석형 에이전트에서는 200~1,000배 이상까지 키울 수 있다.

이 문장의 핵심은 간단하다. AI가 “질문에 답하는 도구”에서 업무를 끝까지 수행하는 자동화 시스템으로 바뀌면, 모델 호출 횟수 자체가 늘어난다. 사용자가 한 번 질문하고 모델이 한 번 답하는 구조에서는 토큰 소비가 한 차례 발생한다. 하지만 에이전틱 AI에서는 AI가 계획을 세우고, 도구를 실행하고, 결과를 읽고, 다시 판단하고, 오류를 수정하고, 다음 행동을 반복한다.

젠슨 황이 Computex/GTC Taipei 2026 키노트에서 GitHub commit 증가를 예로 든 것도 같은 맥락이다. 그는 2023년 3억 건, 2024년 4억 건, 2025년 5억 건이던 GitHub commit이 2026년 초 몇 달 만에 거의 3배로 늘었다고 설명했다. 여기서 중요한 부분은 코드 작성이 AI의 대표적인 agentic workload라는 점이다. AI가 실제 업무 생산성을 높이는 순간, 사용량은 단순 채팅이 아니라 자동화된 작업량을 따라 증가한다.

(젠슨황 : Agentic ai 시대의 token 사용량 폭증)

따라서 앞으로 AI 인프라 수요를 볼 때는 단순히 “사람들이 챗봇을 얼마나 많이 쓰는가”만 봐서는 부족하다. 더 중요한 질문은 이것이다.

AI가 실제 업무를 대신 수행하면서 내부적으로 몇 번이나 생각하고, 몇 번이나 도구를 쓰고, 몇 번이나 결과를 다시 읽는가.

이 질문이 Agentic AI 시대의 토큰 수요와 하드웨어 병목을 이해하는 출발점이다.

1. 에이전틱 AI는 왜 토큰을 폭발적으로 늘리는가

기존 챗봇은 구조가 단순했다.

사용자 질문 → 모델 답변

이때 토큰 소비는 주로 두 단계에서 발생한다. 먼저 모델이 사용자의 입력을 읽고 이해하는 prefill 단계가 있고, 그다음 모델이 답변을 한 토큰씩 생성하는 decode 단계가 있다.

단순 챗봇에서는 사용자가 짧게 묻고 모델이 길게 답하는 경우가 많았다. 그래서 시장은 자연스럽게 decode 병목에 주목했다. 모델이 답변을 생성할 때마다 과거 토큰의 KV cache를 계속 읽어야 하고, 이 과정에서 HBM 대역폭과 GPU 효율이 중요했기 때문이다.

하지만 에이전틱 AI는 구조가 다르다.

사용자 요청 → 계획 수립 → 도구 실행 → 결과 확인 → 재계획 → 추가 실행 → 검증 → 수정 → 최종 결과

여기서 AI는 한 번만 답하지 않는다. AI는 업무를 수행한다. 즉, 사용자가 시키는 일을 완성하기 위해 closed-loop 자동화를 반복한다.

이 차이가 토큰 수요를 구조적으로 바꾼다.

단순 챗봇은 “1회성 답변”이고, 에이전틱 AI는 “반복 업무 수행”이다

단순 챗봇의 토큰 소비는 다음과 같이 단순화할 수 있다.

이 경우 사용자가 한 번 묻고, 모델이 한 번 답한다. 총 토큰은 4,500개다.

반면 에이전틱 AI는 같은 요청도 훨씬 복잡하게 처리한다. 예를 들어 사용자가 다음과 같이 요청했다고 가정해보자.

“경쟁사 실적 자료를 찾아서, 컨센서스와 비교하고, 표로 정리한 뒤 투자 의견을 써줘.”

단순 챗봇이라면 첨부된 자료만 읽고 요약할 수 있다. 하지만 에이전틱 AI라면 실제 애널리스트 업무처럼 움직인다.

먼저 어떤 자료가 필요한지 계획한다.
경쟁사 실적 자료를 검색한다.
실적표를 읽고 필요한 숫자를 추출한다.
컨센서스 데이터를 불러온다.
실제 실적과 컨센서스를 비교한다.
차이가 큰 항목을 다시 검증한다.
표를 만든다.
투자 의견 초안을 작성한다.
오류가 있는지 다시 확인한다.
최종 보고서 형태로 정리한다.

각 단계마다 모델은 새로운 정보를 읽고 판단해야 한다. 즉, 매번 prefill과 decode가 다시 발생한다.

이 경우 총 토큰은 약 64,300개다. 단순 챗봇 4,500개와 비교하면 약 14배다.

더 중요한 점은 증가분의 대부분이 decode가 아니라 prefill에서 나온다는 것이다.

여기서 핵심은 명확하다. 에이전틱 AI는 답변을 조금 더 길게 쓰는 기술이 아니다. 업무 과정에서 계속 새로운 정보를 읽고, 판단하고, 재입력하는 구조다. 그래서 prefill 수요가 반복적으로 커진다.

토큰 수요가 늘어나는 첫 번째 이유: 모델 호출 횟수가 늘어난다

에이전틱 AI에서 가장 직관적인 변화는 LLM 호출 횟수 증가다.

단순 챗봇은 보통 한 번의 질문에 한 번의 모델 호출이 발생한다. 하지만 에이전트는 업무를 잘게 쪼개서 처리한다. 계획을 세울 때 한 번, 검색 결과를 읽을 때 한 번, 도구를 실행한 뒤 결과를 해석할 때 한 번, 오류를 발견하면 다시 한 번, 최종 결과를 쓸 때 다시 한 번 호출된다.

이를 단순화하면 다음과 같다.

모델 호출 횟수가 늘어난다는 것은 매번 prefill과 decode가 반복된다는 뜻이다. 단순히 답변 길이가 길어지는 정도의 문제가 아니라, 업무 하나가 여러 개의 LLM 작업으로 분해된다.

이 때문에 에이전틱 AI의 토큰 수요는 사용자 수 증가보다 더 빠르게 늘 수 있다. 같은 사용자가 같은 시간을 쓰더라도, AI가 뒤에서 여러 번 사고하고 여러 번 도구를 실행하면 실제 토큰 소비는 크게 증가한다.

토큰 수요가 늘어나는 두 번째 이유: 도구 사용 결과가 다시 입력으로 들어간다

에이전틱 AI의 가장 큰 차별점은 tool use다. 에이전트는 단순히 답변하지 않고, 실제 도구를 사용한다.

예를 들면 다음과 같다.

이 중간 결과들은 처음에는 토큰이 아니다. CPU memory, SSD, 데이터베이스, 파일 시스템에 저장된 데이터일 뿐이다. 하지만 에이전트가 다음 판단을 하기 위해 이 결과를 다시 LLM에 넣는 순간, 전부 prefill token이 된다.

이 구조가 중요하다.

도구 실행 → 결과 저장 → 결과 재입력 → 판단 → 다음 도구 실행

이 반복이 에이전틱 AI의 기본 작동 방식이다. 따라서 에이전트가 도구를 많이 쓸수록, 중간 결과가 많아지고, 그 결과를 다시 읽는 prefill 수요도 커진다.

이때 CPU-attached memory는 중요한 역할을 한다. CPU와 CPU-attached memory가 토큰을 직접 소비하는 것은 아니다. 하지만 도구 결과, 검색 결과, 코드 실행 로그, agent state를 보관하고 있다가 LLM 입력으로 다시 넘긴다. 그래서 CPU-attached memory는 에이전틱 AI에서 token reservoir 역할을 한다.

토큰 수요가 늘어나는 세 번째 이유: 검증과 재시도가 반복된다

에이전틱 AI는 한 번에 정답을 내는 구조보다, 시도하고 검증하고 수정하는 구조에 가깝다.

특히 코딩, 데이터 분석, EDA, 법률 검토, 금융 리서치처럼 정확성이 중요한 업무에서는 검증과 재시도가 필수다. 모델이 처음 만든 결과가 맞는지 확인해야 하고, 틀렸다면 다시 수정해야 한다.

코딩 에이전트를 예로 들면 흐름은 다음과 같다.

코드 작성 → 실행 → 오류 로그 확인 → 수정 → 테스트 → 재실행 → 리팩토링 → 문서화

이 과정에서 오류 로그, 코드 파일, 테스트 결과, dependency 정보가 계속 모델 입력으로 들어간다.

간단한 가정을 두면 다음과 같다.

계산하면 다음과 같다.

단순 챗봇 4,500 tokens와 비교하면 약 145배다.

이 예시에서 decode도 늘어나지만, 압도적으로 큰 부분은 반복 prefill이다. 코딩 에이전트는 매번 코드와 오류 로그를 다시 읽어야 하기 때문이다.

EDA·칩 설계 검증에서는 1,000배 이상도 가능하다

반도체 설계 검증 에이전트는 더 극단적이다. RTL, testbench, simulation log, regression result, bug trace를 읽고 다시 수정하는 과정이 반복된다. 젠슨 황도 Cadence와 NVIDIA가 chip design agent를 구축했고, 검증 사이클을 몇 주에서 몇 시간으로 줄였다고 설명했다.

이런 업무는 데이터 크기가 크고, 반복 횟수도 많다. 단순히 한두 개 문서를 읽는 수준이 아니라, 대량의 코드와 로그를 계속 읽고 해석해야 한다.

https://www.youtube.com/watch?v=wSp6AiNIrsY&t=1s

예를 들어 다음과 같이 가정할 수 있다.

단순 챗봇 4,500 tokens 대비 1,000배 이상이다.

이런 영역에서는 토큰 수요의 본질이 완전히 달라진다. 사용자가 질문을 많이 해서 토큰이 늘어나는 것이 아니라, AI가 업무를 자동으로 수행하는 과정에서 내부적으로 수많은 읽기·판단·검증 loop를 돌기 때문에 토큰이 늘어난다.

토큰 수요는 “사용자 수 × 질문 수”가 아니라 “업무 수 × loop 수 × context 크기”가 된다

에이전틱 AI 시대에는 토큰 수요를 보는 방식도 바뀐다.

기존 챗봇 시대의 토큰 수요는 대략 다음과 같이 볼 수 있었다.

토큰 수요 = 사용자 수 × 질문 수 × 평균 답변 길이

하지만 에이전틱 AI 시대에는 공식이 달라진다.

토큰 수요 = 업무 수 × loop 횟수 × 회당 context 크기 × 검증·재시도 비율

이 변화가 가장 중요하다.

사용자 한 명이 “보고서 하나 작성해줘”라고 요청해도, 에이전트는 내부적으로 수십 번의 loop를 돌 수 있다. 검색하고, 읽고, 비교하고, 계산하고, 표를 만들고, 오류를 검증하고, 최종 문장을 작성한다. 사용자 관점에서는 요청 한 번이지만, 인프라 관점에서는 수십 번의 모델 호출과 수십만 토큰 소비가 발생할 수 있다.

그래서 에이전틱 AI가 실제 업무 자동화로 들어가면 토큰 수요는 사용자 수 증가보다 훨씬 빠르게 늘어난다.

반복 prefill이 특히 중요한 이유

여기서 가장 중요한 변화는 prefill의 재부상이다.

기존 챗봇에서는 decode가 중심이었다. 모델이 답변을 생성할 때 active KV cache를 계속 읽어야 했고, 이 과정에서 GPU와 HBM이 핵심 병목이었다.

그러나 에이전틱 AI에서는 prefill이 다시 중요해진다. 이유는 매 loop마다 모델이 새로운 context를 읽어야 하기 때문이다.

특히 과거 작업 이력을 계속 누적해서 넣으면 prefill은 빠르게 커진다. 예를 들어 10단계 업무에서 매 단계의 결과를 모두 다음 단계에 넣으면, 뒤로 갈수록 읽어야 할 context가 길어진다. 이 경우 토큰 수요는 단순히 loop 횟수만큼 늘어나는 것이 아니라, 누적 context 때문에 더 빠르게 증가할 수 있다.

물론 실제 시스템은 요약, 압축, retrieval, memory pruning을 통해 context를 줄이려 한다. 하지만 이 역시 새로운 인프라 병목을 만든다. 어떤 정보를 버리고, 어떤 정보를 다시 읽고, 어떤 정보를 GPU로 보낼지 결정해야 하기 때문이다.

결국 에이전틱 AI의 경쟁력은 모델 성능만으로 결정되지 않는다. 필요한 context를 얼마나 잘 고르고, 압축하고, 빠르게 읽어와서 GPU에 공급하느냐가 핵심이 된다.

시나리오별 토큰 증가율

투자 관점에서는 다음과 같은 프레임으로 볼 수 있다.

이 표의 의미는 특정 숫자를 정확히 예측하자는 것이 아니다. 더 중요한 것은 방향성이다. 에이전틱 AI가 closed-loop 자동화로 진화할수록 decode보다 prefill 증가율이 더 커질 가능성이 높다. AI가 매번 새로 읽어야 하는 문서, 로그, 코드, 도구 결과, 과거 작업 이력이 늘어나기 때문이다.

2. 병목은 decode에서 repeated prefill로 넓어진다

기존 AI 인프라 투자 논리는 비교적 명확했다. 모델이 답변을 생성하는 decode 단계에서는 과거 토큰의 KV cache를 계속 읽어야 한다. 그래서 GPU, HBM, NVLink가 핵심이었다. active KV cache가 HBM에 있어야 빠르게 토큰을 생성할 수 있었기 때문이다.

반면 에이전틱 AI에서는 병목이 더 넓어진다. 이제 중요한 것은 모델이 답변을 얼마나 빨리 쓰느냐뿐 아니라, 모델이 다음 판단을 위해 필요한 정보를 얼마나 빠르게 읽어오느냐다.

이 차이를 정리하면 다음과 같다.

여기서 CPU-attached memory의 역할이 중요해진다. CPU-attached memory는 토큰을 직접 생성하지 않는다. 그러나 에이전트가 사용하는 도구 결과, 작업 상태, 검색 결과, 코드 로그, 데이터베이스 응답, 이전 단계의 판단 결과를 보관한다. 이 데이터들이 다시 모델 입력으로 들어가는 순간 prefill token이 된다.

따라서 CPU-attached memory는 에이전틱 AI 시대의 token reservoir, 즉 토큰 수요를 증폭시키는 저장고에 가깝다.

이 관점에서 보면, 에이전틱 AI 시대의 병목은 단순히 GPU 안에서만 발생하지 않는다. GPU는 여전히 토큰을 생성하는 핵심 장치지만, GPU가 처리해야 할 context를 준비하고 공급하는 계층의 중요성이 커진다. CPU, DRAM, NAND, 네트워크, 스토리지가 모두 하나의 AI 추론 파이프라인에 포함된다.

3. Prefill 병목이 두터워지면 왜 NAND warm tier가 부각되는가

Decode 병목은 주로 active KV cache를 HBM에서 얼마나 빠르게 읽고 쓰느냐의 문제다. 그래서 decode 중심 시대에는 HBM과 GPU interconnect가 가장 직접적인 수혜였다.

하지만 prefill 병목이 커지면 이야기가 달라진다. Prefill은 모델이 새로운 입력 context를 읽는 단계다. 이 context는 보통 HBM에 처음부터 들어 있지 않다. 문서, 코드, 로그, 이메일, 데이터베이스, 벡터DB, 시뮬레이션 결과, 과거 작업 이력 같은 형태로 DRAM이나 SSD/NAND에 저장돼 있다.

예를 들어 코딩 에이전트를 생각해보면 쉽다. 에이전트는 전체 코드베이스를 읽고, 테스트를 실행하고, 오류 로그를 확인하고, 다시 코드를 수정한다. 이 과정에서 코드 파일, 테스트 로그, dependency 정보, 이전 수정 내역은 대부분 NAND 기반 SSD나 스토리지 계층에 저장된다. 모델이 이를 다시 읽을 때마다 prefill이 발생한다.

즉, 구조는 이렇게 이어진다.

NAND / SSD / DB에 저장된 데이터
→ CPU-attached memory로 로딩
→ 필요한 부분을 선별·압축·정렬
→ GPU로 context 전달
→ Prefill 수행
→ Reasoning / tool call 생성
→ 결과를 다시 저장
→ 다음 loop에서 다시 읽음

이 반복 구조 때문에 NAND는 단순 저장장치에서 에이전트의 warm memory 계층으로 올라온다. HBM이 decode의 hot memory라면, NAND는 반복 prefill의 backing store다.

NVIDIA도 Vera Rubin 플랫폼에서 이 변화를 직접 보여주고 있다. NVIDIA Korea 자료는 BlueField-4 STX 스토리지 랙을 “GPU 메모리를 POD 전반에 확장하는 AI 네이티브 스토리지 인프라”로 설명하고, LLM과 에이전틱 AI 워크플로우에서 생성되는 대규모 KV cache 데이터를 저장·검색하는 고대역폭 공유 계층이라고 소개했다. 또 DOCA Memos는 전용 KV cache 스토리지 처리를 통해 추론 처리량을 높이는 구조로 설명된다. (NVIDIA Blog Korea)

이 부분이 중요하다. NVIDIA가 스토리지를 별도 랙으로 제시한다는 것은, 에이전틱 AI 시대의 병목이 GPU 안에서만 끝나지 않는다는 뜻이다. 메모리와 스토리지 계층 전체가 AI 인프라의 일부가 된다.

4. Warm NAND 수요는 어디서 발생하는가

에이전틱 AI에서 NAND 수요가 커지는 이유는 용량뿐 아니라 사용 패턴의 변화에 있다.

기존 스토리지는 데이터를 보관하는 역할이 강했다. 하지만 에이전트 시대의 NAND는 계속 읽히고, 갱신되고, 다시 호출된다. 특히 다음 영역에서 warm NAND 수요가 커질 가능성이 높다.

여기서 중요한 변화는 NAND의 품질 요구가 올라간다는 점이다. 단순히 많은 데이터를 싸게 저장하는 것보다, 많은 에이전트가 동시에 작은 파일과 로그를 자주 읽어야 한다. 그러면 random read IOPS, tail latency, SSD controller 성능, PCIe/NVMe 대역폭, endurance가 중요해진다.

결국 repeated prefill이 커질수록 수혜는 단순 NAND 용량 증가에 그치지 않는다. Enterprise SSD, 고성능 SSD controller, PCIe Gen5/Gen6, NVMe, CXL, storage networking까지 함께 봐야 한다.

5. NVIDIA가 Vera Rubin으로 보여준 방향: GPU가 아니라 full-stack rack

이번 GTC 2026에서 NVIDIA가 강조한 Vera Rubin은 단일 GPU 제품으로 보기 어렵다. NVIDIA는 Vera Rubin 플랫폼을 Vera CPU, Rubin GPU, NVLink 6 Switch, ConnectX-9 SuperNIC, BlueField-4 DPU, Spectrum-6 Ethernet Switch, Groq 3 LPU가 함께 작동하는 하나의 AI 슈퍼컴퓨터로 설명했다. 이 플랫폼은 pretraining, post-training, test-time scaling, real-time agentic inference까지 AI의 전 단계를 지원하도록 설계됐다. (NVIDIA Newsroom)

Vera Rubin NVL72 사양을 보면 이 방향은 더 선명하다. NVIDIA 공식 페이지 기준 Vera Rubin NVL72는 72개 Rubin GPU와 36개 Vera CPU를 통합한 rack-scale AI supercomputer다. GPU memory는 20.7TB HBM4, CPU memory는 54TB LPDDR5X로 제시돼 있다. (NVIDIA)

이 숫자는 단순 스펙 이상의 의미를 가진다. GPU와 HBM은 여전히 토큰 생성의 핵심이다. 하지만 NVIDIA가 36개 Vera CPU와 54TB LPDDR5X CPU memory를 하나의 랙 안에 넣었다는 것은, 에이전틱 AI에서 CPU orchestration과 CPU-attached memory가 시스템 성능을 좌우하는 계층으로 올라왔다는 뜻이다.

cpu는 agentic ai 시대의 새로운 병목 Layer로 부상

Vera cpu는 agentic ai 병목 해결의 key

Vera cpu는 agentic ai 시대의 병목 해결의 key

기존 cpu진영대비 1.8x의 성능향상
(*TCO, 전력효율면에서 Rack scale을 넘어선 d/c scael까지 고려하면 엄청난 거라고함)

Vera CPU 발표 내용도 같은 방향이다. NVIDIA는 Vera CPU를 agentic AI와 reinforcement learning 시대를 위해 설계된 프로세서로 소개했고, agentic AI가 발전할수록 작업 계획, 도구 실행, 데이터 상호작용, 코드 실행, 결과 검증을 지원하는 인프라가 성능과 비용을 좌우한다고 설명했다.

https://t.me/cahier_de_market

"이전까지 업계는 '인간이 사용하기 위한' CPU를 만들어왔다"

"이제 우리는 '에이전트가 사용하기 위한 CPU를 만든다"

"인간 유저는 십억명이지만 에이전트는 수십억대가 될 것이며, 그들은 '쉬지 않는다'"

따라서 Vera Rubin의 메시지는 명확하다. AI 인프라는 GPU 카드 판매 사이클에서 rack-scale, pod-scale, AI factory 시스템 사이클로 이동하고 있다.

6. Enterprise server와 hybrid 업무환경의 확산

에이전틱 AI가 기업 업무로 들어가면 모든 추론을 public cloud에서만 처리하기 어렵다. 기업 데이터는 민감하고, 업무 자동화는 내부 시스템과 연결돼야 하며, 일부 업무는 latency와 비용 통제가 중요하다. 이 때문에 기업들은 public cloud, private cloud, on-prem server, edge device를 섞는 hybrid AI infrastructure를 선택할 가능성이 높다.

에이전트가 기업 내부에서 실제 업무를 수행하려면 다음 자원이 필요하다.

업무 데이터를 읽기 위한 CPU와 DRAM
장기 문서와 로그를 저장할 SSD/NAND
GPU를 활용하기 위한 HBM과 고속 interconnect
보안과 격리를 위한 DPU/NIC
항상 안정적인 전력을 공급할 PMIC, MLCC, power inductor

NVIDIA가 Vera Rubin을 hyperscaler뿐 아니라 enterprise server 생태계와 함께 전개하려는 이유도 이 흐름과 맞닿아 있다. 에이전틱 AI의 확산은 클라우드 AI 팩토리 수요를 키우는 동시에, 기업 내부 서버 수요도 다시 자극할 수 있다.

특히 이 변화는 업무 방식 자체의 변화와 연결된다. 과거에는 직원이 애플리케이션을 직접 열고, 데이터를 찾고, 표를 만들고, 보고서를 작성했다. 에이전틱 AI 환경에서는 사용자가 목표를 제시하면, 에이전트가 여러 내부 시스템에 접근해 자료를 찾고, 분석하고, 초안을 만들고, 검증한다. 기업 입장에서는 AI가 새로운 사무 자동화 계층이 되는 셈이다.

이때 기업 서버 수요는 단순한 서버 교체 수요가 아니다. 업무 자동화가 늘어날수록 내부 데이터 접근, 보안 격리, 지연시간 관리, 사내 문서 검색, 모델 실행을 동시에 처리할 수 있는 AI 서버 수요가 늘어난다. 이것이 hybrid enterprise AI가 중요한 이유다.

7. On-device AI와 Physical AI로 이어지는 하드웨어 확장

Vera Rubin이 데이터센터와 AI factory의 방향이라면, NVIDIA가 Computex/GTC Taipei 2026에서 공개한 RTX Spark는 on-device AI의 방향을 보여준다. 키노트에서는 에이전트가 PC에서 네이티브로 실행되고, local 또는 cloud 모델과 연결되며, 보안 샌드박스 안에서 계속 작업을 수행하는 개인 AI 컴퓨터의 비전이 제시됐다. RTX Spark는 Blackwell RTX GPU, MediaTek과 협력한 Grace CPU, 128GB unified memory를 갖춘 agent용 PC 플랫폼으로 소개됐다.

https://www.youtube.com/watch?v=wSp6AiNIrsY&t=1s

이 흐름은 B2B에서 시작한 agentic AI가 B2C 디바이스로 내려오는 그림이다. AI PC, 스마트폰, 태블릿, 워크스테이션에서 로컬 에이전트가 돌아가려면 더 큰 메모리, 더 복잡한 전원부, 더 많은 고속 신호, 더 많은 수동소자가 필요하다.

그 다음 단계는 Physical AI다. 젠슨 황은 같은 agentic computing pattern이 cloud, on-prem, PC, robot에서 반복될 것이라고 설명했다. 또한 Vera Rubin은 Grace Blackwell처럼 단순 inference를 처리하기 위해 만들어진 것이 아니라, agents를 실행하기 위해 만들어진 disaggregated, distributed agent processing system이라고 말했다.

Physical AI로 가면 하드웨어 content expansion은 더 커진다. 로봇, 자율주행차, 산업장비, 기지국, 위성은 모두 센서, 카메라, 모터, 배터리, 통신, edge AI computer를 필요로 한다. 이 경우 단순히 GPU와 메모리만 늘어나는 구조가 아니다. PMIC, MLCC, 파워인덕터, 정밀저항, 센서 전원 IC, 모터 드라이버, NAND storage까지 탑재량이 늘어난다.

결국 에이전틱 AI의 확산은 세 단계로 이어질 가능성이 높다.

이 흐름에서 중요한 것은 AI 수요가 소프트웨어 안에만 머물지 않는다는 점이다. AI가 업무를 자동화하고, 개인 디바이스 안으로 들어가고, 물리 세계의 로봇과 장비로 확장될수록 하드웨어 탑재량 자체가 늘어나는 구조가 된다.

8. 투자 관점: AI hardware content expansion의 범위가 넓어진다

에이전틱 AI 시대의 투자 아이디어는 GPU/HBM에서 시작하지만, 거기서 끝나지 않는다.

Decode 중심 수요는 여전히 GPU와 HBM을 밀어올린다. active KV cache를 빠르게 읽고 쓰고, 대형 모델을 낮은 latency로 돌리려면 HBM과 GPU가 핵심이다.

하지만 repeated prefill 중심 수요는 CPU, CPU-attached memory, NAND warm tier, storage controller, DPU/NIC, interconnect를 함께 끌어올린다. 에이전트가 읽어야 할 데이터가 많아지고, 도구 실행 결과가 반복적으로 context에 들어가기 때문이다.

여기에 on-device AI와 Physical AI가 붙으면 전력부품과 수동소자까지 연결된다. AI 기능이 고도화된 디바이스는 더 많은 전압 레일, 더 높은 전류 변동, 더 많은 decoupling capacitor, 더 정교한 PMIC를 필요로 한다. 서버에서는 고전력·고신뢰 MLCC가 중요해지고, 로봇과 자동차에서는 고온·고전압·고신뢰 수동소자 수요가 커진다.

정리하면 다음과 같다.

기존 AI 인프라 투자는 GPU를 얼마나 더 많이 설치할 것인가의 문제로 보이기 쉬웠다. 하지만 Agentic AI 시대에는 질문이 바뀐다.

GPU가 계속 일할 수 있도록, 누가 context를 공급하고, 누가 데이터를 저장하고, 누가 도구 실행을 처리하고, 누가 전력을 안정적으로 공급할 것인가.

이 질문의 답이 CPU, DRAM, NAND, DPU, NIC, PMIC, MLCC로 이어진다.

결론: Agentic AI는 새로운 병목을 만든다

에이전틱 AI의 핵심은 AI가 스스로 업무를 반복 수행하는 closed-loop 자동화다. 이 변화는 전체 토큰 소비를 빠르게 늘리고, 특히 기존 챗봇 시대에 상대적으로 덜 주목받던 repeated prefill을 새로운 병목으로 부상시킨다.

토큰 수요는 더 이상 “사용자 수 × 질문 수 × 답변 길이”만으로 설명되지 않는다. Agentic AI 시대의 토큰 수요는 업무 수 × loop 횟수 × 회당 context 크기 × 검증·재시도 비율에 의해 결정된다. 이 구조에서는 AI가 실제 업무를 많이 수행할수록, 내부적으로 읽고 판단하고 검증하는 횟수가 늘어난다. 그 결과 토큰 수요는 사용자 체감 사용량보다 훨씬 빠르게 증가할 수 있다.

Prefill 병목이 커지면 CPU-attached memory는 에이전트의 작업 상태와 도구 결과를 보관하는 token reservoir가 된다. NAND SSD는 문서, 코드, 로그, 벡터DB, 장기 기억을 저장하는 warm memory 계층으로 올라온다. 그리고 이 모든 계층을 연결하기 위해 DPU, NIC, CXL, NVLink, PCIe, storage controller의 중요성도 커진다.

NVIDIA가 Vera Rubin을 통해 보여준 방향도 같다. Vera Rubin은 AI를 GPU 판매 사이클이 아니라 agentic AI factory 시스템 사이클로 확장하고 있다. 이 변화는 GPU/HBM 수요를 강화하는 동시에 CPU memory, storage, networking, power component, MLCC까지 AI hardware content expansion을 동반한다.

마지막으로 이 글의 결론은 이렇게 정리할 수 있다.

Agentic AI 시대에는 AI hardware content expansion이 새로운 국면에 진입한다. 앞으로의 병목은 GPU 하나에 머물지 않고, memory hierarchy, storage hierarchy, networking, power delivery, passive components 전반으로 확산될 가능성이 높다.

=끝