Nylon Musk

월가가 보는 AI 반도체의 다음 국면 GPU 랠리 이후, 시장은 이제 capex, 병목, ROI, 전력, 소재를 보기 시작했다 AI 반도체 시장을 둘러싼 월가의 시각은 단순한 낙관론으로만 정리되지 않는다. J.P. Morgan, Goldman Sachs, Morgan Stanley, BlackRock, BofA, UBS, Citi, Barclays의 최근 공개 자료들을 종합하면 공통적인 방향은 분명하다. AI 반도체와 AI 인프라에 대한 장기 수요는 여전히 강하다고 본다. 그러나 동시에 이들은 모두 같은 질문을 던지기 시작했다. AI 투자는 실제 수익으로 이어지고 있는가. AI capex는 계속 유지될 수 있는가. 반도체 공급망은 이 수요를 감당할 수 있는가. 전력, 메모리, 패키징, 소재, 장비, 냉각, 데이터센터 인프라 중 어디가 다음 병목이 되는가. 그리고 지금 주가는 이 성장과 리스크를 어디까지 반영하고 있는가. 초기 AI 랠리의 질문은 단순했다. AI에 노출되어 있는가. 그러나 지금 월가의 질문은 훨씬 더 복잡하다. AI 노출만으로는 부족하다. 이제는 AI 공급망 안에서 어느 위치에 있는지, 그 위치가 병목인지, 그 병목이 가격 전가력을 만드는지, 아니면 원가 압박을 만드는지, 그리고 capex가 매출과 이익으로 전환되고 있는지를 봐야 한다. J.P. Morgan의 관점은 AI 시장의 규모와 집중도를 가장 선명하게 보여준다. J.P. Morgan Asset Management의 “Smothering Heights”는 AI 시장을 단순한 성장 테마가 아니라 시장 전체를 지배하는 거대한 해자로 본다. 이 자료에 따르면 4대 hyperscaler와 이들이 의존하는 반도체 생태계 기업들의 시가총액은 몇 년 사이 약 3조 달러에서 18조 달러로 증가했다. 또한 42개 AI 관련 기업군이 ChatGPT 출시 이후 S&P 500의 수익률, 이익, 자본지출 변화에서 매우 큰 비중을 차지했다고 분석한다. 이 숫자가 말하는 것은 분명하다. AI는 더 이상 특정 기술 섹터 안의 작은 테마가 아니다. 미국 주식시장 전체의 수익률과 이익 증가, capex 사이클을 설명하는 중심축이 되었다. 하지만 J.P. Morgan은 여기서 멈추지 않는다. 오히려 이 거대한 해자가 정말 무너지지 않을 만큼 견고한지 묻는다. 보고서는 AI moat의 기초를 NVIDIA의 칩 설계, TSMC의 칩 제조, ASML의 EUV 장비로 설명한다. 즉 AI 시장의 최상단은 소프트웨어처럼 보이지만, 실제 moat는 반도체 설계, 파운드리, 리소그래피 장비 위에 서 있다는 뜻이다. 동시에 J.P. Morgan은 중기 리스크도 제시한다. 미국 전력 제약, 중국의 자체 반도체 생태계 확장, 대만 리스크, 그리고 hyperscaler들이 이미 투입한 거대한 capex와 R&D가 충분한 이익으로 돌아올 수 있는지가 핵심이다. 따라서 J.P. Morgan의 메시지는 단순히 “AI는 좋다”가 아니다. 더 정확히는 이렇다. AI는 시장을 지배할 만큼 강력한 해자를 만들었다. 그러나 그 해자가 너무 거대해졌기 때문에 이제는 전력, 지정학, 수익화, capex 회수 가능성이라는 질문을 피할 수 없다. Goldman Sachs는 AI capex의 규모와 지속성에 초점을 맞춘다. Goldman Sachs의 AI capex 자료는 hyperscaler들의 AI 투자가 시장 예상보다 계속 커지고 있다고 설명한다. 핵심은 시장이 AI capex를 반복적으로 과소평가했다는 점이다. 자료에 따르면 2024년과 2025년 초 시장 컨센서스는 각각 약 20% 수준의 capex 성장을 예상했지만, 실제 성장은 50%를 넘었다. 이것은 AI 인프라 투자가 단기 과열로만 끝나지 않을 수 있다는 근거가 된다. AI 모델이 커지고, 추론 수요가 증가하고, 기업과 정부가 자체 AI 인프라를 확보하려고 하면서 hyperscaler capex는 계속 상향되고 있다. 이 지출은 반도체, 메모리, 네트워크 장비, 데이터센터, 냉각, 전력 장비, 발전설비까지 연결된다. 하지만 Goldman Sachs 역시 무조건적인 낙관론을 말하지 않는다. 별도 AI bubble 자료에서는 valuation, massive AI spending, circularity 논쟁을 다룬다. 즉 AI capex는 강하지만, 이미 주가가 그것을 상당 부분 반영했다면 수익률은 달라질 수 있다는 문제다. 시장이 묻는 것은 AI 투자가 커지는가가 아니라, 그 투자가 어느 기업의 매출과 이익으로 얼마나 확실하게 연결되는가다. 여기서 중요한 구분이 나온다. AI capex가 계속 증가하는 것과 AI 관련 모든 주식이 계속 오르는 것은 같은 말이 아니다. capex의 수혜를 받는 기업이라도 밸류에이션이 과도하게 앞서 있거나, 투자 부담이 이익보다 빠르게 커지거나, 고객의 지출 속도가 둔화되면 주가는 조정받을 수 있다. Goldman Sachs가 제기하는 핵심은 바로 이 지점이다. AI capex는 강하다. 하지만 capex가 곧바로 모든 AI 주식의 정당화 근거가 되지는 않는다. Morgan Stanley는 AI를 공급망과 거시 변수로 동시에 본다. Morgan Stanley의 “Mapping AI’s Rate of Change”는 2025년까지 AI compute 수요가 공급을 계속 초과했고, 클라우드 capex 전망이 반복적으로 상향되면서 공급망 부족이 발생했다고 설명한다. 특히 최근에는 메모리 쪽에서 그 부족이 가장 뚜렷했다고 본다. 이 관점은 우리가 추적해 온 공급망 시리즈와 매우 잘 맞는다. AI 수요가 증가하면 가장 먼저 GPU가 주목받는다. 그러나 GPU가 늘어나면 HBM이 필요해진다. HBM이 늘어나면 GPU와 HBM을 묶는 advanced packaging이 필요해진다. 패키징이 늘어나면 IC substrate와 ABF substrate가 필요해진다. 즉 AI compute 수요는 단일 부품 수요가 아니라 공급망 전체를 아래로 밀어내는 압력이다. Morgan Stanley는 또 다른 자료에서 AI를 더 이상 단순한 테마가 아니라 macro variable로 본다. AI는 산업 buildout이고, GDP에 영향을 주며, 지정학의 대상이 되고, 에너지와 데이터 인프라 수요까지 움직이는 변수라는 것이다. 이 말은 중요하다. AI는 이제 기술주 내부의 성장 스토리만이 아니다. 데이터센터 건설, 반도체 capex, 전력망, 냉각, 신용시장, 지정학까지 연결된 산업 확장 사이클이다. 따라서 Morgan Stanley의 시각을 공급망 언어로 번역하면 이렇게 된다. AI의 본질은 모델 성능 경쟁만이 아니다. AI는 compute를 요구하고, compute는 반도체를 요구하며, 반도체는 메모리와 패키징을 요구하고, 데이터센터는 전력과 냉각을 요구한다. 그래서 AI는 소프트웨어가 아니라 거대한 물리 인프라 buildout이다. BlackRock은 AI 반도체를 인플레이션과 거시경제의 문제로 확장한다. BlackRock Investment Institute는 AI buildout을 지원하는 반도체, 전력, 데이터센터 인프라와 장비를 선호한다고 밝힌다. 그러나 BlackRock이 흥미로운 점은 AI를 단순 성장 테마가 아니라 거시경제 변수로 본다는 점이다. 특히 “chipflation”이라는 개념이 중요하다. BlackRock의 chipflation 자료는 AI 데이터센터와 방위산업 수요가 반도체 가격 상승 압력을 만들 수 있다고 본다. 과거 반도체는 시간이 지나면서 성능은 좋아지고 가격은 하락하는 산업으로 인식되었다. 그러나 AI 시대에는 일부 핵심 칩과 메모리 수요가 공급을 압박하면서 가격 상승이 나타날 수 있다는 것이다. 이 관점은 우리가 추적해 온 원재료·부품 병목과 연결된다. AI 반도체 가격 상승은 단순히 칩 기업의 실적 문제가 아니다. 데이터센터 비용, 클라우드 서비스 비용, 전자제품 마진, 북아시아 반도체 생산국의 교역조건, 그리고 글로벌 상품 인플레이션에도 영향을 줄 수 있다. BlackRock은 AI 투자 규모가 커질수록 financing risk도 봐야 한다고 말한다. AI buildout은 초기 투자 부담이 크고, 수익은 뒤늦게 발생할 수 있다. 따라서 기업들은 내부 현금흐름만으로 모든 투자를 감당하기 어려워지고, 공모채와 사모신용 시장을 활용할 가능성이 커진다. 이것은 AI 반도체 분석에서 매우 중요한 포인트다. AI 공급망은 수요만 보면 안 된다. 누가 자금을 조달하는가. 그 자금 비용은 얼마인가. 수익은 언제 발생하는가. capex가 계속 늘어날 때 balance sheet는 얼마나 버틸 수 있는가. 이 질문이 함께 따라와야 한다. BofA는 반도체 공급망의 하단, 특히 일본 장비와 소재 생태계를 강조한다. BofA의 일본 기술 섹터 자료는 일본이 반도체와 AI 성장에서 중요한 위치를 갖고 있다고 본다. 일본 정부는 반도체 산업 재도약을 위해 대규모 보조금과 인센티브를 투입하고 있으며, 일본 기업들은 반도체 생산 장비와 소재에서 강한 위치를 갖고 있다. 특히 BofA 자료는 일본 기업들이 포토레지스트와 제조 자동화 장비 등 반도체 생산의 핵심 하단 공급망에서 높은 점유율을 보유하고 있다고 설명한다. 이것은 우리가 만든 AI 공급망 지도와 직접 연결된다. AI 반도체를 GPU만으로 보면 일본의 역할은 작아 보일 수 있다. 하지만 공급망을 아래로 내려가면 이야기가 달라진다. 첨단 반도체를 만들려면 리소그래피, 포토레지스트, 세정, 식각, 자동화 장비, 정밀 부품, 소재가 필요하다. advanced packaging과 substrate까지 내려가면 화학소재, 라미네이트, 금속, 도금, 표면처리 소재가 중요해진다. BofA가 말하는 일본 반도체 생태계의 구조적 기회는 바로 이 지점에 있다. AI는 최상단에서는 GPU로 보이지만, 하단에서는 소재와 장비의 게임이다. 그리고 일본은 이 하단 공급망에서 여전히 강한 위치를 가지고 있다. BofA의 미국 제조 capex 자료는 AI 반도체가 전력·냉각·현장 발전설비로 확장된다는 점을 보여준다. 이 자료는 미국 제조 capex가 강하게 유지될 것으로 보며, 데이터센터 인프라 지출도 빠르게 늘고 있다고 설명한다. 특히 AI 반도체 혁신이 데이터센터 인프라 공급업체들에게 새로운 기술 개발을 요구하고 있다고 본다. AI 칩은 점점 더 뜨거워진다. 그래서 냉각 장비 업체들은 direct-to-chip liquid cooling 같은 기술로 확장한다. 전력장비 업체들은 더 높은 전압과 더 높은 전력 밀도를 처리하는 장비를 개발한다. 전력망 전기를 확보하기 어려운 사이트가 늘어나면서, 가스터빈 제조사들은 데이터센터 현장 발전용 주문을 더 많이 받기 시작한다. 이것은 AI 반도체 수요가 반도체 안에서 끝나지 않는다는 뜻이다. GPU가 늘어나면 데이터센터가 늘어난다. 데이터센터가 늘어나면 전력과 냉각이 필요하다. 전력과 냉각이 부족하면 AI 인프라 buildout은 느려질 수 있다. 따라서 AI 반도체 공급망은 반도체, 패키징, 기판에서 끝나지 않는다. 전력장비, 냉각장비, 가스터빈, 송전망으로 확장된다. UBS는 AI 전망은 강하지만, 리더십이 고정되어 있다고 보지는 않는다. UBS CIO 자료는 memory, advanced semiconductors, enabling infrastructure에 대해 2026년과 2027년까지 가시성이 있다고 본다. 이는 AI 수요가 단기 테마를 넘어 일정 기간 지속될 수 있다는 뜻이다. 특히 공급·수요 불균형이 hardware pricing을 지지하고 있으며, 북아시아 수출 데이터와 custom-chip initiatives, leading-edge capacity tightness가 공급망 압박을 보여준다고 본다. 그러나 UBS는 한 가지를 경고한다. 리더십이 고정되어 있다고 가정하지 말라는 것이다. AI 공급망은 계속 진화한다. 초기에는 GPU가 중심이었다. 그다음에는 HBM이 중심으로 부상했다. 이후에는 advanced packaging, custom silicon, networking, power infrastructure, cooling, software efficiency가 중요해질 수 있다. 따라서 AI 투자는 단순히 현재의 승자를 영구 보유하는 게임이 아니다. 어느 병목이 다음 병목으로 이동하는지 계속 추적해야 하는 게임이다. Citi는 AI capex가 시장을 지지하지만, 균열이 생기면 de-rating 위험이 있다고 본다. Citi의 자료는 기술 섹터 EPS 성장에서 반도체 실적과 AI 관련 capex가 큰 역할을 하고 있다고 설명한다. AI 관련 capex는 데이터센터와 칩으로 흘러 들어가며, 이것이 기술 섹터 이익 성장의 핵심 축이 되고 있다. 하지만 Citi는 동시에 리스크를 명확히 말한다. AI spending picture에 균열이 생기면 capex beneficiaries가 de-rating될 수 있다. 이것은 AI 반도체 주식에서 매우 중요한 경고다. 반도체 주가가 오르는 이유는 단순히 현재 실적이 좋기 때문만은 아니다. 시장은 미래 capex, 미래 수요, 미래 마진을 가격에 반영한다. 그런데 고객사의 AI 지출 계획이 흔들리거나, capex 증가율이 둔화되거나, AI 투자수익률에 의문이 생기면 주가는 실적보다 먼저 조정될 수 있다. 따라서 Citi의 메시지는 이렇다. AI capex는 강력한 성장 동력이다. 그러나 그 capex가 지속된다는 전제가 흔들리면, 가장 먼저 타격받는 것은 capex beneficiaries의 valuation이다. Barclays는 AI 인프라 buildout을 반도체 fabrication과 소재 리스크 관점으로 본다. Barclays의 2026 outlook은 AI 인프라 buildout 속에서 semiconductor fabrication을 전략적으로 중요한 영역으로 본다. 이는 AI가 단순히 소프트웨어나 애플리케이션의 문제가 아니라, 실제 물리적 생산능력과 제조 인프라의 문제라는 뜻이다. 또한 Barclays는 헬륨 부족이 AI 스토리에 리스크가 될 수 있는지 다룬다. 헬륨은 반도체 제조와 첨단 공정에서 중요한 소재 중 하나다. 이 관점은 우리가 추적해 온 “보이지 않는 하단 병목”과 직접 연결된다. 시장에서는 GPU와 HBM이 보인다. 하지만 공급망 하단에는 특수가스, 화학소재, 포토레지스트, 식각액, 도금액, 기판 소재, 냉각 장비, 전력 장비가 있다. Barclays의 시각은 이 보이지 않는 하단 병목을 다시 보게 만든다. AI 공급망은 가장 화려한 칩에서 막힐 수도 있지만, 가장 보이지 않는 소재에서 막힐 수도 있다. 이제 전체를 종합할 수 있다. 월가의 AI 반도체 시각은 세 단계로 바뀌고 있다. 첫 번째 단계는 성장이다. AI 수요는 여전히 강하다. Goldman Sachs는 hyperscaler capex 전망이 계속 상향되고 있다고 보고, Morgan Stanley는 AI compute 수요가 공급을 초과했다고 본다. BlackRock과 UBS도 반도체, 메모리, advanced semiconductors, power, data center infrastructure를 AI buildout 수혜 축으로 본다. 두 번째 단계는 병목이다. AI 성장은 GPU 하나로 끝나지 않는다. J.P. Morgan은 AI moat의 기반을 NVIDIA, TSMC, ASML로 본다. Morgan Stanley는 공급망 부족이 메모리에서 두드러졌다고 말한다. BofA는 일본의 소재·장비 공급망을 강조한다. Barclays는 헬륨 같은 하단 소재 리스크를 지적한다. 즉 AI 공급망은 GPU에서 HBM, 패키징, 장비, 소재, 전력 인프라로 내려간다. 세 번째 단계는 검증이다. AI capex가 계속 증가한다고 해서 모든 AI 주식이 무조건 좋은 것은 아니다. J.P. Morgan은 전력 제약, 중국 추격, 대만 리스크, hyperscaler 수익화 문제를 제기한다. Goldman Sachs는 AI bubble 논쟁과 valuation을 본다. Citi는 AI spending에 균열이 생기면 capex beneficiaries가 de-rating될 수 있다고 경고한다. UBS는 AI 리더십이 고정되어 있다고 가정하지 말라고 말한다. 따라서 월가가 말하는 결론은 단순하지 않다. AI 반도체는 여전히 강하다. 그러나 이제는 더 정교하게 봐야 한다. AI라는 단어만으로는 부족하다. GPU만 봐도 부족하다. 반도체만 봐도 부족하다. capex가 어디로 흐르는지 봐야 한다. compute 수요가 어느 병목으로 내려가는지 봐야 한다. 메모리와 패키징, 소재와 장비, 전력과 냉각을 함께 봐야 한다. 그리고 마지막으로 그 투자가 실제 ROI로 돌아오는지 확인해야 한다. AI 반도체 투자는 이제 단순 성장주 투자가 아니다. 공급망의 가장 좁은 길을 찾고, 그 길이 실제 수익으로 연결되는지 검증하는 게임이 되고 있다.

With a name like "StarNet", you'd expect a rogue AI from a summer sci-fi blockbuster: a planetary defense grid, or a neural web commanding a fleet of autonomous starships 🌟 But Tesla’s StarNet is ingenious for precisely the opposite reason. It's a masterclass in extreme confinement, a blueprint designed to trap complex artificial intelligence inside the claustrophobic walls of compact, low-power microchips 🔥 Normally, the massive calculations required for deep learning would quickly overflow these tiny processors’ numerical registers, transforming valid calculations into corrupted values. Instead of begging the hardware for more power, Tesla re-engineered the AI itself to survive inside a strictly contained numerical cage 🆒 If you really don't have time for the full deep dive, here is how StarNet pulls it off in 60 seconds: 🔢 Every layer receives a strict numerical budget. StarNet selects the bit widths of activations and weights according to the size of each calculation. A 32-element filter can be limited so its largest possible output is 96, while 16- and 8-element examples remain below 127 at 112 and 72. The network is designed so the worst-case sum still fits inside the register. 🌟 The nine-point filter loses its corners. A conventional 3×3 convolution examines nine positions at once. Star-conv uses a five-point cross formed by the center pixel and its four direct neighbors. That smaller footprint reduces the number of values being accumulated while preserving horizontal and vertical spatial information. 🏗️ The network becomes a repeating processing line. StarNet is built from recurring star-shuffle blocks arranged as 1×1 convolution → ReLU → star convolution → ReLU → shuffle. Each stage has a specific role: mixing channels, introducing nonlinearity, recognizing spatial patterns, and reconnecting information across channel groups. 📉 Each layer receives its own conversion scale. A calibration dataset reveals the minimum and maximum values produced at every layer. StarNet uses those ranges to calculate custom quantization parameters that map real values into compact integer bins, allowing the network to preserve useful distinctions without exceeding its assigned bit width. 🧮 Repeated numerical translations collapse into one operation. Low-bit networks can waste time repeatedly quantizing and dequantizing data between adjacent layers. StarNet mathematically combines those conversions, cutting the associated operations by a factor of two. In some sequences, the intermediate conversions can be omitted entirely. 🔀 Separated channel groups are forced to communicate. Group convolutions save computation by processing subsets of channels independently, but that efficiency can create isolated mini-networks. The shuffle layer interleaves their channel ordering, allowing information from different groups to mix without restoring the cost of a fully connected architecture. 🤝 The first impression receives extra precision. StarNet-A does not force the raw image through the same numerical constraints immediately. Its first layer uses 8-bit inputs with 16-bit arithmetic and temporary storage, potentially running on the CPU. Once that sensitive first step is complete, the remaining layers can move to the energy-efficient accelerator using 8-bit storage and arithmetic. While the tech world is obsessing over building bigger, hotter data centers, StarNet quietly moves the finish line. Tesla has drawn a blueprint for putting deep learning into practically anything with a processor and a power source. The cloud is no longer the limit. The edge is here, and it is starting to think for itself 💪