HTD

AI 산업에 대해 본문

투자

AI 산업에 대해

hanbikan 2026. 6. 7. 19:29

AI 투자 구조 정리: LLM 원리 → 데이터센터 → 반도체 밸류체인 → 자본 이동 로드맵

목적:

AI 투자를 “AI가 대세다” 수준이 아니라, AI가 실제로 어떻게 작동하고, 어떤 물리적 병목이 돈을 가져가는지 중심으로 이해한다.

0. 핵심 결론 한 장 요약

구분 핵심 내용

AI의 본질 지식을 외운 뇌가 아니라, 다음 단어를 확률적으로 예측하는 초대형 수학 공식
LLM의 비용 원인 답변 전체를 한 번에 만드는 것이 아니라, 단어 하나 생성할 때마다 거대한 모델을 반복 가동
데이터센터 폭증 이유 전 세계 사용자의 질문마다 GPU, 전력, 냉각, 네트워크가 동시에 필요
투자 핵심 소프트웨어보다 물리적 병목을 장악한 기업이 돈을 번다
현재 병목 GPU, HBM, 첨단 패키징, 데이터센터 전력, 냉각
다음 병목 전력망, SMR, 구리, 희토류, 로봇, 피지컬 AI 인프라
장기 결론 지능은 싸지고, 하드웨어·에너지·제조 인프라는 더 중요해진다

1. AI 투자의 핵심 질문

❌ 잘못된 질문

“AI가 대세니까 어떤 AI 주식을 사야 하지?”

✅ 진짜 질문

“AI를 실제로 돌리기 위해 지금 가장 부족한 병목은 무엇인가?”

2. AI 산업을 보는 기본 프레임

flowchart LR
    A[사용자 질문] --> B[문장을 숫자로 변환]
    B --> C[LLM 파라미터 연산]
    C --> D[다음 단어 1개 생성]
    D --> E[생성된 단어를 다시 입력에 추가]
    E --> C
    C --> F[긴 답변 완성]

    C --> G[GPU 필요]
    G --> H[HBM 필요]
    H --> I[파운드리 필요]
    I --> J[반도체 장비 필요]
    G --> K[데이터센터 필요]
    K --> L[전력 필요]
    K --> M[냉각 필요]

3. LLM의 본질

3-1. LLM은 무엇인가?

오해 실제

LLM은 지식을 외운 뇌다 LLM은 다음 단어를 예측하는 확률 모델이다
질문을 이해해서 답한다 문맥상 가장 그럴듯한 다음 토큰을 계산한다
긴 답변을 한 번에 만든다 단어 하나씩 반복 생성한다
소프트웨어라서 가볍다 거대한 연산 인프라가 필요한 물리 산업이다

3-2. 학습의 본질

LLM 학습은 거대한 빈칸 채우기 훈련이다.

예시 문장 AI가 맞혀야 하는 것

바다에 가면 [ ]을 볼 수 있다 파도, 고래, 배, 갈매기 등
대한민국의 수도는 [ ]이다 서울
사과를 먹으면 [ ] 맛있다, 달다, 배부르다 등

초기 AI는 엉뚱한 답을 낸다.

예: “대한민국의 수도는 바나나이다.”

이후 정답과 오답의 차이를 계산하고, 내부 수학 계수인 가중치 / 파라미터를 조금씩 수정한다.

3-3. 학습 과정 요약

flowchart TD
    A[수조 개 문장 입력] --> B[빈칸 채우기 문제 생성]
    B --> C[AI가 다음 단어 예측]
    C --> D[정답과 비교]
    D --> E[오차 계산]
    E --> F[파라미터 수정]
    F --> G[수조 번 반복]
    G --> H[언어 패턴의 확률 지도 완성]

4. 파라미터란 무엇인가?

4-1. 쉬운 비유

중학교 수학의 일차함수로 보면 된다.

y = ax + b

요소 LLM 비유

x 사용자의 입력 질문
y AI의 출력 답변
a, b 학습으로 고정된 파라미터
수천억 개 파라미터 수천억 개의 고정 계수가 얽힌 초대형 공식

4-2. 파라미터의 핵심

질문 답

사용자가 파라미터에 값을 넣는가? 아니다
파라미터는 언제 정해지는가? 학습 과정에서 정해진다
학습 후 파라미터는 무엇인가? 고정된 숫자 세트
모델이 크다는 말의 뜻은? 고정된 수학 계수가 엄청나게 많다는 뜻

5. 문장이 숫자가 되는 과정

컴퓨터는 글자를 그대로 이해하지 못한다.

따라서 문장은 먼저 숫자로 변환된다.

단어 숫자 ID 예시

사과 102
먹는다 504
안녕 87

예시:

"사과를 먹는다"
→ [102, 504]

이 숫자 배열이 LLM의 입력값이 된다.

6. LLM의 단어 릴레이 구조

LLM은 답변 전체를 한 번에 만들지 않는다.

다음 단어 하나만 만든다.

단계 입력 출력

1회차 사과를 먹는다 맛있다
2회차 사과를 먹는다 맛있다 그래서
3회차 사과를 먹는다 맛있다 그래서 또
4회차 사과를 먹는다 맛있다 그래서 또 ...

6-1. 왜 비용이 커지는가?

flowchart LR
    A[단어 1개 생성] --> B[거대 모델 전체 연산]
    B --> C[다음 단어 생성]
    C --> D[다시 전체 연산]
    D --> E[다음 단어 생성]
    E --> F[긴 답변까지 반복]

즉, 1,000단어 답변을 만들려면 대략 1,000번의 반복 연산이 필요하다.

7. 데이터센터가 필요한 이유

7-1. 질문 하나가 들어오면 생기는 일

항목 설명

하드웨어 H100 GPU 다수로 구성된 서버 랙 가동
연산 수천억 개 파라미터 기반 행렬 연산
반복 단어 하나 생성할 때마다 모델 반복 가동
전력 순간적으로 매우 큰 전력 사용
발열 전력 대부분이 열로 전환
냉각 액체 냉각, 공조, 물 사용 필요

7-2. 원문 기준 데이터센터 스케일 예시

구분 규모 예시

GPU 인프라 H100 GPU 128개 묶음 서버 랙
하드웨어 가치 약 100억~150억 원 규모
답변 1개 연산량 1,000단어 기준 약 1,400조 번 연산
순간 전력 약 100~150kW
체감 비유 가정용 벽걸이 에어컨 100대 동시 가동
냉각 질문 하나당 물 약 200~500ml 소모 가능성

7-3. 데이터센터의 의미 변화

시대 데이터센터의 의미

과거 정보를 저장하는 도서관
AI 시대 지식을 실시간 생산하는 제조 공장

8. AI 데이터 확보 전쟁

8-1. 구글의 강점

자산 의미

검색 데이터 전 세계 사용자의 의도 데이터
유튜브 영상, 오디오, 자막, 행동 데이터
웹 인덱스 정제된 인터넷 지식 구조
자체 TPU 엔비디아 의존도 절감
자체 데이터센터 풀스택 비용 경쟁력

8-2. 구글이 아닌 기업들의 데이터 조달 방식

방식 설명

공개 웹 크롤링 위키, 커뮤니티, 블로그, 뉴스, 논문, 공공문서 수집
데이터 라이선싱 언론사, 커뮤니티 등과 계약해 합법적으로 데이터 확보
RLHF 인간 평가자가 답변 품질에 순위를 매겨 모델 정렬
합성 데이터 더 강한 AI가 학습용 데이터를 직접 생성

8-3. 데이터 세척 공장

flowchart TD
    A[원본 데이터 수집] --> B[중복 제거]
    B --> C[깨진 텍스트 제거]
    C --> D[저품질 문서 제거]
    D --> E[독성 콘텐츠 필터링]
    E --> F[분류 AI로 품질 스캔]
    F --> G[RLHF/RLAIF 정렬]
    G --> H[학습용 고품질 데이터셋]

8-4. 데이터 전쟁의 변화

과거 현재 / 미래

무단 크롤링 중심 합법적 데이터 라이선스 중심
인터넷 공개 데이터 의존 고품질 독점 데이터 확보 경쟁
인간 작성 데이터 중심 합성 데이터 활용 증가
데이터 양 경쟁 데이터 품질 + 정렬 경쟁

9. 오픈소스 AI의 본질

9-1. 일반 오픈소스와 AI 오픈소스의 차이

구분 일반 소프트웨어 오픈소스 AI 오픈소스

공유 대상 소스코드 학습된 가중치 / 모델 파일
협업 방식 코드 수정 후 PR 파인튜닝, LoRA, 모델 머징
핵심 자산 코드 로직 학습 완료된 파라미터
대표 전략 커뮤니티 개발 생태계 장악

9-2. 메타가 오픈소스를 푸는 이유

표면적 이유 실제 전략

AI 생태계 기여 OpenAI, 구글 유료 모델 견제
개발자 지원 전 세계 개발자를 자사 생태계로 유입
기술 공개 파운데이션 모델의 상품화 유도
무료 제공 경쟁사의 수익 모델 압박

10. AI 하드웨어 밸류체인

10-1. 핵심 밸류체인 맵

flowchart TD
    A[CSP / 클라우드 서비스<br>AWS, Azure, GCP] --> B[AI 서버 랙 구매]
    B --> C[AI 칩 설계<br>NVIDIA, AMD, Google TPU]
    C --> D[HBM 메모리<br>SK하이닉스, 삼성전자, 마이크론]
    C --> E[파운드리 생산<br>TSMC, 삼성전자, 인텔]
    E --> F[반도체 장비<br>ASML, AMAT, Lam Research]
    B --> G[전력 / 냉각<br>Vertiv, Eaton]

10-2. 투자 관점 핵심

영역 역할 투자 포인트 대표 기업

GPU AI 연산의 핵심 두뇌 현재 AI 패권의 핵심 병목 NVIDIA, AMD
HBM GPU 옆 초고속 메모리 메모리 병목 해결 SK하이닉스, 삼성전자, 마이크론
ASIC / TPU 특정 AI 연산 전용 칩 빅테크의 엔비디아 의존도 축소 Google TPU, Broadcom, Meta MTIA
네트워킹 수만 개 GPU 연결 클러스터 성능 좌우 NVIDIA Mellanox, Broadcom
전력 / 냉각 데이터센터 가동 기반 다음 병목 후보 Vertiv, Eaton

11. 분야별 1~3등 기업 정리

11-1. AI 가속기 / 설계

순위 기업 점유율 / 위치 핵심 무기

1 NVIDIA 약 80~90% GPU 성능 + CUDA 생태계
2 AMD 약 5~10% MI300, MI325X 등 추격
3 빅테크 자체 칩 / 인텔 자체 사용 중심 TPU, MTIA, Trainium 등

11-2. HBM

순위 기업 점유율 / 위치 핵심 무기

1 SK하이닉스 약 55~62% HBM3, HBM3E 선점, MR-MUF
2 마이크론 약 20~21% 미국 생산 우대, HBM3E 진입
3 삼성전자 약 17~20% DRAM 전체 1위 자본력, 추격 생산력

11-3. 파운드리

순위 기업 점유율 / 위치 핵심 무기

1 TSMC AI 최첨단 노드 기준 90% 이상 수율, CoWoS 패키징
2 삼성전자 전체 파운드리 약 10~13% 3나노 GAA, 추격자
3 인텔 파운드리 한 자릿수 미국 정부 지원, 재진입

11-4. 반도체 장비

순위 기업 위치 핵심 무기

1 ASML EUV 노광 장비 독점 7나노 이하 미세 공정 필수
2 Applied Materials 전체 장비 매출 최상위권 증착 장비 강자
3 Lam Research 식각 분야 강자 HBM, 메모리 적층 공정 중요

11-5. 클라우드 / CSP

순위 기업 점유율 / 위치 핵심 무기

1 AWS 약 31% 클라우드 전통 1위, Trainium
2 Microsoft Azure 약 23~25% OpenAI 동맹, 빠른 성장
3 Google Cloud 약 11% TPU 기반 AI 인프라

12. 엔비디아가 진짜 파는 것

12-1. 단일 GPU가 아니다

엔비디아는 단순히 GPU 칩 하나를 파는 회사가 아니다.

AI 슈퍼컴퓨터 시스템 전체를 판다.

12-2. GB200 NVL72 구조 예시

flowchart TD
    A[GPU + CPU + HBM3e 보드] --> B[보드 36개]
    B --> C[GPU 72개]
    C --> D[NVLink로 직접 연결]
    D --> E[NVSwitch로 통신 정리]
    E --> F[액체 냉각 인프라]
    F --> G[CUDA 소프트웨어 스택]
    G --> H[완성형 AI 서버 랙]

12-3. 엔비디아의 해자

해자 설명

GPU 성능 AI 행렬 연산에 최적화
CUDA 전 세계 AI 코드 생태계 락인
NVLink / NVSwitch GPU 간 초고속 연결
Mellanox 데이터센터 네트워킹
서버 랙 시스템 칩이 아니라 턴키 인프라 판매
개발자 생태계 전환 비용 극대화

13. ASIC, TPU, CUDA의 관계

13-1. ASIC이란?

항목 설명

의미 특정 연산만을 위해 설계한 주문형 반도체
장점 특정 작업에서 GPU보다 전력 효율 우수
단점 범용성 낮음
사용 이유 엔비디아 의존도와 비용 절감

13-2. TPU란?

항목 설명

개발 주체 구글
목적 텐서 / 행렬 연산 최적화
구조 시스톨릭 어레이
효과 메모리 접근 횟수 감소, 연산 효율 향상

13-3. 그래도 엔비디아가 강한 이유

이유 설명

CUDA 락인 AI 코드 대부분이 CUDA 기반
개발자 습관 연구자와 엔지니어가 NVIDIA 환경에 익숙함
라이브러리 PyTorch, TensorFlow 등과 강한 통합
전환 비용 타 칩으로 옮기려면 코드 수정, 버그, 인건비 발생
전체 시스템 GPU, 네트워크, 서버 랙, 소프트웨어까지 패키지화

14. 구글의 비극과 잠재력

14-1. 구글의 비극

내용 설명

Transformer 개발 현재 LLM의 근간이 된 구조를 구글이 개발
공개 효과 AI 산업 전체가 발전
수익 포착 실패 돈은 GPU를 판 엔비디아와 서비스를 만든 OpenAI가 크게 가져감
인재 유출 핵심 연구자들이 경쟁사와 스타트업으로 이동

14-2. 구글의 잠재력

강점 의미

검색 데이터 세계 최고 수준의 사용자 의도 데이터
유튜브 영상, 음성, 자막, 행동 데이터
TPU 자체 AI 칩으로 비용 절감
데이터센터 자체 인프라 보유
모델 연구 역량 Transformer 원조 기업
풀스택 구조 데이터 → 칩 → 인프라 → 서비스 수직 통합

15. 소프트웨어 독점의 한계

15-1. 소프트웨어는 왜 상품화되는가?

이유 설명

복제 비용 0 소프트웨어는 한 번 만들면 무한 복제 가능
논문 공개 새로운 아이디어가 빠르게 전파
오픈소스 모델과 코드가 빠르게 확산
리버스 엔지니어링 경쟁자가 기능을 빠르게 따라함
가격 경쟁 지능 API 가격이 계속 낮아질 가능성

15-2. 돈이 남는 곳

구분 장기 수익성

단순 AI 앱 낮아질 가능성 높음
파운데이션 모델 경쟁 심화, 마진 압박
클라우드 인프라 락인 가능성 있음
GPU / HBM 물리 병목으로 강력
파운드리 / 장비 복제 어려운 초정밀 제조 해자
전력 / 냉각 AI 인프라 가동의 필수 조건

16. 반도체 공급망 4대 축

flowchart LR
    A[Fabless<br>설계] --> B[Foundry<br>제조]
    C[Equipment<br>장비] --> B
    D[Memory<br>HBM] --> E[AI 서버]
    B --> E
    E --> F[CSP / 데이터센터]

16-1. 공급망 역할 정리

축 역할 대표 기업

Fabless 칩 설계 NVIDIA, AMD, Apple
Equipment 반도체 장비 공급 ASML, AMAT, Lam Research, Tokyo Electron
Foundry 칩 위탁 생산 TSMC, 삼성전자, 인텔
Memory HBM 등 고속 메모리 SK하이닉스, 삼성전자, 마이크론

17. 나노 공정이 중요한 이유

공정이 미세해질수록 효과

트랜지스터를 더 많이 넣을 수 있음 연산 성능 증가
데이터 이동 거리가 짧아짐 속도 향상
전력 소모 감소 데이터센터 비용 절감
발열 감소 냉각 부담 완화
칩당 성능 향상 원가 경쟁력 상승

18. 제조업 치킨게임 사이클

18-1. 왜 반복되는가?

flowchart TD
    A[AI 수요 폭증] --> B[공급 증설 결정]
    B --> C[공장 건설 / 장비 발주]
    C --> D[약 2~3년 시차]
    D --> E[공급 대량 출하]
    E --> F{수요가 계속 강한가?}
    F -->|예| G[슈퍼 사이클]
    F -->|아니오| H[공급 과잉]
    H --> I[가격 폭락]
    I --> J[치킨게임]
    J --> K[약한 기업 탈락]
    K --> L[생존자 독식]

18-2. 치킨게임의 원인

원인 설명

대규모 고정비 공장 건설에 수십조 원 필요
공장 가동 중단 어려움 가격이 낮아도 돌리는 편이 손실을 줄임
공급 레이턴시 증설 결정 후 실제 공급까지 수년 소요
수요 비탄력성 가격이 반값이 되어도 빅테크가 서버를 2배 사지는 않음
원가 초격차 1등 기업이 가격을 낮춰 후발주자를 압박

19. 병목의 이동

19-1. 현재까지의 병목 흐름

flowchart LR
    A[GPU 부족] --> B[HBM 부족]
    B --> C[첨단 패키징 부족]
    C --> D[데이터센터 공간 부족]
    D --> E[전력 부족]
    E --> F[냉각 부족]
    F --> G[전력망 / 원자재 부족]
    G --> H[로봇 / 피지컬 AI 인프라 부족]

19-2. 병목별 수혜 가능 영역

병목 수혜 가능 영역

GPU 부족 NVIDIA, AMD
HBM 부족 SK하이닉스, 삼성전자, 마이크론
패키징 부족 TSMC CoWoS, 첨단 패키징 장비
네트워킹 부족 NVIDIA Mellanox, Broadcom
전력 부족 전력 설비, 송배전, 원전, SMR
냉각 부족 액체 냉각, 데이터센터 인프라
원자재 부족 구리, 희토류
로봇 부족 액추에이터, 센서, 배터리, 피지컬 AI

20. 향후 20년 자본 이동 로드맵

20-1. 큰 흐름

timeline
    title AI 이후 자본 이동 로드맵
    2024~2025 : AI 하드웨어 붐
              : GPU, HBM, 데이터센터 투자 집중
    2026~2028 : 위대한 정산
              : AI CapEx ROI 검증
              : 모델 경쟁 심화
              : 일부 거품 붕괴 가능성
    2029 : 에너지 병목 부각
         : 전력망, SMR, 냉각 인프라 주목
    2030~2035 : 피지컬 AI 확산
              : 무인 공장
              : 로봇 자동화
              : 제조업 한계비용 하락
    2040~ : 리얼 월드 특이점
          : 바이오, 우주, BCI, 양자컴퓨팅

20-2. 2026~2028: 위대한 정산의 시대

구분 내용

핵심 이슈 AI 설비투자 대비 ROI 실망 가능성
매크로 금리 부담, 나스닥 조정 가능성
모델 산업 파운데이션 모델 경쟁 심화
기업 변화 화이트칼라 인력 감축, AI 에이전트 도입
생산성 변화 1인 기업, 소규모 고수익 기업 증가 가능성
투자 관점 거품 제거 후 진짜 병목 기업 선별 필요

20-3. 2029: 에너지 권력으로 자본 이동

구분 내용

핵심 문장 “칩은 있는데 꽂을 콘센트가 없다”
병목 전력, 송배전, 냉각
관심 영역 SMR, 원전, 전력망, 구리, 희토류
예시 기업 NuScale, TerraPower, Constellation Energy, Freeport-McMoRan, MP Materials
투자 관점 AI 후방 인프라가 핵심 전장으로 부상

20-4. 2030~2035: 피지컬 AI와 무인 공장

구분 내용

핵심 변화 AI가 생각뿐 아니라 물리 노동까지 자동화
제조업 100% 무인 로봇 공장 확산 가능성
시뮬레이션 NVIDIA Omniverse 같은 가상 훈련 환경 중요
효과 물리적 재화의 제조 한계비용 하락
매크로 생산성 상승, 인플레이션 완화 가능성
투자 관점 로봇, 센서, 액추에이터, 배터리, 자동화 인프라 주목

20-5. 2040 이후: 리얼 월드 특이점

영역 설명

피지컬 AI 로봇이 현실 세계 노동 수행
바이오 / 역노화 AI 과학자가 신약과 치료법 설계
우주 인프라 소행성 채굴, 우주 방위, 위성 네트워크
뉴로테크 / BCI 생각으로 기계 제어, 마비 치료
양자컴퓨팅 초고난도 연산 문제 해결 가능성
지배 기업 후보 NVIDIA, Tesla, SoftBank, ARM 생태계 등

21. 투자자용 체크리스트

21-1. AI 기업을 볼 때 확인할 것

체크 항목 질문

실제 병목인가? 이 기업이 공급 부족한 핵심 자원을 쥐고 있는가?
대체 가능한가? 경쟁자가 쉽게 따라 할 수 있는가?
마진이 유지되는가? 가격 결정력이 있는가?
CapEx 수혜인가? 빅테크 설비투자의 직접 수혜를 받는가?
전력 / 냉각과 연결되는가? 데이터센터 후방 인프라와 관련 있는가?
소프트웨어만 있는가? 복제와 가격 경쟁에 취약한가?
생태계 락인이 있는가? CUDA처럼 전환 비용을 만드는가?

21-2. 빅테크 실적 발표에서 볼 것

항목 의미

CapEx 규모 AI 인프라 투자가 계속 늘어나는가
데이터센터 투자 실제 물리 인프라 확장 여부
GPU 구매 NVIDIA 수요 지속 여부
자체 칩 언급 엔비디아 의존도 감소 가능성
추론 비용 AI 서비스 마진 개선 여부
전력 계약 PPA, 원전, 재생에너지, SMR 관련 뉴스
클라우드 성장률 AI 수요가 클라우드 매출로 연결되는가

21-3. 병목 이동 감지 신호

신호 해석

GPU 리드타임 감소 GPU 병목 완화 가능성
HBM 공급 계약 확대 메모리 병목 지속
CoWoS 증설 뉴스 패키징 병목 완화 여부
데이터센터 전력 계약 증가 전력 병목 부각
냉각 기업 수주 증가 액체 냉각 수요 확대
SMR 규제 승인 에너지 인프라 변곡점
구리 가격 상승 전력망 투자 확대 가능성
로봇 대량 생산 뉴스 피지컬 AI 전환 신호

22. 포트폴리오 전략 메모

22-1. 기본 원칙

원칙 설명

병목을 추적하라 가장 부족한 자원을 가진 기업에 돈이 몰린다
주도주 폭등 시 일부 현금화 다음 병목으로 이동할 총알 확보
미래주는 바스켓 매수 SMR, 로봇 등은 개별 리스크가 크다
초기 비중 통제 실적이 찍히기 전에는 10~15% 내외로 제한
변곡점 확인 후 증액 흑자 전환, 대형 수주, 규제 승인 확인
소프트웨어 단독 기업 주의 복제 비용 0, 가격 경쟁 가능성

22-2. 투자 난이도별 분류

난이도 영역 특징

낮음 빅테크, 반도체 대장주 이미 검증된 강자
중간 HBM, 장비, 전력 설비 사이클과 수급 확인 필요
높음 SMR, 로봇, 바이오, 우주 미래성 높지만 실적 불확실
매우 높음 개별 AI 앱 / 모델 스타트업 경쟁 심하고 해자 약할 수 있음

23. 전체 구조 한눈에 보기

flowchart TD
    A[AI 서비스 수요 증가] --> B[LLM 추론 / 학습 연산 증가]
    B --> C[GPU 수요 증가]
    C --> D[HBM 수요 증가]
    C --> E[네트워킹 수요 증가]
    C --> F[파운드리 수요 증가]
    F --> G[반도체 장비 수요 증가]
    B --> H[데이터센터 증가]
    H --> I[전력 수요 증가]
    H --> J[냉각 수요 증가]
    I --> K[전력망 / 원전 / SMR]
    J --> L[액체 냉각 / 인프라]
    K --> M[구리 / 희토류]
    B --> N[AI 에이전트]
    N --> O[화이트칼라 자동화]
    O --> P[1인 기업 / 생산성 혁명]
    N --> Q[피지컬 AI]
    Q --> R[로봇 / 무인 공장]
    R --> S[바이오 / 우주 / BCI / 양자컴퓨팅]

24. 핵심 기업 맵

영역 대표 기업

AI GPU NVIDIA, AMD
자체 AI 칩 Google TPU, Amazon Trainium, Meta MTIA
ASIC 설계 지원 Broadcom
HBM SK하이닉스, 삼성전자, 마이크론
파운드리 TSMC, 삼성전자, 인텔
장비 ASML, AMAT, Lam Research, Tokyo Electron
클라우드 AWS, Microsoft Azure, Google Cloud
냉각 Vertiv
전력 설비 Eaton
원전 / SMR NuScale, TerraPower, Constellation Energy
원자재 Freeport-McMoRan, MP Materials
피지컬 AI Tesla, NVIDIA, SoftBank / ARM 생태계

25. 최종 요약

25-1. 한 문장 요약

AI 시대의 진짜 돈은 “가장 똑똑한 챗봇”이 아니라, 그 챗봇을 실제로 돌리기 위해 반드시 필요한 물리적 병목을 장악한 기업에게 흐른다.

25-2. 세 줄 요약

  1. LLM은 단어 하나를 만들 때마다 거대한 수학 공식을 반복 가동하는 구조라서 GPU, HBM, 전력, 냉각이 필수다.
  2. 소프트웨어와 모델은 오픈소스와 복제로 점점 상품화되지만, 반도체 제조·장비·전력 인프라는 쉽게 복제되지 않는다.
  3. 투자자는 AI 테마가 아니라 GPU → HBM → 패키징 → 전력 → 냉각 → 로봇 → 바이오/우주로 이동하는 병목의 흐름을 추적해야 한다.

25-3. 최종 투자 프레임

AI가 뜬다
→ AI 연산이 늘어난다
→ 가장 부족한 물리 자원이 생긴다
→ 그 병목을 장악한 기업의 가격 결정력이 커진다
→ 자본은 그 기업으로 이동한다
→ 병목이 완화되면 다음 병목으로 이동한다

26. 주의 사항

항목 메모

수치 점유율, 전력, 냉각, 시장 규모 등은 최신 자료로 재확인 필요
미래 시나리오 2026~2040 로드맵은 확정 예측이 아니라 가설적 투자 시나리오
개별 종목 특정 기업 언급은 공부용이며 매수 추천이 아님
핵심 태도 테마가 아니라 구조, 뉴스가 아니라 병목, 유행이 아니라 현금흐름을 볼 것
저작자표시 비영리 (새창열림)

'투자' 카테고리의 다른 글

산업에 대해  (2) 2026.05.25
주식회사에 대해  (0) 2026.05.24
투자 원칙  (0) 2026.05.24
호모사피엔스가 투자자가 되기까지  (1) 2026.05.24
'투자' Related Articles more