OpenAI 트레이딩, AI인프라의 고점을 뚫을 재료

• 원본 제목: OpenAI 트레이딩, AI인프라의 고점을 뚫을 재료
• 발행일: 2026-09-14
• 발행기관: DS투자증권
• 원본 카테고리: 시장전략
• 원본 파일: 리포트_260914_DS투자증권_OpenAI 트레이딩, AI인프라의 고점을 뚫을 재료.pdf
• 자동 검토 상태: REVIEW_REQUIRED
• 모델/프롬프트: Qwen3.5-35B-A3B-4bit / adaptive-v2.3-grounded

자동 검토 메모: points: E001, E015 인용 밖 숫자(근거 전체에는 있음): 4, 9; uncertainties: 인용 근거에 없는 판단 표현 확정 — 항목 제외; 섹션 간 중복 사실 1건 제거; points: 행·열 대응 미검증 표 블록 인용 — 항목 보류; points: E005, E024, E027 표 칸 인접 숫자 — 오귀속 위험, 원문 대조 권장; E005, E024, E027 원문 직접 대조 필요: 20.16; points: E005, E023, E024 인용 밖 숫자(근거 전체에는 있음): 40.32; counterpoints: E005, E024 인용 밖 숫자(근거 전체에는 있음): 1, 3; uncertainties: E005, E024 인용 밖 숫자(근거 전체에는 있음): 1, 3; 그 외 7건은 상태 기록 참조

핵심 내용

• 9 월 4 일 GPT-6.0 Astra 출시 이후 AI HW(+13.2% AMD, +17.1% BE 등) 강세 vs SW(-5.1% IGV) 약세 구도가 포착되었다. (근거: p. 1, p. 2)
• 연말까지 B300 을 30.24 만개 추가하여 총 40.32 만개 (B200 10.08 만개 + B300 30.24 만개) 로 증설될 전망이다. (근거: p. 1, p. 3, p. 4)
• OpenAI 는 장기적으로 약 30GW 의 컴퓨팅 인프라 구축을 목표로 하며, 현재 18GW 이상을 계약한 것으로 추정된다. (근거: p. 5)
• 1GW 기준 연간 AI 컴퓨팅 임대료는 20~25Bn 달러이며, 구축 비용은 60Bn 달러, 연간 감가상각비와 운영비는 약 8.8Bn 달러 수준이다. (근거: p. 6)
• Google DeepMind 의 Decoupled DiLoCo 방식은 통신 대역폭을 198Gbps 에서 0.84Gbps 로 낮추고 유효 학습률을 27% 에서 88% 로 높였으며, ML 벤치마크 평균 정확도는 기존 64.4% 대비 64.1% 로 유사하게 유지했다. (근거: p. 10)

GPT-6.0 Astra 출시와 AI HW/SW 시장 구도 전환

• 9 월 4 일 GPT-6.0 Astra 출시 이후 AI HW(+13.2% AMD, +17.1% BE 등) 강세 vs SW(-5.1% IGV) 약세 구도가 포착되었다. (근거: p. 1, p. 2)
• SOXX/IGV 상대강도가 6 월말부터 하락해온 후 반등에 성공했다. (근거: p. 2)
• 미국 기준금리 인상 가능성이 높아진 상황에서도 AI 인프라가 반응한 배경에 ‘OpenAI 트레이딩’이 있다고 판단된다. (근거: p. 1, p. 2)
• GPT-5.5 를 시작으로 OpenAI 프론티어 모델은 NVIDIA B200, B300 가 대규모 배치된 Stargate Abilene 에서 학습되었으며, GPT-6.0 Astra 에서 다시 왕좌를 되찾았다. (근거: p. 1)
• 현재 B200, B300 각각 10 만장 배치된 것으로 추정되는 Abilene 은 연말까지 B300 약 20 만장이 추가될 전망이다. (근거: p. 1)
• 비동기식 학습은 GPU 등 다수의 AI 가속기 또는 데이터센터가 동시에 학습을 진행할 필요 없이 각자 일정 구간을 독립적으로 학습한 후 모델 업데이트를 주기적으로 교환, 병합하는 방식이다. (근거: p. 1)
• 비동기식 학습은 통신 지연에 대한 민감도가 낮고 일부 클러스터 장애나 이기종 가속기 혼용에도 유연하게 대응할 수 있어 중요성이 높아질 것이다. (근거: p. 1)
• HW 관점에서는 연결 대상과 거리가 늘어나면서 Scale-Across 용 광트랜시버, Optical Line System 등 광통신 수요 확대가 기대되며, Ciena 와 Nokia 가 이를 향후 네트워크 시장의 추가 성장 요인으로 언급했다. (근거: p. 1)

확인이 필요한 부분

• 모델 성능에는 학습 클러스터의 규모와 탑재된 HW 성능이 매우 중요하다는 점은 사실이나, 구체적인 수치적 상관관계는 원문에 명시되지 않았다. (근거: p. 1)

Stargate Abilene 클러스터 증설 규모, 연산 능력 및 수치 정합성

• 연말까지 B300 을 30.24 만개 추가하여 총 40.32 만개 (B200 10.08 만개 + B300 30.24 만개) 로 증설될 전망이다. (근거: p. 1, p. 3, p. 4)
• 4Q26E 기준 총 연산 능력은 Dense FP8 기준 약 1,814 EFLOPS 로 추산된다. (근거: p. 4)
• Anthropic 의 Trainium2(약 140 만개) 를 상회하는 규모로, Dense FP8 환산 시 약 140 만개 Trainium2 와 유사한 연산력을 가진다. (근거: p. 3, p. 4)
• B300 은 Dense FP4 연산 성능이 B200 대비 약 1.5 배에 달하여 실제 프론티어 모델 학습에서는 단순 FP8 기준 이상의 성능 개선을 기대할 수 있다. (근거: p. 4)

반대 근거와 제약

• 페이지 1 의 ‘약 20 만장 추가’와 페이지 3 의 ‘30.24 만개 추가’ 간 수치적 괴리가 존재하며, 이는 오타 또는 총량 오해 가능성으로 해석된다. (근거: p. 1, p. 3)

OpenAI vs Anthropic 인프라 경쟁력과 CapEx 분산 전략

• OpenAI 는 장기적으로 약 30GW 의 컴퓨팅 인프라 구축을 목표로 하며, 현재 18GW 이상을 계약한 것으로 추정된다. (근거: p. 5)
• Anthropic 의 공개된 장기 계약은 AWS 5GW, Google·Broadcom 5GW, Azure·NVIDIA 1GW 등 최소 11GW+ 수준이다. (근거: p. 5)
• OpenAI 는 Oracle, CoreWeave 등 하이퍼스케일러 외 공급자와 대규모 장기 용량 구매 보장 계약을 체결해 CapEx 부담을 분산하고 있다. (근거: p. 5)
• OpenAI 와 Oracle 은 5GW 이상의 Stargate 용량을 증설 중이며, CoreWeave 와의 누적 계약 규모는 $22Bn 에 달한다. (근거: p. 5)
• Anthropic 의 Project Rainier 는 Trainium2 약 140 만개 수준으로 추정되며, 총 Dense FP8 연산 능력은 약 1,235 EFLOPS 로 예상된다. (근거: p. 4)

반대 근거와 제약

• Microsoft, AWS 등 하이퍼스케일러는 고객 기반과 자체 현금흐름을 보유해 OpenAI 의 AI 수요에 전적으로 의존하는 방식이 아니라는 점에서 차이가 있다. (근거: p. 5)
• Anthropic 도 기존 AWS, Google 을 통한 용량 확보 구조에서 SpaceX, Fluidstack 등 공급망을 다변화 중이다. (근거: p. 5)
• Anthropic 의 다변화 규모는 OpenAI 대비 작고, Oracle, CoreWeave 등 자본조달 부담이 큰 외부 공급자와의 대규모 계약을 체결한 것은 아니라는 점에서 AI 인프라 수요에 미치는 직접적인 파급력은 OpenAI 쪽에서 더 두드러진다. (근거: p. 5)

1GW 데이터센터 단위 경제성과 금리 리스크 관리 (DDTL 금리 개선 포함)

• 1GW 기준 연간 AI 컴퓨팅 임대료는 20~25Bn 달러이며, 구축 비용은 60Bn 달러, 연간 감가상각비와 운영비는 약 8.8Bn 달러 수준이다. (근거: p. 6)
• 임대료 대비 비용 비율은 2.3~2.8 배로 매우 우호적이며, 6 개월 미만 단기 계약은 40~50Bn/GW 까지 체결되어 금리 인상에도 수익성 훼손 가능성이 낮다. (근거: p. 6)
• 2023 년 7 월 DDTL 1.0(SOFR+9.6196%) 에서 2026 년 3 월 DDTL 4.0(SOFR+2.25% 고정 약 5.9%) 로 금리가 하락하여 자금 조달 여건이 개선되었다. (근거: p. 7)
• 2026 년 8 월 DDTL 5.5(SOFR+5.50%) 는 고객 계약 기간이 짧아 금리 상승했으나 전체적 추세는 개선되었다. (근거: p. 7)

비동기식 학습 기술 검증과 광통신 수요 확대 전망

• Google DeepMind 의 Decoupled DiLoCo 방식은 통신 대역폭을 198Gbps 에서 0.84Gbps 로 낮추고 유효 학습률을 27% 에서 88% 로 높였으며, ML 벤치마크 평균 정확도는 기존 64.4% 대비 64.1% 로 유사하게 유지했다. (근거: p. 10)
• 2027 년부터 분산형 AI 클러스터가 본격 가동되면 광트랜시버 및 Optical Line System 등 Scale-Across 용 광통신 수요가 수천 km 까지 확장될 전망이다. (근거: p. 10, p. 11)
• 비동기식 학습은 장거리 네트워크 지연과 클러스터 간 성능 편차가 전체 학습 효율에 미치는 영향을 낮추며, 장애 발생 시에도 나머지 클러스터가 학습을 지속하고 복구된 클러스터를 다시 편입하는 구조를 갖는다. (근거: p. 9)
• 비동기식 학습은 TPU v5p 와 v6e 처럼 연산 성능이 다른 세대의 가속기를 하나의 학습 작업에 함께 활용하면서도 단일 세대 학습과 유사한 모델 성능을 확인했다. (근거: p. 9)
• 비동기식 학습이 성숙하면 미국 외 지역에 구축된 데이터센터가 프론티어 모델 학습에도 활용될 수 있어 한국을 비롯한 해외 데이터센터의 전략적 가치가 높아질 수 있다. (근거: p. 10)

반대 근거와 제약

• 조 단위 파라미터의 프론티어 모델에서 동일한 수준의 효율과 학습 안정성이 유지되는지는 추가 검증이 필요하다. (근거: p. 10)

확인이 필요한 부분

• 비동기식 학습이 당장 프론티어 모델 학습의 표준은 아니며, 2027 년부터 여러 지역에 분산된 AI 클러스터가 본격 가동됨에 따라 중요도가 높아질 가능성이 크다. (근거: p. 11)