1. Deutsche Bank가 지난 70년간의 AI 사이클 분석 자료를 공개. 핵심은 현재의 AI 붐이 단순 소프트웨어 유행이나 GPU 교체 사이클이 아니라, 반도체, 전력, 데이터센터, 국가 R&D 구조까지 바꾸는 거대한 산업 재편이라는 점
2. 딥러닝 이전까지 주요 AI 시스템의 학습 연산량은 연평균 1.4배 증가함. 2010년 이후에는 증가 속도가 연평균 4배까지 가속됨. 무어의 법칙만으로는 설명 불가한 속도임. 이는 GPU, HBM, 네트워크, 데이터, 알고리즘이 동시에 개선되면서 서로를 증폭시키고 있기 때문
3. AI 연산 비용이 하락한다고 전력과 반도체 수요가 줄어드는 것도 아님. 2006년 이후 GPU 연산 비용은 99% 하락했지만, 더 많은 기업과 서비스가 AI를 사용하면서 총연산량은 폭발적으로 증가함. 전형적인 제번스의 역설임. 효율성이 높아질수록 사용량이 늘어나며, 2024년부터 2030년까지 AI 관련 전력 소비는 2배 증가할 예정임
4. 이 구조에서는 효율화가 곧 CapEx 감소를 의미하지 않음. 모델당 연산 비용이 내려가면 더 큰 모델, 더 긴 컨텍스트, 더 많은 추론, 더 많은 에이전트를 사용하게 됨. AI 칩의 성능 개선은 GPU 수요를 파괴하는 것이 아니라 새로운 수요를 열어주는 역할을 해옴
5. 중국의 DeepSeek 역시 갑자기 등장한 게 아님. 중국은 PPP 기준 R&D 투자에서 2012년 전후 유럽을 넘어섰고, 2024년에는 미국까지 추월함. AI 특허 승인 건수는 경쟁국 대비 압도적 수준으로 벌어짐. DeepSeek는 수년간 축적된 연구 인력, 자본, 산업정책, 데이터, 공급망의 결과물임
6. 다만 특허 숫자를 곧바로 기술적 우위로 해석해서는 안 됨. 주목할 만한 AI 모델의 수에서는 아직 미국이 중국을 앞서고 있음. 중국은 연구의 양과 산업화 파이프라인에서 강점을 보이고 있고, 미국은 최첨단 모델과 플랫폼에서 우위를 유지하는 구도임. 이미 중국은 독립적 AI 생태계를 구축할 수 있는 임계점을 넘어섬
7. GPT 이후 시장의 가장 큰 수혜가 하드웨어에서 먼저 나타난 것도 같은 맥락임. 데이터센터, GPU, HBM, 반도체 장비, 패키징, 전력망, 냉각, 건설 등 물리적 인프라가 AI 확장의 선행조건이 됐음. 소프트웨어 투자는 여전히 크지만, 증가 속도와 공급 부족은 물리적 레이어에서 더욱 강하게 나타남
8. 미국의 반도체 수입이 수출의 3배에 달한다는 점도 AI 경쟁의 본질을 보여줌. 미국이 모델과 플랫폼을 장악하더라도 반도체 제조, 메모리, 소재, 장비, 패키징 공급망에서는 해외 의존도가 높음. 리쇼어링이 진행되고 있지만 팹과 전력 인프라는 짧게는 수년, 길게는 10년에 가까운 시간이 필요
9. AI를 하나의 종목군으로 묶어서는 안 됨. 병목은 GPU에서 HBM과 메모리로, 다시 네트워크와 광통신, 전력, 냉각, 데이터센터 건설로 이동 중. 이후에는 이 인프라 위에서 실제 매출과 생산성을 만들어내는 소프트웨어와 AI 에이전트가 다음 수익화 구간을 형성함
10. AI의 핵심은 특정 모델의 성능 경쟁이 아님. 전 세계의 자본, 전력, 반도체 생산능력, 연구 인력과 국가 산업정책이 하나의 방향으로 재배치되고 있음. AI는 새로운 산업 인프라를 건설하는 장기 자본 사이클임