Nvidia, 압도적 시장 수요에도 생산 병목으로 GPU 공급 제약 직면.

Nvidia는 실제 수요와 확정된 자본 지출에 의해 주도되는 올해 약 70%, 내년 30% 이상의 수익 증가를 경험할 것으로 예상됩니다. 그러나 이 수요와 실제 수익 실현 사이의 인프라 리스크는 충분히 반영되지 않고 있습니다. 전력망이 주요 제약 요소이며, 이미 2026년 배포 일정에 영향을 미치고 있습니다. AI 인프라의 주요 제약은 반도체 공급 가능성에서 전기로 전환되었으며, 특히 대규모 시설을 전력망에 연결하는 데 소요되는 기간이 문제입니다.

대규모 AI 데이터 센터 구축에는 12~24개월이 소요될 수 있지만, 미국의 주요 시장에서 고용량 전력망 연결을 획득하려면 36~84개월이 필요할 수 있습니다. 미국의 상호 연결 대기열은 2,600 GW를 초과하며, 2026년에 예상되는 미국 AI 데이터 센터 용량 12 GW 중 단 5 GW만 활발히 건설 중이고, 나머지 용량 일부는 상당히 지연된 상태입니다. 전력 가용성은 배포를 제약하는 주요 요소 중 하나로 간주됩니다.

변압기 백로그가 이 상황을 크게 악화시킵니다. 전력망 상호 연결에 필수적인 고전압 변압기의 납기는 최대 4년까지 증가했으며, 이는 훨씬 더 긴 교체 주기를 가진 물리적 인프라의 부족으로, 새로운 데이터 센터 용량을 운영화할 수 있는 속도에 제한을 초래합니다. 상호 연결 대기열을 회피하기 위해 xAI, Meta, OpenAI 및 Oracle은 각각 현장 발전 체계를 구축했습니다. 미국 데이터 센터의 발표된 미터 후단 용량 규모는 현재 130 GW를 초과합니다. 전력망 전기는 메가와트시당 $90~$95의 비용이 드는 반면, 미터 후단 발전 비용은 기술과 연료 유형에 따라 MWh당 $100~$165입니다. 하이퍼스케일러들은 배포 일정을 충족하기 위해 이 추가 비용을 감수하고 있습니다.

학습 영역에서 Nvidia는 명확한 우위를 유지하지만, 추론은 전력 효율성과 쿼리당 비용이 주요 구매 기준인 별개의 시장입니다. Broadcom 및 Marvell과 같은 회사들이 개발한 ASIC은 범용 GPU와 비교하여 특정 추론 작업에 대해 우수한 효율성을 제공합니다. 추론이 전체 AI 컴퓨팅 지출에서 점점 더 큰 비중을 차지함에 따라, 해당 부문에서 Nvidia의 가격 책정력에 대한 압력이 강해질 것입니다. 다만 Nvidia는 Hopper와 비교하여 토큰당 성능 및 비용 효율성에 상당한 개선을 제공하는 Blackwell 칩을 출시하고 있습니다.

올해 70% 성장률에 대한 컨센서스가 우려의 대상이 아닌 것은 배송이 주로 확보되었고 하이퍼스케일러들의 자본 지출 약정이 견고하기 때문입니다. 그러나 이 시점을 넘어서는 리스크가 커집니다. 전력망 상호 연결의 지연과 변압기 백로그는 지속되어, GPU 출하와 실제 배포된 용량 사이에 불일치를 초래할 것입니다. 설치 기반이 완전히 활용되지 않은 상태로 확대됨에 따라, 소프트웨어 및 네트워킹으로부터의 Nvidia 수익에 대한 부담이 증가하며, AI 인프라 생태계에 대한 일부 단기 성장 예측은 지나치게 낙관적일 수 있습니다.