MS, Starcloud: Data Centers in Space — AI Goes Orbital (26.01.27)

✅ 문제의 출발점: 지상 AI 데이터센터의 구조적 한계
‒ AI 학습·추론 수요 급증으로 대규모·고전력 데이터센터 증설이 필수가 된 상황
‒ 모건스탠리는 미국 전력 수요 중 데이터센터 비중이 2026년 약 9%, 2030년대 중반에는 약 20%까지 상승할 것으로 추정
» 전력망 병목, 냉각 비용, 물 사용, 토지 인허가 문제로 지상 데이터센터 건설 난이도 급상승
» 지역 주민 반발과 정치적 압박이 확대되며, 데이터센터는 “물가·전기요금 상승의 원인”으로 인식되기 시작
‒ 반면 재사용 로켓 확산으로 우주 접근 비용은 장기적으로 구조적 하락 국면
‒ 지상 데이터센터 비용의 인플레이션 vs 저궤도 접근 비용의 디플레이션이라는 대비 구도가 형성됨

✅ Starcloud의 핵심 아이디어: “에너지를 보내지 말고, 연산을 옮긴다”
‒ 초기에는 우주 태양광을 지상으로 송전하는 모델을 검토했으나, 전송 손실로 경제성 부재
‒ 대신 전력이 풍부한 우주로 AI 연산 자체를 이동시키는 방향으로 전략 전환
‒ AI 연산은 향후 가장 빠르게 증가하는 전력 수요원이기 때문에, 입지 이동의 경제적 타당성이 있다는 판단
‒ 이 접근은 ‘우주 태양광’보다 ‘우주 연산 인프라’가 현실적이라는 문제의식에서 출발함

✅ Starcloud는 어떤 회사인가
‒ 2024년 설립된 우주 데이터센터 전문 스타트업
‒ CEO Philip Johnston는 엔지니어 출신으로, McKinsey 재직 시절 우주 기관 자문 경험 보유
‒ 공동창업진에는 SpaceX, Microsoft, Airbus Defense & Space 출신 기술 인력이 참여
‒ 본사는 워싱턴주 레드먼드로, Amazon·Microsoft·Blue Origin·SpaceX 등 우주·클라우드 클러스터 인접
‒ 2024년 Y Combinator 참여, 대형 시드 투자 유치
‒ 2025년 11월 세계 최초로 궤도에서 AI 모델 학습에 성공한 기업이 됨

✅ 왜 데이터센터를 우주에 두려 하나 — 기술적·물리적 장점
‒ 전력: 우주는 대기 손실 없이 거의 상수에 가까운 태양 복사 에너지 확보 가능
» 태양 복사량은 약 1,361W/m²로, 지상 태양광 대비 약 30% 이상 효율 우위
‒ 냉각: 지상 데이터센터는 냉각에 전체 전력의 최대 40%를 소모
» 우주는 대류 냉각은 불가하지만, 복사 냉각을 통해 열을 직접 방출 가능
‒ 지연시간: 최적 궤도 배치 시 글로벌 사용자와 수 ms 단위 연결 가능성
‒ 확장성: 재사용 로켓으로 kg당 발사 비용이 과거 대비 10배 이상 하락
‒ 리던던시: 전력망 장애, 지정학 리스크, 자연재해로부터 연산 자산 분산 가능

✅ 동시에 존재하는 근본적 장애 요인
‒ 방사선: 고궤도로 갈수록 태양입자·우주방사선 노출 증가
» 내방사 설계·차폐가 필수이며, 이는 중량·비용 증가로 직결
‒ 보안: 우주에는 소유권 개념이 없고, 위성 근접 정찰(RPO) 리스크 상존
» 대규모 우주 데이터센터는 새로운 군사·안보 표적이 될 가능성
‒ 열 관리: 대류·액체 냉각 불가 → 대형 복사 라디에이터 필요
‒ 유지보수: 고장 시 현장 수리 불가, 위성 단위 교체·중복 설계 필요
‒ 우주 파편: 1cm 이상 파편만 100만 개 이상으로 충돌 위험 급증
‒ 발사 비용 임계점: Starcloud는 kg당 약 500달러가 지상 대비 손익분기점이라 언급
» 이는 차세대 초대형 재사용 로켓 상용화 이후에야 가능

✅ Starcloud의 아키텍처 전략: 분산 → 단일 거대 구조
‒ 단기 전략은 수백 개 소형 위성을 광학 링크로 연결한 분산형 추론 네트워크
» 이는 유지보수·교체·리스크 분산에 유리
‒ 중장기적으로는 5GW급 단일 모듈형 데이터센터를 태양 동기 궤도에 구축
‒ 태양광 패널과 복사 라디에이터가 결합된 대형 구조물에
‒ 컨테이너형 GPU 모듈을 도킹 방식으로 추가·교체
‒ 주 구조물은 10년 이상 사용, 연산 모듈은 주기적 교체를 목표

✅ 기술 세부 구상
‒ 컨테이너형 연산 모듈은 전력·냉각·네트워크가 일체형
‒ 직접 액체 냉각 또는 침지 냉각 적용 가능성
‒ 랙당 약 120kW 전력 밀도를 가정
‒ 초대형 로켓 1회 발사로 약 40MW 연산 모듈 수송 가능하다는 가정
‒ 이론상 100회 미만 발사로 5GW급 연산 자산 구축 가능
‒ 지상 연결은 레이저 통신을 활용한 기존 위성망 연계

✅ 단계별 로드맵
‒ 2025.11: Starcloud-1 실증 위성 발사, H100 GPU 탑재 및 AI 학습 성공
‒ 2026년 말: Starcloud-2 상업용 위성 발사 예정
» Blackwell B200 GPU 클러스터, 상시 전력·저장·접속 제공 목표
‒ 2027년 이후: 분산형 추론 위성 네트워크 확장
‒ 2030년 이후: 초대형 로켓 전제 하에 GW급 훈련용 데이터센터 구축 구상

✅ 파트너 및 경쟁 구도
‒ 파트너: NVIDIA, Google, Crusoe, Star Catcher, Mission Space 등
‒ 경쟁: Google(Project Suncatcher), Amazon·Blue Origin, SpaceX, Axiom Space, Aetherflux 등
‒ 빅테크와 우주 기업 다수가 동일한 문제를 각기 다른 방식으로 실험 중

💡 정리: 우주 데이터센터는 ‘아이디어 실험’이 아니라 전력 병목이 만든 구조적 선택지
» AI 연산 수요는 전력·냉각·입지 제약을 동시에 압박
» Starcloud는 연산의 위치 자체를 바꾸는 극단적 해법을 제시
» 단기 상업성은 제한적이나, 2030년대 이후 인프라 옵션으로 의미 있음
» 핵심 변수는 발사 비용, 방사선 대응, 보안 체계, 초대형 로켓 상용화 속도

Cantor, NVDA's Relative Underperformance Just Doesn't Compute (26.02.03)

✅ AI 인프라 전반은 ‘슈퍼사이클’을 가격에 반영 중
‒ 2026년 YTD 기준 메모리 주식 +70%, 대형 반도체 장비 +30%, 네트워킹·레이저 +20% 급등
‒ 시장은 “AI 인프라 핵심 부품은 최소 2년 이상 솔드아웃”이라는 가정 하에 관련 밸류체인을 선반영
‒ HBM, 네트워킹, 서버, 전력·인프라까지 전방위 랠리 전개
‒ 그러나 AI 가속기 최상단에 위치한 NVDA·AVGO 주가는 연초 이후 사실상 보합
‒ Cantor는 이를 구조적 모순으로 규정, 인프라 슈퍼사이클이 맞다면 최종 수혜자는 NVDA일 수밖에 없음

✅ Cantor의 핵심 주장: “둘 중 하나만 맞다”
‒ 현재 시장은 동시에 두 가지 상충된 가정을 하고 있음
‒ ① AI 인프라 슈퍼사이클은 실재 → 메모리·네트워킹·장비 주식 급등
‒ ② 그러나 NVDA는 경쟁 심화로 구조적 성장 둔화 → 주가 정체
‒ Cantor는 이 중 ①이 맞다고 판단하며, 그 결과 ②는 성립 불가능하다고 명시
‒ 결론적으로 NVDA·AVGO는 현재 시장에서 명백히 저평가된 상태

✅ 밸류에이션: 실적 가시성 대비 과도한 디레이팅
‒ Cantor 추정 CY26 EPS $9, CY27 EPS $12, 컨센서스($7.48 / $9.78) 대비 상향 여지 큼
‒ 현재 주가는 CY26 기준 PER 21배, CY27 기준 16배 수준
‒ AI 인프라 슈퍼사이클 초입이라는 점을 감안하면 역사적·구조적으로 낮은 멀티플
‒ Cantor는 Overweight 의견과 목표주가 $300 유지, 상승여력 50% 이상으로 평가

✅ NVDA 주가 부진의 직접적 원인: Google TPU 내러티브
‒ 2025년 하반기 이후 Google TPU 차세대 로드맵이 시장의 핵심 우려로 부상
‒ Anthropic·Meta·OpenAI가 TPU를 병행 사용한다는 점이 NVDA 점유율 약화 우려로 연결
‒ Google Cloud 성장 가속 + 반독점 이슈 완화 + Gemini 3 성공이 내러티브를 강화
‒ 결과적으로 2025년 8월 이후 NVDA +4% vs GOOGL +61%, Cantor AI 바스켓 +37%
‒ Cantor는 이를 “펀더멘털이 아닌 스토리 중심의 상대적 언더퍼폼”으로 해석

✅ Blackwell 아키텍처: Hopper 대비 질적 도약
‒ Blackwell(GB200 NVL72)은 H100 대비 학습 성능 4배 개선
‒ 에너지 효율 25배 개선, MoE 모델 기준 추론 성능 최대 30배 향상
‒ 초기 MLPerf 기준 학습 2.2배, 추론 4배 개선 확인
‒ 소프트웨어 최적화가 아직 진행 중으로 추가 개선 여지 존재

✅ 핵심 구조 변화 ①: 메모리와 정밀도
‒ Blackwell은 GPU당 VRAM 192GB(HBM3E) 탑재
‒ Hopper(H200)의 141GB 대비 대폭 증가
‒ 2세대 Transformer Engine이 FP4 연산 지원
‒ FP4 도입으로 파라미터당 메모리 요구량 감소
‒ 동일 VRAM에서 훨씬 더 큰 모델 학습 가능

✅ 핵심 구조 변화 ②: 연산·대역폭
‒ Blackwell은 FLOPS 약 2배 증가
‒ 메모리 대역폭 역시 약 2배 개선
‒ 결과적으로 모델 크기는 커지지만 학습 시간과 비용은 Hopper 수준 유지 가능
‒ 이는 “더 크고, 더 똑똑한 모델을 같은 예산으로” 학습할 수 있음을 의미

✅ 의미: 프론티어 랩의 전략이 다시 NVDA로 수렴
‒ Hopper 기준으로는 모델 스케일링이 비용·시간 한계에 직면
‒ Blackwell은 해당 병목을 구조적으로 해소
‒ 프론티어 랩(OpenAI·xAI·Meta 등)이 TPU와 비교해 다시 NVDA를 핵심으로 선택할 유인 확대

✅ 2026년 상반기 최대 캐털리스트: Blackwell 기반 LLM 출시
‒ xAI: Grok 5, CY25에서 연기되어 2026년 초 출시 예상
‒ Musk 발언 기준 “AGI에 10% 확률” 언급, 대규모 Blackwell 학습 모델 가능성
‒ OpenAI: Gemini 3 대응 위해 ‘Garlic’ 프로젝트 가속
‒ Garlic이 GPT-5.2인지, 별도 모델인지는 불확실하나 Blackwell 학습 모델 공개 가능성 높음
‒ Meta: Llama 4 오픈소스 실패 이후 폐쇄형 Avocado 모델로 전략 전환, 1H26 목표

✅ 벤치마크 환경 변화: NVDA에 유리한 방향
‒ 기존 MMLU, ARC-AGI-1은 상위 모델 점수 포화(90%)
‒ 시장은 Humanity’s Last Exam, ARC-AGI-2·3 등 고난도 추론 벤치마크로 이동
‒ 현재 최고 점수는 40~60% 수준
‒ Blackwell 기반 대형 모델은 단기간 내 30%p 이상 점수 개선 가능성
‒ Cantor는 2H26부터 다시 새로운 고난도 벤치마크로 이동할 가능성도 언급

✅ 단일 이벤트 리스크: 모델 하나로 내러티브 전환 가능
‒ Musk 트윗, 프론티어 랩의 단일 모델 발표만으로도 투자자 인식 급변 가능
‒ Gemini 3 당시 ‘체감 성능(feel)’이 시장 내러티브를 바꿨던 사례 재현 가능
‒ Blackwell 모델이 해당 역할을 할 잠재력 충분

✅ 수요 측면: Sovereign AI와 클라우드 Capex의 구조적 확대
‒ 미국 Stargate 프로젝트: 4년간 $500B AI 인프라 투자 계획
‒ 일본·사우디·UAE·한국 등 정부 주도의 대규모 NVDA GPU 확보 경쟁
‒ 한국 정부도 5만개 이상 NVDA GPU 투자 계획 명시
‒ 클라우드 Capex 컨센서스는 2025~2027년 지속 상향 조정 중

💡 정리: NVDA는 ‘AI 인프라 슈퍼사이클의 최종 수렴점’
» 현재 주가 부진은 경쟁 우려가 아닌 내러티브 왜곡의 결과
» Blackwell 기반 LLM 출시가 시작되면 성능·비용·확장성에서 NVDA 우위 재확인 가능성 높음
» 2026년 상반기는 NVDA 상대적 언더퍼폼이 해소되는 전환 구간으로, AI 슈퍼사이클의 중심으로 복귀할 확률이 높다고 판단

#NVDA