[화장품] K뷰티가 계절성을 깨고 공급자 우위 시장으로 진입, 성장의 중심이 브랜드에서 ODM·용기로 확산되고 있음

https://stock.naver.com/research/invest/40458

📋 핵심 내용 요약

1. 이번 리포트의 핵심은 AI 반도체 산업의 병목이 메모리(Memory)에서 연산(Compute)으로 일부 이동하면서 NVIDIA 등 GPU 기업의 상대적 가치가 높아질 수 있다는 것임.이는 메모리 수요 감소가 아니라 AI 시스템에서 연산 능력의 중요성이 커지는 구조적 변화에 주목한 분석임.[해석]
2. NVIDIA는 2026년 10월 5일 약 5개월 만에 신고가를 경신했으며, 신제품 Vera Rubin의 경쟁력, CPU·네트워킹 사업 확대, 자사주 매입, 낮아진 밸류에이션이 주가 강세의 배경으로 제시됐음.다만 보고서는 이러한 기존 호재보다 GPU 연산 능력의 재평가 가능성을 더욱 중요한 변화로 해석함.[팩트, p02]
3. 기존 AI 추론은 Chain-of-Thought(CoT, 생각의 사슬)를 통해 많은 추론 토큰을 생성하는 방식이 중심이었으나, Recurrent Depth(반복 심층 연산)는 토큰을 추가 생성하기보다 모델 내부에서 연산을 반복해 문제 해결 능력을 높이는 방식임.이 기술은 메모리 부담을 줄이면서 GPU 연산 수요를 높일 가능성이 있음.[팩트, p04-06]
4. 보고서에 따르면 GPT-6.1 Sol의 작업당 평균 비용은 0.72달러로, Claude Opus 5.5의 5.98달러보다 약 88% 낮음.증권사는 이러한 비용 효율성이 토큰 생성량 감소와 Recurrent Depth 관련 기술에서 비롯됐을 가능성을 제시하지만, 실제 모델 내부 구조는 확인된 사실이 아닌 추정임.[팩트, p03]
5. 2026년 10월 12일 기준 NVIDIA·TSMC·AMD는 52주 최고가 대비 평균 7.5% 하락한 반면, Micron·SanDisk·Seagate·Western Digital은 평균 33.5% 하락했음.보고서는 이 차이가 메모리보다 연산 관련 기업에 높은 프리미엄을 부여하는 시장의 변화를 시사한다고 평가함.[팩트, p07]
6. 2027년에는 재귀적 자기개선(RSI, Recursive Self-Improvement)이 AI 산업의 다음 성장 동력이 될 수 있음.AI가 모델 연구와 개발을 자동화하면 차세대 모델을 만드는 속도가 빨라지고, 추론에 가려졌던 대규모 학습 인프라 투자의 경제성이 다시 높아질 수 있다는 전망임.[해석]
7. 보고서는 재귀적 자기개선의 수혜 분야로 GPU·AI 가속기, 네오클라우드, 선단 파운드리, 고속 네트워킹을 가장 높게 평가했으며, 메모리 중에서는 HBM(High Bandwidth Memory, 고대역폭 메모리)에 주목했음.따라서 일반 메모리와 HBM의 투자 논리를 구분할 필요가 있음.[팩트, p11]
8. 가장 큰 위험은 AI 인프라 투자 확대에도 최종 고객인 AI 모델사의 수익성이 충분히 개선되지 않는 상황임.보고서는 Anthropic의 기업공개(IPO) 과정에서 매출 신뢰성, 고객 집중도, 대규모 컴퓨팅 지출 약정이 투자심리를 악화시킬 수 있다고 경고함.[팩트, p12-13]🚀 왜 지금 NVIDIA의 가치가 재평가되는가?
9. NVIDIA의 기존 투자 논리는 GPU 성능 우위와 AI 인프라 투자 확대에 있었으나, 이번 리포트는 한 단계 더 나아가 AI가 더 적은 토큰으로 더 많은 내부 연산을 수행하는 방향으로 발전하면 GPU의 계산 능력 자체가 더욱 희소한 자원이 될 수 있다는 새로운 논리를 제시함.[해석]
10. 보고서는 NVIDIA의 12개월 선행 PER(Price-to-Earnings Ratio, 향후 12개월 예상 순이익 대비 주가 배수)이 16.3배까지 낮아졌으며, 최근 분기 주당순이익(EPS, Earnings Per Share) 증가율은 120%에 달했다고 설명함.이는 주가 상승에 앞서 실적 개선으로 평가배수가 낮아진 상황을 보여주지만, 해당 배수만으로 절대적인 저평가를 입증하는 것은 아님.[팩트, p02]
    [그림 1·2, p02 | 자료: Bloomberg, DS투자증권 리서치센터]🧠 Recurrent Depth가 바꾸는 AI 추론의 경제성
11. 기존 CoT 방식은 어려운 문제를 해결하기 위해 중간 추론 단계를 토큰으로 생성하므로, 생각하는 과정이 길어질수록 KV Cache(Key-Value Cache, 이미 처리한 토큰의 정보를 재활용하도록 저장하는 데이터)가 증가함.이는 GPU 메모리를 더 많이 점유하고 동시에 처리할 수 있는 요청 수를 제한하는 원인이 됨.[팩트, p04-05]
12. 반면 Recurrent Depth는 새로운 토큰을 생성하기 전 모델 내부의 연산 블록을 반복적으로 실행하는 접근법임.사람이 문제 풀이 과정을 길게 적는 대신 머릿속에서 여러 번 검토한 후 짧은 답을 작성하는 것에 비유할 수 있으며, 성공적으로 구현되면 작업당 토큰 수와 메모리 부담을 줄일 수 있음.[해석]
    [그림 3, p05 | 자료: DS투자증권 리서치센터]
13. 보고서에서 제시한 주요 모델의 작업당 비용과 토큰 수는 다음과 같으며, GPT-6.1 Sol은 경쟁 모델보다 지능 평가점수가 낮더라도 비용 측면에서 상당한 우위를 보였음.다만 각 모델의 실제 작업 품질과 내부 연산량이 동일하다는 의미는 아니므로 비용 차이를 곧바로 반도체 효율 차이로 해석해서는 안 됨.[팩트, p03]

    구분	GPT-6.1 Sol	Claude Opus 5.5	Claude Sonnet 5.5	Gemini 4 Argon
    Intelligence Index	52	58	56	53
    작업당 추론 토큰	25K	84K	147K	36K
    작업당 답변 토큰	13K	35K	50K	26K
    작업당 평균 비용	$0.72	$5.98	$5.46	$1.99
    출력 API 단가($/100만 토큰)	$10	$20	$10	$10
    [표 1, p03	자료: 각 모델사, Artificial Analysis, DS투자증권 리서치센터]

14. 같은 출력 API(Application Programming Interface, 외부 프로그램에서 AI 모델을 호출하는 인터페이스) 단가를 적용받더라도 생성하는 토큰이 적으면 작업당 청구 비용은 낮아질 수 있음.그러나 토큰 수가 적은 이유가 반드시 Recurrent Depth라고 확인된 것은 아니며, 모델 구조·학습 방식·추론 설정 등 다른 요인도 영향을 미칠 수 있음.[해석]
15. 보고서의 기술적 주장을 투자 논리로 연결하면 추론 토큰 감소 → KV Cache 부담 완화 → 동시 처리 요청 수 확대 → GPU 연산 활용률 상승 → 고성능 GPU의 경제적 가치 증가라는 구조가 형성됨.다만 각 단계가 실제로 얼마나 개선되는지는 모델별 성능 측정이 필요함.[해석]🌐 메모리와 GPU의 상대적 중요도가 바뀌는 이유
16. AI 서버는 Compute(연산), Memory(데이터 저장·공급), Networking(장치 간 통신)이라는 세 가지 핵심 자원으로 구성되며, 이 중 가장 부족한 자원이 전체 처리 성능을 제한함.따라서 AI 산업이 성장하더라도 어느 자원이 병목인지에 따라 투자 수혜 분야가 달라질 수 있음.[팩트, p05]
17. 기존 AI 추론의 Decode(답변 토큰을 순차적으로 생성하는 단계)에서는 메모리에서 모델 가중치와 KV Cache를 불러오는 시간이 병목이 되는 경우가 많았음.메모리 용량이나 대역폭이 부족하면 GPU의 계산 능력이 충분해도 이를 제대로 활용하지 못하는 문제가 발생함.[팩트, p05-06]
18. Recurrent Depth가 작업당 KV Cache 저장량을 줄이면 Batch Size(한 번에 처리하는 요청 수)를 확대할 여지가 생김.GPU는 병렬 연산에 특화된 장치이므로 적절한 범위에서 동시 처리량이 늘어날수록 연산 자원 활용률이 개선될 수 있으며, 이때 메모리 용량보다 GPU 계산 능력이 더욱 중요한 제약으로 부상할 가능성이 있음.[해석]
    [그림 4·5, p06 | 자료: NVIDIA, DS투자증권 리서치센터]
19. 그렇다고 메모리 수요가 감소한다고 단정할 수는 없음.AI 모델의 가중치, 중간 연산 결과, 장기 문맥 처리에는 여전히 대용량·고대역폭 메모리가 필요하며, 실제 시스템에서는 CoT와 Recurrent Depth를 병행할 수도 있으므로 메모리의 절대 수요와 투자 프리미엄의 상대적 변화는 구분해야 함.[해석]💰 시장은 이미 Compute 기업을 더 높게 평가하고 있는가?
20. 보고서의 52주 최고가 대비 주가 비교에서는 NVIDIA가 -5.4%, TSMC와 AMD가 각각 -8.5%인 반면, Micron은 -18.5%, SanDisk는 -36.3%, Seagate는 -31.0%, Western Digital은 -48.1%를 기록했음.다만 개별 회사의 사업구조와 업황이 서로 다르므로 이 격차가 전적으로 AI 연산 방식 변화에서 비롯됐다고 볼 수는 없음.[팩트, p07]
    [그림 6, p07 | 자료: Bloomberg, DS투자증권 리서치센터]
21. 위 수치를 단순 평균하면 Compute 그룹은 약 -7.5%, Memory·Storage 그룹은 약 -33.5%로 26.0%포인트의 차이가 발생함.특히 후자에는 DRAM 제조사뿐 아니라 NAND 및 저장장치 기업이 포함되므로 이 비교를 근거로 HBM의 투자 가치가 크게 하락했다고 판단하는 것은 부적절함.[해석]🔄 2027년 재귀적 자기개선이 가져올 두 번째 변화
22. 재귀적 자기개선은 AI가 연구·실험·모델 개선에 참여하고, 더 나은 모델이 다시 후속 AI 연구를 가속하는 선순환 구조를 의미함.보고서는 OpenAI와 Anthropic 등 주요 AI 기업의 연구 자동화 전망을 근거로 2027년부터 학습 인프라의 중요성이 다시 확대될 가능성에 주목함.다만 실제 구현 시점과 성능 개선 속도는 아직 불확실함.[팩트, p10]
    [그림 9·10, p10 | 자료: 각 회사 및 인물, Situational Awareness, DS투자증권 리서치센터]
23. 그동안 AI 산업은 모델을 개발하는 학습(Training)에서 완성된 모델을 서비스하는 추론(Inference)으로 투자 관심이 이동하는 흐름을 보였음.그러나 연구 자동화로 모델 개발의 생산성이 높아지면 더 큰 학습 클러스터에 투자할 경제적 유인이 확대될 수 있고, 이는 GPU·선단 파운드리·네트워킹·HBM을 동시에 수혜 대상으로 만드는 두 번째 성장 경로가 될 수 있음.[해석]
24. 보고서는 OpenAI의 Stargate Abilene, Meta의 Prometheus, xAI의 Colossus 2 등 대형 GPU 학습 클러스터에 주목함.NVIDIA GPU 기반 학습 인프라에서 경쟁력 있는 모델이 개발되는 사례가 늘어나면 GPU의 기술적 우위와 관련 생태계의 가치가 재평가될 수 있다는 주장임.[팩트, p08-09]
    [표 3, p09 | 자료: EpochAI, DS투자증권 리서치센터]
25. AI 연구 자동화와 대규모 학습이 확대될 경우 보고서가 제시한 수혜 우선순위는 다음과 같으며, 이는 각 산업의 예상 수요 확대 정도에 대한 정성적 평가임.네오클라우드는 GPU 연산 능력을 기업에 임대하는 사업이며, 파운드리는 AI 반도체를 위탁 생산하는 산업을 뜻함.[팩트, p11]

    분야	보고서의 수혜 평가	핵심 논리
    GPU·AI 가속기	매우 높음	모델 학습 연산량 확대
    네오클라우드	매우 높음	GPU 연산 인프라 임대 수요 확대
    선단 파운드리·첨단 패키징	매우 높음	고성능 AI 반도체 생산 확대
    Scale-up/out 네트워크	매우 높음	GPU 간 데이터 교환 및 대규모 연결 증가
    HBM	높음	모델 가중치·활성값 처리 수요 확대
    데이터센터 간 네트워크(DCI)	높음	분산된 학습 클러스터 간 연결 확대
    [표 4, p11	자료: DS투자증권 리서치센터]
    ## ⚠️ AI 투자 확대가 지속되지 못할 위험

26. 보고서는 OpenAI의 ARR(Annual Recurring Revenue, 현재 매출 흐름을 1년 기준으로 환산한 금액)이 약 700억 달러인지 500억 달러인지에 관한 논란을 소개하며, 이를 매출 감소보다 집계 방식 차이로 설명함.그럼에도 시장이 해당 보도에 민감하게 반응한 점은 AI 모델사의 매출 신뢰성과 수익성에 대한 우려가 상당하다는 근거로 해석함.[팩트, p12]
    [그림 11·12, p12 | 자료: Ticker Trend, DS투자증권 리서치센터]
27. Anthropic의 기업공개와 관련해 보고서는 상위 2개 고객이 2025년 매출의 약 25%를 차지하는 고객 집중도, 클라우드 파트너 의존도, 향후 10년간 5,180억 달러 규모의 컴퓨팅 지출 약정을 핵심 위험으로 제시함.특히 약정액의 약 80%가 실제 사용량과 무관하게 지급되는 구조라는 내용은 향후 현금흐름에 큰 영향을 줄 수 있으므로 공식 계약과 공시를 통해 검증할 필요가 있음.[팩트, p13]
    [그림 13·14, p13 | 자료: 국내외 언론 취합, DS투자증권 리서치센터]📈 투자 기회와 리스크 체크포인트

    기간	기회 또는 위험 요인	영향도	확인할 지표
    단기 1-3개월	NVIDIA의 GPU 경쟁력 및 수익성	높음	데이터센터 매출, 영업이익률, 주문 증가율
    단기 1-3개월	Anthropic의 IPO 관련 불확실성	높음	증권신고서, 실제 매출, 현금흐름
    단기 1-3개월	GPU·메모리 간 투자 프리미엄 변화	보통	선행 PER, 이익 전망치 변경
    중기 6-12개월	Recurrent Depth 확산	높음	내부 연산 방식 공개, 작업당 연산량 및 메모리 사용량
    중기 6-12개월	재귀적 자기개선 가속	높음	AI 연구 자동화 성과, 학습 클러스터 투자
    중기 6-12개월	GPU·HBM·네트워킹 수요 확대	높음	수주잔고, 생산능력, 설비투자 추이
    발생 확률은 보고서에 확률모형이나 계량적 근거가 제시되지 않아 산정하지 않았음.
    ## 📈 최종 투자 판단

28. AI 연산 능력의 중요성이 높아진다는 기술적 방향성과 GPU·파운드리·네트워킹·HBM의 수혜 가능성에는 상당한 논리적 설득력이 있으나, 현재 AI 반도체 섹터 전체에 투자할 만큼의 완전한 확신은 확보되지 않았음.특히 Recurrent Depth와 특정 모델의 연결은 추정이며, 재귀적 자기개선에 따른 학습 수요 증가는 아직 미래 시나리오이고, 높은 성장 기대가 개별 기업의 주가에 어느 정도 반영되었는지도 추가 검증해야 하므로 최종 투자 의견은 유보함.[해석]🧵 한 줄 코멘트AI 산업의 다음 경쟁은 '메모리를 얼마나 많이 확보하는가'를 넘어 '연산 능력을 얼마나 효율적으로 활용하고, 더 강력한 AI를 얼마나 빠르게 학습시키는가'로 확장되고 있음.