Broadcom FY1Q26 컨퍼런스콜 주요 Q&A 요약

#Broadcom FY1Q26 컨퍼런스콜 주요 Q&A 요약 _다올 반도체/소부장 고영민, 김연미 Q. AI 칩 매출 1,000억 달러 전망과 수요 구조 - 27년 AI 관련 매출이 $100B를 상당히 초과할 것으로 전망(대부분 AI 칩에서 발생) - XPU, 스위치 칩, DSP, 네트워킹 칩 등 다양한 AI 데이터센터용 반도체 포함 - LLM을 플랫폼으로 제품화하려는 기업들이 증가하면서 training + inference 수요 동시 확대 - 특히 최근에는 inference용 compute 수요가 예상보다 빠르게 증가 - LLM을 서비스로 제공하면서 inference compute capacity가 지속적으로 확대되는 구조 Q. Hyperscaler의 자체 AI 칩 개발이 Broadcom ASIC 사업에 미치는 영향 - 빅테크 기업들이 자체 AI 칩을 개발하려는 시도는 존재 - 그러나 최고 수준의 칩 설계, advanced packaging, networking 기술이 동시에 필요 - 또한 대규모 양산 능력과 높은 수율 확보가 매우 어려움 - 단순히 칩을 설계하는 것보다 대량 생산과 빠른 생산 시간이 더 큰 장벽 - 브로드컴은 20년 이상 ASIC 및 AI 칩 설계 경험을 보유 - Hyperscaler 자체 칩 개발이 단기간 내 경쟁 위협이 될 가능성은 낮음(향후 몇년간은 경쟁자 없을 것) Q. AI Networking 매출 증가 배경 및 향후 비중 - AI 데이터센터에서 초고속 네트워크 인프라 수요가 급증 - 브로드컴의 토마호크6 100테라바이트 스위치가 주요 수요를 견인 - 27년, 토마호크7 출시 예정 - 또한 1.6T optical DSP 등 네트워킹 칩 수요도 동반 증가 - 현재 네트워킹 사업 성장 속도는 XPU 성장보다도 빠른 수준 - 향후 AI 매출 내 네트워킹 비중은 약 33~40% 수준 예상 Q. GPU 중심 구조에서 Custom AI Chip(XPU)으로의 변화 배경과 향후 맞춤형 AI 가속기 수요 전망 - AI workload가 다양해지면서 범용 GPU만으로는 효율이 제한적 - 특히 mixture of experts, 추론 워크로드 등에서는 맞춤형 가속기가 훨씬 높은 효율 제공 - 하이퍼스케일러 및 AI 기업들은 맞춤형 XPU 개발 확대 - training용과 inference용 칩을 각각 따로 설계하는 구조도 증가하는 추세 Q. AI 랙 제품 출하 확대가 향후 Broadcom의 총이익률에 미칠 영향 - AI 랙 제품 출하가 늘어나더라도 전체 GPM에 미칠 영향은 제한적 - 생산 수율 개선 및 원가 구조 최적화가 진행됨 - AI 사업의 마진 구조는 기존 반도체 사업과 유사 수준 유지 전망 Q. AI 데이터센터 구축 규모를 GW 기준으로 볼 때 27년 예상되는 AI 인프라 규모와 이에 따른 AI 칩 수요 수준 - 회사는 AI compute capacity를 GW 기준으로 관리 - 27년 기준 약 10GW 수준의 AI 인프라 구축 예상 - 고객별 투자 규모에 따라 GW당 매출 규모는 차이 존재 - 대략적으로 1GW당 약 $20B 수준의 칩 수요 발생 가능 Q. AI 공급망 확보 및 28년 성장 가시성 - 27년 기준 약 10GW 수준의 AI 인프라 구축 예상 - 고객별 투자 규모에 따라 GW당 매출 규모는 차이 존재 - 대략적으로 1GW당 약 $20B 수준의 칩 수요 발생 가능 Q. AI 반도체 공급망을 28년까지 선확보한 배경과 향후 AI 사업 성장 가시성 - Broadcom은 주요 AI 부품 공급(유리기판, PCB, 패키징 CAPA 등)을 조기에 선확보 - 주요 고객들과 2~4년 장기 로드맵을 공유하며 공급 확보했기 때문에 2028년까지 AI 사업 성장 지속 가능 Q. AI 고객 구조 및 수요 가시성 - Broadcom의 AI 칩 매출은 약 6개 핵심 고객 중심으로 발생, 이들 고객은 AI 칩 개발을 단기 compute 수요가 아닌 장기적인 전략 인프라 투자로 접근 - GPU 사용은 단기적인 트랜잭션 성격이 강하지만, custom ASIC 개발은 자체 AI 플랫폼 경쟁력을 위한 중장기 전략 투자로 진행 - 고객들의 AI 로드맵에 깊이 관여하며 설계 단계부터 협력하고 있어 향후 수요에 대해 무엇이 필요한지 몇개가 필요한지 확실함 Q. AI 데이터센터 네트워크 기술 방향 - AI 데이터센터에서 Scale-up에는 latency와 전력 효율 측면에서 Direct Attach Copper 방식이 가장 효율적 (rack 내부나 짧은 거리 연결에서 우선적으로 사용됨) - Scale-out에서는 더 긴 거리와 높은 대역폭이 필요하기 때문에 Optical networking 기술이 사용되는 구조 - 전체적으로 AI 데이터센터 네트워크 아키텍처에서는 이더넷 기반 네트워크가 사실상 표준으로 자리 잡고 있으며 주요 hyperscaler들도 이를 중심으로 인프라를 구축 중 Q. Custom AI Chip 개발 방향 - 대부분의 고객은 초기 단계에서 비교적 구현 난이도가 낮은 추론용 AI 칩 개발부터 시작 → 이를 통해 비용 효율적인 inference 서비스를 구축하려는 전략 - AI 모델 경쟁이 심화되면서 점차 training용과 inference용 칩을 동시에 설계하는 구조로 발전, 각각의 workload에 최적화된 설계가 이루어지는 추세 - LLM 경쟁 환경에서는 모델 성능 향상을 위한 training 투자와 서비스화를 위한 inference 인프라 구축이 동시에 필요하기 때문에 Custom AI 칩 수요는 장기적으로 지속 확대될 전망 📨 DAOL 반도체: https://t.me/Semi_Ko