우주 데이터센터는 돈이 될까: 발사비부터 GPU 교체 비용까지 따져본 현실성

AI 데이터센터는 수천억 원을 투자해도 전력과 용수, 인허가 문제로 계획이 지연되는 사례가 늘고 있다. 이런 상황에서 우주 데이터센터는 단순한 미래 기술이 아니라 새로운 비용 구조를 제시할 수 있는 대안으로 주목받고 있다. 지난 글에서는 우주 데이터센터가 실제로 어디까지 구현됐는지를 살펴봤다. 중국의 컴퓨팅 위성군 발사와 미국 기업들의 우주 기반 AI 구상이 이어지면서, 우주 데이터센터는 더 이상 공상과학의 소품만은 아니다. 하지만 기술적으로 가능하다는 것과 사업으로 성공할 수 있다는 것은 전혀 다른 문제다. AI 인프라 시장에서 결국 승패를 결정하는 것은 기술보다 비용이다. 궤도에서 칩이 동작했다는 사실은 시작점일 뿐, 고객이 지상의 클라우드보다 낮은 비용 또는 더 높은 가치를 지불할 이유가 생겼다는 뜻은 아니다.

이 차이를 놓치면 논의는 쉽게 “우주에는 태양광이 많고 땅값이 없으니 싸다”는 수준으로 내려간다. 실제 데이터센터는 전력계량기 하나와 GPU 가격표로 운영되지 않는다. 수요의 변동, 장애 복구, 데이터 이동, 네트워크 혼잡, 장비 감가상각, 인력과 소프트웨어, 서비스 수준 계약이 결합된 산업 자산이다. 우주에서는 여기에 발사, 궤도 운용, 방사선 대응, 우주-지상 링크, 보험, 폐기 의무가 추가된다.

일부 기업이 지상 전력·냉각 제약을 우주 기반 AI의 기회로 제시하는 것은, AI 전력 수요와 입지 확보가 실제 경영 변수로 부상했다는 점을 보여준다. 다만 기업의 장기 구상은 사업성의 증거가 아니라 검증해야 할 가설이다. 이 글은 그 가설을 범용 AI 클라우드와 특수 목적 우주 엣지 컴퓨팅으로 나눠 TCO 관점에서 해부한다. 출처: SpaceXAI의 AI 인프라 구상 보도

‘전기가 공짜’라는 출발점부터 다시 계산해야 한다

지상 데이터센터의 전력비는 중요한 비용이다. 전력망 접속이 늦어지거나 냉각수·변전 설비 확보가 막히면 GPU를 사도 서비스를 팔 수 없다. 그러나 우주에서 태양광을 받는다는 사실은 전력비가 0이라는 뜻이 아니다. 패널, 전력 변환기, 배터리, 배전 장치, 보호 회로, 자세 제어와 이들이 낼 열을 모두 먼저 발사해야 한다. 전력은 발전량이 아니라 연산 장비가 안정적으로 쓸 수 있는 품질과 시간대까지 포함해 평가해야 한다.

저궤도 위성은 주기적으로 지구 그림자를 지난다. 일식 구간에도 연산을 계속하려면 저장장치가 필요하고, 저장장치의 질량·수명·열관리가 추가된다. 반대로 배터리를 줄이려고 일식 구간에 성능을 낮추거나 작업을 멈추면, 명목 GPU 수와 고객에게 팔 수 있는 GPU 시간 사이에 차이가 생긴다. 전력 변환과 배전 손실, 태양광 패널 열화, 자세·통신·추진에 쓰는 전력도 연산용 전력과 같은 예산에서 경쟁한다.

따라서 실무자는 “몇 MW를 생산하는가”보다 다음을 묻는 편이 낫다. 일정 기간 동안 계약된 작업을 몇 시간 처리했는가, 그 시간에 GPU가 어느 수준의 성능과 가용성을 유지했는가, 작업 중단과 재시도가 고객 비용과 서비스 수준에 어떤 영향을 주는가. 이것이 유효 연산량이다. 와트당 추론 성능이 좋아도 일식·열 제한·링크 중단으로 작업이 자주 밀리면 매출로 전환되는 연산량은 낮아질 수 있다.

지상에서도 같은 원리가 작동한다. 최근 AI 가속기 논의가 단순 연산량보다 메모리 대역폭, 데이터 이동, 전력 효율, 냉각과 가용성으로 넓어진 이유다. 생성형 AI 추론은 순차적 토큰 생성과 메모리 접근 특성 때문에, 최고 이론 성능보다 자원을 얼마나 오래 유휴 상태로 두지 않는지가 비용에 큰 영향을 준다. 출처: 추론 환경의 메모리·데이터 이동 효율 분석

진공은 냉각기가 아니라 열 배출의 난제다

“우주는 춥다”는 말은 데이터센터 열설계에 위험한 직관이다. 우주는 대체로 진공이므로 공기나 물을 통해 열을 외부로 옮기는 대류를 기대할 수 없다. 칩에서 나온 열은 먼저 냉각판과 열전달 경로로 이동하고, 최종적으로는 넓은 방열판에서 적외선 복사로 우주에 방출돼야 한다. GPU가 소비하는 전력 대부분은 결국 열이 된다. 연산 밀도를 높일수록 이 열을 버리는 면적과 구조가 커지는 방향으로 설계가 밀린다.

지상의 수랭·공랭 시스템도 공짜가 아니지만, 펌프·냉각탑·열교환기·외기라는 선택지가 있고, 고장 난 부품을 교체하거나 냉각 설비를 증설할 수 있다. 우주에서는 방열판의 면적, 태양과 지구 복사열을 받는 방향, 전개 구조의 신뢰성, 미세 운석·파편 위험, 열 사이클에 따른 피로가 시스템 설계에 얽힌다. 방열판을 키우면 질량과 발사 공간이 늘고, 질량이 늘면 발사·구조·자세 제어 비용이 함께 변한다.

여기서 중요한 비교 대상은 전력요금이 아니라 열관리의 총비용이다. 지상은 냉각 전력과 물·설비·보수 비용을 지불한다. 우주는 냉각용 전력을 일부 줄일 수 있어도, 열 전달 장치와 방열 구조를 자본비로 앞당겨 지불하고 이후 고장 위험을 원격 운영으로 떠안는다. 어느 쪽이 유리한지는 전력 단가 하나가 아니라 전력 밀도, 궤도, 방열 구조 질량, 요구 수명, 서비스 가동률에 달려 있다.

AI 인프라에서 RAS(신뢰성·가용성·정비성)가 다시 중요해지는 것도 이 때문이다. 약간 낮은 명목 성능이라도 전력·냉각·정비가 안정적이면 장기 유효 처리량은 더 높을 수 있다. 우주 데이터센터는 정비성이 물리적으로 제한되므로, 이 원칙이 지상보다 훨씬 엄격해진다. 출처: 고밀도 AI 시스템의 전력·냉각·정비성 논의

TCO는 발사비가 아니라 시스템 전체의 비용 함수다

발사비 하락은 필요조건이다. 하지만 kg당 단가에 GPU 카드 무게만 곱한 계산은 우주 데이터센터의 원가를 설명하지 못한다. 연산 모듈이 궤도에서 작동하려면 위성 버스, 구조체, 태양광 패널, 전력 제어와 저장, 열전달 장치·방열판, 자세·추진 장치, 방사선 완화 설계, 광통신 단말, 안테나, 시험과 통합, 발사 서비스, 보험을 함께 실어야 한다. 같은 GPU라도 궤도·전력·열·통신 요구가 달라지면 시스템 질량과 단가가 달라진다.

많은 독자는 우주 데이터센터의 경제성을 발사비 하나로 판단하지만, 실제 사업성을 좌우하는 것은 발사 이후의 운영 국면이다. GPU 교체 주기, 유효 가동률, 유지보수 체계, 위성 간·지상 간 통신 비용, 장애에 대비한 예비 시스템 운영, 실제 고장이 발생했을 때의 대응 방식까지 포함한 총소유비용(TCO)이 사업성을 결정한다. 발사비는 한 번 지불하고 끝나는 초기 비용이지만, 이 항목들은 위성의 수명 동안 계속 쌓이는 비용이라는 점에서 성격이 다르다. 발사비보다 운영비가 더 중요하다는 것이 이 글의 핵심 전제다.

아래 표는 정확한 가격 견적이 아니라, 사업 검토 때 빠뜨리기 쉬운 비용 항목을 비교하는 체크리스트다. 항목별 수치를 다른 연구에서 가져와 임의로 합산하면 결론이 왜곡될 수 있다. 반드시 같은 연도, 동일한 서비스 수준, 같은 연산량 기준으로 견적을 다시 만들어야 한다.

우주 데이터센터의 경제성은 발사비 하나로 결정되지 않는다. 위 표에서 보듯 CAPEX보다 OPEX가 장기적으로 더 중요한 변수이며, GPU 교체 주기, 유지보수, 통신비용, 예비 위성 운영비까지 포함한 총소유비용(TCO)으로 판단해야 한다. 표의 항목을 단순 비교가 아니라, 개별 사업 제안을 검토할 때 빠짐없이 확인해야 할 판단 기준으로 활용하는 편이 실무적으로 유용하다.

이 논리는 우주에만 해당하지 않는다. 현재 AI 데이터센터 전력 확보 경쟁과 AI 반도체 조달 경쟁을 보면, 지상 AI 인프라 기업들의 경쟁 축이 이미 옮겨가고 있다는 점이 드러난다. 관건은 더 이상 GPU를 얼마나 많이 확보하느냐가 아니라, 이미 확보한 GPU를 얼마나 높은 가동률로, 얼마나 낮은 운영비로, 얼마나 오래 활용하느냐다. 우주 데이터센터도 예외가 아니다. 궤도에 GPU를 올리는 일 자체보다, 그 GPU를 지상과 똑같은 잣대—가동률·운영비·활용 기간—로 평가했을 때도 경쟁력이 있는지가 핵심이다.

CAPEX와 OPEX의 경계도 지상보다 흐려진다. 지상에서는 노후 GPU를 랙 단위로 교체하고 남은 설비를 계속 사용할 수 있다. 우주에서는 처음부터 높은 신뢰성과 중복성을 넣어 CAPEX가 커질 수 있고, 교체 위성의 제작·발사·운용은 미래 OPEX이면서 사실상 후속 CAPEX다. 한 번의 큰 자본지출을 낮은 전력비로 상쇄하려면 장기간 높은 가동률이 필요하다. 그런데 바로 그 기간에 GPU의 경제적 수명은 짧아질 수 있다.

보험과 규제도 주변 항목이 아니다. 주파수와 궤도 자원 확보, 충돌 회피, 임무 종료 뒤 폐기 계획은 사업 일정과 운용 설계에 영향을 준다. 발사·운용 위험은 보험 또는 자기보유 위험으로 가격화된다. 투자 심사에서는 이 비용을 “기타”로 밀어두지 말고, 서비스 중단 가능성과 연결해 손익·현금흐름 시나리오에 넣어야 한다.

GPU 가격보다 중요한 것은 ‘교체 가능한 성능’이다

AI 가속기는 데이터센터 건물보다 빠르게 세대교체된다. 새 세대가 단순히 빠르기만 한 것이 아니라 와트당 성능, 메모리 용량·대역폭, 네트워크 연결, 소프트웨어 지원에서 차이를 만들면 기존 장비의 경쟁력은 예상보다 빨리 약해질 수 있다. 이 때문에 우주 자산의 물리적 수명과 경제적 수명을 구분해야 한다. 위성이 수년간 살아 있어도 탑재 GPU가 고객이 원하는 비용·성능을 내지 못하면, 자산은 기술적으로 정상이어도 경제적으로 좌초될 수 있다.

지상 사업자는 수요가 확인된 랙부터 증설하고, 구형 GPU를 낮은 등급의 추론·배치 작업으로 전환하며, 고장 부품을 교체한다. 우주 사업자는 최소한 세 가지 중 하나를 입증해야 한다. 궤도에서 모듈을 교체할 수 있는가, 위성을 회수·재배치할 수 있는가, 아니면 짧은 경제 수명을 전제로 새 위성을 지속 투입해도 수익이 나는가. 이 중 어느 것도 단순 발사비 하락만으로 해결되지 않는다.

방사선과 단일 사건 오류도 비용 문제다. 완전한 차폐는 질량을 늘리고, 차폐를 줄이면 오류 탐지·정정, 이중화, 체크포인트, 자율 복구, 예비 용량을 더 요구할 수 있다. 설계의 핵심은 오류를 0으로 만들겠다는 선언이 아니라, 오류가 발생해도 고객 작업을 재실행·복구하는 비용과 지연을 서비스 가격에 감당할 수 있는지다. 지상에서는 현장 교체가 마지막 안전망이지만, 우주에서는 그 안전망이 멀고 비싸다.

이 때문에 ‘발사 당시 최고급 GPU’가 항상 최적의 선택도 아니다. 특수 목적 추론이나 영상 전처리라면 전력·열·신뢰성·소프트웨어 수명에 맞춘 가속기가 더 나을 수 있다. 반대로 빠른 모델 학습 경쟁이 핵심이라면, 교체 불가능한 하드웨어가 주는 기회비용이 훨씬 커진다. 제품 설계는 최고 성능표가 아니라 목표 워크로드의 안정성, 업데이트 주기, 고객 계약 기간에 맞춰야 한다.

통신은 부가 기능이 아니라 데이터센터의 절반이다

범용 AI 클라우드는 GPU만 임대하지 않는다. 고객 데이터와 모델을 들여오고, 수백~수천 개 가속기를 묶어 학습하며, 체크포인트와 결과를 저장하고 내보내는 네트워크 서비스를 판다. 대규모 학습은 가속기 사이의 빈번한 동기화와 높은 대역폭·낮은 지연에 민감하다. 지상 데이터센터는 이 요구를 짧은 거리의 광섬유와 계층형 네트워크로 다루며, 장애 구간을 우회하고 용량을 증설한다.

우주-지상 링크와 위성 간 레이저 링크는 매우 유용할 수 있지만, 이것이 곧 지상 클러스터 내부망과 같은 경험을 보장한다는 뜻은 아니다. 가시성, 지상국 위치, 날씨의 영향, 링크 전환, 단말 추적, 저장·전송 스케줄링이 서비스 품질에 들어온다. 모델과 대규모 학습 데이터를 우주로 올리고 결과·체크포인트를 다시 내리는 비용이 크면, 연산 단가의 일부 절감은 데이터 이동 비용과 지연으로 사라질 수 있다.

반대로 데이터가 처음부터 우주에서 생긴다면 그림이 달라진다. 지구 관측 영상, 통신·과학 센서 데이터처럼 원본이 위성에 있고 그중 일부만 즉시 가치가 있는 경우, 궤도에서 품질 검사·변화 탐지·객체 분류·압축·우선순위 선별을 수행할 수 있다. 내려보낼 비트 수를 줄이고 긴급 이벤트를 먼저 전달할 수 있다면, 고객이 사는 것은 값싼 GPU 시간이 아니라 통신 병목 완화와 의사결정 시간 단축이다. 이것이 우주 엣지 컴퓨팅이 범용 클라우드보다 먼저 검증될 수 있는 이유다.

AI 에이전트 시대의 비용은 사용량이 아니라 운영 형태에서 늘어난다

에이전트형 AI가 늘면 비용이 반드시 기하급수적으로 증가한다고 말할 근거는 없다. 다만 하나의 업무가 한 번의 짧은 질의로 끝나지 않고, 계획 수립, 여러 번의 추론, 검색·데이터베이스·코드 실행 같은 도구 호출, 결과 검증과 재시도로 이어질 수 있다. 이 구조에서는 토큰 수뿐 아니라 GPU 점유 시간, 메모리 상태, 네트워크 왕복, 외부 도구 사용료, 실패한 실행의 재처리, 관측·보안 비용이 함께 커질 수 있다.

그래서 AI 인프라 기업이 줄이려는 비용은 GPU 구매가만이 아니다. 배치 크기와 요청 스케줄링으로 유휴 시간을 줄이고, 모델·정밀도·캐시를 워크로드에 맞추고, 메모리 병목과 데이터 복사를 줄이며, 관측 도구로 낭비를 찾아내는 일이 중요하다. 퀄컴이 에이전트 집중형 AI 추론을 위한 데이터센터 로드맵과 저전력 컴퓨팅을 강조한 것도, 시장이 성능만이 아닌 운영 효율을 요구한다는 흐름의 한 사례로 읽을 수 있다. 출처: 퀄컴의 데이터센터 로드맵 발표

로컬 LLM의 토큰당 전력비를 측정한 사례 역시 해석에 주의가 필요하다. 해당 글은 GPU 전력이라는 한계 비용만 다뤘고, 장비 구매비·유지보수·메모리·운영 인력 등 전체 비용을 포함하지 않는다고 명시한다. 바로 이 구분이 우주 데이터센터 분석에 중요하다. 전기료가 낮다는 관찰을 전체 TCO가 낮다는 결론으로 확장하면 안 된다. 출처: 로컬 LLM 토큰당 전기료 측정과 한계

우주 데이터센터는 이 운영 문제를 자동으로 풀지 못한다. 오히려 관측성·복구성의 난도가 올라간다. 원격에서 펌웨어, 모델, 컨테이너, 스케줄러를 업데이트하고 장애를 분류해야 하며, 통신 창이 제한된 환경에서도 안전하게 롤백할 수 있어야 한다. 고객에게는 비용 최적화 기능보다 먼저, 작업이 사라지지 않고 재현 가능하며 보안·감사 요구를 충족한다는 신뢰를 제공해야 한다. 지상 클라우드가 GPU 모니터링과 클라우드 비용 관리로 유휴 자원을 줄이려는 흐름은, 우주에서도 운영 소프트웨어가 하드웨어만큼 중요하다는 점을 시사한다. 출처: 데이터독의 GPU 모니터링·클라우드 비용 관리 소개

수익 모델은 ‘연산 판매’와 ‘문제 해결 판매’로 나눠야 한다

범용 GPU 클라우드는 시간당 또는 사용량 기반으로 연산을 판다. 이 모델에서 우주 사업자는 지상 하이퍼스케일러의 가격, 네트워크 품질, 소프트웨어 생태계, 지역 리전, 신속한 GPU 교체와 경쟁해야 한다. 우주에서 약간 싼 전력을 얻더라도 발사·통신·고장·자본비가 더 크고 고객 경험이 떨어지면 가격 경쟁은 어렵다. 특히 학습 고객은 성능뿐 아니라 데이터 거버넌스, 대규모 분산 학습, 빠른 실험 반복을 요구한다.

우주 엣지 모델은 다른 질문을 던진다. “GPU 1시간이 얼마인가”가 아니라 “불필요한 원본 전송을 얼마나 줄였는가”, “재난 징후나 선박·산불·농업 변화를 얼마나 빨리 발견했는가”, “다운링크가 제한된 상황에서 어떤 데이터를 먼저 보내 고객의 업무 손실을 줄였는가”가 구매 근거가 된다. 이 경우 지상과 같은 가격의 GPU 임대료를 이길 필요가 없다. 통신 제약이 큰 고객의 전체 업무비용을 줄이거나, 지상 도착 전에는 얻을 수 없던 시간을 판매하면 된다.

초기 고객도 달라진다. 범용 AI 서비스 기업은 낮은 지연과 방대한 지상 데이터 접근을 원한다. 반면 위성 운영사, 지구 관측 분석 기업, 재난 대응 조직, 원격 인프라 모니터링 사업자는 현장 데이터 처리의 가치가 더 클 수 있다. 다만 공공·안전 영역은 단순한 모델 정확도 외에 검증 절차, 책임 소재, 장기 조달 주기라는 상업적 장벽을 가진다. 시장이 필요로 하는 기술과 실제로 계약이 체결되는 기술은 구분해야 한다.

사업계획서에는 고객별로 최소한 다음의 비교가 있어야 한다.

• 지상으로 원본을 모두 내려보내는 현재 비용과 지연
• 궤도 처리 뒤 줄어드는 전송량, 재전송·오탐 비용, 우선순위 처리의 가치
• 모델 업데이트 주기와 처리 오류가 고객 업무에 미치는 영향
• 계약 기간 동안 필요한 예비 위성·지상국·지원 인력 비용
• 고객이 지상 대안보다 더 지불할 이유와, 그 가치를 측정할 지표

이 지표가 없다면 ‘우주 AI’라는 홍보 문구는 있어도 반복 가능한 수익 모델은 없다.

손익분기점 숫자보다 먼저 확인할 여섯 가지 조건

공개 자료만으로 범용 우주 데이터센터의 정확한 손익분기점을 계산하는 것은 위험하다. 발사 계약 조건, 탑재체 질량, 궤도, 전력 용량, 발사체, 보험 범위, GPU 조달가, 고객 워크로드가 기업마다 다르기 때문이다. 대신 투자자와 기술 의사결정자는 아래 조건이 동시에 개선되는지 추적해야 한다.

첫째, 발사비뿐 아니라 kg당 실어 올려야 하는 시스템 질량이 줄어야 한다. 전력·방열·통신·차폐를 포함한 연산 단위당 질량이 핵심이다. 둘째, 방열 구조와 전력 시스템이 목표 성능을 장기간 유지해야 한다. 셋째, 위성 간·지상 간 통신이 대상 워크로드의 데이터 이동 요구를 충족해야 한다. 넷째, 장애가 났을 때 서비스 수준을 지킬 예비 용량과 자율 복구 체계가 있어야 한다.

다섯째, 반도체 교체 주기와 위성 경제 수명이 맞아야 한다. 모듈 교체, 회수, 재사용 또는 빠른 세대 교체를 가능하게 하는 운영 모델이 없다면 성능 노후화가 TCO를 밀어 올린다. 여섯째, 고객이 지상 대안에는 없는 가치를 측정 가능하게 인정해야 한다. 우주에서 먼저 만들어지는 데이터를 우주에서 처리하는 사례가 이 조건에 가장 가깝다.

이 조건들은 서로 독립적이지 않다. 더 높은 전력의 GPU는 더 큰 방열판과 전력계를 요구하고, 이는 질량과 발사비를 올린다. 더 많은 중복성은 가용성을 높이지만 CAPEX를 키운다. 더 강한 차폐는 오류 위험을 낮출 수 있지만 역시 질량을 늘린다. 더 많은 데이터를 내리려면 통신 단말·지상국·전력이 필요하다. 그래서 좋은 사업모델은 한 항목의 극단적 최적화가 아니라, 워크로드에 맞는 시스템 균형에서 나온다.

실무자가 보는 투자·도입 판단표

우주 데이터센터 제안을 검토할 때는 “기술 시연 성공”과 “상업 서비스 준비”를 같은 칸에 넣지 말아야 한다. 다음 질문에 문서와 시험 결과로 답할 수 있는지가 더 중요하다.

이 표는 우주 사업에만 적용되지 않는다. 지상 AI 인프라에서도 전력 접속, 냉각, 메모리 병목, 네트워크, 가동률과 운영 자동화가 수익성을 좌우한다. 차이는 우주가 고장 뒤 물리적으로 손을 뻗기 어렵고, 그 대가를 초기 설계와 예비 자산에 미리 반영해야 한다는 데 있다.

결론: 기술 시연의 다음 단계는 TCO 증명이다

우주 데이터센터는 기술적으로 흥미로운 방향이다. 태양광, 궤도상 데이터 생성, 광통신, 자율 운영이 결합하면 지상과 다른 형태의 컴퓨팅 서비스를 만들 가능성이 있다. 그러나 현재 공개된 구조를 기준으로 보면, 이를 지상의 대형 AI 데이터센터를 곧바로 대체할 범용 클라우드로 보는 것은 성급하다. 전력비 절감 가능성은 발사·방열·통신·유지보수·교체성·예비 자원 비용을 포함한 전체 방정식의 한 항일 뿐이다.

단기적으로는 원본 데이터가 우주에서 생기고, 내려보낼 데이터량·시간 자체가 비용인 업무에서 경제성이 먼저 검증될 가능성이 있다. 장기적으로 범용 서비스에 가까워지려면 발사 비용 하락만이 아니라, 낮은 질량의 전력·방열 시스템, 높은 신뢰성의 모듈형 설계, 빠른 가속기 세대교체, 안정적인 광통신, 자율 복구와 규제·보험을 감당하는 운용 모델이 함께 성숙해야 한다.

AI 인프라 경쟁은 더 이상 GPU를 많이 보유하는 경쟁이 아니다. 앞으로는 동일한 연산 성능을 얼마나 낮은 총소유비용(TCO)으로 제공할 수 있는지가 핵심 경쟁력이 될 가능성이 높다. 우주 데이터센터는 이러한 변화가 어디까지 확장될 수 있는지를 보여주는 실험이지만, 현재 시장이 요구하는 것은 기술적 가능성이 아니라 경제적 타당성이다.

경제성이 확보된다고 해도 모든 AI 서비스가 우주 데이터센터에서 운영되는 것은 아니다. 그렇다면 어떤 서비스가 가장 먼저 우주로 이동할 가능성이 높을까? 다음 글에서는 우주 데이터센터의 실제 활용 시나리오와 초기 시장을 중심으로 살펴본다.

참고 출처

• 퀄컴, 에이전틱 AI 시대 데이터센터 로드맵 및 드래곤플라이 포트폴리오
• SpaceXAI, AI 모델을 넘어 인프라 시장을 겨냥한다는 보도
• 로컬 LLM 운영 비용: 토큰당 전기료 측정과 한계
• AI 반도체의 전력·냉각·정비성 논의
• K-AI 반도체와 추론의 메모리·데이터 이동 효율
• 데이터독의 GPU 모니터링 및 클라우드 비용 관리 소개