NAND에 이어 DRAM 시장도 다시한번 점검해본다.
CXMT의 IPO가 시장의 높은 관심을 받으며 흥행하는 분위기다.
 |
| N长鑫(SH688825)股票股价_股价行情_财报_数据报告 - 雪球 |
생각정리 310 (*CXMT IPO)
해외 IB 컨퍼런스콜에서는 CXMT가 Apple과 Nvidia를 향후 경쟁 상대로 보고 있으며, 5년안에 전세계 시총 1위를 목표로 하며,
기존 메모리 3사인 SK하이닉스·삼성전자·마이크론은 자신들의 직접적인 경쟁 상대가 아니라는 취지의 발언을 했다고 한다.
최근 CXMT의 자신감(*자만심)이 상당히 높아진 모습이다.
다만 중국 첨단 반도체 산업을 견제해온 미국 행정부의 정책 방향을 고려하면, 향후 추가 제재가 발표될 가능성도 배제하기 어렵다. CXMT가 글로벌 고객사와 기술 경쟁을 본격화할수록 미국 정부의 경계 역시 더욱 강해질 수 있다.
(*제발 트럼프 형님이 저 거만한 뚝배기 깨버려주셨으면..)
특히 미국 정부 입장에서 Apple이 중국 공급망과 지나치게 밀접해지는 상황을 어떻게 바라볼지도 궁금하다.
최근 커뮤니티에서 Apple에 대한 비판적인 반응이 부쩍 늘어난 모습을 보면, 높은 브랜드 충성도가 앞으로도 지금과 같은 수준으로 유지될 수 있을지 의문이 들기도 한다.
메모리가 방정식을 바꾸기 시작했다
HBM·SOCAMM2·자율주행이 재편하는 2030년 DRAM 시장
메모리 수요는 오랫동안 스마트폰과 PC 출하량을 중심으로 설명됐다.
스마트폰 판매량이 늘면 모바일 LPDDR 수요가 증가하고, PC와 서버 판매량이 늘면 DDR 수요가 증가하는 비교적 단순한 구조였다.
하지만 AI 데이터센터가 빠르게 확장되면서 메모리 수요를 판단하는 기준이 달라지고 있다.
이제는 장비가 몇 대 판매되는지보다 CPU와 GPU를 쉬지 않고 가동하기 위해 시스템 한 대에 얼마나 많은 메모리를 탑재해야 하는지가 더 중요해졌다.
동시에 세 가지 변화가 진행되고 있다.
AI 가속기당 HBM 탑재량이 빠르게 증가한다.
에이전틱 AI가 CPU에 연결되는 대용량 DDR와 SOCAMM2 수요를 만든다.
자율주행차가 새로운 LPDDR 수요처로 부상한다.
GPU 옆에서는 HBM이 늘고, CPU 옆에서는 DDR와 SOCAMM2가 늘어난다. 스마트폰에 들어가던 LPDDR는 AI 서버와 자동차로 수요처를 넓히고 있다.
이번 메모리 사이클을 HBM 하나만으로 설명하기 어려운 이유다.
1. Meta와 Micron의 공동연구가 보여주는 메모리 해석의 변화
Meta와 Micron은 실제 하이퍼스케일 데이터센터 환경을 반영한 DCPerf 벤치마크를 활용해 LPDDR5X의 서버 성능을 비교했다.
연구의 핵심 질문은 단순했다.
서버 성능을 결정할 때 메모리 속도와 메모리 용량 가운데 어느 쪽이 더 중요한가.
연구진은 CPU 구조, 코어 수, 캐시와 Spark 작업용 메모리 할당량이 거의 같은 두 서버를 비교했다.
가장 큰 차이는 LPDDR5X의 용량이었다.
여기서 중요한 부분은 메모리 용량이 작은 SKU2의 속도와 이론적 대역폭이 더 높았다는 점이다.
단순히 메모리 전송속도만 비교하면 SKU2가 더 유리하다. 실제로 대용량 데이터를 단순 복사하거나 재배열하는 일부 작업에서는 SKU2가 더 높은 성능을 기록했다.
그러나 대규모 데이터를 반복적으로 정렬하고 재분류하는 Spark 작업에서는 결과가 완전히 달라졌다. (Micron Technology)
 |
| Micron Technology |
전체 작업에서는 1TB 서버가 2.8~3.5배 빨랐다
그래프는 SKU2의 성능을 1로 놓고 SKU1의 성능을 비교한 것이다.
메모리 속도는 SKU2가 더 빨랐지만, 전체 작업 성능은 메모리 용량이 큰 SKU1이 약 2.8~3.5배 높았다.
Spark는 작업 과정에서 다음 데이터를 DRAM에 동시에 보관해야 한다.
현재 처리 중인 원본 데이터
서버 사이에서 재분류되는 셔플 데이터
연산 과정에서 발생한 중간 결과
운영체제가 다시 사용하기 위해 보관하는 페이지 캐시
1TB의 메모리를 탑재한 SKU1은 필요한 데이터를 대부분 DRAM 안에 유지할 수 있었다.
반면 512GB를 탑재한 SKU2는 메모리가 부족해 일부 데이터를 SSD로 내보낸 뒤, 필요할 때 다시 불러와야 했다.
이를 spill-to-disk라고 한다.
특정 셔플 단계에서는 최대 38.75배 차이가 났다
일반 작업량에서 단계별 성능 차이는 다음과 같았다.
Stage 1에서는 두 서버의 성능이 거의 같았다.
오히려 메모리 속도가 빠른 SKU2가 근소하게 앞섰다.
하지만 셔플 작업이 집중된 Stage 2에서는 SKU2의 데이터가 DRAM 용량을 넘어섰다. 일부 데이터가 SSD로 내려가면서 저장과 재호출이 반복됐고, SKU1과의 성능 차이가 38.75배까지 확대됐다.
작업량을 세 배로 늘리자 병목이 다른 단계로 이동했다.
데이터셋이 커지면서 SKU2의 운영체제 페이지 캐시에도 전체 데이터를 보관하기 어려워졌다.
SKU2는 한 번 읽은 데이터를 계속 메모리에 유지하지 못했고, 같은 데이터를 다시 처리할 때마다 SSD에서 반복적으로 읽어야 했다. 그 결과 모든 단계에서 큰 성능 차이가 발생했다. (Micron Technology)
메모리가 부족하면 성능은 선형적으로 떨어지지 않는다
이번 연구에서 가장 중요한 부분은 DRAM 용량과 서버 성능의 관계가 선형적이지 않다는 점이다.
메모리가 10% 부족하다고 성능도 10%만 떨어지는 구조가 아니다.
작업 데이터가 DRAM 안에 들어가는 동안에는 성능 차이가 제한적일 수 있다. 그러나 데이터가 DRAM 용량을 넘어 SSD로 이동하기 시작하면 스토리지 입출력이 새로운 병목으로 바뀐다.
Working Set ≤ DRAM Capacity
대부분의 데이터를 빠른 메모리 안에서 처리한다.
Working Set > DRAM Capacity
SSD 저장과 재호출이 반복되며 CPU와 GPU가 데이터를 기다린다.
이는 서버 메모리 용량을 평균 사용량에 맞춰 설계해서는 안 된다는 의미이기도 하다.
셔플 데이터와 중간 결과, 운영체제 페이지 캐시까지 고려해 충분한 여유 용량을 확보하지 않으면, DRAM 비용을 줄인 대신 훨씬 비싼 CPU와 GPU의 가동률을 희생할 수 있다.
스토리지 평가 기준이 $/TB에서 GPU 가동률로 확대된다
기존 스토리지는 주로 테라바이트당 가격으로 평가됐다.
같은 데이터를 더 저렴하게 보관할 수 있다면 경제적인 스토리지로 여겨졌다.
그러나 GPU가 가장 비싸고 희소한 자원인 AI 데이터센터에서는 계산이 달라진다.
추가 DRAM·Flash 비용
< 절감되는 GPU 유휴시간 × GPU 시간당 비용
스토리지에서 데이터가 늦게 도착해 GPU가 기다리면, 스토리지 비용을 절감한 효과보다 GPU 유휴시간으로 발생하는 손실이 더 커질 수 있다.
Meta는 AI 연산 성능이 약 2년마다 세 배씩 향상되는 반면 스토리지와 인터커넥트의 성능 개선은 상대적으로 느리다고 설명한다. 이 격차가 확대될수록 스토리지 병목은 AI 인프라의 비용과 모델 개발 속도에 직접 영향을 준다. (Engineering at Meta)
따라서 GPU에 인접한 메모리와 스토리지는 단순한 $/TB가 아니라 유효 GPU 시간당 총비용으로 평가해야 한다.
이번 연구가 SSD의 필요성을 부정하는 것은 아니다.
DRAM은 현재 처리 중인 데이터와 반복적으로 사용하는 데이터를 담당하고, SSD는 대규모 데이터셋과 체크포인트를 저장한다.
충분한 DRAM으로 불필요한 SSD 접근을 줄이면서, SSD는 그 아래의 고속 대용량 저장계층으로 활용하는 구조가 중요해졌다.
2. Agentic AI CPU 시대, SOCAMM2가 새로운 DRAM 수요처로 부상하는 이유
기존 생성형 AI는 사용자가 질문을 입력하면 모델이 한 번 답변을 생성하는 형태가 중심이었다.
에이전틱 AI는 하나의 작업을 완료하기 위해 검색, 코드 실행, 데이터베이스 조회, 문서 분석과 외부 도구 호출을 반복한다.
이 과정에서는 GPU뿐 아니라 CPU의 역할도 커진다.
CPU는 다음 작업을 처리해야 한다.
여러 에이전트의 실행 순서 관리
Python과 애플리케이션 코드 실행
검색과 데이터베이스 조회
가상머신과 샌드박스 운영
네트워크와 스토리지 입출력
GPU 사이의 데이터 이동
사용자별 상태와 컨텍스트 관리
NVIDIA도 Vera CPU를 코드 실행, 도구 사용, 샌드박싱, 데이터 파이프라인과 에이전트 오케스트레이션에 특화된 CPU로 설명한다. Vera의 SOCAMM2 LPDDR5X 메모리 서브시스템은 최대 1.2TB/s의 총대역폭을 제공한다. (NVIDIA Developer)
에이전틱 AI는 대용량 CPU 메모리를 요구한다
하나의 AI 에이전트가 장시간 작업하면 다음 데이터가 계속 누적된다.
기존 대화와 작업 이력
검색 결과와 외부 문서
실행한 코드와 중간 결과
다른 에이전트가 생성한 응답
사용자별 KV 캐시
도구 호출 상태와 실행 환경
모든 데이터를 빠르지만 비싸고 제한적인 HBM에 보관하기는 어렵다.
따라서 사용 빈도가 높은 데이터는 HBM에 두고, 상대적으로 덜 자주 접근하는 KV 캐시와 긴 컨텍스트는 CPU에 연결된 대용량 메모리로 이동시키는 계층형 구조가 필요하다.
이 역할을 담당하는 제품이 SOCAMM2다.
HBM이 연산 속도를 담당한다면, SOCAMM2는 에이전틱 AI가 더 많은 사용자와 더 긴 컨텍스트를 처리할 수 있도록 용량을 확장한다.
SOCAMM2는 LPDDR를 서버용 메모리로 바꾼다
LPDDR는 원래 스마트폰과 태블릿을 위해 개발된 저전력 메모리였다.
전력과 공간 효율은 우수했지만, 메인보드에 직접 실장되는 경우가 많아 서버에서 교체하거나 용량을 확장하기 어려웠다.
SOCAMM2는 LPDDR5X를 서버에서 교체할 수 있는 모듈 형태로 만든 제품이다.
Micron의 256GB SOCAMM2 모듈을 8채널 CPU에 적용하면 CPU 한 개당 최대 2TB의 LPDDR5X를 구성할 수 있다.
Micron은 같은 용량의 RDIMM 구성과 비교해 SOCAMM2가 전력 소비와 모듈 면적을 각각 약 3분의 1 수준으로 줄일 수 있다고 설명한다. KV 캐시를 SOCAMM2로 이동한 장문맥 추론 실험에서는 첫 토큰 생성시간이 2.3배 개선됐다. (Micron Technology)
플래그십 스마트폰 한 대가 약 12~16GB의 LPDDR를 사용한다고 가정하면, CPU 한 소켓에 탑재되는 2TB는 스마트폰 100대가 넘는 메모리 용량이다.
서버 출하량이 스마트폰보다 적더라도 서버 한 대당 탑재량이 압도적으로 크기 때문에 LPDDR bit 수요에 미치는 영향은 상당할 수 있다.
LPDDR는 모바일 전용 메모리에서 서버 메모리로 확장된다
그동안 LPDDR 시장에서 가장 중요한 고객은 스마트폰 업체였다.
앞으로는 동일한 선단 LPDDR 생산능력을 두고 다음 수요처가 경쟁하게 된다.|
스마트폰과 AI PC
NVIDIA·AMD 기반 AI 서버
하이퍼스케일 데이터센터
자율주행 및 소프트웨어 정의 차량
Meta와 Micron의 연구는 LPDDR5X가 모바일과 엣지에 한정된 제품을 넘어 하이퍼스케일 범용 컴퓨팅과 AI 플랫폼에서도 사용할 수 있음을 보여준다. (Micron Technology)
이는 스마트폰 출하량이 정체되더라도 LPDDR 전체 수요가 계속 증가할 수 있다는 의미다.
LPDDR가 모바일 메모리에서 모바일·자동차·AI 서버가 함께 사용하는 저전력 범용 DRAM으로 바뀌기 시작했다.
HBM과 SOCAMM2는 대체재가 아니다
HBM과 SOCAMM2는 서로 다른 역할을 담당한다.
HBM 용량을 무한정 늘리는 것은 비용과 패키징 면적, 전력과 수율 측면에서 부담이 크다.
SOCAMM2가 상대적으로 접근 빈도가 낮은 데이터를 받아주면, HBM은 가장 중요한 연산 데이터에 집중할 수 있다.
따라서 SOCAMM2가 늘어난다고 HBM 수요가 줄어들 가능성은 낮다.
에이전틱 AI가 확산될수록 GPU당 HBM과 CPU당 SOCAMM2가 함께 증가하는 구조에 가깝다.
HBM은 왜 전체 DRAM 공급의 병목이 되는가
첨부된 Needham 자료에서 가장 중요한 부분은 HBM bit 비중과 웨이퍼 투입 비중의 격차다.
 |
| Needham |
Needham은 2028년 HBM이 전체 DRAM bit에서 차지하는 비중을 약 15~17%로 예상했다.
반면 HBM 생산에 사용되는 DRAM 웨이퍼 비중은 2028년 거의 **50%**까지 높아질 것으로 전망했다.
TrendForce도 HBM이 상위 3개 DRAM 업체의 전체 웨이퍼 투입에서 차지하는 비중을 2025년 18%, 2026년 22%, 2027년 30%로 추정한다. 같은 기간 HBM bit 공급 비중은 각각 8%, 9%, 13%다. (TrendForce)
HBM은 여러 장의 DRAM die를 수직으로 쌓아 만들기 때문에 동일한 bit를 생산하는 데 범용 DDR보다 훨씬 많은 웨이퍼와 공정이 필요하다.
Micron은 같은 bit를 생산할 때 HBM이 DDR5보다 두 배가 넘는 웨이퍼 공급능력을 소비한다고 설명한다. TSV 공정과 적층, 선별, 수율 손실까지 포함하면 공급 부담은 더욱 커진다. (Micron Technology)
따라서 HBM 수요가 늘면 HBM 공급만 빠듯해지는 것이 아니다.
HBM으로 웨이퍼가 이동하면서 서버 DDR, 모바일 LPDDR와 PC DRAM에 배정할 수 있는 생산능력도 줄어든다.
HBM bit 비중보다 웨이퍼 비중이 훨씬 높다는 사실이 전체 DRAM 시장의 공급 병목을 만든다.
2030년까지 HBM bit 수요 추정
아래 표는 첨부된 Needham의 전체 DRAM bit 수요 전망과 TrendForce의 HBM 비중 전망을 기준으로 작성한 베이스 시나리오다.
2025~2028년은 공개 전망치를 중심으로 구성했고, 2029~2030년은 AI 가속기 출하량과 제품당 HBM 탑재량 증가를 반영한 추정치다.
2025년부터 2030년까지 전체 DRAM bit 수요는 약 세 배 증가한다.
같은 기간 HBM bit 수요는 약 3.1EB에서 27.1EB로 증가해 약 8.7배 성장하는 것으로 추정된다.
연평균 성장률로 환산하면 약 54%다.
HBM bit 비중도 2025년 8%에서 2030년 약 **23%**까지 높아질 수 있다.
HBM 매출은 2030년 1,500억달러를 넘어설 수 있다
Micron은 HBM 시장규모가 2025년 약 350억달러에서 2028년 약 1,000억달러로 증가할 것으로 전망한다. 이는 3년간 약 40% 이상의 연평균 성장률에 해당한다. (Micron Technology)
SK하이닉스가 인용한 BofA 전망은 2026년 HBM 시장을 약 546억달러로 추정한다. (SK hynix Newsroom)
이를 기반으로 HBM4·HBM4E 전환과 GPU·ASIC당 탑재량 증가를 반영하면 다음과 같은 경로를 추정할 수 있다.
2028년 이후에는 HBM bit 증가가 계속되더라도 세대 전환과 생산성 개선으로 bit당 가격이 점진적으로 낮아질 수 있다.
따라서 HBM 매출 증가율은 bit 수요 증가율보다 낮아지는 것으로 가정했다.
그럼에도 2030년 HBM 시장은 약 1,550억달러에 이를 수 있다. 이는 2025년 대비 약 4.4배 규모다.
HBM은 bit 비중보다 매출 비중이 훨씬 크다
HBM의 가격은 같은 용량의 범용 DRAM보다 크게 높다.
TrendForce는 HBM 가격이 DDR5보다 약 다섯 배 높을 수 있으며, 2025년 HBM이 전체 DRAM bit의 약 10%만 차지해도 DRAM 매출에서 30% 이상을 차지할 수 있다고 설명했다. (TrendForce)
2030년 HBM이 전체 DRAM bit의 약 23%까지 올라간다면 매출 비중은 절반을 넘어설 가능성이 높다.
2030년 HBM 추정치
DRAM bit 비중: 약 23%
DRAM 웨이퍼 투입 비중: 약 50% 안팎
DRAM 매출 비중: 약 50~55%
HBM이 전체 DRAM의 4분의 1에 못 미치는 bit만 생산하면서 웨이퍼와 매출의 절반가량을 차지하는 구조다.
HBM 공급부족이 전체 DRAM 가격과 공급량을 함께 흔드는 이유가 여기에 있다.
3. 자율주행차까지 메모리를 소비하기 시작한다
자동차도 새로운 LPDDR 수요처로 부상하고 있다.
기존 자동차는 여러 전자제어장치가 각자의 기능을 별도로 처리했다.
최근에는 차량 내부 기능을 중앙 컴퓨팅 시스템으로 통합하는 도메인·존 아키텍처가 확산되고 있다.
카메라, 레이더와 라이다가 수집한 데이터가 중앙 SoC로 모이고, 차량은 이를 실시간으로 처리해 객체를 인식하고 이동 경로를 판단한다.
Micron은 이런 구조를 바퀴 달린 데이터센터에 비유한다. (Micron Assets)
차량 한 대당 메모리 탑재량이 증가한다
Micron은 2025년 전 세계 자동차 판매량을 약 9,700만 대로 예상하면서 차량 한 대당 평균 메모리 탑재량을 다음과 같이 제시했다.
2021년과 비교하면 차량당 DRAM은 약 세 배, NAND는 약 네 배 증가한 수준이다. (Micron Assets)
자율주행 단계가 높아질수록 메모리 요구량은 더 빠르게 증가한다.
Micron은 2030년 약 300만 대가 완전자율주행 단계에 도달하고, 1,500만 대 이상이 L2+·L3 기능을 지원할 것으로 전망한다. (Micron Technology)
자율주행차는 다음 데이터를 DRAM에 동시에 보관해야 한다.
카메라·레이더·라이다 센서 데이터
객체 인식용 AI 모델
센서 융합 과정에서 발생하는 중간 결과
지도와 차량 위치 정보
차량 운영체제와 애플리케이션
운전자 모니터링 데이터
인포테인먼트와 차량용 AI 비서 데이터
자율주행 수준이 높아질수록 메모리 용량뿐 아니라 대역폭과 기능안전도 함께 중요해진다.
자동차에서도 LPDDR가 핵심 메모리가 된다
자동차용 메모리는 높은 성능과 함께 낮은 전력 소비, 낮은 발열과 장기간의 신뢰성을 요구한다.
특히 전기차에서는 메모리 소비전력이 냉각 부담과 주행거리에도 영향을 줄 수 있다.
이 때문에 차량용 중앙 컴퓨팅과 인포테인먼트에는 LPDDR5X와 향후 LPDDR6 채택이 확대될 가능성이 높다.
자동차 산업은 과거 저용량 레거시 DRAM을 주로 사용했지만, 중앙집중형 컴퓨팅과 자율주행이 확대되면서 스마트폰 및 AI 서버와 동일한 선단 LPDDR 생산능력을 사용하기 시작했다.
스마트폰·SOCAMM2 서버·자율주행차가 같은 LPDDR 웨이퍼를 놓고 경쟁하는 구조가 만들어지고 있다.
차량용 DRAM은 2030년까지 약 2.5배 성장할 수 있다
2025년 차량용 DRAM 수요는 다음과 같이 계산할 수 있다.
9,700만 대 × 차량당 16GB
= 약 1.55EB
2030년 자동차 판매량을 약 1억 대, 차량당 평균 DRAM 탑재량을 약 39GB로 가정하면 차량용 DRAM 수요는 약 3.9EB가 된다.
첨단 자율주행차 한 대의 메모리 탑재량은 기존 차량보다 네 배 이상 증가할 수 있다.
다만 2030년에 판매되는 모든 차량이 L3·L4로 전환되는 것은 아니다. 따라서 전체 자동차 시장의 평균 DRAM 탑재량은 약 2.5배 증가하는 것으로 반영했다.
특정 고급차량의 탑재량 증가와 전체 자동차 시장 평균을 구분해서 볼 필요가 있다.
결론: 2025년과 2030년 DRAM End Market은 어떻게 달라지는가
아래 추정은 DRAM bit 수요 기준이다.
LPDDR5·LPDDR5X는 별도의 최종 수요처가 아니라 실제 사용처에 따라 구분했다.
스마트폰용 LPDDR는 Mobile
자동차용 LPDDR는 Automotive
AI 서버용 LPDDR는 AI SOCAMM2
AI 가속기용 적층 DRAM은 HBM
이렇게 분류해야 동일한 LPDDR 수요가 중복 계산되는 것을 피할 수 있다.
2025년 DRAM End Market
2025년 전체 DRAM bit 수요를 약 39EB로 가정했다.
2025년까지는 모바일과 PC·소비자용 DRAM이 시장의 절반 이상을 차지한다.
AI HBM과 AI 호스트 메모리를 합친 AI 관련 DRAM 비중은 약 14% 수준이다.
SOCAMM2는 상용화 초기 단계이기 때문에 전체 시장에서 차지하는 비중이 아직 미미하다.
2030년 DRAM End Market
2030년 전체 DRAM bit 수요는 약 118EB로 추정했다.
2030년에는 AI HBM, AI Host DDR와 SOCAMM2를 합친 AI 데이터센터용 DRAM 수요가 약 62.6EB에 이른다.
이는 전체 DRAM 수요의 약 **53%**다.
2030년에는 전체 DRAM bit 수요의 절반 이상이 AI 데이터센터에서 발생할 수 있다.
HBM만 보는 것보다 CPU에 연결되는 DDR와 SOCAMM2 수요를 함께 보는 것이 중요한 이유다.
AI Host DDR와 SOCAMM2를 합치면 약 35.5EB로 HBM 수요 27.1EB보다 크다.
랙 전체를 기준으로 보면 GPU 옆의 HBM보다 CPU 옆의 DDR와 LPDDR가 더 많은 DRAM bit를 소비할 가능성이 있다.
모바일 비중은 줄지만 수요가 감소하는 것은 아니다
모바일 LPDDR 수요는 2025년 12.5EB에서 2030년 17.5EB로 증가한다.
절대 수요는 약 40% 늘어난다.
그러나 전체 DRAM 시장이 약 세 배 커지면서 모바일 비중은 32%에서 약 15%로 낮아진다.
PC와 소비자용 DRAM도 마찬가지다.
절대 수요는 증가하지만 AI 메모리 수요가 훨씬 빠르게 늘면서 상대적 비중은 감소한다.
모바일 비중 하락은 모바일 메모리가 줄어든다는 의미보다 DRAM 시장의 중심축이 AI 데이터센터로 이동한다는 의미에 가깝다.
LPDDR 시장에서는 모바일의 독점적 지위가 약해진다
2025년 LPDDR 수요는 대부분 스마트폰과 자동차에서 발생한다.
2030년에는 SOCAMM2가 새로운 대형 수요처로 추가된다.
2030년 LPDDR 관련 수요에서 SOCAMM2가 차지하는 비중은 약 **49%**로 추정된다.
즉 2025년까지 스마트폰이 중심이었던 LPDDR 시장이 2030년에는 모바일과 AI 데이터센터가 수요를 양분하는 구조로 바뀔 수 있다.
자동차까지 포함하면 LPDDR 시장의 스마트폰 의존도는 더욱 낮아진다.
전체 DRAM 시장규모 추정
2025년부터 2030년까지 전체 DRAM bit 수요는 약 세 배 증가하는 것으로 추정된다.
주요 성장 동력은 HBM, SOCAMM2와 AI 서버용 DDR다.
자동차용 DRAM도 빠르게 성장하지만 전체 시장에서 차지하는 비중이 상대적으로 작기 때문에 전체 수요를 결정하는 핵심 변수는 AI 데이터센터다.
매출액
DRAM 매출은 bit 수요와 같은 속도로 증가하지 않는다.
범용 DRAM은 공정 전환과 집적도 개선으로 장기적인 bit당 가격 하락이 나타날 수 있다.
반면 HBM, SOCAMM2와 자동차용 고신뢰성 DRAM의 비중이 높아지면 제품 믹스는 고부가가치 방향으로 이동한다.
이를 함께 반영한 2030년 DRAM 매출 시나리오는 다음과 같다.
2030년 중앙값은 약 2,900억달러로 추정된다.
이 가운데 HBM이 전체 DRAM 매출의 절반 이상을 차지할 가능성이 있다.
다만 매출액 전망은 bit 수요보다 불확실성이 크다. HBM 공급계약 가격과 수율, 범용 DRAM 가격, 신규 팹 가동 시점에 따라 시장규모가 크게 달라질 수 있다.
최종 정리
Meta와 Micron의 공동연구는 메모리 용량이 서버 성능에 미치는 영향이 선형적이지 않다는 사실을 보여준다.
메모리가 부족해 데이터가 SSD로 넘어가면 성능이 조금 낮아지는 데 그치지 않는다. 특정 작업에서는 처리속도가 수십 분의 1 수준으로 떨어질 수 있다.
에이전틱 AI는 이 문제를 더욱 확대한다.
GPU가 모델을 연산하는 동안 CPU는 검색, 코드 실행, 데이터베이스 조회, 도구 호출과 수많은 에이전트의 상태를 관리해야 한다. 이를 위해 HBM뿐 아니라 CPU에 연결되는 대용량 DDR와 SOCAMM2가 필요하다.
자율주행차도 같은 방향으로 움직인다.
차량은 센서와 AI 모델을 실시간으로 처리하는 중앙 컴퓨팅 시스템으로 바뀌고 있다. 차량당 LPDDR와 NAND 탑재량은 자율주행 수준이 높아질수록 증가할 가능성이 크다.
Needham 자료가 보여주듯 HBM은 전체 DRAM bit의 일부만 차지하면서도 2028년 전체 DRAM 웨이퍼의 절반 가까이를 사용할 수 있다.
결과적으로 HBM 수요 증가는 HBM만의 공급문제가 아니라 서버 DDR와 모바일·자동차용 LPDDR 공급에도 영향을 준다.
이를 모두 반영한 베이스 시나리오는 다음과 같다.
2030년 전체 DRAM bit 수요: 약 118EB
2025년 대비 성장: 약 3배
2030년 AI 관련 DRAM 비중: 약 53%
2030년 HBM bit 수요: 약 27EB
2030년 HBM bit 비중: 약 23%
2030년 HBM 시장규모: 약 1,500억~1,600억달러
2030년 SOCAMM2 수요: 약 20EB
2030년 자동차용 DRAM 수요: 약 3.9EB
2030년 전체 DRAM 시장규모: 약 2,700억~3,100억달러
결국 이번 메모리 사이클은 HBM 한 제품의 사이클로 설명하기 어렵다.
GPU 옆에서는 HBM이 늘고, CPU 옆에서는 DDR와 SOCAMM2가 늘어난다. 스마트폰에 들어가던 LPDDR는 AI 서버와 자율주행차로 확장되고, 데이터 계층 아래에서는 엔터프라이즈 SSD와 차량용 NAND 수요도 함께 증가한다.
2025년까지 스마트폰과 PC가 메모리 수요의 중심이었다면, 2030년에는 AI 데이터센터가 전체 DRAM 수요의 절반 이상을 차지하는 가장 큰 최종 수요처로 부상할 가능성이 높다.
#글을 마치며
 |
| 페트로차이나 IPO 고점 이래 1/3 토막 |
페트로차이나의 2007년 상하이 상장은 중국 증시의 과열, 제한된 유통물량, 국유 대표기업에 대한 기대가 결합하면서 상장 첫날 시가총액 1조 달러를 넘어섰다. 그러나 실제 이익 성장과 자본효율성은 당시 밸류에이션을 뒷받침하지 못했고, 이후 주가는 장기간 상장 당시 고점을 회복하지 못했다.
최근 CXMT IPO 열기에서도 유사한 모습이 보인다. 중국 반도체 자립이라는 정책적 상징성, 제한된 투자 대상, 메모리 업황 회복 기대가 기업의 현재 경쟁력보다 강하게 반영될 가능성이 있다.
물론 CXMT는 중국 내 메모리 공급망 확대라는 구조적 성장성을 보유하고 있다. 다만 상장 초기 가격이 기술 격차, 수율, 자본투자 부담과 미국의 추가 제재 가능성을 충분히 반영하지 않는다면, 페트로차이나처럼 좋은 산업 서사와 좋은 투자 가격은 별개의 문제가 될 수 있다.
 |
| IPO 직후 실질 유통비율은 5.23~6.63%에 불과하며, 이후 추가로 풀리는 대규모 락업일정 |
 |
| CXMT의 주요지분은 국유기업, 정책펀드, 임직원 플랫폼, 은행·보험·증권사, 중국 산업 전략투자자 등 모두 하나의 중국 당·국가 연계 우호지분 |
 |
| CXMT IPO구조는 과거 페트로차이나 IPO를 연상케하는 IPO구조임. (*이는 너무 당연..) |
=끝
