 |
| 윈터(?) 뭐시기 보고서가 나왔을때 SKH 주가 |
이전 글들을 다시 읽으면서,
기회가 왔을 때 나는 왜 과감하지 못했는가라는 질문이 계속 머릿속을 맴돌았다.
Macro와 대외변수는 매번 이름만 바꿔가며 좋은 기업을 싸게 살 기회를 줬다.
그런데 정작 봐야 할 기술, 산업의 발전 방향과 기업의 Earnings에는 충분히 집중하지 못했다.
주가가 오르면 기업과 산업의 펀더멘털을 낙관하고,
주가가 떨어지면 뒤늦게 비관적인 설명을 덧붙이는 시장의 소음에도 자주 흔들렸고,
계속해서 잘못된 정보를 마치 귀중한 내부정보인 것마냥 우리 귀에 속삭이는 외부인을 탓하기도 했다.
하지만 정작 주요했던건 시장의 소음과 신호를 제대로 구분하지 못했던 내 부족함이었지 않나 싶다.(*아직 외부 ㅈ문가들에 대한 냉소적인 태도가 가시지않은 이유..)
돌이켜보면 그 과정에서 10배 이상 수익을 낼 수 있었던 기회를 여러 번 놓쳤다고 생각한다.
이번에는 같은 실수를 반복하고 싶지 않다.
시장의 소음과 기업의 신호를 명확히 구분하고,
주가의 움직임보다 실제 Earnings가 어디에서 만들어지고 얼마나 커질 수 있는지에 조금 더 집착해보려 한다.
HBM Demand & Memory Earnings Reset
최근 Rubin의 HBM 구성을 다시 들여다보면서 한 가지 의문이 남았다.
HBM 공급이 부족하고 가격까지 빠르게 오른다면 NVIDIA는 GPU 한 대에 들어가는 HBM을 줄여서라도 더 많은 GPU를 판매하려 하지 않을까.
실제로 Rubin을 둘러싸고 HBM4 8단 De-spec 가능성이 거론됐던 이유도 여기에 있다. 제한된 HBM으로 더 많은 GPU를 구성할 수 있다면 NVIDIA의 매출과 절대이익은 커질 수 있다.
그런데 NVIDIA가 공개한 Rubin의 중심 사양은 12단 HBM4를 활용한 최대 288GB 구성이다. NVIDIA, Rubin GPU Architecture.
24Gb 다이를 8단과 12단으로 각각 쌓으면 용량은 다음과 같이 달라진다.
8단을 사용해도 Interface 수와 전송속도를 유지한다면 대역폭이 용량과 같은 비율로 줄어드는 것은 아니다. 공급이 부족할 때 8단으로 GPU 생산대수를 늘리려는 논리는 충분히 성립한다.
그럼에도 12단 288GB가 중심이 된 이유는 Agent가 요구하는 메모리의 성격에서 찾아볼 수 있다.
Agent는 질문 한 번에 답변 한 번을 생성하고 끝나지 않는다. 작업계획을 세우고, 자료를 찾고, 외부 도구를 호출하고, 결과를 검증한 뒤 다시 추론한다.
작업시간이 길어질수록 유지해야 하는 Context와 KV Cache가 커지고, 여러 Agent가 동시에 움직일수록 필요한 메모리 용량도 증가한다.
192GB로 낮추면 제한된 HBM으로 더 많은 GPU를 생산할 수 있다. 반면 긴 Context와 높은 동시성이 필요한 Agent 서비스에서는 GPU 한 대가 동시에 처리할 수 있는 작업량이 줄어들 수 있다.
결국 NVIDIA가 비교해야 하는 것은 단순한 GPU 출하대수가 아니다.
HBM을 줄여 더 많은 GPU를 판매하는 효과와,
VS
충분한 HBM을 탑재해 각 GPU가 더 많은 작업을 성공적으로 완료하게 만드는 효과를
함께 계산해야 한다.
NVIDIA는 Rubin을 Agentic AI의 실행방식에 맞춰 설계했다고 설명한다. 특히 Inference의 Decode 단계가 근본적으로 메모리 서브시스템의 제약을 받기 때문에 더 큰 Context Window와 KV Cache, 높은 동시성을 지원하려면 충분한 메모리 용량이 필요하다고 밝히고 있다.
12단 자체가 대역폭을 높여주는 것은 아니다. 다만 정해진 HBM Interface 수 안에서 288GB의 용량을 확보해 Agent가 사용할 수 있는 작업공간을 넓혀준다.
비싼 GPU를 한 대 더 판매하는 것만큼이나, 이미 판매한 GPU가 더 많은 유료 작업을 끝내도록 만드는 가치가 커지고 있는 셈이다.
Astra를 직접 사용하면서 내가 체감한 것도 비슷했다.
처음에는 이렇게 오래 생각하고 자료를 찾으며 여러 작업을 동시에 수행하는 모델이 이전보다 메모리를 얼마나 더 많이 사용하는지가 궁금했다.
그런데 사용할수록 조금 다른 부분에 눈길이 갔다.
답변 하나를 잘하는 것과 처음 요청한 조건을 유지하면서 복잡한 작업을 끝까지 완성하는 것 사이에는 생각보다 큰 차이가 있었다.
자료를 잘 찾아오다가도 처음의 요구사항을 놓치고, 계산을 수정하면서 앞서 작성한 내용을 없애고, 긴 작업에서는 이미 확인한 내용을 다시 조사하기도 한다. 개별 단계에서는 제법 똑똑해 보이는데 전체 결과물을 받아보면 사람이 다시 손봐야 하는 일이 남는다.
결국 내가 돈을 지불하는 대상은 AI가 얼마나 많은 Token을 생성했는지가 아니라, 그 작업을 얼마나 제대로 끝냈는지에 가깝다.
이 지점에서 Agent의 경제성과 메모리의 가치가 연결된다.
작업을 성공시키는 능력의 가치가 커질수록, 작업의 맥락을 유지하고 필요한 정보를 제때 전달하는 메모리의 가치도 함께 높아질 수 있다.
이번 글에서는 이 생각을 Agent의 작업 성공률과 HBM 수요, HBM 생산에 필요한 Wafer, 메모리 IDM이 요구할 수 있는 가격, 그리고 메모리 3사의 이익까지 연결해본다.
앞선 글의 기술적 배경은 아래 글로 갈음한다.
HBM 고단화와 Trade Ratio가 DRAM Wafer 수급에 미치는 영향
생각정리 391 — The HBM Wafer ResetHBM4 가격의 상단과 192GB·288GB 구성의 공급경제성
생각정리 393 — HBM Price ResetHBM4E와 Custom HBM, 고객별 공동설계의 가치
생각정리 396 — Context Is the Edge, HBM4EHBM·DRAM·Context SSD로 이어지는 Agent의 메모리 계층
생각정리 397 — The RSI Memory Stack, Context SSDHBM과 일반 DRAM 수급을 메모리 3사의 실적으로 연결한 계산
생각정리 399 — The Memory Earnings Reset일반 DRAM 가격과 HBM 계약가격이 서로를 밀어 올리는 구조
생각정리 400 — The HBM Price Feedback Loop
앞선 글들이 HBM의 Wafer와 가격, 이익을 다뤘다면 이번 글에서 새롭게 연결하려는 것은 그 수요의 출발점이다.
Agent가 만들어내는 경제적 가치를 Token이 아니라 성공적으로 완료한 작업을 기준으로 바라보면, 왜 더 많은 Context와 메모리가 필요한지 조금 더 분명해진다.
1. Agent는 성공한 작업 하나에 얼마가 드는지를 봐야 한다
일반적인 Chatbot에서는 답변이 조금 부족하더라도 사람이 내용을 읽고 적당히 수정해서 사용할 수 있다.
반면 Agent에 맡기려는 업무는 자료 조사에서 계산, 문서 작성과 검증까지 여러 단계로 이어진다. 중간에 조건 하나를 잘못 이해하면 뒤의 작업이 전부 다른 방향으로 진행될 수 있다.
이때 비용에는 Token 사용료만 들어가지 않는다.
재시도에 사용한 연산비용과 사람이 오류를 찾는 시간, 결과물을 다시 만드는 시간까지 포함된다.
이를 단순화하면 다음과 같다.
성공한 작업당 기대비용 = 시도당 평균 비용 ÷ 작업 성공률
시도당 비용이 1달러이고 성공률이 50%라면 성공한 작업 하나를 얻는 데 드는 기대비용은 2달러다.
반대로 시도당 비용이 1.2달러로 높아지더라도 성공률이 80%까지 올라가면 기대비용은 1.5달러로 낮아진다. 동일한 조건으로 독립적인 재시도가 가능하다고 가정한 계산이다.
한 번 실행하는 비용은 비싸졌지만 제대로 끝낸 결과물을 얻는 비용은 낮아진 셈이다.
기업이 실제 업무를 Agent에게 맡기기 시작하면 이 차이가 중요해질 수밖에 없다. 조금 더 저렴한 모델을 사용하고 사람이 계속 고치는 것보다, 비용을 더 지불하더라도 끝까지 완성하는 모델을 사용하는 편이 유리해지는 구간이 있기 때문이다.
여러 단계로 이어지는 작업에서는 작은 신뢰성 차이도 누적된다.
각 단계가 독립적이고 모든 단계가 성공해야 한다는 단순한 조건에서는 전체 작업 성공률을 다음과 같이 계산할 수 있다.
전체 작업 성공률 = 단계별 성공률^작업 단계 수
실제 Agent는 오류를 발견해 수정하거나 일부 단계만 다시 수행할 수 있다. 따라서 이 표를 실제 서비스 성공률로 받아들일 필요는 없다.
다만 긴 작업에서는 작은 오류가 반복될수록 재작업과 검증비용이 빠르게 커진다는 점을 보여준다.
Agent의 발전을 보면서 메모리의 가치를 다시 생각하게 된 이유도 여기에 있다.
작업의 맥락을 유지하는 능력이 실제 서비스의 경제성을 바꾸기 시작하기 때문이다.
2. Context는 지금 무슨 일을 하고 있는지를 붙잡아두는 작업기억이다
안드레이 카파시는 LLM의 Context Window를 작업기억에 비유했다. 모델이 현재 질문에 답하기 위해 참고하는 정보가 그 안에 들어 있다는 의미다. Karpathy, 「How I use LLMs」.
사람도 복잡한 일을 하면서 목적과 제약조건, 방금 확인한 자료와 중간 계산을 머릿속에 붙잡아둔다.
Agent 역시 비슷하다.
처음 요청한 목표가 무엇인지, 어떤 조건을 지켜야 하는지, 어떤 자료를 확인했고 무엇이 아직 불확실한지, 앞서 어떤 계산을 했는지를 계속 연결해야 한다.
이 연결이 끊어지면 개별 답변이 아무리 그럴듯해도 전체 결과물의 일관성이 무너진다.
내가 중요하게 보는 ‘형상유지’도 이런 의미에 가깝다.
작업을 진행하는 동안 처음의 목적과 조건이 흐트러지지 않고, 새롭게 확인한 정보가 앞선 판단 위에 제대로 쌓이는 능력이다.
물론 Context를 무작정 길게 넣는다고 해결되는 문제는 아니다. 필요한 정보를 선택하고 압축해 다시 불러오는 소프트웨어 설계도 중요하다. 긴 Context 안에서 정작 필요한 정보를 찾지 못한다면 저장공간만 커진다.
그럼에도 유지해야 할 작업 상태가 많아지고 동시에 진행하는 일이 늘어날수록, 이를 뒷받침할 메모리 용량과 데이터 이동능력이 필요해진다는 방향은 분명하다.
일반적인 Transformer의 KV Cache를 단순화하면 다음과 같이 생각할 수 있다.
KV Cache 용량은 Context 길이와 동시 처리 세션 수에 비례한다.
모델 구조와 정밀도, 캐시 압축과 공유 조건이 같다는 전제다.
Context가 두 배 길어지고 동시 처리 세션이 두 배 늘면 필요한 KV Cache는 단순 계산상 네 배가 된다.
여기에 하나의 Agent가 여러 하위 Agent를 실행하고, 각자 다른 자료를 읽고, 결과를 상호 검증하기 시작하면 유지해야 하는 작업 상태도 많아진다.
그렇기 때문에 실제 실행 횟수와 병렬 작업 수, 작업 지속시간이 동시에 증가하기 시작하면 메모리 수요가 기하급수적으로 늘어나게 된다. (*이 지점이 중요하다)
마찬가지로 recursive Self-Improvement 역시 코드 작성과 실행, 평가와 수정의 반복으로 구현하기 시작하면서 실제 실행 횟수와 병렬 작업 수, 작업 지속시간을 동시에 증가시켜 메모리 수요를 기하급수적으로 늘리게 된다.
생각정리 397(* The RSI Memory Stack, Context SSD)
결국 앞으로 확인해야 할 것은 사용자 수 하나가 아니다.
사용자당 맡기는 업무량, 업무당 Context, 동시에 움직이는 Agent 수, 그리고 작업이 유지되는 시간을 함께 봐야 한다.
3. 성공한 Agent가 HBM의 경제적 가치를 높인다
HBM의 용량은 더 많은 Model Weight와 KV Cache, 활성 작업 상태를 연산장치 가까이에 보관하게 한다.
대역폭은 그 데이터를 GPU로 전달해 이론적인 연산성능을 실제 처리량으로 바꾼다.
그러나 GPU 사용률이 높다는 사실만으로 충분하지는 않다.
GPU가 많은 Token을 생성하고 여러 단계를 수행했더라도 작업이 실패해 처음부터 다시 실행해야 한다면, 그 연산량 전체가 경제적 성과로 이어진 것은 아니다.
내가 보고 싶은 지표는 다음에 가깝다.
유효 처리량 = 정해진 시간 안에 품질과 지연시간 조건을 충족하며 완료한 작업량
추가 HBM을 사용해 같은 GPU와 같은 전력에서 더 많은 작업을 성공적으로 완료할 수 있다면, HBM은 이미 투자한 연산설비의 생산성을 높여준다.
이때 HBM의 경제적 가치는 제조원가나 저장용량만으로 설명하기 어려워진다.
추가 HBM을 탑재함으로써 GPU 구매량을 줄일 수 있는지,
더 많은 유료 업무를 동시에 처리할 수 있는지,
Context 이동과 재계산에 필요한 시간이 얼마나 줄어드는지를 함께 계산해야 하기 때문이다.
HBM과 DRAM, Context SSD의 역할을 나누는 메모리 계층에 대해서는 생각정리 397 — The RSI Memory Stack, Context SSD에서 정리했다.
작업당 메모리 사용량은 압축과 캐시 공유, 계층화를 통해 줄어들 수 있다. 반면 비용이 낮아지면서 Agent 도입량과 사용량, 동시 작업 수가 더 빠르게 늘어날 수도 있다.
작업당 메모리 감소와 전체 메모리 수요 감소는 별개의 계산이다.
효율이 좋아졌다는 사실만으로 전체 수요가 줄었다고 결론 내리기 어려운 이유다.
4. 2027년 HBM 수요 7.69EB를 어떻게 바라보는가
이번 수요 시나리오에서는 GPU와 Custom ASIC을 함께 포함해 2027년 잠재 HBM 수요를 7.69EB로 계산했다.
 |
| UBS research |
ASIC이 전체 HBM 수요에서 차지하는 비중은 약 **40%**로 가정했다.
GPU만으로 전체 HBM 수요를 설명하기 어려워졌다는 판단이다.
다만 ASIC 출하량이 늘어난다는 사실만으로 HBM 수요가 같은 비율로 증가하지는 않는다. 제품마다 가속기당 HBM 탑재량과 사용하는 HBM 세대가 다르기 때문이다.
특정 GPU의 HBM 탑재용량이 높더라도 전체 출하량이 작다면 시장 수요에 미치는 영향은 제한적이다.
결국 제품별 출하량과 탑재량을 함께 합산해야 한다.
잠재 HBM 수요 = Σ(제품별 가속기 출하량 × 제품별 HBM 탑재용량)
잠재수요가 모두 실제 출하로 연결된다고 보지는 않았다.
2027년에는 잠재수요의 **85%**가 실제로 충족된다고 가정했다.
 | |||
| "IDM 가이던스 합(9.4EB)은 수요측 잠재치에 가깝고, 웨이퍼·패키징·충족률 제약 후 실제 출하는 6.5EB 수준" |
7.69EB × 85% = 6.5365EB
자체 장기 시나리오. 확정 주문이나 회사 가이던스가 아니며, EB는 십진 기준이다.
매출은 다음과 같이 계산했다.
HBM 시장매출, 십억달러 = 실제 출하량, EB × 8 × 평균 ASP, 달러/Gb
2027년 계산은 아래와 같다.
6.5365 × 8 × 4.44 = 약 232.2십억달러
공급 충족률에는 DRAM 전공정뿐 아니라 TSV와 적층, 패키징, 고객인증, 가속기 생산 및 데이터센터 설치일정의 제약이 포함돼 있다.
공급 충족률이 낮아지면 당장의 출하량과 매출은 감소한다. 동시에 공급부족이 가격을 지지할 수 있다.
그렇다고 충족되지 못한 수요가 모두 다음 해로 이연된다고 가정하기도 어렵다. 고객이 가속기 설계를 변경하거나 HBM 탑재량을 조정하고, 데이터센터 투자를 늦출 가능성도 있기 때문이다.
수율과 공급 충족률의 중복 적용도 피해야 한다.
생산능력 계산에서 이미 수율손실을 차감했다면 공급 충족률에는 패키징과 인증, 가속기 생산처럼 아직 반영되지 않은 제약만 넣어야 한다.
5. Trade Ratio는 Wafer와 적층수율을 나눠서 봐야 한다
HBM의 Trade Ratio와 Wafer 소모 구조는 생각정리 391 — The HBM Wafer Reset에서 다뤘다.
(*Trendforce의 TR 2.87x 역산수치는 말도안되서 폐기)
이번에는 그 계산에 사용한 수율을 조금 더 나눠서 살펴본다.
HBM을 생산할 때 발생하는 손실은 크게 두 단계로 구분할 수 있다.
첫 번째는 Wafer에서 양품 DRAM Die를 확보하는 과정이다. Wafer Level Test를 통해 불량 Die를 걸러내고 적층에 사용할 Known Good Die를 선별한다.
두 번째는 선별된 양품 Die를 얇게 만들고, TSV로 연결한 뒤 여러 층으로 쌓아 하나의 HBM Stack을 만드는 과정이다.
따라서 HBM의 최종 유효 수율은 다음과 같이 생각할 수 있다.
HBM 최종 유효 수율 = Wafer Level 수율 × HBM Stack 수율
여기서 두 수율을 섞어서 보면 계산이 복잡해진다.
내가 앞선 모델에서 사용한 0.9511은 8단 HBM의 전체 생산손실을 층당 성공확률로 단순화한 값이다.
각 층의 성공 여부가 독립적이고 8개 층이 모두 성공해야 한다고 가정하면 다음과 같다.
0.9511^8 = 약 66.96%
이 66.96%는 적층수율만을 의미하는 숫자가 아니다.
Wafer Level Test에서 양품 Die를 확보하는 과정과, 그 Die를 쌓아 HBM Stack을 완성하는 과정까지 함께 반영한 HBM3E 8단의 최종 유효 수율 추정치다.
2024년 5월 21일 권재순 SK하이닉스 수율 책임자는 Financial Times 인터뷰에서 HBM3E가 목표 수율인 80%에 거의 도달했다고 밝혔다.
Financial Times, Samsung replaces semiconductor chief as it chases AI chip rivals
TrendForce, SK hynix Revealed Progress for HBM3E, Achieving Nearly 80% Yield
이번 모델에서는 이 80%를 Wafer Level Test를 통과한 Known Good Die를 쌓는 Stack·Package 단계의 수율로 해석했다.
이 해석을 전제로 HBM3E 8단의 최종 유효 수율을 66.96%로 맞추려면, Wafer Level 수율은 다음과 같이 역산된다.
Wafer Level 수율 = 최종 유효 수율 ÷ Stack 수율
66.96% ÷ 80% = 약 83.70%
즉 HBM3E 8단의 수율구조는 아래처럼 나뉜다.
계산은 다음과 같다.
83.70% × 80.00% = 66.96%
따라서 80%와 66.96%는 서로 경쟁하는 두 개의 수율이 아니다.
80%는 양품 Die를 확보한 이후의 Stack·Package 수율이고, 66.96%는 그 앞단의 Wafer Level 수율까지 반영한 최종 유효 수율이다.
이 둘을 다시 중복해 차감해서도 안 된다. 최종 유효 수율 66.96% 안에는 Wafer Level과 Stack 단계의 손실이 이미 모두 포함돼 있기 때문이다.
층당 유효 성공률 0.9511을 12단에 그대로 적용하면 다음과 같다.
0.9511^12 = 약 54.79%
이는 8단에서 사용한 공정수준이 개선되지 않은 채 적층단수만 12단으로 늘어났을 때 최종 유효 수율이 얼마나 낮아질 수 있는지를 보여주는 단순 민감도다.
실제 양산에서는 Known Good Die 선별, Bonding 정밀도, 열관리와 테스트 기술이 개선된다. 따라서 HBM4 12단의 실제 수율을 54.79%로 고정해서 볼 필요는 없다.
이번 모델에서는 Wafer Level 수율을 83.70%로 유지하고, 회사와 제품세대별 Stack·Package 수율을 별도로 적용했다.
세대별 최종 유효 수율 = Wafer Level 수율 83.70% × 세대별 Stack·Package 수율
Wafer Level 수율과 회사별 Stack·Package 수율은 회사가 공개한 실제 수율이 아니라 Trade Ratio를 계산하기 위한 모델 가정이다.
SK하이닉스 HBM4의 Stack·Package 수율을 HBM3E보다 높은 85%로 둔 것은 선행 양산경험과 공정개선을 반영한 가정이다.
83.70% × 85% = 약 71.1%
반면 HBM4E에서는 전송속도와 열관리, Base Die 및 패키징 조건이 다시 어려워질 수 있다고 보고 Stack·Package 수율을 75%로 낮췄다.
83.70% × 75% = 약 62.8%
삼성전자 HBM4에는 Stack·Package 수율 80%, HBM4E에는 75%를 적용했다. 마이크론 HBM4E에는 상대적으로 보수적인 70%를 적용했다.
이렇게 계산한 최종 유효 수율을 Trade Ratio에 연결했다.
세대별 Trade Ratio = 기준 3.0배 × 구조적 Wafer 소모계수 × 기준 유효 수율 ÷ 해당 세대 유효 수율
기준 유효 수율은 HBM3E 8단의 66.96%다.
구조적 Wafer 소모계수는 HBM4에 1.30, HBM4E에 1.40을 적용했다. 여기에는 다이 면적과 공정 변화, 동일한 HBM Bit를 생산하기 위해 추가로 필요한 Wafer 투입량을 반영했다.
예를 들어 SK하이닉스 HBM4는 다음과 같이 계산된다.
3.0 × 1.30 × 66.96% ÷ 71.1% = 약 3.67배
SK하이닉스 HBM4E는 다음과 같다.
3.0 × 1.40 × 66.96% ÷ 62.8% = 약 4.48배
마이크론이 공개적으로 확인한 내용은 HBM3E가 DDR5보다 약 3배의 Wafer를 사용하고, HBM4와 HBM4E로 세대가 바뀔수록 Trade Ratio가 상승한다는 방향성까지다.
HBM4E Trade Ratio가 공식적으로 4배를 넘어선다고 공개한 것은 아니다.
이번 모델에서 계산한 HBM4E Trade Ratio 4.48～4.80배는 고단화에 따른 구조적 Wafer 소모와 회사별 Stack·Package 수율 차이를 반영한 자체 추정치다.
전체 계산을 압축하면 다음과 같다.
Wafer Level 수율 83.70%
× HBM3E Stack 수율 80%
= HBM3E 최종 유효 수율 66.96%
→ HBM4·HBM4E 세대별 수율 적용
→ Trade Ratio 3.67～4.80배
결국 중요한 것은 적층단수가 8단에서 12단으로 늘어난다는 사실만이 아니다.
Wafer Level에서 얼마나 많은 Known Good Die를 확보할 수 있는지, 그 Die를 쌓은 Stack 가운데 몇 개가 최종 테스트를 통과하는지, 그리고 같은 HBM Bit를 생산하기 위해 얼마나 많은 Wafer를 투입해야 하는지를 함께 봐야 한다.
HBM4와 HBM4E 공급이 늘어나더라도 투입한 Wafer만큼 판매 가능한 HBM Bit가 증가하지 않을 수 있다. 그 차이만큼 일반 DRAM에 남는 생산능력도 줄어든다.
2027년 전체 HBM의 평균 Trade Ratio에는 3.63배를 적용했다.
다만 이는 GPU와 ASIC에서 HBM4·HBM4E 전환이 빠르게 진행된다는 상단 가정에 가깝다. ASIC에 HBM3E가 예상보다 오래 남는다면 전체 평균 Trade Ratio는 이보다 낮아질 수 있다.
6. HBM 가격의 하단은 IDM이 포기하는 이익에서 결정된다
HBM은 같은 Bit의 일반 DRAM보다 더 많은 Wafer를 사용한다.
여기에 TSV와 박막화, 적층과 Bonding, Logic Base Die, 테스트와 고객인증에 추가 비용이 발생한다.
HBM을 생산한다는 것은 같은 생산능력으로 일반 DRAM을 판매해 얻을 수 있었던 매출과 이익을 포기한다는 의미이기도 하다.
따라서 HBM 가격의 하단은 단순 제조원가만으로 결정되지 않는다.
HBM 가격 하단 = 일반 DRAM의 Wafer 기회비용 + HBM 추가 공정비용 + 초기수율 및 인증비용
앞서 생각정리 400 — The HBM Price Feedback Loop에서는 일반 DRAM의 실현 ASP와 HBM4의 Trade Ratio를 이용해 HBM 공급자가 요구할 수 있는 경제적 최소가격을 계산했다.
이 가격을 HBM 공급사가 반드시 받아낼 수 있다는 의미는 아니다.
다만 그 이하에서는 같은 Wafer를 일반 DRAM에 투입했을 때보다 경제성이 낮아질 수 있기 때문에, 다음 HBM 증설과 장기계약에서 공급자가 요구하는 가격의 하단으로 작용할 수 있다.
HBM 생산이 늘어날수록 일반 DRAM에 배분할 수 있는 Wafer는 줄어든다. 동시에 AI Server는 HBM뿐 아니라 대용량 Server DRAM도 사용한다.
공급은 HBM으로 이동하는데 수요는 HBM과 일반 DRAM 양쪽에서 증가할 수 있다.
HBM 수요 증가
→ HBM 생산능력 배분 확대
→ 일반 DRAM 공급 제약
→ 일반 DRAM 가격과 이익 상승
→ HBM 생산의 기회비용 상승
→ 다음 HBM 계약가격 인상 압력
일반 DRAM 가격이 상승하면 HBM을 생산하기 위해 포기해야 하는 이익도 커진다. 높아진 일반 DRAM 가격이 다시 다음 HBM 계약가격의 하단을 밀어 올리는 구조다.
반대편에는 NVIDIA를 비롯한 가속기 업체가 받아들일 수 있는 가격의 상단이 있다.
NVIDIA의 GPM 72% 하단을 기준으로 Rubin 192GB와 288GB의 HBM 가격상단을 역산한 계산은 아래 글에서 다뤘다.
결국 HBM 계약가격은 공급사의 제조원가만으로 결정되지 않는다.
메모리 IDM은 일반 DRAM을 포기하는 기회비용을 보고, GPU 업체는 추가 HBM이 만들어내는 시스템 처리량과 고객가치를 본다.
공급 측 기회비용과 수요 측 지불의사가 만나는 구간이 실제 HBM 가격협상의 범위가 된다.
7. 4.44달러/Gb에는 높은 가격을 전제로 한 판단이 들어 있다
2027년 HBM 평균 ASP 4.44달러/Gb는 상단 가격 시나리오다.
HBM4와 HBM4E의 가격이 높아지고 전체 출하 Bit에서 고가 제품이 차지하는 비중도 충분히 커져야 가능한 평균이다.
예를 들어 HBM3E가 Bit 기준 20%를 차지하고 가격이 1.50달러/Gb라면, 나머지 80% 제품은 평균 5.18달러/Gb를 받아야 전체 평균이 4.44달러/Gb가 된다.
1.50 × 20% + 5.18 × 80% = 약 4.44달러/Gb
이는 실제 제품구성을 확정한 계산이 아니다. 평균가격 4.44달러가 성립하기 위해 필요한 조건을 보여주는 역산이다.
따라서 7.69EB라는 수요 판단과 4.44달러/Gb라는 가격 판단은 분리해서 검증해야 한다.
수요가 크다는 사실만으로 모든 제품이 동시에 최신 세대로 전환되는 것은 아니다. ASIC에 상대적으로 가격이 낮은 HBM3E가 상당 부분 남아 있다면 전체 혼합가격과 평균 Trade Ratio가 함께 낮아질 수 있다.
반대로 HBM4와 HBM4E의 비중이 빠르게 올라가고 일반 DRAM 가격까지 높은 수준을 유지한다면, 메모리 IDM이 요구하는 가격의 하단도 높아질 수 있다.
이번 계산에서 확인하려는 것은 4.44달러라는 숫자가 단순히 비싸 보이는가가 아니다.
Agent가 만들어내는 유효 처리량과 HBM 생산을 위해 포기해야 하는 일반 DRAM의 기회비용을 함께 적용했을 때, 고객과 공급사가 어느 가격에서 합의할 수 있는지를 보는 것이다.
고객은 HBM이 낮춰주는 성공한 작업당 비용을 본다.
공급사는 그 HBM을 생산하기 위해 포기해야 하는 다른 메모리의 매출과 이익을 본다.
수요 측 지불의사와 공급 측 기회비용이 동시에 높아질 때 HBM 공급사의 가격협상력도 강해질 수 있다.
8. 수정된 수요와 가격을 메모리 3사의 이익에 연결하면
HBM과 일반 DRAM의 수급을 삼성전자와 SK하이닉스, 마이크론의 실적으로 연결하는 기본 구조는 생각정리 399 — The Memory Earnings Reset에서 다뤘다.
이번에는 수정된 HBM 수요와 공급 충족률, 평균가격을 반영한 숫자만 남긴다.
HBM 매출은 실제 출하 Bit와 판매가격으로 계산한다.
HBM 매출 = 실제 출하 Bit × ASP
이번 상단 시나리오에서는 환율을 달러당 1,350원으로 적용했다. 회사별 HBM 매출 배분에는 단순화를 위해 동일한 평균 ASP를 사용했다.
2027년 HBM 시장점유율은 SK하이닉스 42%, 삼성전자 35%, 마이크론 23%로 가정했다.
자체 모델 추정. 반올림 차이가 있으며 NAND와 기타 사업을 포함한 전사 영업이익과는 구분한다.
이 표에서 눈여겨보는 것은 HBM 매출만이 아니다.
HBM 생산이 늘어나는 과정에서 일반 DRAM에 배분할 수 있는 생산능력이 줄어들고, 동시에 AI Server의 Server DRAM 수요가 증가한다는 가정이 일반 DRAM 이익에 반영돼 있다.
따라서 이 모델의 성패를 HBM 출하량 하나로 판단하기는 어렵다.
HBM 출하량과 계약가격뿐 아니라 일반 DRAM의 판매가격과 원가, 실제 생산능력이 함께 맞아야 한다.
장기 합산 영업이익은 다음과 같다.
HBM과 일반 DRAM 합산 영업이익의 조건부 추정치다.
HBM 시장 배분은 2030년 SK하이닉스 36%, 삼성전자 39%, 마이크론 25%로 가정했다.
SK하이닉스는 높은 초기 공급지위를 유지하지만 경쟁사의 공급 확대에 따라 점유율이 점진적으로 낮아지는 것으로 봤다.
삼성전자는 생산능력과 고객 확대를 통해 비중이 높아지고, 마이크론은 일정한 공급비중을 확보하는 구조다.
SK하이닉스는 확보한 고객관계와 생산경험을 다음 세대의 출하량과 수익성으로 얼마나 안정적으로 연결하는지가 중요하다.
삼성전자는 대규모 생산능력이 고객인증과 수율을 통과한 판매 가능한 물량으로 전환되는 속도를 봐야 한다. 이 조건이 맞으면 절대이익 증가폭이 크게 나타날 수 있다.
마이크론은 메모리 가격과 제품 Mix의 변화가 전사 손익에 직접적으로 전달되는 정도가 크다. 동시에 증설과 CAPEX 이후 실제로 남는 현금을 확인해야 한다.
이 숫자들은 현재의 수급과 가격 가정이 이어지는 경우의 Driver Scenario다. 시장 컨센서스나 회사의 공식 가이던스와 같은 의미로 사용하지 않는다.
9. HBM 가격 0.5달러의 이동이 메모리 3사의 이익을 바꾼다
출하량과 제품구성, 생산원가가 같다는 가정에서 HBM 가격만 달라지면 가격 변화분은 거의 그대로 메모리 IDM의 매출과 영업이익 변화로 연결된다.
가격 변화에 따른 매출 증감 = 실제 출하 Bit × ASP 변화
평균 ASP가 0.50달러/Gb 달라질 때 시장 전체의 변화는 다음과 같다.
2027년에는 HBM 가격이 0.50달러/Gb 움직일 때 시장 전체 매출이 약 261억달러 변한다.
회사별 시장배분과 환율을 적용하면 민감도는 다음과 같다.
관련 비용이 변하지 않는 단순 조건에서는 영업이익도 비슷한 폭으로 움직인다.
가격 상승분에 기존 영업이익률을 다시 곱하지 않은 이유도 여기에 있다. 생산량과 생산원가를 고정한 가격 민감도에서는 추가 가격의 대부분이 증분이익으로 연결되기 때문이다.
물론 실제로 가격이 오르면 성과급과 일부 비용이 증가할 수 있고, 고객의 구매량과 계약조건도 달라질 수 있다. 장기적으로는 고객의 설계변경과 공급사의 증설도 뒤따른다.
그럼에도 이 계산은 HBM 가격 가정이 메모리 3사의 절대이익에 얼마나 큰 영향을 주는지를 보여준다.
2027년 HBM 평균 ASP를 4.44달러/Gb로 두느냐, 3.94달러/Gb 또는 4.94달러/Gb로 두느냐에 따라 시장매출과 메모리 IDM의 이익이 크게 달라진다.
출하량이 커질수록 작은 단가 차이가 절대이익에서 더 큰 차이를 만든다.
결국 앞으로 확인해야 할 것은 HBM 수요가 증가하는가 하나가 아니다.
Agent가 요구하는 Context와 동시성이 실제 HBM 탑재량을 얼마나 높이는지,
HBM4와 HBM4E 수율이 얼마나 빠르게 개선되는지,
Trade Ratio 상승으로 일반 DRAM 생산능력이 얼마나 줄어드는지,
그리고 그 과정에서 메모리 IDM이 어느 정도의 가격을 받아낼 수 있는지를 함께 봐야 한다.
HBM 가격이 어디까지 올라갈 수 있는지는 공급부족만으로 결정되지 않는다. 추가 HBM이 얼마나 많은 성공한 작업을 만들어내고, 그 가치 가운데 메모리 IDM이 얼마를 가격으로 가져갈 수 있는지가 최종 이익을 결정한다.
=끝
