프리미엄
예측대회
투자분석
아카데미
커뮤니티
로그인Valley AI 시작하기시작하기
Valley Space인기
반도체의 수요와 공급 이해하기_메모
이민석메모_반도체

반도체의 수요와 공급 이해하기_메모

avatar
이민석
2026.04.02조회수 141회
avatar
이민석
구독자 90명구독중 19명

I. 메모리 수급모델을 해야하는 이유


메모리 반도체는 제조사별로 상품의 큰 차이가 없는 원자재 성격을 띰. SK하이닉스가 만드는 DRAM이나, 삼성전자가 만드는 DRAM의 차이가 없다는 뜻. 그래서 너도나도 DRAM을 만들면 공급에 문제가 생김.


이렇게 되면 메모리 제조사들이 생산하는 DRAM 개수와 수요자들이 필요로 하는 DRAM 개수를 맞춰봐야됨. 일반적으로 공급량이 1% 부족할 때, ASP가 10~30% 상승할 수 있다고 함.


이렇게 가격 탄력도가 낮은 이유(공급변동할 때 가격이 같이 움직이지 않음)는 공급이 부족해서 단가가 조금 올라도, 수요가 갑자기 줄어드는게 아니기 때문임. 이런 시차로 인해 메모리 사이클이 만들어진다고 볼 수 있음.


또, 공급에 영향을 주는 메모리 제조사들은 5개 업체로 좁혀지기 때문에 공급량을 분석하기에도 용이한 편임. 반면, 수요처는 되게 다양한 편. 수요처는 되게 다양하지만 크게 보면 레거시랑 AI 서버향으로 구분할 수 있음.


레거시의 경우, 모바일, 노트북 등에 탑재되는 메모리를 말함. 예전 메모리 사이클을 살펴보면, PC 출시, 모바일 출시가 슈퍼사이클을 견인했고, 중간중간 신제품의 발전으로 수요가 극대화될 때마다 메모리 가격이 상승하는 식의 논리를 확인할 수 있음.


반면 최근의 AI 서버향은 그 성격이 조금 다름. 서버를 이제서 많이 투자하는 것은 아님. 결국 데이터센터를 짓는 것인데, 우리가 사용하는 유튜브, 넷플릭스를 보기 위한 클라우드 투자는 이미 2018년에 진행되었음. 서버 자체가 새로운 투자인 것은 아님.


핵심은 AI 서버임. AI 서버향 메모리의 수요가 늘어난다는 것은 AI를 사용하기 위한 데이터센터를 많이 짓겠다는 뜻임. 2018년 클라우드 서버투자랑 비슷하게, 미국의 돈을 가장 잘 버는 M7들이 이 수요를 견인하고 있기 때문에 사이클의 강도도 높고 지속성도 길어지는 국면임. 결론적으로 싸이클의 지속성이 곧 주가와 연결되어 있어 이런 수요가 “얼마나” 필요하고 지속할 수 있을지를 알아야됨.


공급은 DRAM은 3개회사, NAND는 크게 봐야 5~6개되니까 조사하기 수월하고 메모리는 규격화 되어 있기 때문에 양을 가늠하기도 쉬움. 수요도 마찬가지로 레거시는 사이클이 있으니 적당히 평균적으로 계산하고, 지금의 수요를 견인하는 주체의 실적 발표나 뉴스 등을 보면서 규모를 가늠해볼 수 있음. 즉, 이 모든 건 메모리 사이클이 얼마나 지속될 수 있는지를 확인해서 지금 우리가 사이클의 어느 시점에 위치하는지를 알고자 하는 것임.


II. 수급모델을 이해하기 위한 기본 개념

메모리는 규격화되어 있기 때문에 처음 용어가 낯설 수 있음. 그리고 데이터센터는 실제로 본 적이 없기 때문에 이것도 굉장히 낯선 개념임. 근데 이 두 개만 잘 짚고 넘어가면 그 다음을 이해하기 수월함.


우선 메모리는 Bit라는 단위로 표현을 함. Bit는 저장공간인데, Bit가 모여서 Byte가 됨. 8bit = 1 Byte로 정해놨고, 보통 b, B로 단위를 표시함. 이런 정보 저장 공간이 매우매우 많기 때문에 천, 만단위가...

회원가입만 해도
이 글을 무료로 읽을 수 있어요.

Basic 7일 무료 체험 시작하기
이미 계정이 있으신가요?로그인하기
댓글 6개
avatar
맑은바다
2026.04.03

감사합니다. 그런데 HBM은 단순히 DRAM을 쌓아올리는게 아니고, 수직 연결을 위한 구멍(via hole)을 수 천개 뚫어야 하는데, 이게 면적이 만만치 않아서 기존 DRAM 다이크기 대비 40% ~ 50%까지 면적이 증가합니다. 다이 사이즈가 증가하면 수율도 하락합니다. 1b보다 선폭이 좁은 1c로 가도 수율이 낮아지구요. 12인치 웨이퍼 하나에서 나오는 다이 수 편차가 상당히 커집니다. 저도 전에 내부정보 없이 엑셀로 만들어보다 몇몇 가정치의 변경만으로 결과치가 너무 크게 바뀌어 포기했었는데 .. 기대를 해봅니다.

avatar
이민석
작성자
2026.04.03

맞습니다 그래서 DRAM의 수율, TSV 공정의 수율을 가중치로 넣어줘야합니다 ㅎㅎ 증권사 보고서를 잘 찾다보면, 애널리스트들이 두 수율을 얼마나 설정했는지 확인할 수 있습니다. 다이수도 마찬가지로 어느정도 가늠해볼 수 있죠.


중요한 건 현재 상황을 숫자로 나타내볼 수 있냐는 것입니다. 직접 가정해보면서 어디에서 병목이 발생하는지, 어떤 가정을 바꿔야 공급이 늘어나게 되는지 등 반도체 이해도를 높일 수 있다고 생각합니다. 저도 제 모델을 지속적으로 업데이트하면서 정답에 다가가겠습니다. 읽어주셔서 감사합니다!

avatar
투자괴물
2026.04.03

반도체 현직자인데..

좋은 정보 얻고 갑니다...

avatar
이민석
작성자
2026.04.03

제가 더 많이 배우겠습니다...좋게 봐주셔서 감사합니다!!

avatar
투기꾼침팬빌런
2026.04.17

Gb에 b는 bit 아니고 byte 같은데 소문자라서 bit일수도 있겠네요. 일반적으로 메모리 용량 작성시 byte를 많이써서 좀 헷갈리내요. 8bit = 1byte 라서 8배차이 납니다

(수정됨)
avatar
이민석
작성자
2026.04.17

업계 종사자라 확실히 예리하십니다...저는 대문자 B는 Byte, 소문자 b는 bit를 무조건 얘기하는 줄 알았습니다. 나름 자연대생이라 단위의 중요성을 절감합니다. 단위에 대해서 더욱 유의하도록 하겠습니다.


제가 크로스 체크한 곳은 다른 반도체 투자자의 블로거와 산업보고서였는데, 수치가 비슷해서 넘어갔었습니다. 더 명확히 기재하도록 하겠습니다. 감사합니다

(수정됨)
메모_반도체 카테고리의 다른글

AI 기술 발전의 본질_메모

CES 2026, GTC에서 젠슨 황이 ICMS(G3.5), SRAM을 도입했음. 조금 살펴보니 ICMS는 KV Cache를 잘 도입하기 위해서, SRAM은 decode 과정에서 효율화를 추구하기 위해 도입했다고 함. 뭔소린지 모르겠음. 계속 새로나오는 기술들을 볼 때마다 겉도는 느낌이 들어서 AI가 뭔지 본질적으로 확인해보고 싶었음. 결국엔 AI는 벡터간의 관계성을 파악하는 것임. 월가아재님이 AI 시대에는 선형대수학을 무조건, 필수적으로 알아야된다고 했었음. 그래서 학교에서 수업도 들어보고 혼자 공부도 했었는데 사실 그 의미를 정확히 이해하지 못했음. 근데 이번에 AI를 공부하면서 벡터랑 행렬이 매우매우 중요하다는 것을 깨달음. 벡터랑 행렬을 기반으로 AI와 ICMS, SRAM 구조 도입을 이해해볼 생각. 벡터는 결국 공간상에서 방향을 나타내는 점임. 쉽게 말해서 데이터인데 방향성을 나타냄. 행렬은 AI 아키텍처 내에서 가중치를 담당함. 벡터에 행렬을 내적해서 벡터의 방향성을 변화시키는 것임. AI는 모든 정보를 벡터화해서 데이터로 보관함. 예를 들어서 고양이라면, [1,0]이라는 벡터로 변환해 놓는 것임. 이때 벡터는 쉼표를 기준으로 각 방향성을 띠는데, 1이라는 정보가 "눈이 있다.", 0이라는 정보가 "동물이다"의 방향성을 가리킴. 여기서 학습의 과정을 설명해보겠음. AI가 "고양이는 귀엽다"라는 답변을 도출하기 위해서 고양이라는 [1,0] 벡터에 행렬 W1를 내적함. 내적은 두 벡터간의 관계성을 나타내기 때문에, 관계성이 높을수록 수치가 높아지게 됨. 결론적으로 W1를 내적하면서 [2,0]이라는 답변을 얻었는데, 실제 귀여움을 나타내는 공간은 [3,0]인 것임. 이를 줄여주기 위해서 W1를 조정하는 과정을 거침. W1안에도 수많은 숫자들이 있는데 이들을 미분하여 ...
메모_반도체
2026. 03. 27
4
4
59

MOSFET을 알아야 반도체가 보인다_메모

고등학교 때 반도체라는 걸 배우면, npn 접합, pnp 접합 이런 그림들이 나왔음. 이런구조를 BJT라고 부르고, 트랜지스터의 일종인 셈임. 트랜지스터는 전류의 흐름을 바꿔주는 소자인데, 스위치라고 보면 됨. 즉, 트랜지스터를 통해서 0과 1을 구분하며, 이게 논리구조를 만들어냄. 결국 반도체 섹터의 기술은 트랜지스터의 구조 변환을 짚어야되는 것임. MOSFET은 1959년 벨 연구소의 강대원 박사와 모하메드 아탈라(Mohamed Atalla)가 발명함. 정확히 말하면 1920년에 개발되고 이들이 그때의 한계를 극복하면서 상용화가 됨. 왜 BJT에서 MOSFET으로 넘어갔냐, 바로 전력 때문임. 연산이 늘어나면서 전력이 많이 발생했고 BJT로는 극복하지 못했음. 현재 트랜지스터 소자는 MOSFET을 기반으로 하기 때문에 해당 구조를 이해하면 다른 구조들도 이해하기 쉬워짐. MOSFET에서 FET은 Field Effect Transitor임. 전계를 이용한 트랜지스터라는 뜻. 전계는 대략 전압으로 이해하면 되고, 트랜지스터는 아까 말했다시피 0과 1을 스위칭하는 소자임. 다시 말하면 FET이라는 말 자체가 "전압을 통해서 스위칭을 하는 소자"라는 뜻을 말함 MOS는 Metal, Oxide, Semiconductor를 말함. 금속, 산화물, 반도체가 순서대로 있는 구조임. 여기서 우리가 고등학교 때 배운 불순물 주입을 기판에 해주면 아래와 같은 구조가 됨. (위의 경우는 기판이 p형 반도체인 경우를 가져왔음. 불순물에 따라서 n형이될 수도 있음. 중요하진 않음) 굉장히 ...
메모_반도체
2026. 03. 18
10
2
121
MOSFET을 알아야 반도체가 보인다_메모

반도체 PPA의 이해, 왜 선폭을 줄이려 하는가?_메모

반도체를 보다보면, 전력, 전하, 전압, 전기 등등 용어들이 헷갈릴 때가 많음. 그리고 반드시 MOSFET을 이해해야하며, PPA에 대해서 이해를 해야함. PPA를 이해해보면서 전씨가문들에 대해서 이해해보고자 함. 첫번째 P는 성능의 Performance임. 반도체의 성능은 무엇일까 고민해보면, 결국 연산의 속도임. 이는 클럭 수로 표현하고, 주파수인 Hz 단위로 표시가 됨. 예를 들어서 10Hz는 1초에 10번 연산을 수행한다는 뜻이고, 1Hz는 1초에 1번밖에 연산을 수행하지 못한다는 뜻임. 그러면 이 연산의 속도를 올리는 것이 중요한데, 연산의 속도는 전류를 높이는 것과 같음. 무슨 말이냐, 반도체는 0과 1을 무수히 반복하면서 논리구조를 만들어냄. 전류라는 것은 시간당 전하의 흐름인데, 정확히 수식으로 나타내면 아래와 같음 Q는 전하량이고, I는 전류, t는 시간임. 여기서 뭐가 고정되어있는지를 확인해야됨. 처음 커패시터 설계를 통해서 Q를 고정하기 때문에, T를 낮추고 싶으면 I를 올리는 수밖에 없음. 그래서 I를 올리는 것이 결국 성능에 직결됨. 두번째로 나오는 P는 전력의 Power임. 단위는 W고 더 쪼개보면 J/s가 됨. 시간당 에너지의 ...
메모_반도체
2026. 03. 17
14
4
120
반도체 PPA의 이해, 왜 선폭을 줄이려 하는가?_메모

반도체 후공정_메모

후공정 정리 메모용임. 그동안 전공정에 대한 이해는 있었는데 후공정은 자꾸 삑사리가 나서 이번 기회에 다시 큰 틀로 살펴봤음. 우선 반도체에서 헷갈리면 안되는 것이 웨이퍼, 다이, 칩임. 웨이퍼는 우리가 아는 그 웨이퍼고, 다이는 웨이퍼 중에서 회로를 그리는 사각형 부분임. 그리고 후공정이 완료된 것을 "칩"이라고 부름. 웨이퍼/다이/칩의 구분이 명확해야 후공정의 흐름이 헷갈리지 않음. 전공정을 가볍게 요약하면 회로에 맞게 쌓고 깎는 과정의 반복임. 메모리/비메모리 다 상관없이 동일함. 이렇게 전공정을 거친 웨이퍼를 테스트하고, 깎아서 패키징해서 칩을 만듦. 완성된 칩을 한번 더 테스트한 뒤 판매를 하게 됨. 우선 후공정을 서비스하는 업체를 OSAT이라고 함. 삼파향 OSAT업체는 두산테스나가 있어서 추후 삼파가 회복하면 주목해도 될 업체임. 암튼, 전공정에서 만들어진 웨이퍼를 테스트 하는 과정을 EDS 공정으로 부르고, 전기신호 검사, Burn in검사등을 수행함. 이렇게 양품검사를 마친 웨이퍼를 패키징하게됨. 패키징하는건 웨이퍼를 자르고 패키징하는 방법과 웨이퍼를 패키징하고 자르는 방법으로 나뉨. 그리고 더 나아가서 기능별로 칩을 자른 뒤 다시 합치는 칩렛 방식 등, 다양한 패키징들이 생겼음. 이러한 고난도 패키징을 Advanced ...
메모_반도체
2026. 01. 22
8
2
83

KV Cache 메모

홍진채님 글 보면서 다시 정리 KV Cache와 낸드 예전부터 HBF 말이 돌았음. DRAM으로는 메모리가 부족하다는 뜻임. 현재 AI모델은 LLM이든, VLM이든, 트랜스포머 모델을 사용함. 트랜스포머 모델은 연관도를 계산하는 것임. 언어연관도가 될 수도 있고, 이미지간의 연관도가 될 수 있음. 학습은 각 연관도를 그려서 Map을 만듦. 예를 들어서, "나는 오늘 김치를 먹었다. 그것은 매우 맛있었다."라는 문장이 있다고 해보자. 여기서 "그것"은 이 문장 내에서 "김치"지만, AI가 파악하려면 모든 토큰(단어)을 연관도 계산을 수행해야됨. 즉, 해당 문장의 토큰이 10개정도 된다면, 1 --> 2 --> 3 ... --> 10까지 모든 토큰을 비교해가며 연산을 수행함. 이게 연산이 너무 늘어나니까, 중간결과들을 저장할 공간이 필요해진 것이고 그 저장공간이 KV Cache인 것임. 이번 CES에서 NVDA가 KV Cache의 공간을 별도로 할당할 것이라고 말하면서 본격적으로 시장에 부각됨. KV Cache 공간을 사용해야되는 이유는 명확한데, 우리도 AI 챗봇을 오래 쓰면 성능이 ...
메모_반도체
2026. 01. 22
6
0
96