DeepSeek 논문 DRAM 대폭 늘리면 성능 더 좋아진다 _안될공학

최근 공개된 딥시크 논문에 대한 해설.

디램주 조정도 오지 않네요. 꼭 붙들고 가시길...

📌 딥시크 AI의 신규 기술이 DRAM 수요를 대폭 늘리는 이유는?

딥시크의 n그램 기술이 자주 반복되는 고정 패턴을 dram에 저장하여 계산 없이 빠르게 처리함으로써, dram 용량이 늘어날수록 ai 모델 성능이 지속적으로 개선되기 때문입니다.

💡 이 기술이 반도체 시장에 미칠 영향은?

hbm뿐만 아니라 일반 dram의 중요성이 크게 높아져 삼성전자, SK하이닉스 등 국내 메모리 기업들의 수요가 증가하고 cxl 기술도 재조명받을 수 있습니다.

딥시크 ai의 새로운 논문은 AI 모델의 성능 향상을 위해 dram을 대폭 늘리는 혁신적인 접근법을 제시합니다. 이 콘텐츠는 기존 트랜스포머 구조의 비효율성을 극복하기 위해 '엔그램' 개념을 도입하여, 자주 반복되는 고정 패턴을 메모리에 저장하고 필요할 때 빠르게 가져오는 실용적인 방법을 설명합니다. 이 기술을 통해 메모리 용량만 늘려도 AI 모델의 성능이 지속적으로 개선됨을 증명하며, hbm 외에 일반 dram의 중요성이 다시 부각되는 현 시점에서 메모리 반도체 산업 전반에 미칠 파급력을 예측해 볼 수 있는 핵심 인사이트를 제공합니다.

1. 딥시크(DeepSeek) AI의 새로운 기술과 DRAM의 중요성 부각

1.1. 딥시크의 새로운 논문 공개와 파급력

1. 딥시크의 새로운 기술 공개: 딥시크가 새로운 기술에 대한 논문을 GitHub에 공개하였다 .

2. 예상되는 파급력: 이 논문은 이전에 딥시크가 언급했던 '미국의 모든 AI를 무너뜨린다'는 주장보다 훨씬 더 큰 임팩트를 남길 것으로 예상되며, 이는 우리나라(한국)에 좋은 방향으로 흘러갈 것으로 보인다 .

3. 핵심 결론: 이 기술의 결론은 DRAM이 어마어마하게 더 많이 필요하다는 것이다 .

1.2. 기존 AI 모델의 스케일링 법칙과 한계

1. AI 모델 확장 이유: 현재 엔비디아 GPU 등을 통해 AI 모델을 거대하게 만들수록 성능이 좋아지기 때문에(스케일링 법칙), 더 많은 HBM과 GPU가 필요하다 .

2. 스케일링 법칙의 증명: 최근 제미나이 3 Pro 공개 사례처럼, 학습을 통해 큰 모델에서 지속적으로 성능 개선이 확인되었으나, 스케일링 법칙이 언젠가 끝날 수 있다는 불안감이 존재했다 .

3. 추론 모델(리저닝 모델)의 개선: 모델 크기뿐만 아니라, 추론 시간(리저닝 시간)을 늘려 토큰을 분석하며 능력을 향상시키는 방식(스케일링 법칙 증명)도 있었다 .

4. 딥시크의 새로운 발견: 딥시크는 DRAM을 엄청나게 많이 투입하면 성능이 개선된다는 것을 보였다 .

5. 기존 관점과의 차이: 일반적으로 DRAM을 많이 넣어도 HBM처럼 넓은 밴드위스를 제공하지 않으면 성능 개선이 어려울 것이라는 관점과 상충되어 이상하게 보일 수 있다 .

1.3. 딥시크의 기술 공개 배경과 엔그램 개념 도입

1. 기술 공개 전략: 딥시크는 연구 개발 결과를 모두 공개하고 있으며, 이는 중국 정부의 '모든 것을 공개하라'는 압박 전략과 관련이 있는 것으로 보인다 .

   1. 협력했던 마노스 AI의 경우, 기술 공개 압박으로 인해 싱가포르로 이전했고 메타에 인수되었다 .

2. 엔그램 논문: 딥시크와 ...