(1부) 돈방석 중국 반도체, 미국이 키웠다
📺 원본 영상: (1부) 돈방석 중국 반도체, 미국이 키웠다 (성균관대 공과대학 부학장 권석준 교수)
🎙️ 채널: 언더스탠딩 : 세상의 모든 지식
📅 정리 일자: 2026-08-26
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료나 차트, 표, 슬라이드는 포함되지 않을 수 있으며, 문맥상 명확한 기업명과 반도체 용어는 표준 표기로 교정했습니다.
개요
이번 대담은 중국 메모리 기업 CXMT가 최근의 메모리 슈퍼사이클을 발판으로 얼마나 빠르게 성장할 수 있는지, 그리고 미국의 반도체 장비 수출 통제가 왜 역설적으로 중국 장비 산업의 자립을 촉진하고 있는지를 분석한다. 권석준 교수의 핵심 문제의식은 중국 기업이 당장 삼성전자나 SK하이닉스와 같은 기술 수준에 도달했다는 데 있지 않다. 오히려 범용 메모리 가격 급등으로 창출된 현금이 생산능력 확대와 연구개발, 중국산 장비의 검증, AI 데이터센터 구축으로 순환하면서 중국 내부에 하나의 반도체 생태계가 형성되고 있다는 점이 더 중요한 변화라는 것이다.
논의는 후반부에서 메모리 수요를 만들어내는 AI 투자 자체의 지속 가능성으로 확장된다. AI 모델의 성능 향상이 계속해서 더 많은 컴퓨팅 자원과 메모리를 요구하는 한 슈퍼사이클은 이어질 수 있지만, 막대한 투자에 상응하는 Return on Investment(투자수익률)가 증명되지 않는다면 공급 확대가 현실화되는 2028년 전후에 시장의 균형이 빠르게 달라질 수 있다. 따라서 중국의 증산 속도만이 아니라 하이퍼스케일러의 자본지출, AI 서비스의 수익화, 장비 반입과 수율 안정화까지 함께 살펴야 한다는 것이 대담 전체를 관통하는 관점이다.
범용 메모리 부족이 만든 예상 밖의 승자
권석준 교수에 따르면 최근 메모리 슈퍼사이클의 핵심 동력은 단순히 HBM(High Bandwidth Memory)의 가격 상승만으로 설명하기 어렵다. 삼성전자와 SK하이닉스를 비롯한 주요 업체들이 AI 반도체용 HBM에 생산 역량을 집중하자, 반대편에서는 범용 DRAM과 NAND Flash의 공급 부족이 예상보다 크게 발생했다. 영상에서는 일부 범용 제품의 가격이 전년 동기보다 최소 네 배, 경우에 따라 다섯 배나 여섯 배까지 올랐다고 설명한다. 그 결과 최신 DDR5뿐 아니라 한동안 저가·구세대 제품으로 여겨졌던 DDR4까지 출시와 동시에 팔려나가는 시장이 형성되었다.
이 변화는 선두 기업에만 유리하게 작용하지 않았다. 미국의 Micron은 물론이고, 중국의 CXMT와 대만의 Nanya Technology처럼 상대적으로 후발 주자로 평가받던 기업도 기록적인 수익을 거둘 수 있게 되었다. 이들 기업은 최첨단 제품에서는 선두 업체와 격차가 있지만 범용 DRAM을 일정한 품질로 생산할 역량은 보유하고 있었기 때문에, 공급 부족과 가격 급등이 곧바로 수익성 개선으로 연결되었다. 기술 수준이 갑자기 도약한 것이 아니라, 기존에 생산하던 제품의 시장가치가 급격히 높아진 것이다.
이러한 시장 환경은 CXMT의 자본 구조와 기업가치도 바꾸어 놓았다. 강연자는 CXMT가 상하이 과학기술혁신판 상장을 추진하고 있으며, 조달 규모 자체보다 상장을 계기로 형성될 기업가치와 추가적인 자금조달 능력이 더 중요하다고 설명한다. 영상에서 시장 일각이 CXMT의 가치를 수백조 원 규모로 평가한다는 언급도 나오지만, 이는 확정된 객관적 평가라기보다 당시 시장의 과열된 기대를 보여주는 사례로 이해할 필요가 있다.
현금흐름이 기술 추격의 시간을 단축한다
진행자는 중국 정부가 이미 오랫동안 반도체 산업에 막대한 자금을 투입해 왔는데, CXMT가 최근 돈을 더 벌게 된 것이 왜 결정적인 변화가 되는지 질문한다. 이에 대해 권 교수는 자본이 모든 기술 문제를 즉시 해결해 주지는 않지만, 실패를 감당하며 학습할 수 있는 능력을 크게 높여준다고 설명한다. 보조금이나 차입금에 의존하는 기업은 낮은 수율이나 장비 고장으로 웨이퍼 수천 장을 잃는 실험을 반복하기 어렵지만, 안정적인 영업 현금흐름을 확보한 기업은 실패 비용을 흡수하면서 공정 최적화 속도를 높일 수 있다.
강연에서는 신규 자본이 대략 7 대 3 또는 2 대 1의 비율로 생산능력 확대와 연구개발에 투입될 가능성이 제시된다. 예컨대 100조 원의 가용 자본을 가정하면 약 70조 원은 팹(Fab) 증설과 장비 구입에, 나머지 약 30조 원은 공정 연구와 장비 최적화에 투입되는 구조다. 이는 실제 확정된 개별 예산표라기보다 중국 메모리 기업이 자본을 어떻게 배분할지를 설명하기 위한 비율로 보아야 한다.
연구개발 자금의 역할은 자체 공정을 개선하는 데서 끝나지 않는다. 중국산 식각, 증착, 리소그래피 장비를 구매해 실제 웨이퍼로 반복 검증하고, 장비 제조사와 함께 결함과 수율 문제를 해결하는 데도 막대한 비용이 들어간다. 초기 장비는 내구성이 떨어지거나 수율을 훼손할 가능성이 있지만, 충분한 시험 생산과 피드백이 누적되면 상용화까지 걸리는 리드타임을 줄일 수 있다. 결국 현금흐름은 완제품 기술을 구매하는 수단이라기보다 시행착오를 압축하고 학습곡선을 앞당기는 연료에 가깝다.
여전히 남아 있는 전공정과 리소그래피의 기술 격차
현금이 늘었다고 해서 CXMT가 곧바로 삼성전자와 SK하이닉스의 기술 수준에 도달하는 것은 아니다. 권 교수는 CXMT가 당시 1z 수준의 공정에 머물러 있는 반면, 한국 업체들은 1c에서 차기 세대로 진입하는 단계라고 설명한다. 세부 공정 명칭과 실제 양산 수준은 업체별 기준이 다를 수 있지만, 대담의 요지는 CXMT가 범용 DRAM을 생산할 역량은 갖추었어도 미세화와 집적도 측면에서는 여전히 여러 세대의 격차가 있다는 데 있다.
이 격차의 상당 부분은 웨이퍼 전공정, 그중에서도 리소그래피에서 발생한다. 첨단 노광장비 시장을 지배하는 ASML의 장비가 수출 통제 대상이 되면서 중국 기업은 기존에 확보한 DUV(Deep Ultraviolet) 노광장비에 크게 의존해 왔다. 중국 장비업체 SMEE 등을 통한 국산화 시도가 이어지고 있으나, 연구개발용 시제품과 고수율 양산에 투입할 수 있는 장비 사이에는 큰 차이가 있다. 따라서 자본만으로 첨단 노광장비의 광원, 렌즈, 정밀 제어, 마스크, 소재 및 공정 통합 문제를 단기간에 해결할 수 있다는 식의 해석은 경계해야 한다.
다만 중국에 이미 반입된 구세대 ASML 장비의 수명이 다가오고 있다는 사실이 곧바로 생산 중단을 의미하지는 않는다. 강연자는 완제품 장비 수입이 제한되더라도 일부 소모품과 교체 부품을 중국 내 공급망에서 조달할 수 있는 단계로 이동하고 있다고 설명한다. 유지보수 부품의 국산화는 첨단 장비를 새로 제작하는 것과는 다른 문제지만, 기존 장비의 사용기간을 늘리고 생산 차질을 줄이는 데에는 실질적인 도움을 줄 수 있다. 중국은 이렇게 제한된 장비를 더 오래 활용하는 동시에 국산 장비의 검증을 병행하며 병목을 조금씩 완화하고 있다.
💡 [영상 참조] 강연자는 이 구간에서 CXMT의 공정 수준과 한국 기업의 공정 세대를 비교하고, 중국이 기존 DUV 장비에 의존하는 구조를 설명한다.
📺 원본 영상에서 관련 화면을 확인할 수 있다.
YMTC가 먼저 보여준 장비 국산화의 학습효과
중국 NAND Flash 업체 YMTC의 사례는 장비 제재가 중국 반도체 생태계에 미치는 장기적 효과를 보여준다. NAND Flash는 수백 층의 막을 쌓고 높은 종횡비(High Aspect Ratio)의 구조를 정밀하게 식각해야 하므로, DRAM과는 병목이 다르게 나타난다. 권 교수는 YMTC의 경우 리소그래피보다 식각(Etching)과 증착(Deposition)이 핵심 병목이었으며, 이 분야에서 중국 장비업체 AMEC와 NAURA의 장비 국산화 효과가 상당 부분 나타났다고 설명한다.
이는 제재가 단기적으로는 생산을 어렵게 만들지만, 장기적으로는 자국 장비를 실제 양산 환경에서 시험하도록 강제한다는 역설을 드러낸다. 해외 장비를 계속 구매할 수 있었다면 중국 반도체 업체가 수율 위험을 감수하며 국산 장비를 채택할 유인은 크지 않았을 것이다. 그러나 선택지가 줄어들자 팹 운영사와 장비업체가 공동으로 문제를 해결해야 했고, 그 과정에서 장비 성능과 공정 노하우가 함께 축적되었다.
권 교수는 비슷한 동학이 이제 CXMT의 리소그래피 영역에서도 나타날 가능성에 주목한다. 노광장비는 식각이나 증착보다 진입장벽이 높기 때문에 YMTC 사례를 그대로 대입할 수는 없지만, 충분한 자본과 실제 생산라인, 반복 시험의 조합이 리드타임을 단축할 가능성은 무시하기 어렵다. 중국의 위협은 당장 최첨단 장비를 완성했다는 데 있는 것이 아니라, 제재를 버티는 과정에서 장비와 소재, 부품, 팹 운영 경험이 하나의 내수 생태계로 연결되고 있다는 데 있다.
화웨이가 제공하는 자본과 수요의 이중 안전망
중국 반도체 산업의 추격을 일반적인 시장경제의 기업 경쟁으로만 해석하면 중요한 차이를 놓치게 된다. 일본이나 대만의 기업은 장기 적자와 치킨게임을 버티지 못하면 파산하거나 사업을 철수할 수 있지만, CXMT와 YMTC는 중국의 산업안보 전략에서 중요한 위치를 차지한다. 그렇다고 중국 정부의 자금이 아무 조건 없이 무한정 제공되는 것은 아니며, 장기간 지원을 받은 기업에는 결국 매출과 수익을 증명해야 한다는 압력도 존재한다. 이러한 맥락에서 현재의 메모리 슈퍼사이클은 CXMT에 정부 지원과 별개로 독자적인 현금흐름을 확보할 기회를 제공한 셈이다.
여기에 화웨이는 자본 공급자와 수요처라는 두 역할을 동시에 수행한다. 화웨이는 자체적인 반도체 및 AI 인프라 역량을 토대로 연구개발을 지원할 수 있고, 동시에 중국산 메모리와 관련 장비의 최종 수요를 만들어낼 수 있다. 초기 제품의 성능이나 수율이 글로벌 최고 수준에 미치지 못하더라도 일정한 구매처가 존재하면 생산을 지속하며 개선할 수 있다. 공급망의 각 참여자가 시장에서 고립되지 않고 서로의 제품을 구매해 주는 구조가 기술 학습을 가속하는 것이다.
이 구조는 미국의 제재가 의도하지 않은 결과와도 연결된다. 중국 기업이 증산할 때 미국·유럽·일본 장비를 자유롭게 살 수 있었다면 신규 투자금의 상당 부분은 Applied Materials, Lam Research, KLA, ASML, Tokyo Electron 등 해외 장비사의 매출로 흘러갔을 것이다. 그러나 장비 수출이 엄격하게 제한되자 새로 열린 수요를 중국 장비업체가 차지할 공간이 생겼다. 제재는 중국 첨단공정의 속도를 늦추는 동시에 중국 장비산업이 고객과 실증 기회를 확보하도록 만드는 상반된 효과를 내고 있다.
증산이 만드는 중국 내부의 승수효과
CXMT가 메모리 판매로 벌어들인 자본은 단일 기업 내부에 머무르지 않는다. 팹 증설을 위해 중국산 장비를 구매하면 장비업체의 매출과 연구개발 능력이 커지고, 늘어난 메모리는 중국의 AI 데이터센터와 서버, 화웨이의 제품, 중국 AI 모델 개발사의 인프라로 공급된다. 각 산업에서 발생한 수익이 다시 다른 중국 기업의 투자 재원이 되는 순환 구조가 형성되면서 개별 기업의 성장보다 큰 산업적 승수효과가 발생한다.
이 순환은 미국 장비업체에 기회비용을 발생시킨다. 중국의 생산능력 확장 자체는 세계 장비시장에 거대한 신규 수요를 만들어내지만, 수출 통제로 인해 해외 선도기업은 그 수요에 접근하기 어렵다. 단기적으로는 중국의 첨단공정 전환을 방해할 수 있어도, 시간이 흐를수록 중국 기업이 현지 장비를 채택하고 개선할 경제적 기반이 확대된다. 권 교수는 이 지점에서 미국의 통제가 중국 반도체의 자립 기반을 넓히는 역설을 강조한다.
중국이 모든 장비를 즉시 국산화했다는 의미는 아니다. 노광장비처럼 해외 의존도가 여전히 높은 분야가 존재하고, 국산 장비의 신뢰성·내구성·수율도 양산 과정에서 검증되어야 한다. 다만 고객이 없어서 성장하지 못하던 장비업체가 대규모 발주와 시험 기회를 동시에 얻었다는 사실은 장기 경쟁구도를 바꿀 수 있다. 제재의 효과를 평가할 때에는 중국의 현재 기술 수준뿐 아니라 공급망이 얼마나 빠르게 학습하고 있는지도 함께 살펴야 한다.
18개월 팹 건설과 6개월 양산 안정화는 가능한가
통상 반도체 팹은 건물 건설에 약 2년 반, 장비 반입과 양산 안정화에 최소 1년 반이 걸려 전체적으로 4~5년이 소요된다고 강연자는 설명한다. 그러나 중국은 팹 건설을 1년 반, 양산 안정화를 6개월로 줄여 전체 과정을 2년 안에 마치겠다는 공격적인 목표를 세운 것으로 소개된다. 이 계획대로 진행될 경우 CXMT의 생산능력은 2028년 말 현재의 약 1.5~1.8배로 확대되고, 3~5년의 시계에서는 두 배 이상 늘어날 가능성이 제시된다.
권 교수는 일본 구마모토의 JASM 팹을 빠른 건설이 불가능하지 않다는 참고 사례로 든다. 이 팹은 약 18개월 만에 완공되었으며, 인근에 Sony의 CMOS 이미지센서 공장이 있는 반도체 산업 기반을 활용할 수 있었다. 또한 일본 정부와 TSMC가 기반시설 확충과 공장 건설을 동시에 진행해 마지막 단계에서 일정이 맞물리도록 설계했다. 따라서 이 사례는 18개월 건설의 가능성을 보여주지만, 아무 기반도 없는 부지에 중국 메모리 팹을 짓는 상황과 완전히 동일하지는 않다.
더 큰 의문은 건물 완공 이후다. 첨단 팹에는 1,500대가 넘는 장비가 반입될 수 있으며, 이 장비들을 연결한 뒤 개별 공정과 전체 수율을 안정화해야 한다. 특히 검증이 충분하지 않은 중국산 장비가 포함되면 일부 장비의 문제 하나가 전체 생산 흐름을 지연시킬 수 있다. 권 교수는 건물과 기반시설을 18개월에 완성하는 것은 가능할 수 있지만, 장비 반입부터 양산 승인까지 6개월에 끝내는 목표는 현실적으로 상당히 어렵다고 평가한다.
💡 [영상 참조] 강연자는 JASM의 18개월 건설 사례와 중국의 2년 팹 완성 목표를 비교하며, 건물 준공과 양산 안정화가 서로 다른 문제임을 설명한다.
📺 원본 영상에서 관련 설명을 확인할 수 있다.
여러 팹을 동시에 지어 학습곡선을 앞당기는 전략
중국의 속도전은 첫 번째 팹을 완벽하게 성공시키는 전략이라기보다 여러 팹을 동시에 건설하면서 시행착오를 빠르게 복제·교정하는 방식에 가깝다. 첫 번째 팹에서 확인된 설계 오류와 장비 연결 문제를 두 번째 팹에 반영하고, 다시 그 경험을 세 번째와 네 번째 팹에 적용하면 후속 프로젝트의 건설 및 안정화 기간이 줄어든다. 강연에서는 이를 게임에서 생산시설을 연속으로 건설하는 모습에 비유한다.
초기 팹은 계획보다 오래 걸리고 수율도 낮을 수 있지만, 여러 프로젝트가 병렬로 진행되면 학습 횟수 자체가 증가한다. 그 결과 세 번째나 네 번째 팹부터는 건설과 양산 안정화의 전체 사이클이 24~30개월 수준으로 수렴할 가능성이 생긴다. 이는 각 공장의 단기 효율만 보면 낭비처럼 보일 수 있지만, 국가 차원에서 장비와 인력, 공정 운영 능력을 축적하려는 전략에서는 합리적인 선택이 될 수 있다.
이 때문에 중국의 발표 목표가 첫 시도부터 그대로 달성될지를 묻는 것만으로는 충분하지 않다. 더 중요한 질문은 반복 건설을 통해 공정 통합 능력과 장비 운영 경험이 얼마나 빠르게 표준화되는가이다. 첫 팹의 일정이 지연되더라도 그 실패가 후속 팹의 리드타임을 줄이는 지식으로 전환된다면, 중국 전체의 생산능력은 장기적으로 예상보다 빠르게 확대될 수 있다.
AI 데이터센터가 범용 DRAM과 NAND까지 끌어올리는 이유
AI 데이터센터에서 가장 주목받는 메모리는 HBM이지만, HBM만으로 전체 데이터 흐름을 처리할 수는 없다. HBM은 높은 대역폭에 최적화되어 있으나 모든 데이터를 장기간 담아둘 정도의 용량을 제공하는 저장장치는 아니다. 권 교수는 HBM 용량을 넘어서는 데이터를 일반 DRAM이 받아주어야 하며, 이 과정에서 HBM과 DRAM 사이의 대역폭 차이가 병목으로 나타난다고 설명한다. 따라서 더 빠르고 에너지 효율적인 범용 DRAM에 대한 수요도 AI 인프라 확대와 함께 증가한다.
생성형 AI가 만들어내고 학습에 활용하는 방대한 데이터를 보존하려면 NAND Flash의 역할은 더욱 커진다. 자주 사용하는 데이터는 빠른 메모리에 상주시킬 수 있지만, 반복적으로 사용하지 않는 대규모 데이터는 Enterprise SSD와 같은 NAND 기반 저장장치에 보관했다가 필요할 때 불러와야 한다. 권 교수는 이를 빠른 작업공간 뒤에 대형 도서관이 필요한 구조로 비유한다. AI 데이터센터의 투자가 커질수록 HBM뿐 아니라 DRAM과 NAND의 총수요도 함께 증가할 수밖에 없다는 논리다.
이러한 수요 구조는 CXMT와 YMTC에 직접적인 내수시장을 제공한다. 최첨단 HBM에서 한국 기업을 따라잡지 못하더라도, 중국 내 AI 서버와 데이터센터가 요구하는 범용 DRAM과 NAND 수요만으로 상당한 생산량을 소화할 수 있기 때문이다. 중국 메모리 기업은 글로벌 시장에서 가격 경쟁을 시작하기 전에 거대한 내수시장을 통해 규모와 수율을 높일 기회를 얻는다.
2028년은 공급 증가보다 시장 기대가 먼저 움직이는 시점
강연에서는 신규 메모리 물량이 실질적으로 출하되기 시작하는 시점을 2028년 하반기 전후로 본다. CXMT의 증산뿐 아니라 SK하이닉스의 용인 클러스터, 삼성전자의 평택 생산능력 조정 등이 비슷한 시기에 시장 공급을 늘릴 수 있다는 설명이다. 2029년에는 주요 신규 팹의 가동이 더 구체화되면서 공급 증가가 본격적으로 체감될 가능성이 있다.
그러나 투자자가 주목해야 할 시점은 실제 물량이 쏟아지는 2028년 하반기보다 앞선 2027년 하반기에서 2028년 상반기 사이일 수 있다. 그때가 되면 공장 건설 진척도와 장비 반입 일정, 양산 리드타임을 통해 언제 얼마만큼의 공급이 나올지가 가시화되기 때문이다. 반도체 시장은 실제 공급보다 미래의 공급 기대를 먼저 가격에 반영하므로, 공급 부족이 지속되는 가운데서도 증산 일정이 확정되면 가격과 기업가치에 대한 기대가 달라질 수 있다.
| 구분 | 영상에서 언급된 시점 또는 규모 | 의미 |
|---|---|---|
| 통상 팹 건설과 안정화 | 약 4~5년 | 건설 약 2.5년과 장비 반입·안정화 약 1.5년 이상을 합산한 일반적 기간 |
| 중국의 목표 | 건설 1.5년과 안정화 0.5년 | 전체 사이클을 약 2년으로 단축하려는 공격적 계획 |
| CXMT 예상 생산능력 | 2028년 말 현재의 약 1.5~1.8배 | 계획이 정상적으로 진행된다는 가정에 따른 전망 |
| 장기 증산 가능성 | 향후 3~5년 내 두 배 이상 | 다수 팹 건설과 학습곡선 효과가 이어지는 경우 |
| 신규 물량 가시화 | 2027년 하반기~2028년 상반기 | 공급 시점과 규모가 시장 기대에 반영되기 시작할 구간 |
| 실질적 물량 증가 | 2028년 하반기 전후 | 주요 기업의 증산분이 시장에 나타날 것으로 예상되는 시점 |
이 수치들은 강연에서 제시된 전망이며, 각 기업의 확정된 공시 계획을 종합한 공식 예측으로 단정해서는 안 된다. 실제 증산 속도는 AI 수요와 메모리 가격, 장비 조달, 수율, 전력과 용수 인프라에 따라 조절될 수 있다. 특히 건물 공사가 진행되더라도 장비 반입과 양산 안정화 속도를 늦추면 실질적인 공급량을 탄력적으로 통제할 수 있다.
💡 핵심 투자 전략: 증산 시점보다 선행 신호를 추적하라
메모리 업황을 판단할 때 실제 신규 물량이 출하되는 시점만 기다리는 접근은 늦을 수 있다. 영상의 논리를 투자 관점으로 옮기면, 2028년 공급 확대 그 자체보다 2027년 하반기부터 나타날 팹 공정률과 장비 발주, 장비 반입, 양산 인증 일정의 변화를 선행지표로 살펴야 한다. 시장은 물량이 나오기 전에 미래의 공급 과잉이나 가격 하락 가능성을 먼저 반영하기 때문이다.
다만 장비 발주가 증가했다는 이유만으로 공급 과잉을 확정해서는 안 된다. 메모리 업체는 수요가 약해질 경우 건물 공사보다 장비 반입과 수율 안정화 일정을 조절하는 방식으로 실제 생산 시점을 늦출 수 있다. 따라서 팹 외관의 완공보다 클린룸 가동, 핵심 장비의 반입, 웨이퍼 투입, 수율 상승 및 고객 인증으로 이어지는 흐름을 구분해서 해석해야 한다.
동시에 공급 측 지표만 보면 안 된다. 하이퍼스케일러의 Capital Expenditure(자본지출) 증가율, AI 데이터센터 건설 지연, 장기공급계약의 이행 여부, AI 서비스의 수익화 속도가 메모리 수요를 결정한다. 공급 확대가 지연되더라도 AI 투자가 더 빠르게 둔화하면 업황은 먼저 꺾일 수 있고, 반대로 공급이 늘어나도 AI 연산과 저장 수요가 그 이상으로 확대되면 높은 가동률이 유지될 수 있다. 결국 투자 판단은 ‘생산능력이 얼마나 늘어나는가’보다 ‘실제 수요와 공급의 증가율 중 어느 쪽이 더 빠른가’에 맞춰야 한다.
AI 투자 둔화가 메모리 슈퍼사이클의 가장 큰 변수다
메모리 기업의 증산 계획에는 하이퍼스케일러가 AI 데이터센터 투자를 계속 확대한다는 전제가 깔려 있다. 그러나 강연에서는 미국에서 계획된 AI 데이터센터 가운데 상당수가 인허가, 지역 주민 반대, 전력망과 기반시설 문제 등으로 지연되고 있다는 점을 위험요인으로 든다. 올해 집행될 투자가 다음 해로 넘어가면 그다음 해의 투자까지 연쇄적으로 밀릴 수 있고, 공급업체가 예상했던 수요 시점도 늦어진다.
더 민감한 문제는 투자액이 감소하지 않더라도 증가율이 둔화되는 경우다. 하이퍼스케일러의 자본지출 증가율이 매년 10%에서 7%나 5%로 낮아지기만 해도 시장은 이를 AI 투자 사이클의 변곡점으로 해석할 수 있다. 메모리 업체가 장기공급계약(Long-Term Agreement)을 통해 일정 물량을 확보했더라도, 과거에는 고객이 위약금을 감수하고 주문을 취소하거나 연기한 사례가 있었으므로 계약만으로 수요가 완전히 보장되지는 않는다.
현장에서는 여전히 AI 계산자원이 부족하며 투자가 계속될 것이라는 낙관론이 우세하다고 권 교수는 설명한다. 모델 크기와 데이터, 계산량을 늘릴수록 성능이 향상되어 왔고, 시장 참여자들은 더 큰 모델이 Artificial General Intelligence(범용 인공지능)에 가까워질 것이라는 기대를 버리지 않고 있다. 그러나 공급사는 이 낙관론에만 의존하지 않고 수요 변화에 따라 장비 반입과 양산 안정화 속도를 조절할 준비도 하고 있다.
더 큰 AI 모델과 더 나은 경제성 사이의 충돌
권 교수는 AI 시장이 두 방향으로 갈라지고 있다고 진단한다. 한쪽에는 미국 기업이 주도하는 고성능 Frontier Model(프런티어 모델)이 있으며, 이들은 더 큰 모델과 더 많은 계산자원을 통해 범용 인공지능에 접근하려 한다. 다른 한쪽에는 상대적으로 성능을 일부 양보하더라도 토큰 생성 비용을 극단적으로 낮춘 중국의 가성비 모델이 있다. 대담에서는 중국 모델의 토큰 생성비용이 일부 미국 모델보다 훨씬 낮다는 주장이 제시되지만, 모델별 가격정책과 성능 조건이 다르므로 단순한 배수 비교는 신중하게 받아들여야 한다.
프런티어 모델은 성능 면에서 앞서더라도 아직 투자 규모에 상응하는 수익을 충분히 증명하지 못했다는 딜레마를 안고 있다. 코딩 자동화와 기업용 구독 서비스가 초기 매출을 만들 수는 있지만, 데이터센터와 GPU, 메모리, 전력에 투입되는 막대한 비용 전체를 감당할 만큼 큰 시장인지에 대해서는 의문이 남는다. 반대로 중국의 저비용 모델은 토큰 경제성에서 경쟁력을 보이지만 최첨단 추론 능력에서는 여전히 차이가 있을 수 있다.
문제는 스케일링 경쟁에 뛰어든 기업이 중도에 멈추기 어렵다는 데 있다. 더 큰 모델을 공개하는 일이 기업가치와 기술 리더십을 보증하는 신호가 되었기 때문에, 투자를 줄이는 순간 시장이 성장 한계로 해석하고 자본을 회수할 수 있다. 권 교수는 이를 호랑이 등에 올라탄 상황 또는 끝없이 바위를 밀어 올려야 하는 시시포스의 형벌에 비유한다. 기업은 현금이 줄어들어도 스케일링을 지속해야 하고, 그 과정에서 메모리 수요 역시 계속 커진다.
현금전쟁과 AI 기업의 2~3년 수익화 시험
대형 기술기업은 그동안 자체 영업현금과 보유 현금을 활용해 AI 투자를 지속해 왔지만, 강연자는 이러한 내부 자금만으로 버티는 단계가 한계에 가까워지고 있다고 본다. 이후에는 회사채 발행, 외부 투자, 연기금과 국부펀드 등 전통 금융자본의 참여가 필요해질 수 있다. 그렇게 되면 AI 투자의 지속 여부를 결정하는 권력이 기술기업에서 Wall Street(월가)로 일부 이동하게 된다.
기술기업은 외부 금융기관의 영향력을 늦추기 위해 상호 투자와 대출, 보증, 담보를 연결하는 Circular Financing(순환 금융) 구조를 활용해 왔다고 강연자는 설명한다. 그러나 이러한 구조도 실제 현금흐름을 영구적으로 대체할 수는 없다. 앞으로 2~3년 안에 AI가 소프트웨어 구독과 코딩 보조를 넘어 현실 산업에서 분명한 수익을 창출한다는 증거를 제시해야 중동이나 북유럽의 국부펀드를 비롯한 장기 자본이 본격적으로 유입될 수 있다는 분석이다.
반대로 뚜렷한 Return on Investment가 나타나지 않으면 생존 가능한 소수 기업을 제외한 AI 모델 개발사는 심각한 자금 압박을 받을 수 있다. 투자자들이 누가 먼저 빠져나갈지를 관망하기 시작하면 불안 심리가 급속히 확산될 가능성도 있다. 메모리 시장의 장기 수요를 평가하려면 모델의 성능 향상뿐 아니라 AI 기업의 현금 소진 속도, 회사채 발행, 외부자본 의존도와 실제 수익화를 함께 살펴야 하는 이유다.
Physical AI가 약속하는 수익과 데이터의 장벽
AI 업계가 다음 수익원으로 기대하는 분야는 Physical AI(피지컬 AI)와 로봇이다. 그러나 웹에서 비교적 쉽게 확보한 텍스트와 달리 현실 세계의 데이터는 산업과 환경마다 형식이 다르고, 대규모로 수집하기도 어렵다. 로봇이 공장, 물류, 의료, 가정에서 안정적으로 작동하려면 각 도메인에 특화된 센서와 행동 데이터를 축적해야 하며, 이 과정에는 상당한 시간과 비용이 필요하다.
따라서 피지컬 AI가 거대한 시장이 될 가능성과 단기간에 투자비를 회수할 수 있다는 주장은 구분해야 한다. 대형 모델의 성능이 높아진다고 해서 곧바로 로봇 서비스의 매출이 발생하는 것은 아니며, 하드웨어 비용과 안전성 검증, 규제, 데이터 표준화 문제도 해결해야 한다. 권 교수는 시장 참여자들이 수익을 창출할 책임을 서로에게 미루고 있다고 표현하며, 현실 산업에서 수익을 증명하는 일이 예상보다 오래 걸릴 수 있다고 경고한다.
이 지연은 반도체 수요에도 양면적으로 작용한다. 피지컬 AI 상용화를 위해 더 많은 연구개발이 필요하면 데이터센터와 메모리 투자는 계속될 수 있지만, 수익 없이 비용만 누적되면 어느 시점에 자본시장의 인내가 한계에 도달할 수 있다. 결국 반도체 기업에는 AI 기술의 발전 속도만큼 AI 비즈니스의 현금 창출 속도가 중요하다.
AI 에이전트가 바꿀 광고와 소비의 구조
대담은 초거대 AI가 충분히 발전했을 때 기존 경제학의 전제가 어떻게 흔들릴 수 있는지로 확장된다. 개인이 강력한 AI 에이전트에게 구매와 의사결정을 맡기면, 에이전트는 인간이 비교할 수 없는 규모의 상품과 가격, 물류비, 사용자의 생활습관을 즉시 분석할 수 있다. 광고에 영향을 받아 특정 상품을 선택하는 대신 비용과 품질을 계산해 자동으로 구매한다면 광고가 소비를 유도하는 현재의 구조는 약화될 수 있다.
이는 Google과 Meta처럼 광고에 크게 의존하는 기업에 근본적인 질문을 제기한다. AI 인프라 개발비는 계속 늘어나는데 에이전트가 광고의 영향에서 벗어나면, 기존 현금창출원이 오히려 훼손될 수 있기 때문이다. 소비자는 자신에게 필요한 상품이 무엇인지 직접 결정하지 않고, 에이전트가 자동 주문한 결과만 받아보는 ‘아바타 경제’로 이동할 수도 있다.
권 교수는 이러한 환경을 의사결정의 마찰비용이 거의 사라지는 경제로 묘사한다. 상품이 등장한 순간 에이전트가 비교하고 구매까지 수행한다면 탐색과 고민에 들던 시간과 비용이 급격히 줄어든다. 그러나 광고와 판매, 가격 형성, 고용, 소득분배의 기존 논리는 인간의 제한된 정보처리 능력을 전제로 발전해 왔기 때문에, 마찰이 사라진 경제에서 동일하게 작동하리라고 가정하기 어렵다.
AI 격차가 새로운 국가 경쟁력과 신분 격차가 될 가능성
강력한 AI 모델에 대한 접근성이 사람과 기업의 생산성을 결정한다면 모델의 등급이 새로운 계층을 만들 수 있다. 가장 뛰어난 모델을 사용하는 사람은 더 나은 정보와 판단, 자동화 능력을 확보하는 반면, 낮은 등급의 모델에 의존하는 사람은 구조적으로 불리해질 수 있다. 이러한 격차는 개인과 기업을 넘어 국가 사이에서도 나타날 수 있다.
이 때문에 Sovereign AI(소버린 AI)는 단순한 산업정책을 넘어 국가 생존전략의 성격을 갖는다. 자국의 언어와 데이터, 안보 요구를 반영한 모델과 이를 구동할 데이터센터, 반도체 공급망을 확보하지 못한 국가는 핵심 의사결정에서 해외 기술에 의존하게 된다. 중국이 자국 메모리와 장비, AI 모델, 데이터센터를 하나의 순환 구조로 묶으려는 이유도 이런 장기적 경쟁과 연결된다.
국방 분야에서는 경쟁의 압력이 더욱 강하다. 영상은 러시아·우크라이나 전쟁에서 자율 드론의 활용이 확대되고, 정보 분석과 표적 식별 등에도 AI가 깊숙이 들어오고 있다고 설명한다. 인명 피해를 줄이고 무기 운용 효율을 높인다는 명분으로 말단 업무부터 AI가 도입되면, 시간이 지날수록 더 중요한 의사결정까지 자동화될 가능성이 있다. 특히 상대의 신호를 공격으로 오판하는 극단적 위험을 고려하면, AI 투자를 계속해야 한다는 경쟁 논리와 안전한 통제체계를 마련해야 한다는 요구가 동시에 커질 수밖에 없다.
중국 반도체를 바라보는 세 가지 시간축
단기적으로 중국 메모리 기업의 성장은 공급 부족이 만들어준 가격 효과의 성격이 강하다. DDR4와 같은 범용 제품의 가격이 급등했기 때문에 기술 격차가 남아 있는 CXMT도 높은 수익을 올릴 수 있었다. 이 단계에서 중국 기업이 최첨단 기술을 따라잡았다고 평가하는 것은 과장이다.
중기적으로는 이익이 어디에 재투자되는지가 중요하다. 팹 증설과 연구개발, 국산 장비 검증, 부품 공급망 구축에 현금이 투입되면 중국 반도체 생태계 전체의 학습속도가 높아진다. 2027년 하반기부터 2028년 사이에 장비 반입과 양산 일정이 구체화되면 중국의 공급 확대가 시장 기대에 본격적으로 반영될 수 있다.
장기적으로는 중국의 거대한 내수 AI 시장이 생산량을 흡수하면서 CXMT가 기존 글로벌 3강 구도를 흔들 가능성이 제기된다. 강연자는 지금까지의 삼성전자·SK하이닉스·Micron 구도에서 중국 기업의 비중이 크게 확대될 수 있다고 본다. 이 전망의 실현 여부는 리소그래피 병목을 얼마나 완화하는지, 국산 장비가 실제 양산 수율을 확보하는지, 그리고 AI 투자가 공급 증가를 흡수할 만큼 지속되는지에 달려 있다.
마무리 / 핵심 정리
이번 강연의 핵심은 중국 반도체의 위협을 현재 기술 수준만으로 판단해서는 안 된다는 것이다. CXMT는 여전히 미세공정과 리소그래피에서 한국 선두기업과 명확한 격차가 있지만, 범용 메모리 가격 상승으로 얻은 현금을 생산능력과 연구개발에 재투자할 수 있게 되었다. 실패를 반복할 자본, 국산 장비를 시험할 생산라인, 제품을 구매해 줄 내수시장, 국가 차원의 정책지원이 결합되면 기술 추격의 시간이 예상보다 빠르게 단축될 수 있다.
미국의 수출 통제는 중국의 첨단장비 접근을 제한했지만, 동시에 중국 장비업체가 대규모 발주와 양산 검증 기회를 얻도록 만들었다. 과거라면 미국·유럽·일본으로 흘러갔을 설비투자 자금이 중국 장비사와 AI 데이터센터, 모델 개발사로 순환하면서 독자적인 산업 생태계를 강화하고 있다. 바로 이 자본의 내부 순환이 영상 제목의 “미국이 키웠다”는 역설을 설명한다.
다만 2028년 이후 공급 확대가 곧바로 중국의 승리나 메모리 가격 붕괴를 의미하지는 않는다. AI 데이터센터 투자가 계속 확대되고 DRAM과 NAND 수요가 생산능력보다 빠르게 증가한다면 증산 물량은 충분히 흡수될 수 있다. 반대로 AI 기업이 향후 2~3년 안에 현실 산업에서 수익을 증명하지 못하고 하이퍼스케일러의 자본지출이 둔화한다면, 신규 팹의 물량이 시장에 진입하는 시기와 맞물려 업황 변동성이 크게 확대될 수 있다.
따라서 중국의 공장 건설 속도, 국산 장비의 양산 수율, CXMT의 실제 생산능력과 함께 AI 기업의 현금흐름과 하이퍼스케일러의 투자 증가율을 동시에 추적해야 한다. 이 영상은 공급망과 기술패권의 경쟁이 단지 누가 더 작은 선폭을 구현하느냐의 싸움이 아니라, 누가 더 오래 실패를 감당하고 자본과 수요를 내부에서 순환시킬 수 있느냐의 싸움임을 보여준다. 다만 트랜스크립트가 메모리 기업의 2028년 이후 이익 전망에 대한 질문 직후 종료되므로, 해당 질문에 대한 강연자의 후속 답변은 본 리포트에 포함되지 않았다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | (1부) 돈방석 중국 반도체, 미국이 키웠다 (성균관대 공과대학 부학장 권석준 교수) |
| 채널 | 언더스탠딩 : 세상의 모든 지식 |
| 영상 길이 | 제공된 트랜스크립트 기준 약 46분 35초 이상 |
| 리포트 작성 | 2026-08-26 |
| 작성 방식 | YouTube 영상 STT 변환 후 문맥 기반 교정 및 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었다. STT에서 명확하게 오인식된 것으로 판단되는 CXMT, YMTC, ASML, DUV, 리소그래피, 식각, 증착, AMEC, NAURA 등의 명칭은 문맥에 맞게 교정했으며, 불확실한 고유명사와 수치는 확정적으로 확대 해석하지 않았다. 정확한 발언과 화면 자료는 원본 영상을 참조해야 한다.