eSSD, HBF, zNAND-O… 홀대받던 NAND Flash는 앞으로 훨씬 더 많이 필요해진다
📺 원본 영상: eSSD, HBF, zNAND-O… 홀대받던 NAND Flash는 앞으로 훨씬 더 많이 필요해진다
🎙️ 채널: 안될공학 - IT 테크 신기술
📅 정리 일자: 2026-08-28
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료와 차트, 제품 이미지, 슬라이드는 포함되지 않을 수 있습니다.
개요
AI 반도체 시장의 관심은 오랫동안 GPU의 연산 성능과 HBM(High Bandwidth Memory)의 데이터 공급 능력에 집중되어 있었다. 그러나 영상은 AI 인프라가 성장할수록 계산해야 할 데이터뿐 아니라 저장하고 재사용해야 할 데이터도 폭발적으로 늘어난다는 사실에 주목한다. 모델 가중치, 학습 데이터, 체크포인트, RAG(Retrieval-Augmented Generation)에 사용되는 문서와 벡터 데이터베이스, 장문 컨텍스트의 KV 캐시, 생성형 AI가 만든 이미지와 영상까지 모두 저장 계층을 필요로 하기 때문이다.
이 변화 속에서 NAND Flash는 더 이상 연산과 멀리 떨어진 수동적인 저장 창고에 머물지 않는다. 기업용 SSD(eSSD)는 용량과 속도를 함께 높이고 있으며, NVIDIA CMX, HBF(High Bandwidth Flash), 삼성전자의 zNAND-O처럼 NAND를 GPU와 AI 가속기에 더 가까이 배치하려는 기술도 등장하고 있다. 강연의 핵심 주장은 HBM과 NAND 가운데 어느 하나가 다른 하나를 대체하는 것이 아니라, AI 시스템 전체의 메모리 계층이 더 넓고 세밀하게 재편되고 있다는 것이다.
계산되기 전의 지능은 결국 저장된 데이터다
AI 모델을 단순화하면 수십억 개에서 수천억 개에 이르는 파라미터와 가중치로 구성된 거대한 숫자 파일이라고 볼 수 있다. GPU는 이 숫자를 이용해 추론과 학습 연산을 수행하지만, 모델 전체를 항상 HBM에 올려놓을 수는 없다. HBM은 GPU 바로 옆에서 현재 연산에 필요한 데이터를 극도로 빠르게 공급하도록 설계된 대신 용량당 가격이 높고, 전원이 끊기면 데이터가 사라지는 휘발성 메모리이기 때문이다.
따라서 모델의 전체 가중치는 일반적으로 SSD와 같은 비휘발성 스토리지에 보관되고, 실제 연산에 필요한 부분만 HBM이나 시스템 DRAM으로 이동한다. 이 관점에서 보면 AI의 지능도 계산되기 전에는 어딘가에 저장되어 있어야 하는 데이터다. 모델의 연산량만 살피는 것으로는 AI 인프라가 요구하는 하드웨어 규모를 온전히 설명할 수 없으며, 전체 모델을 보관하고 필요한 시점에 공급하는 저장 계층까지 함께 봐야 한다.
이러한 차이는 MoE(Mixture of Experts·전문가 혼합) 또는 희소 활성화 모델에서 특히 분명해진다. MoE 모델은 하나의 거대한 모델 안에 여러 전문가 모듈을 두고 입력에 적합한 일부만 활성화함으로써 실제 연산량을 줄인다. 그러나 특정 요청에서 일부 전문가만 계산에 참여한다고 해서 나머지 전문가의 가중치를 삭제할 수 있는 것은 아니다. 다음 요청에는 다른 전문가가 필요할 수 있으므로, 활성 파라미터 수가 줄어도 전체 모델의 저장 용량은 그대로 필요하다.
AI가 만들어내는 세 갈래의 저장 수요
강연자는 AI의 저장 수요가 모델, 서비스 컨텍스트, 입출력 데이터라는 세 방향에서 동시에 커지고 있다고 설명한다. 우선 모델 규모가 커질수록 보관해야 할 가중치가 증가하며, 학습 과정에서는 원본 데이터와 중간 체크포인트도 함께 저장해야 한다. 하나의 최종 모델만 남는 것이 아니라 학습과 평가, 배포, 롤백을 지원하기 위한 여러 버전의 데이터가 존재할 수 있다는 점까지 생각하면 실제 스토리지 부담은 모델 파일 크기보다 훨씬 커진다.
두 번째 축은 사용자 수와 컨텍스트 길이의 증가다. 대화가 길어질수록 모델이 앞선 내용을 재활용하기 위해 유지하는 KV(Key-Value) 캐시가 커지며, 동시에 접속한 사용자가 많아지면 세션별 컨텍스트도 누적된다. 특히 AI 에이전트는 여러 단계에 걸쳐 도구를 호출하고 결과를 다시 읽으며 작업하기 때문에, 단발성 챗봇보다 훨씬 많은 중간 상태와 컨텍스트 데이터를 만든다.
세 번째 축은 AI가 다루는 데이터 자체의 고용량화다. 텍스트 중심 서비스가 이미지와 영상, 음성, 멀티모달 에이전트로 확장되면서 입력 데이터와 생성 결과의 크기가 함께 증가한다. 여기에 RAG용 문서, 임베딩, 벡터 데이터베이스까지 더해지면서 NAND가 담당해야 할 데이터 범위도 넓어진다. 모든 데이터가 영구 보관되는 것은 아니지만, 몇 초 동안만 필요한 임시 데이터부터 장기간 보존되는 모델 가중치까지 서로 다른 수명과 성능 요구를 가진 데이터가 동시에 증가한다는 점이 중요하다.
💡 [영상 참조] 강연자는 이 구간에서 모델 크기와 사용량, AI가 다루는 데이터의 크기가 저장 수요를 확대하는 과정을 설명한다.
📺 원본 영상에서 관련 화면을 확인할 수 있다.
기업용 SSD 시장에서 이미 나타난 변화
강연에서 인용한 시장 자료에 따르면 2026년 1분기 상위 5개 기업용 SSD 업체의 합산 매출은 184억 6천만 달러를 넘어섰으며, 직전 분기보다 86.1% 증가했다. AI 에이전트 서비스의 확산과 클라우드 서비스 제공업체의 강한 조달 수요가 주요 배경으로 제시된다. 이 수치는 TrendForce가 발표한 조사 결과와 일치하며, 당시 시장에서는 공급 부족과 가격 상승도 매출 증가에 영향을 미쳤다. 따라서 매출 증가율 전체를 물리적인 SSD 출하량 증가로만 해석해서는 안 되지만, AI 관련 기업용 스토리지 수요가 강하게 확대됐다는 방향성은 분명하다. (TrendForce 발표)
기업용 SSD 시장을 이해할 때 판매 대수보다 더 중요한 지표는 비트 출하량이다. 예를 들어 8TB SSD 100만 개와 30TB SSD 100만 개는 장치 판매량이 같지만, 제품에 투입되는 NAND의 총량은 크게 다르다. 데이터센터 사업자가 제한된 랙 공간과 전력, 냉각 능력 안에서 저장 밀도를 높이려 한다면 SSD 슬롯을 무한히 늘리기보다 한 장치에 더 많은 NAND를 탑재하는 편이 유리하다.
이 때문에 SSD 판매 대수가 급격히 늘지 않더라도 평균 용량이 상승하면 NAND 수요는 계속 증가할 수 있다. 과거 PC와 스마트폰 시장에서는 완제품 판매량이 NAND 수요를 판단하는 중요한 단서였다면, AI 데이터센터에서는 장치당 용량과 전체 비트 출하량이 더욱 중요한 변수가 된다. AI 인프라가 NAND 업황에 미치는 영향을 분석할 때는 SSD 출하 대수와 평균 판매가격뿐 아니라 평균 용량, QLC 비중, 데이터센터 내 플래시 채택률을 함께 살펴봐야 하는 이유다.
| 지표 또는 제품 | 영상에서 언급된 수치 | 의미 |
|---|---|---|
| 2026년 1분기 상위 5개 eSSD 업체 매출 | 184억 6천만 달러 이상 | 기업용 SSD 시장의 급격한 확대 |
| 직전 분기 대비 매출 증가율 | 86.1% | AI 에이전트와 클라우드 조달 수요의 영향 |
| Micron 6600 ION SSD 용량 | 245TB | 랙 단위 저장 밀도 확대 |
| Samsung PM1763 용량 | 최대 16TB | 고속 AI 데이터 전송에 초점을 둔 eSSD |
| PM1763 순차 읽기 속도 | 최대 28.4GB/s | 대형 모델을 빠르게 메모리 계층으로 이동 |
| 40GB LLM 전송 예시 | 약 1.4초 | 제조사가 제시한 순차 전송 기준 예시 |
| Samsung UFS 5.0 순차 읽기 속도 | 최대 10.8GB/s | 온디바이스 AI 모델 로딩 성능 강화 |
표의 수치는 영상에서 음성으로 언급된 범위에 한정해 정리했다. 특히 UFS 5.0의 단위는 STT에서 Gbps로 변환됐지만 삼성전자 공식 자료가 제시한 값은 초당 10.8기가바이트인 GB/s이므로 이를 문맥에 맞게 교정했다. 실제 응용 성능은 순차 읽기 속도뿐 아니라 랜덤 접근, 지연시간, 컨트롤러, 인터페이스, 소프트웨어 스택과 모델 실행 방식의 영향을 함께 받는다.
더 크게 그리고 더 빠르게 진화하는 eSSD
용량 경쟁을 상징하는 사례는 Micron이 2026년 5월 출하를 시작한 245TB급 6600 ION 데이터센터 SSD다. 가정용 PC에서는 1TB나 2TB도 넉넉하게 느껴질 수 있지만, 이 제품은 단일 장치에 245TB를 집약한다. Micron은 AI 데이터레이크와 클라우드 규모의 파일·오브젝트 스토리지 등을 주요 용도로 제시했으며, 이는 AI 시대의 SSD가 단순한 부팅 장치가 아니라 대규모 데이터 인프라의 핵심 구성 요소가 되었음을 보여준다. (Micron 공식 발표)
그러나 AI용 SSD는 용량만 커져서는 충분하지 않다. 대형 모델과 데이터가 SSD에 저장되어 있더라도 이를 연산 계층으로 옮기는 시간이 길면 고가의 GPU가 데이터를 기다리며 쉬게 될 수 있기 때문이다. 저장장치의 처리량과 지연시간, 네트워크 대역폭은 GPU 이용률과 서비스 응답시간에도 영향을 주는 인프라 변수로 바뀐다.
삼성전자의 PCIe 6.0 기반 기업용 SSD PM1763은 이러한 방향을 잘 보여준다. 16TB 모델의 최대 순차 읽기 속도는 초당 28.4GB이며, 삼성전자의 설명에 따르면 40GB 크기의 LLM을 약 1.4초 만에 전송할 수 있다. 이는 통제된 순차 전송 조건을 바탕으로 한 제품 설명이므로 실제 AI 서비스의 전체 지연시간과 동일시할 수는 없지만, 기업용 SSD의 경쟁 기준이 저장 용량에서 모델 공급 속도까지 확장되고 있음을 보여주는 사례다. (삼성전자 PM1763 발표)
💡 [영상 참조] 강연자는 이 부분에서 245TB급 데이터센터 SSD와 PCIe 6.0 기반 PM1763의 용량 및 전송 성능을 설명한다.
📺 원본 영상에서 제품 자료와 성능 설명 화면을 확인할 수 있다.
NAND가 연산 가까이 이동하는 이유
지금까지의 변화가 SSD를 더 많이, 더 크게, 더 빠르게 사용하는 단계였다면, 그다음 변화는 NAND를 AI 연산 경로 안으로 끌어들이는 것이다. 전통적인 스토리지는 계산이 끝난 결과나 장기 보존 데이터를 저장하는 공간에 가까웠다. 반면 최근 등장하는 기술은 플래시를 모델 가중치와 KV 캐시처럼 계산 과정에서 반복적으로 호출되는 데이터를 담는 능동적인 메모리 계층으로 활용한다.
이 변화의 경제적 배경에는 HBM과 DRAM의 한계가 있다. 모든 모델 가중치와 컨텍스트를 HBM에 상주시킨다면 가장 빠르게 접근할 수 있지만, 용량과 가격, 전력 제약 때문에 현실적으로 확장하기 어렵다. NAND는 HBM이나 DRAM보다 느리지만 훨씬 큰 용량을 더 낮은 비용으로 제공하고 전원이 꺼져도 데이터를 보존한다. 결국 중요한 과제는 NAND를 DRAM처럼 취급하는 것이 아니라, 데이터의 사용 빈도와 수명에 따라 적절한 계층에 배치하고 필요한 시점보다 먼저 가져오는 것이다.
이 관점에서는 데이터 이동 자체가 AI 시스템 설계의 핵심이 된다. 자주 사용되는 데이터는 HBM에, 곧 필요할 데이터는 DRAM에, 비교적 덜 뜨겁지만 반복적으로 재사용될 데이터는 고성능 플래시에 배치할 수 있다. 소프트웨어가 데이터의 온도와 접근 패턴을 판단하고 사전 적재(Pre-staging)한다면, NAND의 상대적으로 긴 지연시간을 일부 숨기면서 HBM의 제한된 용량을 보완할 수 있다.
NVIDIA CMX와 KV 캐시의 새로운 저장 계층
Transformer 기반 LLM은 이전 토큰을 처리하면서 계산한 Key와 Value 중간값을 KV 캐시에 보관한다. 다음 토큰을 생성할 때 이 값을 재사용하면 대화의 처음부터 모든 계산을 반복하지 않아도 되지만, 컨텍스트 길이가 늘어날수록 KV 캐시도 커진다. 사용자가 많거나 에이전트가 여러 단계의 작업을 수행하면 세션별 캐시가 누적되므로, KV 캐시는 AI 추론 인프라에서 독립적으로 관리해야 할 대규모 데이터가 된다.
NVIDIA CMX(Context Memory Storage)는 이 컨텍스트 계층을 NVMe SSD 기반 플래시까지 확장하는 접근이다. NVIDIA의 설명에 따르면 CMX는 BlueField-4를 중심으로 이더넷에 연결된 플래시를 공유형 컨텍스트 메모리로 구성하고, 여러 AI 노드가 KV 캐시를 저장하고 재사용하도록 설계됐다. 즉 모든 중간 기억을 GPU HBM에 붙잡아 두는 대신, 즉시 필요하지 않은 KV 캐시를 플래시 계층으로 이동시켰다가 다시 불러오는 구조다. (NVIDIA CMX 공식 설명)
CMX가 의미 있는 이유는 SSD를 단순한 파일 저장소가 아니라 추론 과정의 데이터 경로로 취급한다는 데 있다. KV 캐시는 영구 보존이 핵심인 기업 문서와 달리 다시 계산할 수 있지만, 재계산에는 GPU 시간과 전력이 필요하다. 따라서 적절한 비용으로 캐시를 저장하고 빠르게 재사용할 수 있다면 HBM 용량 부담을 낮추는 동시에 GPU의 중복 계산도 줄일 수 있다.
💡 [영상 참조] 강연자는 이 구간에서 긴 컨텍스트와 다단계 AI 에이전트가 KV 캐시를 확대하는 과정과 NVIDIA CMX의 플래시 기반 확장 구조를 설명한다.
📺 원본 영상에서 관련 아키텍처 화면을 확인할 수 있다.
HBM과 SSD 사이를 노리는 HBF와 zNAND-O
SK hynix와 Sandisk가 추진하는 HBF(High Bandwidth Flash)는 NAND 기반의 용량 및 비용 이점을 유지하면서 기존 SSD보다 높은 대역폭을 제공하려는 기술이다. 강연자는 이를 HBM과 SSD 사이에 새로운 계층을 만드는 시도로 해석한다. HBM의 속도와 NAND의 용량 사이에는 큰 간격이 존재하기 때문에, 그 중간을 채우는 계층이 마련되면 모든 데이터를 고가의 HBM에 넣지 않고도 AI 가속기에 더 빠르게 공급할 수 있다.
HBF의 목적은 NAND가 HBM을 직접 대체하는 데 있지 않다. SK hynix와 Sandisk의 공식 설명에서도 HBF는 AI 추론의 확장성과 전력 효율을 높이기 위해 HBM과 SSD 사이에 배치되는 메모리 계층으로 제시된다. 따라서 HBF의 실제 가치는 최대 대역폭뿐 아니라 용량당 비용, 지연시간, 패키징, 인터페이스 표준화와 소프트웨어 지원이 함께 갖춰질 때 판단할 수 있다. (SK hynix 공식 발표)
삼성전자의 zNAND-O 역시 NAND를 AI 연산에 가까이 배치하려는 접근이지만, HBF와 동일한 구현은 아니다. 삼성전자는 zNAND-O를 V-NAND 기반의 차세대 고성능 NAND 솔루션으로 소개했으며, 4단 및 8단 적층 구조와 3D 패키징을 통해 공간 효율, 입출력 성능, 지연시간을 개선하는 방향을 제시했다. 공식적으로는 실시간 대용량 데이터 처리가 필요한 Edge AI 환경이 주요 적용 대상으로 언급된다. (삼성전자 zNAND-O 발표)
이 기술들은 세부 구조와 목표 워크로드가 다르지만 공통된 산업 방향을 드러낸다. NAND를 연산과 멀리 떨어진 저장 창고로만 두지 않고, 모델과 컨텍스트를 필요할 때 더 빠르게 꺼낼 수 있는 위치로 끌어올리려는 것이다. 아직 개념 또는 표준화 단계인 기술과 이미 양산되는 SSD를 같은 성숙도의 제품으로 해석해서는 안 되지만, 업계가 NAND의 역할을 재정의하고 있다는 신호로는 충분하다.
Apple AFM 3가 보여주는 온디바이스 AI의 해법
강연자가 가장 직관적인 사례로 제시한 것은 데이터센터가 아니라 개인 기기에서 동작하는 Apple Foundation Models 3세대의 AFM 3 Core Advanced다. 이 모델은 전체 약 200억 개의 파라미터를 보유하지만 요청 하나를 처리할 때는 약 10억 개에서 40억 개만 활성화한다. 전체 모델은 NAND Flash에 저장하고, 프롬프트에 필요한 전문가 가중치만 DRAM으로 불러와 실행함으로써 모바일 기기의 제한된 메모리 공간에서 더 큰 모델을 운용한다. (Apple Machine Learning Research)
여기서 핵심 난제는 NAND와 DRAM의 속도 차이다. 일반적인 MoE처럼 토큰을 생성할 때마다 전문가 구성을 바꾸면, 매 토큰마다 NAND에서 새로운 가중치를 읽어와야 하므로 데이터 이동 지연이 커질 수 있다. Apple은 이 문제를 피하기 위해 토큰 단위가 아니라 프롬프트 단위로 초기 라우팅 결정을 수행하고, 생성 과정에서는 선택된 전문가 집합을 유지하되 필요에 따라 주기적으로 다시 선택하는 방식을 사용한다.
이 구조에는 IFP(Instruction-Following Pruning·명령 추종형 가지치기)가 활용된다. IFP는 사용자 지시를 입력으로 받아 해당 작업에 필요한 파라미터를 동적으로 선택하며, 전체 모델을 항상 활성 메모리에 올리는 부담을 줄인다. 이는 더 빠른 NAND가 등장하기만을 기다리는 것이 아니라, 현재 NAND의 특성에 맞춰 모델 아키텍처와 라우팅 방식 자체를 함께 바꾼 사례다. 저장장치의 성능 특성이 AI 모델의 실행 구조를 결정하기 시작했다는 점에서 중요한 전환이다.
💡 [영상 참조] 강연자는 이 부분에서 AFM 3 Core Advanced의 전체 파라미터와 실제 활성 파라미터를 비교하고, 전체 가중치를 플래시에 저장한 뒤 필요한 전문가만 불러오는 구조를 설명한다.
📺 원본 영상에서 관련 모델 구조 화면을 확인할 수 있다.
모바일 스토리지도 AI 모델 공급 장치가 된다
온디바이스 AI의 확대는 스마트폰 저장장치의 평가 기준도 바꾸고 있다. 과거 모바일 스토리지는 사진과 동영상, 애플리케이션을 얼마나 많이 저장할 수 있는지가 주된 관심사였다. 그러나 모델 가중치가 기기의 NAND에 상주하기 시작하면, 저장장치에서 RAM으로 모델과 데이터를 얼마나 빠르게 이동할 수 있는지가 AI 체감 성능에 영향을 준다.
삼성전자의 UFS 5.0은 최대 10.8GB/s의 순차 읽기 속도를 제공하며, 삼성전자는 차세대 온디바이스 AI를 주요 활용 방향으로 제시하고 있다. 이는 단순히 파일 복사 속도가 빨라졌다는 의미를 넘어, 기기 안에서 대형 모델을 불러오고 다양한 AI 데이터를 실시간으로 처리하기 위한 기반 성능이 강화됐다는 뜻이다. 다만 강연자가 명시했듯 Apple의 AFM 3가 삼성전자 UFS 5.0을 사용한다는 의미는 아니며, 두 기술은 동일한 추세를 보여주는 서로 독립된 사례다. (삼성전자 UFS 5.0 발표)
모바일 NAND는 데이터센터용 eSSD보다 훨씬 엄격한 전력과 발열, 공간 제약을 받는다. 따라서 최고 순차 속도만 높이는 것으로는 충분하지 않으며, 랜덤 읽기 성능과 전력 효율, 모델 압축, 프리페칭, 캐시 정책이 함께 최적화되어야 한다. 결국 온디바이스 AI에서도 하드웨어와 소프트웨어를 함께 설계하는 공동 최적화(Co-design)가 핵심 경쟁력이 된다.
AI 메모리는 단일 부품이 아니라 계층 구조다
AI 시스템에서 HBM, DRAM, NAND는 서로 경쟁하는 단일 대체재라기보다 각기 다른 역할을 맡는 계층이다. GPU가 즉시 계산해야 하는 가장 뜨거운 데이터는 높은 대역폭과 낮은 지연시간을 제공하는 HBM이 담당한다. 그보다 넓은 작업 공간과 임시 데이터는 시스템 DRAM이 맡으며, 전체 모델과 대규모 데이터처럼 오래 보관하거나 대용량으로 유지해야 하는 영역은 NAND가 담당한다.
| 메모리 계층 | 주된 역할 | 강점 | 주요 제약 |
|---|---|---|---|
| HBM | 현재 연산에 필요한 데이터와 활성 KV 캐시 | 최고 수준의 대역폭과 GPU 근접성 | 높은 가격과 제한된 용량 |
| DRAM | 시스템 작업 공간과 데이터 준비 영역 | 낮은 지연시간과 비교적 유연한 용량 | 휘발성과 비용 및 전력 부담 |
| 고성능 Flash 계층 | 재사용할 컨텍스트와 선택적 모델 가중치 | HBM보다 큰 용량과 일반 SSD보다 높은 접근성 지향 | 새로운 인터페이스와 소프트웨어 최적화 필요 |
| eSSD와 NAND Storage | 전체 모델과 데이터레이크 및 장기 데이터 | 높은 저장 밀도와 비휘발성 및 낮은 용량당 비용 | HBM과 DRAM보다 높은 지연시간 |
이 계층 구조에서 시스템 성능은 가장 빠른 메모리 하나만으로 결정되지 않는다. 데이터가 현재 어디에 있고, 다음 연산 전에 목적지로 옮겨질 수 있는지, 이동 과정에서 GPU가 대기하지 않는지가 중요하다. AI 모델과 컨텍스트가 계속 커지면 각 계층의 경계를 관리하는 소프트웨어, 네트워크, 스토리지 컨트롤러의 중요성도 함께 높아진다.
따라서 NAND의 성장은 HBM의 쇠퇴를 뜻하지 않는다. HBM 수요가 늘어나는 동시에 그 뒤에서 전체 모델과 데이터를 받쳐주는 NAND의 비트 수요도 커질 수 있다. AI 인프라의 총규모가 확대될수록 가장 빠른 계층과 가장 큰 계층이 함께 성장하는 구조에 가깝다.
산업과 시장을 바라보는 관점의 변화
강연의 관점에서 앞으로 AI 메모리 시장을 분석할 때는 HBM의 증설 규모와 가격만 봐서는 충분하지 않다. 기업용 SSD의 평균 용량, NAND 비트 출하량, 데이터센터용 QLC 채택, PCIe 세대 전환, 컨텍스트 스토리지와 고대역폭 플래시의 상용화 속도도 함께 관찰해야 한다. 특히 AI 에이전트와 Long Context가 확대되면 모델 가중치 외에도 KV 캐시라는 새로운 대규모 저장 수요가 형성될 수 있다.
다만 기술적 수요 증가가 곧바로 NAND 업체의 수익성 개선을 보장하는 것은 아니다. NAND 시장은 공급 증설, 공정 전환, 가격 변동과 재고 사이클의 영향을 크게 받으며, 고용량 QLC 제품의 비트 수요 증가와 업체 간 가격 경쟁이 동시에 발생할 수 있다. HBF와 zNAND-O 같은 신기술 역시 성능 목표뿐 아니라 양산 시점, 수율, 표준화, 고객 인증, 소프트웨어 생태계를 확인해야 실제 시장 규모를 평가할 수 있다.
그럼에도 AI가 NAND의 용도를 질적으로 바꾸고 있다는 흐름은 주목할 만하다. NAND는 과거 데이터를 보관하는 수동적 부품에서 모델을 공급하고 컨텍스트를 재사용하며 온디바이스 AI를 구동하는 능동적 인프라로 이동하고 있다. 판매 대수 중심의 기존 관점에서 벗어나 장치당 용량, 데이터 이동 속도, 메모리 계층 내 위치를 함께 봐야 NAND 수요의 변화를 제대로 이해할 수 있다.
마무리 / 핵심 정리
AI 인프라의 크기는 초당 얼마나 많은 계산을 수행하는지만으로 결정되지 않는다. 계산에 사용할 전체 모델과 학습 데이터, 사용자별 컨텍스트, KV 캐시, 생성 결과를 얼마나 많이 저장하고 필요한 순간에 얼마나 빠르게 이동할 수 있는지도 똑같이 중요한 제약이 된다. GPU와 HBM의 성능이 아무리 높더라도 데이터 공급이 늦어 GPU가 대기한다면 시스템 전체의 효율은 떨어질 수밖에 없다.
이 때문에 기업용 SSD는 더 큰 용량과 더 빠른 인터페이스를 향해 발전하고 있으며, NVIDIA CMX는 KV 캐시를 플래시까지 확장하고 있다. HBF와 zNAND-O는 NAND를 기존 SSD보다 연산에 가까운 계층으로 끌어올리려 하며, Apple AFM 3 Core Advanced는 모델 구조를 NAND의 속도 특성에 맞춰 설계하는 접근까지 보여준다. 서로 다른 사례를 관통하는 공통점은 저장장치가 AI 연산의 외부 설비가 아니라 연산 구조를 구성하는 일부가 되고 있다는 사실이다.
결국 AI 시대의 메모리 경쟁은 HBM 대 NAND라는 단순한 대결 구도로 설명하기 어렵다. HBM은 가장 빠른 활성 데이터를, DRAM은 넓은 작업 공간을, NAND는 거대한 모델과 데이터 및 재사용 가능한 컨텍스트를 담당하면서 하나의 계층형 시스템을 형성한다. 앞으로 AI 산업을 바라볼 때는 계산 성능만큼이나 무엇을 얼마나 저장해야 하는지, 그리고 저장된 데이터를 어느 속도로 연산 계층에 공급할 수 있는지를 함께 살펴봐야 한다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | eSSD, HBF, zNAND-O… 홀대받던 NAND Flash는 앞으로 훨씬 더 많이 필요해진다 |
| 채널 | 안될공학 - IT 테크 신기술 |
| 영상 길이 | 약 10분 28초 |
| 리포트 작성 | 2026-08-28 |
| 작성 방식 | YouTube 영상 STT 변환 후 문맥 교정 및 에디팅 |
| 외부 교차 확인 | TrendForce, NVIDIA, Apple, SK hynix, Micron, 삼성전자 공식 자료 |
외부 자료는 STT에서 오인식된 제품명과 기술 용어, 단위 및 수치를 교차 확인하기 위해 사용했다. 랜드는 NAND, KB 캐시는 KV 캐시, 레그는 RAG, 백터 데이터베이스는 벡터 데이터베이스, AF-M3는 AFM 3, 삼상 Gnando는 삼성전자 zNAND-O로 교정했다. 영상의 논지와 외부 자료를 구분하기 위해 본문에서는 강연자의 설명을 중심으로 서술하고, 공식 자료로 확인한 부분에만 관련 링크를 덧붙였다.
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 설명과 화면 자료는 원본 영상을 참조해 주세요.
Related Reports
- 삼성·하이닉스 막 공개. HBM보다 10배 큰 메모리 | HBF·zNAND-O 전격 분석 | 서로 다른 NAND 전략
- NVIDIA, ICMS가 뭐길래… NAND 가격까지 폭등해버린 진짜 이유 | HBF 조기 상용화? KV 캐시, 대용량 Storage, DPU, BlueField 4
- HBM 수요 갉아먹는 HBF, 왜 SK하이닉스가 직접 미나 | 최태원 인터뷰에서 찾은 힌트, SK하이닉스의 다음 메모리 전략
- HBF 성공 가능성 낮다 말하지 않는 치명적 난제
- AI 때문에 아이폰 용량 더 커진다? 애플, DRAM 아닌 NAND를 활용한 접근 분석 | AFM3가 바꾸는 스마트폰 메모리 | HBF와 zNAND-O