[태그:] 엔비디아

로봇 팔 하나가 컵을 집어 올리는 법을 제대로 익히려면 수천 시간의 시행착오가 필요하다. 사람은 몇 번만 보여줘도 곧잘 따라 하는데 말이다. 이 격차를 메우려는 시도가 최근 로봇공학 업계에서 피지컬 AI(Physical AI)라는 이름으로 빠르게 번지고 있다. 검색해보면 정의가 제각각이라 헷갈리는 사람이 많아, 개념부터 실제 적용 사례까지 순서대로 짚어본다.

피지컬 AI, 정확히 뭘 말하는 걸까

피지컬 AI는 카메라, 센서, 로봇 팔처럼 물리적인 몸체를 가진 기계가 주변을 인식하고 스스로 판단해 움직이도록 만드는 AI 기술을 통칭한다. 챗GPT 같은 언어 모델이 텍스트를 이해하고 만들어내는 데 특화됐다면, 피지컬 AI는 공간, 중력, 물체의 무게와 마찰력 같은 물리 법칙을 학습해야 한다는 점이 다르다. 둘 다 ‘똑똑한 AI’라 불리지만, 다루는 데이터의 결이 완전히 다른 셈이다.

로봇 학습이 유독 어려운 진짜 이유

언어 모델은 인터넷에 널린 텍스트와 이미지를 긁어모으면 학습이 된다. 로봇이 물건을 집고 옮기는 동작 데이터는? 인터넷 어디에도 없다. 로봇 팔을 실제로 움직여가며 데이터를 쌓으려면 제약이 한둘이 아니다.

• 로봇 하드웨어 구입과 유지 비용부터 만만치 않다
• 사람이 옆에서 직접 조작하거나 시연해야 하는 경우가 많아 시간이 오래 걸린다
• 넘어지거나 부딪히는 실패 사례를 모으다 보면 장비가 망가지기 십상이다
• 같은 동작도 조명, 바닥 재질, 물체 형태를 바꿔가며 반복해야 겨우 일반화된다

결국 로봇용 학습 데이터는 텍스트 데이터보다 수집 단가가 몇 배는 비싸다. 로봇공학이 오랫동안 ‘데이터 병목’을 못 풀었던 배경이다.

게임 데이터와 시뮬레이션이 대안으로 뜬 배경

여기서 나온 아이디어가 비디오 게임 플레이 영상이나 시뮬레이션 환경을 끌어다 쓰는 방식이다. 1인칭 슈팅 게임이나 오픈월드 게임 속 캐릭터가 물체를 집고, 문을 열고, 장애물을 피하는 장면에는 물리 엔진 기반 동작 데이터가 이미 방대하게 쌓여 있다. 이걸 그대로 로봇에 이식하기는 무리지만, 물체와 상호작용하는 패턴이나 공간 이동 규칙을 먼저 익히는 사전 학습 재료로는 쓸 만하다는 게 최근 스타트업들의 계산이다. 실제 로봇 데이터가 부족해도, 게임에서 뽑아낸 수백만 시간 분량의 상호작용 영상으로 기초 체력을 먼저 다지고, 모자란 부분만 소량의 실제 데이터로 미세 조정하는 전략이다. 좀 억지스럽게 들릴 수도 있는데, 실제로 성과를 내는 팀들이 나오고 있다.

파운데이션 모델과 로봇공학이 만나는 지점

파운데이션 모델은 방대한 데이터를 미리 학습해 범용 능력을 갖춘 뒤, 특정 작업에 맞춰 추가 학습(파인튜닝)하는 AI 모델을 뜻한다. 구글 딥마인드의 RT-2, 엔비디아의 GR00T가 대표적이다. 이런 모델은 사람이 일일이 ‘이럴 땐 이렇게 움직여라’고 코딩해주지 않아도, 언어 명령을 물리적 동작으로 바로 바꿔낸다. “빨간 컵을 왼쪽 선반에 올려줘” 같은 문장을 알아듣고 그에 맞는 팔 동작을 계산해내는 식이다. 엔비디아가 Isaac Sim 같은 시뮬레이션 플랫폼에 공들이는 이유도 여기 있다. 실제 로봇을 돌리지 않고도 가상 환경에서 안전하게 대량의 학습 데이터를 뽑아낼 수 있어서다.

실제로 어디에 쓰이고 있나

피지컬 AI는 이미 몇몇 영역에서 상용화 단계에 들어섰다.

• 물류센터 피킹 로봇 — 크기 제각각인 박스를 인식하고 분류
• 제조 공장 조립 라인 — 부품 정렬, 용접 위치 자동 보정
• 가정용 청소 로봇과 서빙 로봇 — 장애물 회피, 경로 재계산
• 자율주행차의 상황 판단 — 보행자, 신호, 돌발 장애물에 대한 물리적 반응

자율주행과 산업용 로봇이 결국 같은 기술 뿌리를 공유한다는 점도 눈여겨볼 만하다. 도로 위 상황 판단이든 창고 안 물체 회피든, 본질은 ‘물리 세계를 이해하고 안전하게 반응하는’ 같은 문제이기 때문이다.

남은 변수들 — sim-to-real 간극

게임이나 시뮬레이션에서 배운 걸 실제 로봇에 그대로 옮기면 어긋나는 경우가 적지 않다. 가상 공간의 마찰력과 실제 바닥의 마찰력은 다르고, 카메라 노이즈나 조명 변화 같은 변수도 시뮬레이션에서는 완벽히 재현하기 어렵다. 이걸 ‘시뮬레이션-실제 간극(sim-to-real gap)’이라 부르는데, 이 간극을 얼마나 좁히느냐가 피지컬 AI 스타트업들의 경쟁력을 가르는 핵심 변수로 꼽힌다. 안전 인증, 제조 단가, 전력 소모 문제도 실제 배포 단계에서 계속 발목을 잡는다. 로봇공학 쪽 채용 공고나 스타트업 투자 소식을 눈여겨보는 사람이라면, ‘어떤 데이터로 학습시켰는가’와 ‘실제 환경 전이 성능을 어떻게 검증했는가’, 이 두 질문에 대한 답부터 확인해보길. 옥석을 가리는 데 도움이 될 거다.

출처: TechCrunch

엔비디아가 데이터센터용 GPU 시장을 사실상 싹쓸이하는 동안, 그 자리를 노리는 스타트업들에 실리콘밸리 투자금이 꾸준히 몰리고 있다. 이 회사들 대부분은 상장 전이라 개인이 접근하기 힘들고 이름조차 낯설다. 그래서 정리해봤다. 업계에서 실제로 거론되는 AI 반도체 스타트업 5곳, 각자 노리는 시장, 엔비디아와 다른 점을 최대한 실무적으로 풀었다.

GPU 하나로는 부족한 이유

GPU는 원래 그래픽 연산용 범용 병렬 프로세서다. AI 학습과 추론에 강하긴 한데, 범용이라는 게 발목을 잡는다. 특정 연산 하나에만 회로를 몰아준 전용 칩(ASIC)보다 전력 효율이 떨어질 수밖에 없다는 얘기다. 데이터센터 전기료가 손익을 좌우하는 시대다. 트랜스포머 연산 하나만 파고든 칩이 같은 작업을 훨씬 적은 전력으로 처리한다면, 대형 클라우드 업체 입장에선 갈아탈 이유가 생긴다. 지금 도전자들이 노리는 틈이 바로 여기다.

Etched — 트랜스포머 전용 칩 ‘소하(Sohu)’

Etched는 GPU의 범용 회로를 걷어내고 트랜스포머 아키텍처 연산만 처리하는 칩 ‘소하’를 만들고 있다. 회로를 특정 연산에만 맞췄더니, 같은 트랜스포머 기반 모델을 돌릴 때 엔비디아 최상급 GPU보다 처리량이 수 배 높다는 자체 벤치마크를 내놨다. 단점도 뚜렷하다. 트랜스포머가 아닌 다른 구조의 모델이 대세가 되면 이 칩은 그대로 무용지물이다. 구조 자체가 베팅이다. 그런데도 최근 시리즈 투자에서 조 단위 기업가치를 인정받으며 투자 시장의 뜨거운 화두로 떠올랐다.

Groq — 추론 속도에 올인한 LPU

Groq는 학습이 아니라 추론(inference) 속도에 몰빵했다. LPU(Language Processing Unit)라는 이름부터가 그 증거다. 챗봇처럼 사용자가 답변을 실시간으로 받아야 하는 서비스에서 응답 지연이 눈에 띄게 줄어드는 게 강점이다. 실제로 자사 데모 사이트에 들어가 보면, 대형 언어모델이 사람이 텍스트를 읽는 속도보다 빠르게 답을 뽑아내는 걸 확인할 수 있다. 다만 메모리 용량 한계가 발목을 잡는다. 초대형 모델 하나를 통째로 올리려면 칩을 대량으로 묶어야 하는데, 이게 곧 비용 문제로 돌아온다.

Cerebras — 웨이퍼 한 장이 칩 하나

Cerebras의 접근법은 반도체 업계 상식을 뒤집는다. 보통 웨이퍼 한 장에서 칩을 수백 개씩 잘라내는데, 이 회사는 웨이퍼 한 장 전체를 칩 하나로 쓴다. 웨이퍼 스케일 엔진이다. 칩 간 통신 병목이 사라지니 초거대 모델 학습에서 속도 이점이 크다. 실제로 일부 국가 연구기관과 제약사가 슈퍼컴퓨터 대체용으로 도입한 사례도 있다. 관건은 제조 수율과 단가다. 대량 보급까지는 아직 시간이 더 필요하다는 평가가 나온다.

SambaNova — 기업 내부망 특화

SambaNova는 클라우드가 아니라 기업 내부 데이터센터에 시스템을 통째로 납품하는 쪽에 무게를 둔다. 금융, 정부기관처럼 데이터를 외부로 내보낼 수 없는 조직이 주 고객이다. 소프트웨어 스택까지 하드웨어와 묶어 패키지로 제공해 도입 문턱을 낮췄다. 벤치마크 경쟁보다는 규제 산업이라는 확실한 틈새를 파고드는 전략, 이게 이 회사의 승부수다.

Tenstorrent — 개방형 생태계로 승부

반도체 전설로 불리는 짐 켈러가 이끄는 Tenstorrent는 폐쇄적인 소프트웨어 스택 대신 오픈소스 툴체인을 밀고 있다. 엔비디아의 CUDA 종속에서 벗어나고 싶어하는 개발자와 기업이 늘어나는 흐름을 정면으로 겨냥한 셈이다. 대형 클라우드 채택 사례는 아직 제한적이다. 다만 라이선싱 모델을 통해 다른 반도체 회사에 설계 자산을 넘기는 방식으로도 수익을 낸다. 이건 좀 우회적인 전략인데, 의외로 통할 수도 있다.

돈은 왜 이쪽으로 몰리나

이런 회사들 상당수는 아직 비상장이라 개인이 주식을 사기 쉽지 않다. 그런데도 벤처캐피털은 물론 개인 투자자들까지 지분을 확보하려고 여러 경로를 찾는다. 초기 라운드에 참여한 펀드의 지분을 세컨더리 마켓에서 되사거나, SPV(특수목적법인)를 통해 소액으로 묶어 투자하는 방식이 대표적이다. 이런 구조는 창업 초기 인맥이나 지역 네트워크로 배정 물량을 확보한 소수 투자자에게 유리하게 돌아가는 경우가 많다. 정작 정보가 늦은 개인 투자자는 뒤늦게 프리미엄을 얹어 지분을 사게 되는 구조적 한계가 있다. 이건 솔직히 좀 불공평하다.

결국 지켜봐야 할 곳은 이 2곳

단기간에 엔비디아 점유율을 크게 뺏을 곳을 하나만 꼽으라면 무리다. 응용 분야별로 나눠 보면 답이 갈린다. 실시간 응답이 핵심인 서비스라면 Groq의 추론 속도, 트랜스포머 구조에 베팅한 초고속 처리라면 Etched의 소하 칩이 가장 먼저 언급된다. 나머지 세 곳은 특정 산업이나 개발자 생태계라는 좁지만 확실한 시장을 노린다. 성장 속도는 느려도 생존 가능성은 오히려 안정적이라는 시각도 있다.

Q&A — 이것도 궁금하죠?

Q. 이런 스타트업에 개인도 투자 가능한가?
대부분 비상장이라 직접 주식을 사기는 어렵다. 다만 일부 크라우드펀딩 플랫폼이나 세컨더리 마켓을 통해 제한적으로 접근하는 경로가 있다.

Q. Etched의 소하 칩은 언제 실제 제품으로 나오나?
회사 측은 출시 로드맵을 공개했다. 다만 반도체는 설계부터 양산까지 보통 2~3년이 걸리는 산업이다. 발표 시점과 실제 서비스 적용 시점 사이에는 간극이 생기기 마련이다.

Q. 이 회사들이 엔비디아를 실제로 위협할 수 있나?
전체 시장 점유율을 뒤집기보다는 특정 응용 분야에서 점유율을 조금씩 잠식하는 형태가 될 가능성이 크다. 엔비디아도 소프트웨어 생태계라는 강력한 해자를 갖고 있어 단기간에 판이 뒤집히긴 어렵다.

출처: TechCrunch

중국이 7년 만에 슈퍼컴퓨터 세계 1위를 가져갔다. 새 챔피언은 라인샤인(LineShine). 미국 로런스 리버모어 국립연구소의 엘 캐피탄(El Capitan)을 TOP500 1위에서 끌어내렸다. 그것도 미국 칩 한 장 없이.

7년 만에 돌아온 왕좌

TOP500은 반기마다 발표되는 세계 슈퍼컴퓨터 성능 순위다. 단순한 기술 자랑이 아니라, 국가 간 연산 능력 격차를 가장 직접적으로 보여주는 지표 중 하나다. 중국은 2016~2018년 사이 선웨이 타이후라이트(Sunway TaihuLight)와 톈허-2로 이 리스트 상단을 장악했다. 이후로는 오크리지·로런스 리버모어 같은 미국 국립연구소들이 꾸준히 정상을 지켜왔다.

라인샤인은 그 구도를 뒤집었다. 엘 캐피탄이 보유하던 약 1.7 엑사플롭스(ExaFLOPS) 기록을 넘어선 것으로 알려졌다. 엑사플롭스는 1초에 100경 번 연산하는 단위다. 이 수준이면 핵 시뮬레이션, 기후 모델링, 대규모 AI 훈련에 바로 투입된다. 슈퍼컴이 국가 인프라 그 자체가 된다는 게 이런 맥락이다.

미국 제재가 오히려 중국 손을 잡아당겼다

핵심 질문은 하나다. 어떻게 만들었냐는 것. 미국은 2022년부터 엔비디아 A100·H100 GPU와 인텔 첨단 프로세서의 대중국 수출을 사실상 봉쇄했다. TOP500 상위권을 채운 미국·유럽 슈퍼컴퓨터 대부분이 이 부품들로 돌아간다. 제재로 중국의 컴퓨팅 성장을 틀어막겠다는 계산이었다.

그 계산은 빗나갔다. 라인샤인은 자국산 칩으로 이 성능을 달성했을 가능성이 높다. 화웨이 아센드(Ascend) 계열이나 국산 CPU 라인이 핵심 부품으로 쓰였을 것으로 분석된다. 솔직히 이건 미국 입장에서 최악의 시나리오다. 수출 규제가 중국의 반도체 자립 일정을 앞당겨버린 꼴이니.

TOP500이 드러낸 미중 기술 전쟁의 현주소

전체 리스트에서 미국은 여전히 상위권 다수를 차지한다. 유럽·일본이 그 뒤를 잇는다. 하지만 1위 교체는 순위 변화 그 이상이다. The Verge 보도가 짚은 핵심은 세 가지다.

• 중국이 미국 부품 없이도 자립적 HPC 생태계를 구축할 수 있다는 사실 증명
• AI·국방·에너지 분야에서 슈퍼컴 성능이 곧 국가 경쟁력인 시대의 도래
• 미국의 수출 통제 전략이 장기적으로 재검토 압박을 받게 될 것

엔비디아 입장에서도 불편한 소식이다. 중국 시장 접근이 막힌 상황에서 중국이 자체 칩으로 세계 1위를 만들어냈다면, 그건 잠재 고객이 영구 이탈 수순에 들어가고 있다는 신호다. 당장의 매출 손실을 넘어, 중장기 시장 판도 자체가 바뀌는 이야기다.

한국의 셈법은 더 복잡해졌다

이 뉴스가 한국에 던지는 함의는 직접적이다. 삼성전자와 SK하이닉스는 HBM(고대역폭 메모리) 시장에서 엔비디아 등 미국 고객사와 깊이 연결돼 있다. 동시에 중국은 여전히 메모리 반도체 최대 수요처 중 하나다. 중국이 자국산 칩 생태계를 착실히 쌓아가면, 이 공급망 구도는 달라진다.

국내 AI 인프라도 짚어봐야 한다. 한국과학기술정보연구원(KISTI)이 운영하는 슈퍼컴 누리온(Nurion)은 TOP500 기준 이미 상위권 밖이다. AI 주권을 이야기하면서 연산 인프라에서 뒤처지면, 결국 말뿐인 전략이 된다. 라인샤인의 1위 등극은 한국 정부와 기업이 국산 AI 칩과 슈퍼컴퓨팅 투자를 더 이상 미룰 수 없다는 경고등이기도 하다.

출처: The Verge

구글, 애플, 오픈AI, 스페이스X. 업종도 목적도 제각각인 이 회사들이 요즘 같은 짓을 하고 있다. 직접 AI 칩을 만드는 거다. 수년 전만 해도 AI 칩 시장은 사실상 엔비디아 독주였다. GPU 없이는 AI 학습 자체가 안 된다는 말이 업계 상식처럼 통했고, 엔비디아 주가가 그걸 증명했다. 근데 판이 흔들리기 시작했다. 왜 다들 갑자기 칩을 만들겠다고 나선 걸까.

AI 칩이란? GPU와 뭐가 다른가

AI 칩은 행렬 곱셈 같은 대규모 병렬 연산에 특화된 반도체다. 엔비디아 GPU는 원래 게임 그래픽 렌더링용으로 나왔는데, 병렬 연산 구조가 AI 학습이랑 딱 맞아서 어쩌다 AI 칩의 대명사가 됐다. 우연이 만들어낸 독점이라고 봐도 무방하다.

문제는 GPU가 범용 설계라는 점이다. 뭐든 할 수 있게 만들다 보니, 특정 AI 작업엔 굳이 필요 없는 자원까지 끌어다 쓴다. 이게 비효율이다. 반면 주문형 AI 칩(custom silicon)은 딱 그 회사가 필요한 연산만 돌리도록 설계된다. 속도는 올라가고 전력 소비는 내려간다.

• GPU: 범용, 유연성 높음, 비용 높음
• Custom AI 칩: 특정 워크로드 특화, 효율 높음, 설계 난이도 높음
• TPU(구글 텐서처리장치): 구글이 자체 개발한 AI 가속기의 대표 사례

엔비디아 의존이 문제가 되는 이유

엔비디아 H100, B200 같은 플래그십 칩은 한 장에 수만 달러다. 대형 AI 모델 하나 학습시키려면 수천 개의 GPU가 필요하고, 비용은 순식간에 천문학적으로 불어난다. 오픈AI가 GPT-4를 학습시키는 데 1억 달러가 넘었다는 추산이 있는데, 그 상당 부분이 GPU 비용이다.

비용만이 문제가 아니다. 공급망 리스크도 현실이었다. 수요가 폭발하면서 납기 지연이 반복됐고, AI 인프라 확장 일정이 칩 공급 일정에 발목 잡히는 상황이 생겼다. 미중 반도체 수출 규제까지 겹치면서 지정학 변수도 더해졌다.

결정적인 건 따로 있다. 엔비디아는 이미 모든 고객사의 경쟁자가 됐다. AI 서비스, 클라우드 플랫폼, 소프트웨어 영역으로 손을 뻗는 중이다. 핵심 인프라를 경쟁사에 맡기는 게 장기적으로 괜찮을 리 없다.

누가 어떤 칩을 만들고 있나

자체 칩 개발 대열은 이미 꽤 길다.

• 구글 TPU: 가장 오래된 사례. 7세대 트리톤까지 진화했고, 구글 클라우드를 통해 외부에도 제공된다.
• 애플 Neural Engine: M 시리즈 칩에 내장된 온디바이스 AI 가속 유닛. 아이폰·맥북의 AI 기능을 GPU 없이 처리한다.
• 아마존 Trainium·Inferentia: AWS에서 모델 학습(Trainium)과 추론(Inferentia)에 각각 최적화된 칩을 운영 중이다.
• 메타 MTIA: 추천 알고리즘 같은 대규모 추론 작업에 특화한 자체 칩이다.
• 오픈AI Jalapeño: 브로드컴과 협력해 개발 중인 추론 전용 칩. 학습이 아닌 서비스 단계 비용을 낮추는 게 목표다.
• 스페이스X: 스타링크 위성 네트워크 운용에 필요한 온보드 AI 처리를 위해 자체 칩을 개발 중이다.

자체 칩 개발, 아무나 할 수 있는 건 아니다

쉬운 길이 아니다. 설계만 해도 수백 명의 반도체 엔지니어가 수년을 매달려야 한다. 설계를 끝냈다고 끝이 아니다. TSMC나 삼성 같은 파운드리에서 양산이 돼야 하고, 첫 테이프아웃(시제품 생산)에서 실패하면 비용과 시간을 고스란히 날린다.

소프트웨어 생태계도 만만찮은 벽이다. 엔비디아 CUDA는 10년 넘게 쌓인 개발자 생태계, 라이브러리, 프레임워크가 촘촘히 얽혀 있다. 새 칩을 내놔도 기존 AI 코드가 그 위에서 돌아가려면 컴파일러와 드라이버를 처음부터 새로 쌓아야 한다. 이건 꽤 지독한 작업이다.

결국 자체 칩 개발은 연 매출 수십억 달러 이상인 빅테크 전용 게임이다. 스타트업이나 중견 기업이 따라 하기 어려운 이유가 여기 있다.

엔비디아는 위기인가

단기적으로는 아니다. 빅테크 자체 칩이 완성되더라도, 수천 개의 기업과 연구소는 엔비디아 GPU를 쓴다. 전 세계 AI 스타트업 생태계가 CUDA 기반으로 돌아가고 있고, 이걸 하루아침에 대체하기는 어렵다.

장기 구조는 바뀔 여지가 있다. 구글, 메타, 아마존, 마이크로소프트는 엔비디아 GPU 최대 소비자군이다. 이들이 자체 칩 비중을 50%만 높여도 엔비디아 매출 구조에 의미 있는 변화가 생긴다. 이건 좀 두고 봐야 하는 얘기다.

엔비디아도 손 놓고 있는 게 아니다. CUDA 생태계 강화, 소프트웨어 플랫폼 확대, 로보틱스·자율주행 등 새 시장으로 매출 다각화를 서두르고 있다.

그래서 뭐가 달라지나

AI 칩 다양화는 결국 AI 서비스 비용 하락으로 이어질 공산이 크다. 추론(inference) 비용이 내려가면 ChatGPT류 서비스 요금이 낮아지거나, 같은 요금으로 더 강력한 모델을 쓰게 된다. 소비자 입장에서는 나쁠 게 없는 흐름이다.

개발자 입장에서는 생태계가 복잡해진다. CUDA 하나만 알면 됐던 시대에서, TPU·Trainium·MTIA 플랫폼별 최적화를 고민해야 하는 시대로 넘어가는 거다. PyTorch, JAX 같은 프레임워크들이 다양한 하드웨어 백엔드를 지원하도록 진화하고 있는 게 그 신호다.

국내 반도체 기업들에게도 기회가 열린다. 삼성전자와 SK하이닉스는 HBM(고대역폭 메모리) 공급망에서 핵심 역할을 하고 있고, 파운드리 수요도 덩달아 늘어난다. 자체 칩 설계를 돕는 IP·EDA·패키징 업체들의 수혜도 기대된다.

출처: TechCrunch

컨트롤러도 포함 안 된 가격이 $1,049다. 2TB 모델은 $1,349. 스팀머신 가격표가 공개된 순간, “이게 맞나?” 싶은 반응이 나오는 건 당연했다. 밸브는 The Verge를 통해 직접 이유를 밝혔다. 2026년 RAM 부품 조달이 그 말마따나 “잔인하다(brutal)”는 것이다.

컨트롤러도 없는데 왜 이 가격인가

소니와 마이크로소프트는 콘솔을 원가 이하에 판다. 게임 판매와 구독으로 나중에 회수하는 구조다. 밸브는 그 길을 택하지 않았다. 하드웨어 보조금 없이, 부품 원가를 그대로 소비자 가격에 얹는다.

2TB 모델에 컨트롤러까지 더하면 실구매 비용은 $1,500을 넘는다. PS5와 Xbox Series X가 $499인 걸 감안하면 세 배 가까이 차이 난다. 숫자만 보면 충격적이다. 근데 이게 단순히 밸브가 마진을 챙기는 게 아니다.

밸브가 직접 털어놓은 2026년 메모리 협상의 현실

밸브가 꺼낸 표현은 “컴포넌트 크라이시스(component crisis)”다. 단순 가격 인상 얘기가 아니다. 물량 자체를 못 잡는다는 이야기다. 스팀머신에 들어가는 고성능 LPDDR5X 메모리를 대량으로 사려면, 삼성·SK하이닉스·마이크론과 수개월 전부터 협상을 시작해야 한다.

근데 밸브는 메모리 제조사 입장에서 VIP 고객이 아니다. 애플, 퀄컴, 엔비디아가 먼저 물량을 쓸어간다. 남은 걸 두고 나머지가 붙는 구조다. “잔인하다”는 표현이 과장이 아닌 이유가 거기 있다.

왜 2026년에 RAM이 이렇게 타이트한가

AI 인프라 붐이 메모리 시장 지형 자체를 바꿔버렸다. 엔비디아 H100·H200·B200 GPU에 탑재되는 HBM 수요가 폭발하면서, SK하이닉스와 삼성전자의 생산라인 상당 부분이 HBM 제조에 집중됐다. 그 여파로 일반 소비자·게임기용 LPDDR5X, DDR5 공급이 줄었다.

• 2025년 하반기~2026년 초 DDR5 모듈 가격, 전년 동기 대비 30~40% 상승
• LPDDR5X는 일반 DDR5보다 단가가 더 높다 — 게임기·모바일 기기에 더 직접적 타격
• HBM 점유율 1위 SK하이닉스, 삼성전자도 HBM3E 양산 가속 중 — 일반 메모리 라인 여유가 사라지고 있다

“이 가격이 나올 수밖에 없다”는 밸브의 항변, 시장 구조상 근거가 없지는 않다.

PS5·Xbox와 비교하면 손해? 미니PC와 비교하면?

비교 기준을 어디에 잡느냐가 다르다. PS5·Xbox 기준으론 당연히 비싸다. 하지만 동급 사양 윈도우 미니 게이밍 PC와 놓고 보면 계산이 달라진다.

AMD APU 기반, LPDDR5X 메모리, 512GB NVMe SSD 구성으로 직접 조립하면 부품값만 $900~$1,100이다. 여기에 OS 라이선스, 케이스 가공비, 소비전력 최적화 비용까지 올라간다. 밸브 $1,049가 터무니없다고 단정 짓기 어려워지는 지점이다. 스팀OS 기반이라 윈도우 없이도 대부분의 스팀 게임을 돌릴 수 있다는 것도 원가 절감 요소다.

스팀 덱 유저가 지금 당장 갈아탈 이유 있나

없다. 스팀 덱 OLED 쓰는 사람이 스팀머신으로 넘어갈 실질적 이유는 크지 않다. 스팀머신은 화면 없는 거치형 기기다. TV나 모니터에 연결해 쓰는 콘셉트로, 휴대성 대신 성능과 거실 경험에 집중한다.

반면 거실 TV로 스팀 게임을 즐기고 싶은데 풀사이즈 PC를 들여놓기 부담스러운 사람한테는 선택지가 생겼다. 게임패드 입력 기반으로 설계된 스팀OS 빅 픽처 모드와 잘 맞는 폼팩터다.

삼성·SK하이닉스가 연루된 구조 — 국내에서 읽어야 할 맥락

밸브가 토로한 “잔인한 RAM 협상”의 반대편에 한국 메모리 기업이 있다. SK하이닉스는 HBM 시장 점유율 1위를 달리고 있고, 삼성전자도 HBM3E 양산에 속도를 올리고 있다. AI 인프라 투자가 계속되는 한, 이 흐름은 쉽게 바뀌지 않는다.

국내 PC 조립 시장과 PC방 업계도 같은 압력 아래 있다. DDR5 가격 상승은 스팀머신만의 문제가 아니라 국내 PC 업그레이드 비용 전체를 밀어올리는 요인이다. 스팀머신 한 대의 가격표가 아니라, 2026년 메모리 시장의 구조적 왜곡을 보여주는 지표다.

국내 공식 출시 여부는 아직 미확정이다. 스팀 덱조차 한국 공식 판매 채널이 없어 개인 직구로만 구매 가능한 상태다. 스팀머신도 당분간 해외직구 외 방법이 없을 가능성이 높다. 직구 시 관부가세와 배송비를 더하면 국내 실구매가는 200만 원을 넘길 수도 있다.

출처: The Verge