56세 직장인의 기록

반도체 산업을 계속 공부하다 보니 자연스럽게 궁금해진 부분이 있었다. 이렇게 중요한 산업이라면 채용 시장은 어떤 모습일까 하는 점이었다. 관련 자료들을 찾아보면서 반도체 업계 채용이 어떤 흐름으로 움직이고 있는지, 그리고 준비할 때 어떤 부분을 눈여겨봐야 하는지 정리해봤다. 반도체 채용은 크게 두 갈래로 나뉜다 먼저 찾아보면서 알게 된 건, 반도체 업계 채용이 크게 공정·설비 직군과 설계 직군으로 나뉜다는 점이었다. 공정·설비 직군은 실제 웨이퍼 생산라인에서 공정을 관리하고 개선하는 역할로, 화학공학, 신소재공학, 전자공학, 물리학 같은 전공자들이 주로 지원하는 분야다. 삼성전자나 SK하이닉스의 생산 공장에서 일하는 엔지니어들이 여기에 속한다. 설계 직군은 반도체 회로 자체를 설계하는 역할로, 전자공학이나 컴퓨터공학 전공자들이 주로 지원한다. 팹리스 기업이나 종합반도체기업의 설계 부서에서 일하며, 최근 AI 반도체 수요가 늘면서 이 설계 직군에 대한 채용 수요도 함께 늘고 있다는 걸 여러 채용 공고를 통해 확인할 수 있었다. 최근 채용 트렌드에서 눈에 띄는 변화 찾아보면서 인상 깊었던 변화는 AI와 관련된 직무 수요가 눈에 띄게 늘고 있다는 점이었다. HBM 같은 고성능 메모리, AI 연산용 반도체 설계, 그리고 이를 뒷받침하는 패키징 기술 관련 인력을 확보하려는 움직임이 여러 기업의 채용 공고에서 반복적으로 확인됐다. 특히 여러 개의 칩을 쌓아 연결하는 첨단 패키징 기술이 AI 반도체 성능을 좌우하는 핵심 요소로 떠오르면서, 이 분야 인력 수요도 함께 늘고 있다는 분석을 찾아볼 수 있었다. 또한 예전에는 대규모 정기 공채 방식이 일반적이었는데, 최근에는 직무별로 필요할 때마다 뽑는 수시 채용 방식이 늘어나는 추세라는 것도 알게 됐다. 이 때문에 특정 시기를 기다리기보다는 관심 있는 기업의 채용 공고를 상시로 확인하는 습관이 중요해졌다는 조언을 여러 취업 준비 관련 자료에서 접할 수 있었다. 지원 시 준비하면 좋은 것들 채용 공고와 후기들을 찾아보면서 반도체 ...

수출규제와 EUV 장비를 공부하면서 계속 마주친 표현이 있었다. "반도체 장비 국산화율", "소부장 국산화 추진"이라는 문구였다. 우리나라가 메모리 반도체 강국이라고 알고 있었는데, 정작 그 반도체를 만드는 장비는 왜 국산화가 화두가 되는 건지 궁금해서 찾아본 내용을 정리해본다. 반도체 완제품과 반도체 장비는 완전히 다른 산업 가장 먼저 이해해야 했던 건, 반도체를 잘 만드는 것과 그 반도체를 만드는 장비를 잘 만드는 것은 전혀 다른 기술 영역이라는 점이었다. 우리나라는 삼성전자와 SK하이닉스를 앞세워 메모리 반도체 생산에서는 세계 최상위권이지만, 정작 그 생산 공정에 쓰이는 핵심 장비 대부분은 해외 기업에 의존하고 있다는 걸 알게 됐다. 노광장비는 네덜란드의 ASML, 식각장비는 미국의 램리서치와 어플라이드머티리얼즈, 증착장비 역시 비슷한 미국·일본 기업들이 시장을 나눠 갖고 있는 구조였다. 국내 기업들이 최종 반도체 생산에서는 세계적인 경쟁력을 갖췄지만, 그 생산 과정에 필요한 장비는 대부분 수입에 의존해왔다는 사실이 처음에는 의외로 다가왔다. 왜 장비 국산화가 이렇게 어려운 걸까 장비 국산화가 왜 이렇게 더딘지 찾아보니, 반도체 장비는 단순한 기계가 아니라 수십 년에 걸친 정밀 광학, 화학, 재료공학 기술이 총집합된 결과물이라는 걸 알게 됐다. 특히 EUV 노광장비 같은 경우, 독일의 정밀 렌즈 기술, 미국의 광원 기술 등 여러 나라의 최첨단 기술이 결합되어야 만들어질 수 있는 장비라서, 특정 국가가 단기간에 자체 개발하는 게 현실적으로 매우 어렵다는 설명을 여러 자료에서 확인할 수 있었다. 게다가 반도체 장비는 개발한다고 끝이 아니라, 실제 양산 라인에서 안정적으로 검증받아야 상용화될 수 있다. 이 검증 과정 자체가 오랜 시간과 신뢰가 쌓여야 가능한 일이라서, 이미 시장을 장악하고 있는 해외 기업들과의 격차를 좁히기가 쉽지 않다는 걸 이해하게 됐다. 국내에서 진행 중인 국산화 노력 그래도 특정 분야에서는 국내 기업들의...

반도체 관련 기사나 증권사 리포트를 읽다 보면 낯선 용어들이 자꾸 발목을 잡는다. "수율이 개선됐다", "출하량 가이던스를 상향했다" 같은 표현을 볼 때마다 대충 감으로 넘어가곤 했는데, 이번 기회에 자주 나오는 용어들을 하나씩 정리해봤다. (참고로 이 글은 특정 종목을 추천하거나 투자를 권유하는 글이 아니라, 관련 기사를 이해하는 데 필요한 용어 정리에 목적을 둔 글이다.) 수율(Yield) 수율은 웨이퍼 한 장에서 만들어진 칩 중 정상적으로 작동하는 칩의 비율을 뜻한다. 예를 들어 웨이퍼 한 장에서 100개의 칩이 나왔는데 그중 80개만 정상 작동한다면 수율은 80%가 된다. 수율이 높을수록 같은 웨이퍼로 더 많은 정상 제품을 얻을 수 있으니 생산 원가가 낮아지고 수익성이 좋아진다. 그래서 "신규 공정 수율 안정화"라는 기사가 나오면, 이 회사가 새로운 미세공정에서 불량률을 낮추는 데 성공하고 있다는 긍정적인 신호로 해석할 수 있다는 걸 알게 됐다. 가동률 가동률은 반도체 공장(팹)의 생산 설비가 실제로 얼마나 가동되고 있는지를 나타내는 지표다. 수요가 줄어들면 기업들은 공장을 100% 풀가동하지 않고 가동률을 낮춰서 생산량을 조절하는데, 이걸 흔히 "감산"이라고 부른다. 반도체 업황 기사에서 "가동률 조정"이나 "감산 결정"이라는 표현이 나오면, 수요 대비 공급이 과잉인 상황이라 기업이 생산량을 인위적으로 줄이고 있다는 뜻으로 이해하면 된다는 걸 배웠다. 가이던스(Guidance) 가이던스는 기업이 앞으로의 실적이나 출하량에 대해 스스로 제시하는 전망치를 말한다. 실적 발표 때 "다음 분기 매출 가이던스를 상향했다"는 표현이 나오면, 그 기업이 앞으로의 실적을 이전보다 더 긍정적으로 보고 있다는 신호로 해석된다. 다만 가이던스는 기업이 직접 내놓는 예측치일 뿐 확정된 결과가 아니기 때문에, 실제 실적이 가이던스와 다르게 나올 수 있...

몇 년 전 뉴스를 보면 "차량용 반도체 품귀로 신차 출고 지연"이라는 표현이 계속 나왔던 기억이 있다. 자동차와 반도체가 무슨 상관인가 싶었는데, 알고 보니 요즘 자동차는 반도체 없이는 아예 굴러가지 못하는 수준이라는 걸 이번에 공부하면서 제대로 이해하게 됐다. 왜 이런 품귀 현상이 벌어졌는지 원인과 배경을 정리해본다. 자동차 한 대에 반도체가 이렇게 많이 들어간다는 사실 먼저 놀랐던 건 자동차 한 대에 들어가는 반도체 개수였다. 요즘 자동차는 엔진 제어, 브레이크 시스템, 에어백, 파워윈도우, 인포테인먼트, 센서 제어까지 거의 모든 기능이 전자적으로 제어되는데, 이 하나하나의 기능마다 별도의 반도체가 필요하다. 일반 내연기관 차량에도 수백 개, 전기차나 자율주행 기능이 탑재된 차량에는 수천 개의 반도체가 들어간다는 걸 찾아보며 알게 됐다. 자동차가 단순한 기계장치가 아니라 사실상 바퀴 달린 컴퓨터에 가까워지고 있다는 표현이 왜 나오는지 이해가 됐다. 코로나19가 촉발한 품귀 현상 차량용 반도체 품귀 현상이 크게 부각된 계기는 코로나19 팬데믹이었다는 걸 찾아보며 알게 됐다. 팬데믹 초기 자동차 수요가 급감할 것이라 예상한 완성차 업체들이 반도체 주문을 대거 취소했는데, 이 시기 반도체 파운드리들은 오히려 재택근무와 비대면 활동 증가로 급증한 노트북, 가전, 게임기 수요에 맞춰 생산라인을 재배치했다. 문제는 예상과 달리 자동차 수요가 빠르게 회복되면서 벌어졌다. 완성차 업체들이 다시 반도체 주문을 늘리려 했지만, 파운드리 생산라인은 이미 다른 제품군으로 채워져 있었고, 차량용 반도체 생산 능력을 다시 늘리는 데는 상당한 시간이 걸렸다. 이 수요와 공급의 시차가 결국 심각한 품귀 현상으로 이어졌다는 걸 이해하게 됐다. 차량용 반도체가 가진 특수성 여기서 궁금했던 부분은 왜 자동차 업체들이 다른 제품용 반도체를 급하게 차량용으로 돌려쓰지 못했느냐는 점이었다. 찾아보니 차량용 반도체는 일반 소비자 가전용 반도체와는 요구되는 기준 자체가 다르다는 걸...

미중 반도체 갈등을 공부하고 나니 자연스럽게 궁금해진 게 있었다. "그래서 이 규제들이 우리나라 반도체 산업에는 구체적으로 어떤 영향을 주는 걸까"였다. 남의 나라 싸움처럼 보이지만, 실제로는 국내 반도체 기업들의 사업 계획과 실적에 직접적으로 영향을 준다는 걸 찾아보며 알게 됐다. 이번 글에서는 그 내용을 정리해본다. 왜 한국이 이 규제의 직접적인 영향권에 있을까 한국이 이 갈등의 방관자가 아니라 당사자에 가까운 이유는 국내 반도체 기업들이 중국에 상당한 규모의 생산 공장을 운영하고 있기 때문이다. 삼성전자는 중국 시안에 낸드플래시 공장을, SK하이닉스는 중국 우시에 D램 공장을 운영하고 있다는 걸 알게 됐다. 이 공장들은 국내 기업의 전체 생산량에서 적지 않은 비중을 차지하고 있어서, 미국의 대중 반도체 장비 수출 규제가 강화될 때마다 이 중국 내 공장 운영에 직접적인 영향을 받을 수밖에 없는 구조라는 걸 이해하게 됐다. 반도체 장비 수출 통제가 미치는 영향 미국의 규제는 단순히 완성된 반도체 칩뿐 아니라, 반도체를 만드는 데 필요한 첨단 장비의 중국 내 반입까지 제한하는 방향으로 강화되어 왔다는 걸 확인할 수 있었다. 문제는 국내 기업들이 중국 공장에서 첨단 공정으로 설비를 업그레이드하려 해도, 미국산 장비나 미국 기술이 들어간 장비를 들여오는 데 제약이 생길 수 있다는 점이었다. 이 때문에 국내 기업들은 미국 정부로부터 일정 기간 규제 예외를 인정받아 중국 공장을 운영해왔는데, 이 예외 조치가 계속 유지될지 여부가 매번 관련 뉴스의 핵심 관심사로 다뤄지는 걸 여러 기사에서 확인할 수 있었다. 예외가 축소되거나 사라지면 중국 내 공장의 설비 업그레이드가 어려워지고, 결국 그 공장의 경쟁력이 떨어질 수밖에 없다는 우려가 계속 제기되고 있었다. 반사이익을 보는 측면도 있다 흥미로웠던 점은 이 규제가 국내 기업들에 부정적인 영향만 주는 게 아니라는 분석도 함께 찾아볼 수 있었다는 것이었다. 미국이 중국의 자국 반도체 기업(대표적으로 YMTC ...

반도체 뉴스를 보다 보면 기술 이야기만큼이나 자주 나오는 게 미국과 중국 사이의 반도체 갈등이다. "미국, 대중 반도체 수출 통제 강화", "중국, 자국 반도체 자립 선언" 같은 기사를 보면서도 정확히 두 나라가 왜 이렇게 반도체를 두고 신경전을 벌이는지 막연하게만 알고 있었는데, 이번 기회에 배경부터 정리해봤다. 왜 하필 반도체가 패권 경쟁의 중심이 됐을까 찾아보면서 가장 먼저 이해하게 된 건, 반도체가 단순한 전자부품이 아니라 군사, 경제, 첨단 기술 전반의 기반이 되는 핵심 자산이라는 점이었다. 스마트폰이나 가전제품은 물론이고, AI, 자율주행, 첨단 무기 시스템까지 거의 모든 첨단 산업이 반도체 없이는 작동하지 않는다. 그래서 어느 나라가 첨단 반도체를 설계하고 생산할 수 있는 능력을 갖고 있느냐가 곧 그 나라의 기술 패권, 나아가 군사력과도 직결되는 문제로 다뤄진다는 걸 이해하게 됐다. 미국의 대중 반도체 수출 통제 미국은 최근 몇 년간 중국에 대한 첨단 반도체와 반도체 장비 수출을 지속적으로 규제해왔다. 특히 AI 학습에 쓰이는 고성능 GPU나, 이런 첨단 반도체를 만드는 데 필요한 EUV 노광장비 같은 핵심 장비의 중국 수출을 제한하는 조치들이 계속 이어졌다는 걸 여러 기사를 통해 확인할 수 있었다. 이런 규제의 배경에는 중국이 첨단 반도체 기술을 확보해서 군사적으로 활용하거나, AI 기술에서 미국을 추월하는 걸 막으려는 의도가 있다는 분석이 많았다. 반도체 자체를 규제하는 것뿐 아니라, 반도체를 만드는 데 필요한 장비, 그리고 그 장비를 만드는 기술까지 규제 범위를 넓혀가는 흐름도 확인할 수 있었는데, 이는 결국 중국이 자체적으로 첨단 반도체 생산 능력을 갖추는 것 자체를 늦추려는 전략으로 보인다는 해석이 설득력 있게 다가왔다. 중국의 반도체 자립 시도 이런 규제에 맞서 중국은 반도체 자립을 국가적 과제로 삼고 막대한 투자를 이어가고 있다는 것도 알게 됐다. 자국 기업들의 반도체 생산 능력을 키우기 위한 대규모...

최근 반도체 뉴스를 보면 HBM이라는 단어가 정말 자주 등장한다. SK하이닉스 실적이 크게 좋아졌다는 기사에도, 엔비디아 GPU 이야기에도 어김없이 HBM이 함께 언급된다. 도대체 HBM이 뭐길래 AI 반도체 열풍의 핵심으로 떠올랐는지 궁금해서 공부한 내용을 정리해본다. HBM, 이름부터 풀어보기 HBM은 High Bandwidth Memory, 즉 고대역폭 메모리의 줄임말이다. 여기서 대역폭이라는 말이 핵심인데, 대역폭은 데이터를 얼마나 많은 양으로, 얼마나 빠르게 주고받을 수 있는지를 나타내는 개념이다. 도로에 비유하면 차선이 넓을수록 한 번에 더 많은 차가 지나갈 수 있는 것처럼, 대역폭이 넓을수록 한 번에 더 많은 데이터를 전송할 수 있다는 뜻이다. 기존 D램은 데이터를 주고받는 통로가 상대적으로 좁아서, 아무리 연산 장치(GPU)가 빨라도 메모리에서 데이터를 충분히 빠르게 공급받지 못하면 전체 성능이 병목에 걸리는 문제가 있었다. HBM은 이 병목을 해결하기 위해 등장한 메모리라는 걸 알게 됐다. HBM은 어떻게 이 문제를 해결했을까 HBM의 핵심 아이디어는 D램 칩을 옆으로 넓게 배치하는 대신, 여러 층으로 수직으로 쌓아 올리는 것이었다. 이걸 적층이라고 부르는데, 마치 여러 층짜리 건물처럼 D램 칩을 층층이 쌓고, 이 층들을 관통하는 수많은 미세한 구멍(TSV, 실리콘관통전극)을 뚫어서 데이터가 오가는 통로를 대폭 늘렸다는 걸 알게 됐다. 이렇게 쌓아 올린 D램 층 사이를 수직으로 연결하다 보니, 기존 방식보다 훨씬 넓은 통로로 데이터를 주고받을 수 있게 됐다. 게다가 여러 층을 수직으로 쌓기 때문에 차지하는 면적도 줄일 수 있어서, 좁은 공간에 더 많은 메모리 용량과 더 빠른 데이터 전송 속도를 동시에 확보할 수 있다는 게 HBM의 핵심 장점이라는 걸 이해하게 됐다. 왜 하필 지금 HBM이 뜨는 걸까 HBM 자체는 사실 꽤 오래전부터 개발되어 온 기술이라는 걸 찾아보며 알게 됐다. 그런데 최근 몇 년 사이 갑자기 스포트라이트를 받게 된 이유는 A...

요즘 뉴스를 보면 "AI 반도체"라는 말이 정말 자주 나온다. 엔비디아 실적 발표 때마다 시장이 크게 반응하고, 국내 기업들도 앞다퉈 AI 반도체 개발에 뛰어들고 있다는 소식이 이어진다. 그런데 정확히 AI 반도체가 일반 반도체와 뭐가 다른지, 왜 이렇게 갑자기 산업의 중심으로 떠올랐는지 궁금해서 공부한 내용을 정리해본다. AI 반도체, CPU로는 왜 부족했을까 원래 컴퓨터 연산은 CPU(중앙처리장치)가 담당해왔다. CPU는 복잡한 명령을 순서대로 정확하게 처리하는 데 강점이 있는 반도체다. 하지만 AI, 특히 딥러닝 모델을 학습시키려면 수많은 단순 연산(주로 행렬 곱셈 같은 계산)을 동시에 처리해야 하는데, 순차적으로 명령을 처리하는 CPU 구조로는 이런 대량 병렬 연산을 효율적으로 처리하기 어렵다는 걸 알게 됐다. 여기서 등장한 것이 GPU(그래픽처리장치)다. GPU는 원래 화면에 그래픽을 그리기 위해 개발된 반도체인데, 화면의 수많은 픽셀을 동시에 계산해야 하는 특성상 처음부터 병렬 연산에 최적화된 구조를 갖고 있었다. 이 병렬 연산 능력이 AI 학습에 필요한 대량의 행렬 연산과 잘 맞아떨어진다는 사실이 알려지면서, GPU가 그래픽카드를 넘어 AI 연산의 핵심 장비로 떠오르게 됐다는 걸 이해하게 됐다. 엔비디아가 AI 시대의 중심이 된 이유 엔비디아가 단순히 GPU를 잘 만들어서 AI 시대의 승자가 된 건 아니라는 점도 흥미로웠다. 찾아보니 엔비디아는 일찍이 CUDA라는 소프트웨어 플랫폼을 만들어서, 개발자들이 GPU를 그래픽 작업뿐 아니라 범용 연산에도 쉽게 활용할 수 있도록 생태계를 구축해왔다. AI 연구자들이 딥러닝 모델을 개발할 때 이 CUDA 생태계에 익숙해지면서, 하드웨어 성능뿐 아니라 소프트웨어 생태계 전체가 엔비디아 중심으로 자리 잡게 됐다는 분석을 여러 자료에서 확인할 수 있었다. 이 때문에 경쟁사가 비슷한 성능의 하드웨어를 내놓아도, 개발자들이 오랫동안 써온 CUDA 생태계를 벗어나기 쉽지 않다는 것이 엔비디아의 진짜 ...

파운드리를 공부하다 보니 자연스럽게 짝꿍처럼 따라오는 개념이 팹리스였다. 파운드리가 반도체를 대신 생산해주는 곳이라면, 팹리스는 그 생산을 맡기는 쪽이다. 이번에는 팹리스가 정확히 뭘 하는 회사인지, 그리고 국내외에 어떤 대표 기업들이 있는지 찾아본 내용을 정리해본다. 팹리스, 이름 그대로 공장이 없는 회사 팹리스(Fabless)는 Fab(공장)과 Less(없는)를 합친 말이다. 이름 그대로 반도체를 만드는 공장 없이, 설계만 전문으로 하는 회사를 뜻한다. 반도체 설계는 아이디어와 회로 구조를 만드는 작업으로, 고도의 기술력과 인력이 필요하지만 물리적인 생산 설비가 필요하지는 않다. 그래서 팹리스 기업들은 막대한 공장 투자 비용 없이도 설계 역량에만 집중할 수 있는 구조를 갖고 있다. 설계가 끝나면 이 설계도를 TSMC 같은 파운드리에 넘겨서 실제 칩으로 생산하고, 완성된 칩을 다시 받아 자사 브랜드로 판매하는 방식이다. 처음에는 "공장도 없이 무슨 반도체 회사냐"는 생각이 들었는데, 알고 보니 이 분업 구조 덕분에 오히려 훨씬 빠르고 유연하게 신기술을 개발할 수 있다는 장점이 있다는 걸 알게 됐다. 팹리스가 커진 배경 예전에는 인텔처럼 설계와 생산을 모두 직접 하는 종합반도체기업(IDM)이 표준이었다. 하지만 반도체 미세공정이 발전할수록 공장 하나를 짓는 데 필요한 투자 비용이 기하급수적으로 커졌고, 모든 회사가 최첨단 공장을 유지하기는 현실적으로 어려워졌다. 이런 배경 속에서 설계만 전문으로 하는 팹리스와, 생산만 전문으로 하는 파운드리로 역할을 나누는 분업 구조가 자연스럽게 자리 잡았다는 걸 알게 됐다. 이 구조 덕분에 팹리스 기업은 막대한 공장 투자 없이도 시장에 진입할 수 있게 됐고, 그 결과 새로운 아이디어를 가진 스타트업들도 비교적 적은 자본으로 반도체 설계 시장에 뛰어들 수 있는 환경이 만들어졌다. 해외 대표 팹리스 기업들 **엔비디아**는 GPU 설계로 유명한 대표적인 팹리스 기업이다. 원래는 게임용 그래픽카드 회사로 알려졌지...

반도체 관련 기사를 보다 보면 "반도체 슈퍼사이클 진입", "메모리 업황 반등" 같은 표현이 주기적으로 등장한다. 처음에는 그냥 실적이 좋아진다는 뜻인가 보다 하고 넘어갔는데, 왜 유독 반도체 산업에서 이런 사이클 이야기가 이렇게 자주 나오는지 궁금해서 찾아본 내용을 정리해본다. 슈퍼사이클, 원래는 원자재 시장 용어였다 슈퍼사이클이라는 말 자체는 원래 원자재 시장에서 먼저 쓰이던 표현이었다. 원유나 구리 같은 원자재 가격이 장기간에 걸쳐 크게 오르내리는 흐름을 가리키는 말이었는데, 반도체 업황도 비슷한 패턴을 보인다는 이유로 반도체 시장에서도 이 표현이 자주 쓰이게 됐다는 걸 알게 됐다. 반도체, 특히 메모리 반도체 가격이 일정 주기로 크게 오르고 내리는 흐름을 반복해왔기 때문에 이런 이름이 붙은 셈이다. 왜 메모리 반도체는 이렇게 사이클이 뚜렷할까 찾아보면서 가장 궁금했던 부분은 왜 유독 메모리 반도체가 이런 극심한 사이클을 겪느냐는 점이었다. 이유를 정리해보니 크게 두 가지였다. 첫째는 메모리 반도체가 표준화된 제품이라는 점이다. D램이나 낸드플래시는 어느 회사가 만들든 규격이 정해져 있어서, 제품 차별화보다는 누가 더 싸고 많이 생산하느냐의 싸움이 된다. 이런 구조에서는 공급이 조금만 늘어도 가격이 급격히 떨어지고, 공급이 부족하면 가격이 급등하는 현상이 반복되기 쉽다. 둘째는 반도체 공장을 짓고 가동하는 데 걸리는 시간이 길다는 점이다. 새로운 생산라인을 짓기로 결정해도 실제로 가동을 시작하기까지 1~2년 이상 걸리는 경우가 많다 보니, 수요가 늘어나는 시점과 공급이 실제로 늘어나는 시점 사이에 시차가 생긴다. 이 시차 때문에 수요가 급증할 때는 공급이 따라가지 못해 가격이 치솟고, 이후 여러 회사가 한꺼번에 증설한 물량이 시장에 풀리면 오히려 공급 과잉으로 가격이 급락하는 패턴이 반복된다는 걸 이해하게 됐다. 사이클이 실제로 어떻게 반복되는지 이 흐름을 좀 더 구체적으로 정리해보면 이렇다. 특정 계기(예를 들어 새로...

메모리 반도체를 공부하다 보면 가장 먼저 만나는 벽이 D램과 낸드플래시의 차이다. 둘 다 "메모리"라는 이름이 붙어 있고, 삼성전자나 SK하이닉스 실적 기사에도 항상 같이 등장해서 처음에는 그냥 비슷한 걸로 뭉뚱그려 이해했었다. 근데 파고들어 보니 구조도 다르고 쓰이는 용도도 완전히 달라서, 이번 글에서 확실하게 정리해보려 한다. 휘발성이냐 비휘발성이냐, 가장 큰 차이 D램과 낸드플래시를 가르는 가장 핵심적인 기준은 전원이 꺼졌을 때 데이터가 유지되느냐다. D램은 휘발성 메모리다. 전기가 흐르는 동안에만 데이터를 붙잡고 있고, 전원이 끊기면 저장된 내용이 그대로 사라진다. 컴퓨터를 갑자기 종료했을 때 저장하지 않은 작업 내용이 날아가는 경험을 다들 해봤을 텐데, 그게 바로 D램의 휘발성 때문이다. 반대로 낸드플래시는 비휘발성 메모리다. 전원이 꺼져도 저장된 데이터가 그대로 남아있다. USB에 넣어둔 파일이 컴퓨터를 끄고 다시 켜도 그대로 있는 이유가 바로 이거다. 작동 방식의 구조적 차이 이 차이는 저장 방식의 구조에서 비롯된다. D램은 캐패시터(축전기)에 전하를 저장하는 방식을 쓰는데, 캐패시터는 시간이 지나면 전하가 자연스럽게 새어나가기 때문에 주기적으로 데이터를 다시 써주는 "리프레시" 작업이 필요하다. 이 리프레시 작업이 끊임없이 이루어져야 데이터가 유지되고, 전원이 끊기면 리프레시 자체가 불가능해지니 데이터가 사라지는 것이다. 낸드플래시는 이와 다르게 플로팅 게이트라는 구조에 전자를 가두는 방식을 쓴다. 전자가 절연막에 갇혀서 전원이 없어도 오랫동안 빠져나가지 않기 때문에 데이터가 유지된다. 대신 이 구조 때문에 데이터를 쓰고 지우는 속도는 D램보다 느린 편이다. 속도와 용도의 차이 구조가 다르다 보니 속도와 역할도 자연스럽게 갈린다. D램은 속도가 매우 빠르지만 용량 대비 가격이 비싸고, 전원이 꺼지면 내용이 사라진다는 한계가 있다. 그래서 컴퓨터가 지금 당장 처리해야 할 작업 데이터를 임시로 담아두는 "...

반도체 관련 뉴스를 보다 보면 삼성전자와 SK하이닉스가 항상 함께 언급된다. 둘 다 국내 대표 반도체 기업이고 메모리 반도체 강자로 불리지만, 사업 구조를 자세히 들여다보니 생각보다 성격이 많이 다르다는 걸 알게 됐다. 투자 목적이 아니라 순수하게 두 기업의 사업 구조 자체를 공부한 내용을 정리해본다. (참고로 이 글은 투자 권유가 아니라 사업 구조를 이해하기 위한 정리 글이다.) 사업 포트폴리오의 차이 가장 먼저 눈에 띄는 차이는 사업 포트폴리오의 폭이었다. SK하이닉스는 메모리 반도체, 그중에서도 D램과 낸드플래시에 사업이 집중되어 있다. 반면 삼성전자는 메모리 반도체뿐 아니라 시스템 반도체(파운드리, AP 설계), 그리고 스마트폰과 가전 같은 완제품 사업까지 함께 갖고 있는 종합 전자기업이라는 차이가 있었다. 이 차이 때문에 두 회사의 실적 기사를 읽는 방식도 달라져야 한다는 걸 알게 됐다. SK하이닉스 실적은 사실상 메모리 반도체 업황과 거의 그대로 연동되는 반면, 삼성전자는 메모리 사업부가 부진해도 스마트폰이나 가전 사업부가 이를 일부 상쇄할 수 있는 구조를 갖고 있다. 반대로 말하면 SK하이닉스는 메모리 업황이 좋을 때 실적이 훨씬 극적으로 좋아지는 특징이 있다는 것도 함께 이해하게 됐다. 메모리 반도체 내에서의 강점 차이 두 회사 모두 메모리 반도체 강자로 불리지만, 세부적으로 강한 영역이 조금씩 다르다는 것도 찾아보며 알게 됐다. 삼성전자는 D램과 낸드플래시 모두에서 전통적으로 세계 1위권 점유율을 유지해왔고, 메모리 반도체 전 영역에 걸쳐 고르게 강한 편이다. SK하이닉스는 최근 HBM(고대역폭 메모리) 분야에서 두각을 나타내고 있다는 게 자주 언급되는 부분이었다. HBM은 여러 개의 D램을 수직으로 쌓아 데이터 처리 속도를 크게 높인 고성능 메모리로, AI 서버에 필수적으로 쓰이면서 수요가 급증한 제품이다. SK하이닉스가 이 HBM 시장에서 초기 기술 경쟁력을 확보하며 AI 반도체 훈풍의 핵심 수혜 기업으로 자주 언급되는 걸 여러 기사에서 확...

미세공정을 공부하다 보니 계속 등장하는 이름이 있었다. 바로 EUV 노광장비다. "네덜란드 ASML이 만드는 EUV 장비 한 대 가격이 수천억 원", "삼성전자와 TSMC가 EUV 장비 확보 경쟁" 같은 기사들을 보면서, 이 장비가 정확히 뭐길래 반도체 산업 전체를 흔드는 핵심 키워드가 됐는지 궁금해서 찾아본 내용을 정리해본다. 노광공정, 웨이퍼에 회로를 그리는 과정 먼저 노광(포토리소그래피) 공정 자체를 이해해야 EUV의 의미가 와닿는다. 노광공정은 웨이퍼 위에 감광액을 바르고, 그 위에 회로 패턴이 새겨진 마스크(레티클)를 놓은 뒤 빛을 쏘아서 회로 모양을 그대로 웨이퍼에 새기는 과정이다. 사진을 인화하는 원리와 비슷하다고 생각하면 이해가 쉬웠다. 빛에 노출된 부분과 노출되지 않은 부분의 화학적 성질이 달라지고, 이 차이를 이용해서 이후 식각 공정에서 원하는 부분만 깎아낼 수 있게 되는 방식이다. 여기서 핵심은 이 빛의 파장이 짧을수록 더 가늘고 정교한 회로 패턴을 그릴 수 있다는 점이다. 파장이 굵으면 아무리 정밀하게 조준해도 회로선이 뭉개지거나 뭉쳐 보이기 때문에, 반도체 미세공정이 발전할수록 더 짧은 파장의 빛을 쏠 수 있는 장비가 필요해진다는 걸 알게 됐다. EUV, 극자외선이라는 짧은 파장의 빛 EUV는 Extreme Ultraviolet, 즉 극자외선을 뜻한다. 기존에 쓰이던 노광 기술은 파장이 193nm인 빛(불화아르곤, ArF 광원)을 사용했는데, EUV는 파장이 13.5nm로 기존보다 훨씬 짧다. 파장이 이렇게 짧아지면서 예전 방식으로는 구현하기 어려웠던 초미세 회로, 즉 5나노 이하의 첨단 공정을 가능하게 만들었다는 걸 알게 됐다. 다만 이 극자외선은 파장이 짧은 만큼 다루기가 극도로 까다롭다는 것도 함께 알게 됐다. 극자외선은 대부분의 물질에 쉽게 흡수되어버리기 때문에 일반적인 렌즈로는 빛을 통과시킬 수 없고, 대신 특수하게 제작된 반사경을 여러 번 거쳐 빛의 경로를 만들어야 한다. 게다가 극자외선이 ...

반도체 공정을 공부하다 보면 가장 먼저 등장하는 단어가 웨이퍼다. "웨이퍼 위에 회로를 그린다", "웨이퍼 한 장에서 몇 개의 칩이 나온다" 같은 표현을 자주 접하는데, 정작 웨이퍼가 정확히 뭐고 어떻게 만들어지는지는 몰랐어서 이번에 제대로 찾아봤다. 웨이퍼, 반도체의 도화지 웨이퍼는 반도체 회로를 새기는 원판 모양의 기판이다. 흔히 얇은 원형 접시 같은 모습으로, 이 위에 수많은 반도체 칩의 회로가 그려진다. 그림을 그릴 때 도화지가 필요하듯, 반도체를 만들 때는 이 웨이퍼가 회로를 그리는 바탕이 되는 셈이다. 웨이퍼의 주재료는 실리콘(규소)이다. 실리콘은 지구 지각에서 산소 다음으로 흔한 원소이면서도, 반도체 성질을 구현하기에 적합한 특성을 갖고 있어서 오래전부터 반도체 재료로 널리 쓰여왔다. 다만 아무 실리콘이나 쓸 수 있는 건 아니고, 불순물이 극도로 적은 초고순도 실리콘이어야 한다는 걸 알게 됐다. 순도가 조금만 떨어져도 반도체 성능에 큰 영향을 주기 때문이다. 웨이퍼는 이렇게 만들어진다 웨이퍼 제조 과정을 찾아보니 생각보다 여러 단계를 거치고 있었다. 먼저 모래에서 실리콘을 추출하고, 이를 화학적으로 정제해서 순도를 99.9999999%(흔히 나인나인이라고 부르는 수준) 이상으로 끌어올린다. 이렇게 만들어진 초고순도 실리콘을 녹여서 원기둥 모양의 결정으로 성장시키는데, 이 과정을 잉곳(Ingot) 성장이라고 부른다. 실리콘 원자가 규칙적으로 배열된 단결정 구조로 자라나도록 정밀하게 온도와 회전 속도를 조절하는 과정이라는 걸 알게 됐다. 이렇게 만들어진 원기둥 모양의 잉곳을 아주 얇게 썰어내면 비로소 우리가 아는 원판 모양의 웨이퍼가 된다. 이 절단 과정에서 표면이 매끄럽지 않으면 이후 회로를 그리는 공정에 문제가 생기기 때문에, 절단 후에는 표면을 갈고 닦는 연마 공정을 거쳐 거울처럼 매끈한 표면을 만든다. 이 정밀도가 얼마나 중요한지 찾아보다가, 웨이퍼 표면의 미세한 굴곡 하나가 나노미터 단위로 회로를 그리는 공...

반도체 기사를 보다 보면 "3나노 공정", "2나노 양산" 같은 표현이 자주 나온다. 처음에는 그냥 숫자가 작을수록 좋은 거라고 대충 알고 넘어갔는데, 정확히 이 나노 숫자가 뭘 의미하는지, 왜 그렇게 중요하게 다뤄지는지 궁금해서 찾아본 내용을 정리해본다. 나노 공정, 원래는 회로 선폭을 뜻하는 말이었다 나노미터(nm)는 10억분의 1미터를 뜻하는 아주 작은 단위다. 반도체 공정에서 "몇 나노"라는 표현은 원래 웨이퍼 위에 그리는 회로의 선폭, 즉 트랜지스터를 구성하는 가장 작은 회로 선의 굵기를 의미했다. 이 선폭이 가늘수록 같은 면적에 더 많은 트랜지스터를 집적할 수 있고, 트랜지스터가 많을수록 반도체의 연산 능력이 높아진다. 트랜지스터는 반도체 안에서 전류를 켜고 끄는 스위치 역할을 하는 가장 기본적인 부품이다. 같은 크기의 칩 안에 트랜지스터를 더 많이 넣을 수 있다는 건, 결국 더 많은 연산을 동시에 처리할 수 있다는 뜻이 된다. 그래서 미세공정이 발전할수록 반도체 성능은 좋아지고, 전력 소모는 줄어드는 두 가지 효과를 동시에 얻을 수 있다는 걸 알게 됐다. 지금의 나노 숫자는 실제 크기와 다르다 여기서 흥미로웠던 사실 하나는, 요즘 발표되는 "3나노", "2나노" 같은 숫자가 실제 트랜지스터의 물리적인 크기를 그대로 의미하지는 않는다는 점이었다. 예전에는 나노 숫자가 실제 회로 선폭과 거의 일치했지만, 공정 기술이 극도로 미세해지면서 이제는 나노 숫자가 마케팅 성격이 짙은 세대 구분 명칭에 가깝게 쓰이고 있다는 분석을 여러 자료에서 확인할 수 있었다. 그래서 같은 "5나노"라고 해도 회사마다 실제 성능이나 집적도가 조금씩 다를 수 있고, 단순히 숫자만으로 기술력을 비교하기는 어렵다는 점도 알게 됐다. 다만 여전히 숫자가 작아질수록 더 진보된 공정이라는 큰 흐름 자체는 유효하다는 게 업계의 대체적인 시각이었다. 왜 미세공정이 이렇게 어려운 싸움일...

반도체 뉴스를 계속 보다 보면 유독 자주 등장하는 이름이 있다. 바로 TSMC다. 삼성전자도, 인텔도 반도체 회사인데 왜 TSMC가 항상 파운드리 1위로 언급되고, 다들 TSMC를 따라잡으려 애쓰는지 궁금해서 파운드리 개념부터 파고들어 봤다. 파운드리, 위탁생산이라는 개념 파운드리는 다른 기업이 설계한 반도체를 대신 생산해주는 위탁생산 업체를 말한다. 반도체를 만들려면 설계, 생산, 테스트, 패키징까지 여러 단계를 거쳐야 하는데, 이 중에서 생산 공정만 전문적으로 담당하는 회사가 파운드리다. 반도체 생산 라인은 공장 하나를 짓는 데 수십조 원이 들어갈 정도로 막대한 투자가 필요하다. 그래서 모든 반도체 기업이 자체 공장을 갖추기는 어렵고, 설계만 전문으로 하는 팹리스 기업들이 등장했다. 이 팹리스 기업들의 설계도를 받아 실제 칩으로 찍어내는 역할을 하는 곳이 바로 파운드리다. 엔비디아, 퀄컴, 애플 같은 유명 기업들도 자체 공장 없이 설계만 하고, 생산은 TSMC 같은 파운드리에 맡긴다는 걸 알고 나니 반도체 산업 생태계가 한눈에 이해가 됐다. TSMC는 어떻게 압도적인 1위가 됐을까 TSMC(대만적체전로제조공사)는 1987년에 설립됐는데, 설립 당시부터 "우리는 설계는 하지 않고 생산만 전문으로 한다"는 순수 파운드리 모델을 내세운 것이 특징이었다. 당시에는 낯선 사업 모델이었지만, 이 전략이 시간이 지나며 오히려 강점이 됐다. TSMC는 고객사의 설계도를 절대 유출하지 않는다는 신뢰를 오랫동안 쌓아왔다. 팹리스 기업 입장에서는 자신들의 핵심 기술인 설계도를 맡겨야 하는데, TSMC가 직접 반도체를 설계해서 경쟁자로 나설 위험이 없다는 점이 큰 안심 포인트였다는 걸 알게 됐다. 반면 삼성전자는 메모리와 시스템 반도체를 직접 설계하고 판매도 하는 회사라서, 파운드리 고객 입장에서는 "내 설계도를 맡겼다가 경쟁사가 되는 건 아닐까" 하는 우려가 있을 수 있다는 점이 삼성 파운드리의 약점으로 자주 언급되는 이유였다. 미세공정 경...

반도체 뉴스를 보다 보면 "메모리 반도체"와 "시스템 반도체"라는 말이 계속 나온다. 삼성전자 실적 기사에서는 메모리 가격 이야기가 나오고, 엔비디아나 AI 관련 기사에서는 시스템 반도체 이야기가 나온다. 둘 다 반도체인데 왜 따로 구분해서 부르는 건지, 실제로 뭐가 다른 건지 공부한 내용을 정리해본다. 가장 큰 차이: 저장하느냐, 연산하느냐 메모리 반도체와 시스템 반도체를 나누는 가장 근본적인 기준은 역할이다. 메모리 반도체는 데이터를 저장하는 역할을 하고, 시스템 반도체는 데이터를 처리하고 연산하는 역할을 한다. 비유하자면 컴퓨터를 하나의 사무실이라고 했을 때, 메모리 반도체는 서류를 보관하는 캐비닛이고 시스템 반도체는 그 서류를 읽고 판단해서 일을 처리하는 직원인 셈이다. 캐비닛은 정보를 담아두는 역할만 하지만, 직원은 정보를 바탕으로 실제 작업을 수행한다. 이 비유를 알고 나니 왜 두 반도체의 성격이 이렇게 다른지 훨씬 쉽게 이해가 됐다. 메모리 반도체 자세히 보기 메모리 반도체는 다시 크게 D램과 낸드플래시로 나뉜다. **D램(DRAM)**은 컴퓨터가 작업을 하는 동안 데이터를 임시로 저장하는 휘발성 메모리다. 전원이 켜져 있는 동안에만 데이터가 유지되고, 전원이 꺼지면 저장된 내용이 사라진다. 컴퓨터를 켜고 여러 프로그램을 동시에 실행할 때 D램 용량이 부족하면 버벅거리는 걸 경험해본 적이 있을 텐데, 이게 바로 D램이 작업 공간 역할을 하기 때문이다. **낸드플래시(NAND Flash)**는 전원이 꺼져도 데이터가 유지되는 비휘발성 메모리다. USB 메모리, SSD, 스마트폰 저장공간이 모두 낸드플래시를 기반으로 한다. 사진이나 문서를 저장해두고 컴퓨터를 껐다 켜도 그대로 남아있는 이유가 바로 이 특성 덕분이다. 메모리 반도체 시장은 표준화된 제품을 대량으로 생산하는 구조라서, 누가 더 미세한 공정으로 더 싸고 많이 만드느냐가 경쟁력을 좌우한다. 삼성전자와 SK하이닉스가 세계 1, 2위를 다투는 이유도 이 대량생...

지난 글에서 반도체가 무엇인지, 메모리와 시스템 반도체가 어떻게 다른지, 팹리스와 파운드리가 어떤 역할을 하는지 정리해봤다. 이번에는 한 단계 더 들어가서 반도체가 실제로 어떻게 만들어지는지, 이른바 "8대 공정"이라 불리는 단계를 하나씩 정리해보려 한다. 처음에는 용어가 낯설어서 뉴스 기사를 봐도 이해가 안 됐는데, 공정 순서를 하나씩 따라가며 정리하고 나니 왜 이 단계들이 중요한지 감이 잡히기 시작했다. 1. 웨이퍼 제조 반도체의 시작은 웨이퍼다. 실리콘을 초고순도로 정제한 뒤, 이를 녹여 원기둥 모양의 결정(잉곳)으로 성장시킨다. 이 잉곳을 아주 얇게 슬라이스하면 동그란 원판이 나오는데, 이것이 바로 웨이퍼다. 웨이퍼는 이후 모든 공정이 진행되는 기본 재료이자 캔버스 역할을 한다. 2. 산화 공정 웨이퍼 표면에 산소나 수증기를 이용해 얇은 산화막을 입히는 단계다. 이 산화막은 회로를 보호하고, 전기가 원하지 않는 곳으로 새는 것을 막아주는 절연층 역할을 한다. 이후 공정에서 회로 패턴을 새길 때 기초가 되는 층이라고 보면 된다. 3. 포토 공정(노광) 웨이퍼 위에 감광액(포토레지스트)을 바른 뒤, 마스크라는 회로 설계도를 통해 빛을 쪼여 원하는 패턴을 웨이퍼 표면에 새기는 단계다. 최근 뉴스에 자주 등장하는 EUV(극자외선) 노광장비가 바로 이 공정에서 쓰이는 장비다. 회로 선폭이 미세해질수록 더 짧은 파장의 빛이 필요한데, EUV는 기존 장비보다 훨씬 정밀한 패턴을 새길 수 있어서 최첨단 공정에서는 필수 장비로 자리 잡았다. 4. 식각 공정 포토 공정으로 패턴을 새긴 뒤, 필요 없는 부분을 화학물질이나 가스로 깎아내는 단계다. 조각가가 불필요한 부분을 정교하게 깎아내듯이, 웨이퍼 표면에서 회로가 아닌 부분을 제거해 실제 패턴 모양을 완성한다. 5. 증착 공정 이번엔 반대로 필요한 부분에 얇은 막을 입히는 단계다. 절연막이나 금속막 등을 웨이퍼 위에 균일하게 쌓아 올려서 회로의 각 층을 형성한다. 반도체는 이렇게 층을 쌓고 깎아내는 과정...

뉴스만 틀면 반도체 이야기가 나온다. 삼성전자와 SK하이닉스의 실적 발표, 미국과 중국의 수출 규제, 인공지능 열풍과 함께 등장하는 엔비디아까지, 요즘 경제 뉴스의 절반은 반도체와 연결되어 있다고 해도 과언이 아니다. 그런데 막상 "반도체가 정확히 뭐냐"고 물으면 선뜻 설명하기 어려운 경우가 많다. 이번 글에서는 반도체를 처음 공부하면서 정리한 개념을 순서대로 기록해보려 한다. 반도체, 이름부터 이해하기 반도체는 한자 그대로 풀면 "절반은 도체, 절반은 부도체"라는 뜻이다. 전기가 잘 통하는 물질을 도체, 전기가 통하지 않는 물질을 부도체라고 하는데, 반도체는 그 중간 성질을 가진 물질이다. 평소에는 전기가 잘 통하지 않다가 특정 조건(전압, 온도, 빛 등)이 가해지면 전기가 통하는 성질로 바뀐다. 이 특성 덕분에 반도체는 전류를 마음대로 켜고 끌 수 있는 스위치처럼 활용할 수 있다. 컴퓨터와 스마트폰이 0과 1로 이루어진 디지털 신호를 처리할 수 있는 것도 바로 이 스위치 기능 덕분이다. 반도체의 대표 원재료는 실리콘(규소)인데, 지구상에 매우 풍부하게 존재하면서도 반도체 성질을 구현하기에 적합해서 널리 쓰인다. 반도체는 크게 두 종류로 나뉜다 반도체 산업을 이해할 때 가장 먼저 알아야 할 구분이 바로 메모리 반도체와 시스템 반도체다. **메모리 반도체**는 데이터를 저장하는 역할을 한다. 흔히 아는 D램과 낸드플래시가 대표적인 예시다. D램은 컴퓨터가 작업을 처리하는 동안 데이터를 임시로 저장하는 역할을 하고, 전원이 꺼지면 데이터가 사라진다. 반면 낸드플래시는 전원이 꺼져도 데이터가 유지되는 저장장치로, USB나 SSD 같은 저장매체에 사용된다. 삼성전자와 SK하이닉스가 세계적으로 강한 분야가 바로 이 메모리 반도체다. **시스템 반도체**는 정보를 저장하는 대신 연산과 제어를 담당한다. 컴퓨터의 두뇌 역할을 하는 CPU, 그래픽 처리를 담당하는 GPU, 스마트폰에 들어가는 애플리케이션 프로세서(AP)가 여기에 속한다....

 시작하기 전에는 두려움이 더 컸다 56세라는 나이는 새로운 도전을 시작하기에 늦었다고 생각하기 쉬운 나이다. 나 역시 그랬다. AI라는 단어를 처음 들었을 때는 솔직히 나와는 상관없는 세상이라고 생각했다. 젊은 사람들이 배우는 기술, IT 전문가들이 연구하는 분야, 대기업 개발자들이 사용하는 도구라고 생각했다. 나는 평범한 직장인이었고 컴퓨터를 특별히 잘 다루는 사람도 아니었다. 그래서 처음에는 망설였다. "내가 과연 할 수 있을까?" "지금 시작해서 무슨 의미가 있을까?" "너무 늦은 건 아닐까?" 그런 생각들이 머릿속을 가득 채웠다. 하지만 시간이 지나면서 깨달았다. 도전을 막고 있던 것은 나이가 아니라 두려움이었다는 것을 말이다. 시작하기 전에는 무엇이든 어렵게 느껴진다. 하지만 막상 한 걸음 내딛고 나면 생각보다 길은 보이기 시작한다. 지금 돌아보면 가장 잘한 선택은 AI를 잘한 것이 아니라 AI 공부를 시작한 것이었다. 조금씩 배우다 보니 세상이 다르게 보였다 처음에는 챗GPT 사용법도 몰랐다. 질문을 어떻게 해야 하는지조차 몰랐다. 몇 번을 입력하고 지우기를 반복했다. 그런데 하루에 조금씩 사용하다 보니 신기한 일이 생겼다. 처음에는 단순히 질문과 답변이 재미있었는데 시간이 지나면서 궁금증이 생기기 시작했다. AI는 어떻게 작동할까? 왜 전 세계 기업들이 AI에 투자할까? 앞으로 어떤 산업이 성장할까? 그 질문들이 또 다른 공부로 이어졌다. AI를 공부하다가 반도체를 알게 되었고, 반도체를 공부하다가 데이터센터를 알게 되었으며, 데이터센터를 공부하다가 전력 산업과 ESS, 송전망까지 관심이 넓어졌다. 몇 달 전의 나였다면 상상도 하지 못했을 일이다. 예전에는 뉴스가 어렵게 느껴졌다. 지금은 뉴스를 읽으며 산업 간의 연결고리를 찾으려고 노력한다. 예전에는 주가만 보았다. 지금은 기업이 속한 산업과 미래의 변화까지 생각하게 되었다. AI 공부는 단순히 기술을 배우는 것이 아니라 세상을 보는 눈을 넓...

 처음에는 돈을 벌고 싶어서 시작했다 솔직히 말하면 AI를 공부하게 된 가장 큰 이유는 미래를 알고 싶었기 때문이다. 주식을 하다 보면 자연스럽게 미래 산업에 관심을 갖게 된다. 어떤 산업이 성장할지, 어떤 기업이 앞으로 주목받을지, 어디에 투자해야 할지 궁금해진다. 나 역시 처음에는 그런 마음으로 AI를 바라봤다. AI 관련 기업들이 크게 성장하고 있다는 뉴스가 계속 나왔고, 반도체 기업들의 가치도 높아지고 있었다. 그래서 처음에는 투자 관점에서 AI를 보기 시작했다. 어떤 종목이 좋을까? 어떤 기업이 수혜를 받을까? 이런 생각이 먼저 들었다. 하지만 시간이 지나면서 이상한 변화가 생겼다. 기업보다 산업이 궁금해졌고, 산업보다 기술이 궁금해졌으며, 기술보다 세상의 변화가 궁금해졌다. 결국 돈을 벌기 위해 시작한 공부가 세상을 이해하기 위한 공부로 바뀌어 버렸다. 돌이켜보면 이것이 AI를 공부하며 얻은 가장 큰 변화 중 하나였다. 작은 투자금보다 중요한 것은 지식이었다 나는 큰 자산가가 아니다. 주식에 투자할 수 있는 돈도 한정적이다. 그래서 처음에는 투자금이 적다는 것이 늘 아쉬웠다. 만약 큰돈이 있었다면 더 많은 수익을 낼 수 있을 것이라고 생각했다. 하지만 공부를 계속하면서 생각이 달라졌다. 돈보다 중요한 것은 판단력이라는 사실을 알게 되었기 때문이다. 같은 종목을 보더라도 왜 오르는지 모르면 불안하다. 주가가 떨어지면 이유를 몰라서 더 불안해진다. 하지만 산업을 이해하고 기업을 이해하면 조금은 다르게 볼 수 있다. 물론 미래를 정확하게 예측할 수는 없다. 전문가들도 틀리는 것이 주식시장이다. 하지만 최소한 내가 왜 투자하는지는 알 수 있게 된다. AI를 공부하면서 나는 투자보다 공부가 먼저라는 사실을 배우게 되었다. 공부가 쌓이면 판단력이 생기고, 판단력이 생기면 투자도 조금 더 냉정하게 볼 수 있게 된다. 이것은 책 한 권으로 배울 수 없는 경험이었다. 공부를 하면서 오히려 조급함이 줄어들었다 예전에는 주가가 오르면 기분이 좋고, 주가가 떨어지...

 세상을 바라보는 눈이 달라지기 시작했다 AI를 공부하기 전의 나는 경제 뉴스나 산업 뉴스를 크게 관심 있게 보지 않았다. 물론 주식 투자를 하고 있었기 때문에 가끔 뉴스를 확인하기는 했지만 대부분은 주가가 오르는지 내리는지 정도만 살펴보는 수준이었다. 반도체가 중요하다는 이야기는 많이 들었지만 왜 중요한지 깊게 생각해 본 적은 없었다. 전력 산업이나 데이터센터 같은 분야는 더욱 그랬다. 나와는 거리가 먼 이야기라고 생각했다. 하지만 AI 공부를 시작한 뒤부터는 조금씩 달라졌다. 처음에는 단순히 챗GPT가 신기해서 시작했다. 질문을 하면 답을 해주고 글을 작성해 주는 모습이 재미있었다. 그런데 사용하면 사용할수록 궁금증이 생겼다. "이 기술은 어떻게 가능한 걸까?" "왜 전 세계 기업들이 AI에 이렇게 많은 돈을 투자하는 걸까?" 그 질문에 대한 답을 찾기 위해 하나씩 공부하기 시작했다. 그리고 그 과정에서 깨달은 것이 있다. 세상은 내가 생각했던 것보다 훨씬 복잡하게 연결되어 있다는 사실이다. AI 하나를 이해하려고 시작했는데 반도체와 데이터센터, 전력 산업까지 관심이 넓어졌다. 예전에는 따로 보였던 산업들이 사실은 하나의 거대한 연결고리 안에 있다는 것을 알게 되었다. 모르는 것을 배우는 즐거움을 다시 찾게 되었다 나이가 들면 새로운 공부를 시작하는 것이 쉽지 않다. 특히 직장 생활을 하다 보면 하루하루가 바쁘다. 퇴근하면 쉬고 싶고 주말에는 피로를 풀고 싶어진다. 나 역시 그랬다. 그래서 솔직히 말하면 처음에는 AI 공부도 오래가지 못할 것이라고 생각했다. 잠깐 관심을 갖다가 포기할 수도 있다고 생각했다. 하지만 예상과 달랐다. 하나를 배우면 또 다른 궁금증이 생겼다. 반도체를 공부하면 데이터센터가 궁금해졌고, 데이터센터를 공부하면 전력 산업이 궁금해졌다. 전력 산업을 공부하면 송전망과 변압기, ESS가 궁금해졌다. 마치 끝없이 이어지는 길을 따라 걷는 느낌이었다. 물론 어려운 부분도 많다. 경제 기사에 나오는 전문 용...

 처음에는 반도체가 모든 것의 중심이라고 생각했다 AI 공부를 시작하면서 가장 먼저 관심을 갖게 된 분야는 반도체였다. 뉴스를 봐도 반도체 이야기, 주식시장을 봐도 반도체 이야기, 경제 뉴스를 봐도 반도체 이야기가 빠지지 않았다. 그래서 자연스럽게 나는 반도체가 미래 산업의 핵심이라고 생각하게 되었다. 실제로 반도체는 매우 중요하다. 스마트폰에도 들어가고 자동차에도 들어가며 AI 서버에도 사용된다. 오늘날 반도체 없이 움직일 수 있는 산업은 거의 없다고 해도 과언이 아니다. 나 역시 반도체 관련 기업들을 공부하면서 미래를 준비해야겠다고 생각했다. 하지만 공부를 계속할수록 조금 다른 생각도 하게 되었다. 반도체가 중요하지 않다는 뜻이 아니다. 오히려 반도체만 바라보면 놓치는 것이 있을 수도 있다는 생각이 들기 시작했다. 왜냐하면 아무리 뛰어난 반도체가 있어도 그것만으로는 AI가 움직일 수 없기 때문이다. AI를 움직이는 것은 결국 전기였다 어느 날 문득 이런 생각을 했다. "만약 세상에서 전기가 사라진다면 어떻게 될까?" 반도체도 작동하지 못할 것이다. 데이터센터도 멈출 것이다. AI도 사라질 것이다. 그 순간 나는 중요한 사실 하나를 깨달았다. AI 시대를 움직이는 가장 근본적인 힘은 전기일 수도 있다는 점이다. 반도체가 아무리 좋아도 전기가 없으면 쓸 수 없다. 최첨단 서버도 전력이 공급되지 않으면 그냥 기계에 불과하다. 최근 AI 산업이 성장하면서 데이터센터 건설 경쟁이 치열해지고 있다. 그런데 데이터센터가 늘어난다는 것은 결국 전력 사용량도 증가할 수 있다는 의미다. 그래서 최근에는 AI 뉴스뿐 아니라 전력 관련 뉴스도 관심 있게 보고 있다. 예전에는 전력 산업을 오래된 산업이라고 생각했다. 하지만 지금은 오히려 미래 산업의 핵심 기반이 될 수도 있다는 생각을 하게 되었다. AI가 화려한 주인공이라면 전력은 무대 뒤에서 모든 것을 움직이는 스태프 같은 존재가 아닐까 싶다. 보이지 않는 인프라가 세상을 움직이고 있었다 AI를 공부하면서 내...

 데이터센터는 그냥 컴퓨터를 모아놓은 건물이 아니었다 AI를 공부하기 전까지 나는 데이터센터라는 단어를 들어도 별다른 관심이 없었다. 뉴스에서 대기업이 데이터센터를 짓는다는 기사가 나오면 그냥 서버를 보관하는 창고 같은 곳이라고 생각했다. 솔직히 말하면 데이터센터가 왜 중요한지도 몰랐다. 나와는 전혀 상관없는 산업이라고 생각했다. 그런데 챗GPT를 사용하기 시작하면서 생각이 달라졌다. 내가 질문을 입력하면 몇 초 만에 답변이 나온다. 처음에는 신기하다고만 생각했다. 하지만 사용하면 사용할수록 궁금해졌다. "도대체 이 답변은 어디에서 만들어지는 걸까?" "어떻게 이렇게 빠르게 대답할 수 있는 걸까?" 궁금증을 참지 못하고 찾아보기 시작했다. 그 과정에서 처음으로 데이터센터의 존재를 제대로 알게 되었다. 내가 입력하는 질문 하나, 누군가가 검색하는 정보 하나, 동영상을 보는 행동 하나까지도 결국은 데이터센터를 거쳐 이루어지고 있었다. 생각해보면 정말 놀라운 일이다. 우리는 스마트폰 화면만 보고 있지만 실제로는 보이지 않는 곳에서 수많은 서버들이 쉬지 않고 작동하고 있는 것이다. 그 순간 데이터센터는 단순한 건물이 아니라 현대 사회를 움직이는 핵심 시설처럼 느껴졌다. AI가 발전할수록 데이터센터의 중요성도 커질 수 있다 AI 산업이 성장하면서 가장 많이 듣는 이야기 중 하나가 데이터센터 투자다. 세계적인 IT 기업들은 수조 원을 투자하며 새로운 데이터센터를 건설하고 있다. 처음에는 왜 그렇게 많은 돈을 투자하는지 이해하지 못했다. 그냥 서버 몇 대 더 설치하면 되는 것 아닌가 하는 생각도 했다. 하지만 공부를 해보니 전혀 다른 이야기였다. AI는 일반적인 프로그램보다 훨씬 많은 계산 능력을 필요로 한다. 사람처럼 대화하고, 그림을 만들고, 자료를 분석하는 과정에서 엄청난 양의 데이터를 처리해야 한다. 그 데이터를 처리하기 위해서는 강력한 반도체가 필요하고, 그 반도체가 장착된 수많은 서버가 필요하다. 그리고 그 서버들이 모여 있는...

기술보다 먼저 변해야 하는 것은 사람의 생각일지도 모른다 AI를 공부하기 전까지 나는 미래를 준비한다는 것이 새로운 기술을 배우는 것이라고 생각했다. 코딩을 배우고, 컴퓨터를 잘 다루고, 최신 기술을 이해해야만 미래를 준비할 수 있다고 생각했다. 물론 그런 능력들도 중요하다. 하지만 AI를 공부하면서 내 생각은 조금 달라졌다. 최근 몇 년 동안 세상은 정말 빠르게 변하고 있다. 어제까지 당연했던 일이 오늘은 바뀌고, 새로운 기술이 등장하면서 기존의 방식이 사라지기도 한다. 그 모습을 보면서 한 가지를 깨달았다. 앞으로 가장 중요한 능력은 특정 기술 하나를 잘하는 것이 아니라 변화에 적응하는 능력일 수 있다는 점이다. 예전에는 한 번 배운 기술로 평생 먹고살 수 있는 시대가 있었다. 하지만 지금은 아니다. 기술은 계속 발전하고 산업은 끊임없이 변화한다. 그래서 이제는 무엇을 배우느냐보다 얼마나 빨리 배우고 적응할 수 있느냐가 더 중요해질 수 있다는 생각이 든다. 나는 56세에 다시 학생이 되었다 솔직히 말하면 AI를 공부하기 전에는 공부와 거리가 먼 삶을 살았다. 직장 생활을 하며 하루하루 바쁘게 살아왔고 새로운 분야를 배우는 일은 쉽지 않았다. 퇴근하면 쉬고 싶었고 주말에는 피곤함을 풀기 바빴다. 그래서 처음 AI라는 분야를 접했을 때도 망설임이 있었다. "내가 할 수 있을까?" "너무 늦은 건 아닐까?" "젊은 사람들도 어려워하는데 괜찮을까?" 이런 생각들이 머릿속을 가득 채웠다. 하지만 막상 시작해 보니 예상과 달랐다. 처음에는 챗GPT 사용법조차 낯설었다. 어떤 질문을 해야 하는지도 몰랐다. 하지만 하루에 조금씩 사용하면서 점점 익숙해지기 시작했다. 그리고 어느 순간 깨달았다. 나는 다시 학생이 되어 있었다. 새로운 것을 배우고, 모르는 것을 찾아보고, 궁금한 것을 질문하며 공부하고 있었다. 나이는 56세였지만 배움의 즐거움은 20대 때와 크게 다르지 않았다. 앞으로는 문제를 해결하는 사람이 살아남을 ...