열 저장에서 차가운 기억으로: AI 시대 저장 열풍 속의 탈중앙화 저장

저자: Jacob Zhao @ IOSG

오늘, "국산 저장소 1호" 장신 저장소가 창업판에 정식 상장되었으며, 500% 폭등이라는 놀라운 성과로 모든 이목을 집중시켰습니다. 최근 저장소 섹터 전체가 조정 여파에 시달리고 있지만, AI 저장소는 여전히 현재의 기술 서사 흐름 속에서 자본에 의해 미친 듯이 재평가되고 있습니다. 한편, Web3 분야의 탈중앙화 저장소는 오랜 침체와 상실에 빠져 있습니다. 왜 같은 "저장소"라는 이름을 가지고도 시장 성과는 극과 극으로 나뉘는 것일까요? 그 근본적인 이유는 기본 가치 함수의 철저한 분열에 있습니다.

AI 시대의 저장소 재평가는 본질적으로 "핫 데이터 효율성"에 관한 축제이며, 이는 계산력 활용률과 상업적 변환의 극대화를 위해 봉사합니다. 반면, 탈중앙화 저장소가 고수하는 것은 "콜드 데이터 신뢰성"의 가치 주장으로, 이는 데이터 공정성, 검열 저항 및 인류 문명의 장기 기억을 수호합니다. 전자는 핫 데이터의 효율 시스템이고, 후자는 콜드 데이터의 신뢰 시스템입니다. 현재의 자본 시장은 분명히 "효율" 측에 확고히 서 있지만, 인류 문명은 결국 변경 불가능한 기억 기반이 여전히 필요합니다. 신뢰할 수 있는 콜드 저장소의 장기 가치는 결코 사라지지 않았으며, 단지 주기의 어두운 면에 잠복해 있으며 시대에 의해 재가격이 매겨지기를 기다리고 있습니다.

저장소가 AI 산업 체인의 초점으로 다시 부각된 이유

전통 IT 시대에서 저장소는 "용량 비즈니스"였습니다. 기업 CIO는 단위 용량 비용, 하드 드라이브 신뢰성, 재해 복구 계획, 아카이브 전략 및 3-5년의 장비 업데이트 주기에 관심을 가졌습니다. 저장소는 서버 구매에 따라 따라오는 부속품으로 여겨졌습니다.

이번 저장소 열풍은 전통적인 주기 회복이 아니라 AI가 데이터 흐름 능력을 재가격 매기는 것입니다. 대모델 시대에 저장소 논리는 "용량 우선"에서 "효율 최우선"으로 질적 변화를 겪으며, GPU의 급식률, 체크포인트 기록 및 RAG의 극저 지연 등 극한 지표에 매달리고 있습니다. 이는 저장소 가치가 "데이터의 최종 정착지"에서 "데이터가 계산으로 들어가는 고속 통로"로 도약하고 있음을 나타냅니다.

AI 인프라의 자원 병목 현상 진화는 본질적으로 "나무통 효과"의 보완 전투입니다. 계산력의 실제 활용률은 단일 자산의 선형 합산이 아니라 엄격한 승수 효과입니다: 계산력 실제 활용률 = GPU × HBM × DRAM × SSD × 네트워크 × 파일 시스템, 어떤 하나의 고리가 부족하면 전체 계산력 활용률이 붕괴됩니다. AI 시대에 저장소는 처음으로 "비용 센터"에서 "효율 엔진"으로 변모했습니다. 이것이 저장소가 재가격 매겨지는 근본 논리입니다.

AI 저장소 아키텍처 전경: HBM 대역폭 장치에서 데이터 호수 기반까지

AI 저장소는 단순한 하드웨어의 집합이 아니라 긴밀하게 결합된 계층적 스케줄링의 복잡한 시스템입니다. 이 시스템에서 산업 가치와 자본 초점은 HBM, 기업급 SSD, SSD 주 컨트롤러, NVMe/CXL 프로토콜 및 고성능 저장 시스템에 집중됩니다. 그 가치 흐름을 명확히 분해하기 위해 AI 저장소 아키텍처를 위에서 아래로 네 가지 핵심 계층으로 나눕니다:

• 계산 근접 메모리 계층(대역폭 핵심): HBM을 절대 주력으로 하여 DRAM 및 CXL 메모리 풀링 기술을 보조합니다. 이 계층은 GPU/CPU 패키지 또는 버스에 직접 부착되어 "메모리 벽"을 깨는 것을 목표로 하며, 계산력이 충분히 발휘될 수 있는 첫 번째 관문입니다.

• 고속 지속 저장 계층(IO 허브): 핵심 논리는 기업급 SSD = NAND 칩 + SSD 주 컨트롤러 + NVMe/PCIe 데이터 경로입니다. 이 계층은 고빈도 체크포인트 기록, 대량 훈련 세트 로딩 및 RAG 핫 데이터 캐시를 수용하며, AI 데이터 센터에서 가장 명확한 지속 저장 증가입니다.

• 저비용 대용량 저장 계층(용량 기반): HDD, 콜드 저장소 및 데이터 호수 아카이브 시스템으로 구성됩니다. 지수적으로 팽창하는 다중 모드 원시 데이터, 역사 로그 및 규정 준수 백업에 직면하여, 이 계층은 여전히 대체 불가능한 TCO(총 소유 비용) 이점을 제공합니다.

• AI 저장 시스템 및 데이터 소프트웨어(스케줄링 두뇌): 고성능 병렬 파일 시스템, 분산 객체 저장소, 벡터 데이터베이스 및 RAG 데이터 관리 계층을 포함합니다. AI가 실제로 소비하는 것은 원시 하드웨어가 아니라 소프트웨어 스택에 의해 효율적으로 조직되고 인덱싱 및 권한이 부여된 데이터 가용성입니다.

생태계 확장으로서 탈중앙화 저장소는 AI 핫 데이터의 밀리초 경쟁에 직접 개입하지 않고, 공공 데이터 세트 증명, AI 훈련 데이터 출처(Provenance) 및 장기 콜드 기억 아카이브에 초점을 맞추어 "신뢰할 수 있는 콜드 계층"으로서의 독특한 생태적 위치를 확립했습니다. HBM: AI 저장 체인에서 계산력에 가장 가까운 "대역폭 장치" 고대역폭 메모리(High Bandwidth Memory)는 전통적인 저장소가 아니라 GPU 근처의 고대역폭 메모리 계층입니다. 그 핵심 임무는 데이터를 저장하는 것이 아니라 극히 높은 대역폭으로 계산력에 지속적으로 "데이터를 공급하는" 것입니다. HBM은 AI 저장 체인에서 계산력에 가장 가까운, 가장 확실한环节으로, GPU가 "배부르게" 될 수 있는지를 직접 결정하며, 현재 가장 핵심적인 공급망 병목입니다.

HBM의 핵심 아키텍처는 "3D DRAM 적층 + 2.5D 고급 패키징"입니다: TSV 수직 적층 및 CoWoS 이종 통합을 통해 저장 및 계산 거리를 극단적으로 압축하여 대역폭의 대차급 도약을 실현합니다. 그 산업 장벽은 단순히 DRAM 설계에 그치지 않고, DRAM 제조 공정, TSV, 초박형 적층, 패키징, 열 방출, 테스트 및 고객 인증의 시스템 공학에 있습니다. 어떤 하나의 고리에서의 수율 결함은 전체 HBM 스택의 폐기를 초래할 수 있습니다.

현재 전 세계에서 SK 하이닉스, 삼성, 마이크론 Micron 세 거대 기업만이 안정적으로 양산할 수 있으며, 최고급 DRAM 제조 공정, 패키징 능력 및 NVIDIA/AMD 고객 인증의 삼중 방어선을 구축하고 있습니다. DRAM 및 CXL: 시스템 메모리 기반 및 메모리 풀링 엔진 HBM은 GPU 근처의 극한 대역폭을 해결하고, DRAM은 서버 시스템 메모리 기반을 강화하며, CXL은 물리적 경계를 허물고 데이터 센터 내 메모리 자원의 조직 방식을 재구성하려고 합니다.

• DRAM: 주로 CPU 측 캐시, 데이터 전처리, 중간 상태 임시 저장 및 시스템 운영을 담당하며, 서버의 가장 기본적인 시스템 메모리 계층입니다. 전 세계 DRAM 시장은 SK hynix, 삼성, 마이크론 세 거대 기업에 집중되어 있으며, 장신 저장소(CXMT)는 중국 DRAM 국산 대체의 핵심 변수입니다.

• CXL (Compute Express Link): 데이터 센터를 위한 새로운 세대의 캐시 일관성 상호 연결 프로토콜로, 전통적인 DIMM 슬롯, 로컬 메모리 용량 및 서버 메모리 자원 고립의 제한을 극복하고 메모리 아키텍처를 확장, 풀링 및 공유로 발전시키는 것을 목표로 합니다. 현재 CXL은 플랫폼 지원에서 규모 배치로의 초기 단계에 있으며, 중장기 아키텍처 가치는 높습니다; 핵심 기업으로는 Astera Labs와 란치기술이 있습니다.

기업급 SSD: NAND, 주 컨트롤러 및 NVMe로 구성된 데이터 허브 기업급 SSD는 AI 데이터 센터에서 가장 핵심적인 고처리량 지속 증가로, 극히 높은 처리량, 극저 지연 및 안정적인 QoS를 통해 데이터를 지속적으로 GPU에 "공급"하며, 훈련 데이터 로딩, 체크포인트 기록, RAG 검색, 추론 캐시 및 로그 회수 등 전체 생애 주기를 관통합니다.

AI 저장소 아키텍처에서 SSD는 고립된 하드웨어가 아니라 고도로 결합된 시스템으로, 산업 공식을 통해 정리할 수 있습니다: 기업급 SSD = NAND 칩 + SSD 주 컨트롤러 + NVMe/PCIe 데이터 경로. 세 층은 독립적인 산업 체인环节을 나타냅니다:

• NAND 칩(원자재 층): 저장 밀도 및 단위 비용을 결정하며, 주 컨트롤러는 성능 발휘 및 수명 관리를 담당합니다. 대표 기업으로는 삼성, SK hynix (Solidigm), 마이크론, 키옥시아, 웨스턴 디지털, 장강 저장소가 있습니다.

• SSD 주 컨트롤러(성능 부여 층): 성능 발휘, 데이터 오류 수정, QoS 안정성 및 마모 균형을 결정합니다. 대표 기업으로는 Phison(군련), Silicon Motion(혜융), Marvell, Maxio(연운)가 있습니다.

• NVMe/PCIe(데이터 경로 층): 저장소에서 계산으로의 데이터 전송 효율을 결정합니다. GPUDirect Storage 기술과 결합하여 CPU 메모리 바운스 버퍼 및 CPU 참여를 줄여 I/O 병목을 현저히 완화합니다. 대표 기업으로는 Broadcom, Marvell, Astera Labs가 있습니다.

HDD / 콜드 저장소 / 아카이브: AI 데이터 호수의 저비용 기반 AI는 HDD를 없애지 않을 것입니다. 다중 모드 대모델이 비디오, 이미지 데이터에 대한 갈망과 기업의 규정 준수 로그, 역사 데이터 세트의 지수적 팽창에 따라 저비용 콜드 데이터 저장 수요가 동시 폭증하고 있습니다. AI 저장소 아키텍처에서 SSD와 HDD는 비즈니스 가치에 기반한 계층적 협력으로, SSD는 핫 데이터를 담당하고 고처리량을 제공하며, HDD는 저비용 및 장기 보존을 담당합니다. 대표 기업으로는 Seagate, 웨스턴 디지털, 도시바가 있습니다. AI 저장소 소프트웨어 스택: 데이터 가용성의 스케줄링 중심 AI가 진정으로 소비하는 것은 원시 디스크가 아니라 소프트웨어 스택에 의해 정밀하게 조직된 "데이터 서비스"입니다. 이 아키텍처는 하드웨어를 상위 AI가 직접 호출할 수 있는 지식 자산으로 변환하며, 구체적으로 네 가지 층으로 나뉩니다:

• 고성능 저장 시스템(공급 시스템): 동시 처리량 및 저지연을 핵심으로 하여, 병렬 파일 시스템을 통해 GPU 클러스터의 "데이터 기아" 문제를 해결하고 훈련 및 추론의 빠른 흐름을 보장합니다. 대표 기업으로는 VAST Data, WEKA, Pure Storage가 있습니다.

• 객체 저장소(원시 데이터 호수): Object, Key 및 Metadata 관리가 핵심이며, 방대한 비구조화 데이터를 수용합니다. 극단적인 저지연을 추구하지 않으며, 저비용 및 클라우드 네이티브 특성으로 용량 기반을 구축합니다. 대표 기업으로는 AWS S3가 있습니다.

• 벡터 데이터베이스(의미 인덱스 층): 벡터 데이터베이스는 embedding 모델이 생성한 벡터를 저장, 인덱싱 및 검색하여 AI가 방대한 지식 중에서 관련 내용을 정확히 찾아낼 수 있도록 합니다. 대표 기업으로는 Pinecone, Milvus가 있습니다.

• RAG 데이터 층(지식 호출 층): 단일 검색을 넘어 데이터 슬라이스, 정제, 권한 제어 및 인용 출처를 포함하여 기업 데이터가 대모델에 의해 안전하고 정확하며 추적 가능하게 호출될 수 있도록 보장합니다. 대표 기업으로는 Databricks가 있습니다.

AI 핫 저장소에서 탈중앙화 콜드 기억으로: 효율 극대화 vs 신뢰 극대화

AI 저장소는 극한의 효율 주도 시스템으로, 그 가치 함수는 계산 산출의 극대화에 집중합니다. HBM 대역폭은 GPU가 배부르게 될 수 있는지를 결정하고, SSD 처리량은 데이터 세트 및 체크포인트 읽기/쓰기 효율을 결정하며, 저지연은 RAG 및 추론의 실시간 경험에 영향을 미칩니다. 이러한 지표는 궁극적으로 GPU 활용률 및 단위 Token 비용으로 집결되어 AI 애플리케이션의 상업적 손익을 직접 결정합니다. AI 저장소의 궁극적인 목표는 저장하는 것이 아니라 가속이며, 서비스 대상은 생산성입니다.

반면 탈중앙화 저장소의 가치 함수는 전혀 다릅니다. 그것은 데이터가 10년 후에도 여전히 존재하는지, 변조되지 않았는지, 단일 지점 검열에 저항할 수 있는지를 질문합니다. 암호학적 증명 및 분산 네트워크를 통해, 그것은 개방적 접근과 영구 저장이 가능한 공공 데이터 기반을 구축합니다. 그 궁극적인 목표는 데이터의 절대적 진실성과 주권 독립을 수호하며, 공정성, 검열 저항 요구 및 문명 기억에 봉사하는 것입니다. AI 저장소는 미래 생산성을 위한 연료를 제공하는 "핫 저장소"이고, 탈중앙화 저장소는 인류 문명의 삭제할 수 없는 역사 기록을 보존하는 "콜드 기억"입니다. 전자는 효율을 위해 봉사하며 극한의 속도를 추구하고, 후자는 신뢰를 위해 봉사하며 침묵의 기억을 수호합니다. 전자는 모델이 얼마나 빠르게 실행되는지를 결정하고, 후자는 기억이 삭제될지를 결정합니다. 현재 시장은 생산성의 효율을 보상하며, AI 저장소는 정점에 있지만, 탈중앙화 저장소는 가치 붕괴와 서사적 탈색의 침묵을 겪고 있는 것 같습니다.

탈중앙화 저장소의 비전과 현실

탈중앙화 저장소 프로젝트는 많지만, 산업의 마음가짐과 생태적 침전물에 따라 핵심 대표는 항상 Filecoin과 Arweave입니다. 두 프로젝트는 모두 "탈중앙화 저장소"에 속하지만, 기본 아키텍처 철학은 거의 완전히 다른 두 경로입니다 - 전자는 시장화 계약을 통해 AWS의 유연성에 접근하고, 후자는 일회성 사회 계약을 통해 도서관의 영원함에 접근합니다.

• Filecoin: PoRep 및 PoSt를 통해 가장 완전한 검증 가능한 경제 시스템을 구축했습니다. 소비자급 클라우드 스토리지에서 AWS와의 경쟁을 계속하기보다는 AI 데이터 출처(Provenance), 공공 데이터 세트 호스팅 및 규정 준수 아카이브로 전환하여 모델 감사 및 저작권 증명을 위한 검증 가능한 체인을 제공해야 합니다. 필수 경로는 S3 호환 API로 패키징하고 법정 통화 결제를 지원하여 "저렴한 저장 시장"에서 "검증 가능한 계산 인프라"로 업그레이드하는 것입니다.

• Arweave: "한 번의 지불, 영구 저장"이라는 서사로 Blockweave 및 SPoRA 메커니즘을 통해 채굴자들이 가능한 한 많은, 특히 희귀한 역사 데이터를 저장하고 빠르게 접근하도록 유도합니다. 그 최적의 위치는 인류의 공공 기억 기반으로, 인권 기록, 전쟁 범죄 증거, 문화 유산을 보존하고 법률 및 금융 역사를 아카이브하여 AI 에이전트에게 영구적으로 접근 가능한 장기 기억을 제공합니다. Arweave의 가치는 속도가 아니라 주기를 초월한 문명 기억의 수용 능력에 있습니다.

Filecoin, Arweave 등의 탈중앙화 저장소 프로젝트의 어려움은 가치 주장이 잘못된 것이 아니라, 제품화, 검색 경험, 실제 수요 및 Token 인센티브의 장기 불일치에 있습니다. 이는 극단적인 아이디어에서 주류 상업적 응용으로의 거대한 간극을 드러냅니다:

• 공급 수요 인센티브 불일치: Filecoin을 대표하는 초기 네트워크는 Token을 통해 빠르게 확장했지만, 충분히 강한 지불 수요 측을 구축하지 못해 용량은 거대하지만 활용률과 지불 전환이 부족했습니다. "저장할 수 있다"는 보상을 주었지만, "저장해야 한다"는 보상을 주지 않았습니다.

• 기업급 서비스 능력 부족: AWS의 장벽은 하드 드라이브가 아니라 API, SLA, 권한 관리, 규정 준수 감사 및 기술 지원으로 구성된 "데이터 운영 시스템"입니다. 기업이 구매하는 것은 "안심"이지, 스스로 키와 노드 선택을 처리해야 하는 실험적 인프라가 아닙니다.

• 검색 경험 단점: "저장하는 것"이 "안정적이고 저지연으로 꺼내는 것"과 같지 않습니다. 노드 분산, 복잡한 토폴로지, 통일된 SLA 부족으로 인해 AI 핫 데이터 워크플로를 수용하기 어렵고, 신뢰할 수 있는 콜드 아카이브 및 데이터 출처에 더 적합합니다.

• 개인정보 규정 준수 부족: 기업의 개인 데이터는 단순히 공공 영구 네트워크에 기록될 수 없습니다; 삭제 권한과 영구 불변성은 본질적으로 충돌합니다. 탈중앙화 저장소는 공공 데이터 및 장기 아카이브에 더 적합하며, 핵심 개인 데이터를 무차별적으로 수용하는 것은 아닙니다.

• Token 경제 확대 주기: 황소 시장의 금융화가 수요 부족을 가리고, 곰 시장에서 채굴자의 ROI 하락이 상업화 단점을 드러냅니다. Token은 공급을 차가운 시작할 수 있지만, 수요와 지속 가능한 수익을 자동으로 창출할 수는 없습니다.

다른 탈중앙화 저장소 프로젝트는 특정 생태계나 세분화된 경로에 집중하는 경우가 많습니다: Storj/Sia는 주기 간 산업 마음가짐과 Web3 서사 영향력이 Filecoin/Arweave보다 약하며; BNB Greenfield/Walrus는 BNB 또는 SUI의 특정 공链 생태계에 묶여 있습니다; Celestia/EigenDA 등은 데이터 가용성(DA) 층에 속하며, Rollup 거래 확인을 위해 서비스되지만 장기 아카이브에는 적합하지 않습니다; 0G 등 AI/DA 혼합 서사 프로젝트는 저장소, 데이터 가용성, 계산 및 AI 에이전트 결제를 통합하여 AI 네이티브 모듈화 인프라를 구성하려고 하지만, 그 실제 수요, 개발자 채택 및 상업화 폐쇄는 여전히 검증이 필요합니다.

탈중앙화 저장소의 미래 기회: 효율과 신뢰의 장기 진자

기술적 혜택이 폭발하는 시기에 자본은 효율을 미친 듯이 추구하며, GPU, HBM 등의 자산은 극히 높은 프리미엄을 부여받고, "신뢰와 공정"을 주장하는 탈중앙화 저장소는 자연스럽게 주변화되었습니다. 그러나 역사적 진자는 효율의 한쪽에 영원히 머물지 않을 것입니다. 슈퍼 플랫폼의 불합리한 차단 및 콘텐츠 삭제, AI 저작권 소송 폭발로 인해 데이터 출처 증명이 강요되고, 지정학적 갈등으로 인한 데이터 주권 쟁탈, 데이터 독점으로 인한 공공 기록 소실, 모델 훈련 데이터의 규정 준수 감사 압력 등 사건들은 "신뢰할 수 있는 저장소"의 재가격 매김을 촉발할 수 있으며, 탈중앙화 저장소의 미래 기회는 여전히 다음 방향에서 독특한 가치를 발휘할 수 있습니다:

• AI 데이터 Provenance: 암호학적 증명을 결합하여 "데이터 혈통 증명"을 구축하여 규제 및 감사 압력에 대응합니다.

• 공공 데이터 세트 및 문명 아카이브: 검열된 아카이브 및 문화 유산에 초점을 맞추어 대체 불가능한 삭제 불가능한 기억을 구축합니다.

• 신뢰할 수 있는 아카이브 및 규정 준수 증명: 해시 증명을 통해 신뢰할 수 있는 자가 증명을 실현하고, 높은 수준의 디지털 공증을 제공합니다.

• ZK/TEE/DID 기술 융합: 개인정보 긴장을 해소하고 단일 "저장 프로토콜"에서 "신뢰할 수 있는 데이터 인프라"로 업그레이드합니다.

• 투명한 제품 경로: S3 호환 API 및 법정 통화 청구를 제공하여 사용자가 직접 "신뢰할 수 있는 아카이브" 서비스를 구매할 수 있도록 합니다.

AI 저장소와 탈중앙화 저장소는 하나는 극한의 효율을 추구하여 우리를 미래로 나아가게 하는 연료를 제공하고, 다른 하나는 침묵의 기억을 수호하여 우리가 과거를 돌아볼 권리를 지킵니다. 현재 시장은 효율을 무조건 보상하며, 탈중앙화 저장소는 침묵하거나 심지어 붕괴된 것처럼 보입니다; 그러나 AI 시대가 데이터 독점, 저작권 분쟁 및 역사 기억의 취약성을 더욱 부각시킬 때, 탈중앙화 저장소는 "신뢰할 수 있는 콜드 계층"의 모습으로 가치 재평가를 맞이할 수 있습니다. 플랫폼, 회사 또는 어떤 단일 권력이 쉽게 지울 수 없는 기억은 이상주의적 낭만에서 벗어나, 주변 신념에서 필수 인프라로 변모할 수 있습니다.