Google TurboQuant 발표 이후 SK하이닉스·삼성전자 급락, AI 메모리 수요는 정말 줄어드는가
TurboQuant·HBM·SK하이닉스 급락의 진짜 의미, 중요한 것은 메모리가 아니라 AI 사용량이다.
지난주 Google 발표 하나에 SK하이닉스가 하루 만에 -6.2%, 삼성전자 -4.7%, 미국 Micron -6.97% 폭락했다. “AI가 메모리를 6배 덜 쓴다고 하던데, 반도체 주식 팔아야 하나?”는 불안이 퍼졌다. 그런데 애널리스트들은 오히려 정반대를 말하고 있다. 무슨 일이 일어난 건지 짚어본다.
1TurboQuant가 뭔가
ChatGPT나 Claude 같은 AI와 긴 대화를 나눌 때, AI는 앞서 나눈 내용을 계속 기억하면서 답변한다. 그 기억을 저장하는 공간이 바로 KV 캐시(Key-Value Cache, AI의 단기 작업 메모)다. 대화가 길어질수록 이 메모장이 커지고, 그만큼 고성능 메모리(HBM·DRAM)가 많이 필요해진다. AI 업체들이 반도체 칩을 수십조 원어치 사들인 이유 중 하나다.
Google이 3월 24일 발표한 TurboQuant는 이 메모장의 크기를 최대 6분의 1로 줄이는 압축 기술이다. 메모 내용이 줄어드는 게 아니라, 같은 내용을 훨씬 작은 공간에 담는다. 고화질 사진을 JPG로 압축해도 사진이 흐려지지 않는 것과 같다. H100 GPU 기준 메모리 사용량은 최소 6배 절감, 처리 속도는 최대 8배 향상됐다. 별도 재학습 없이 기존 AI 모델에 바로 적용 가능하다.
PolarQuant (폴라퀀트) — 복잡한 좌표 정보를 “방향 + 거리” 두 값으로 압축하는 방식이다. AI 데이터들은 가리키는 방향이 서로 비슷해서 이 압축이 잘 먹힌다.
QJL — 데이터를 줄이는 과정에서 생기는 작은 오차를 1비트 신호로 바로잡아 정확도를 높이는 기술이다.
논문은 ICLR 2026에서 정식 발표 예정이며, KAIST 한인수 교수(현 Google Research 방문 연구원)가 공동 저자로 참여했다.
시장의 반응은 즉각적이었다. “메모리를 6배 덜 쓰면, 반도체 수요가 그만큼 줄어드는 거 아닌가?” — 이 공포가 매도 버튼을 눌렀다.
2주가 폭락의 진짜 이유
공포의 논리는 단순했다. “AI가 메모리를 덜 쓴다 → 반도체 회사 매출이 줄어든다 → 팔아라.” 그런데 이 논리에는 두 가지 빠진 게 있다.
TurboQuant는 추론용 메모리 일부만 건드린다. AI를 학습시키는 과정(Training)과, 학습된 AI를 실제로 사용하는 과정(Inference·추론)은 전혀 다르다. TurboQuant가 줄이는 건 “사용하는 단계”의 메모리 일부다. 모델 자체의 가중치는 건드리지 않는다. Morgan Stanley 애널리스트 Joseph Moore는 “TurboQuant는 HBM 수요나 학습 워크로드에 영향을 주지 않는다”고 명시했다.
효율이 올라가면 오히려 수요가 폭발한다. 경제학에서 제번스의 역설(Jevons Paradox)이라고 부르는 현상이다. 1865년 증기기관의 연료 효율이 높아지자 석탄 소비는 줄지 않고 오히려 폭발적으로 늘었다. 더 경제적인 증기기관을 쓰는 공장이 훨씬 많아졌기 때문이다. AI도 같다. 비용이 낮아지면, 지금까지 AI를 도입하지 못했던 중소기업·스타트업이 대거 진입한다. KB증권·Samsung증권·Hana증권 분석가들이 공통적으로 내놓은 결론이다.
중국의 DeepSeek이 “훨씬 저렴하게 만든 AI 모델”을 공개했을 때도 똑같은 공포 매도가 있었다. NVIDIA 주가가 하루 만에 -17% 폭락했다. 그러나 이후 AI 칩 수요는 더 강해졌다. 저렴해진 AI가 더 많은 곳에 쓰이기 시작했기 때문이다. TurboQuant도 같은 맥락에서 읽을 수 있다.
Evercore 애널리스트는 “TurboQuant가 광범위하게 채택될 경우 DRAM·NAND 수요에 실질적 하방 압력이 생길 수 있다”고 경고했다. 현재 TurboQuant는 연구 단계 기술이다. 실제 AI 서비스에 대규모로 적용되기 시작하는 시점은 빨라야 2026년 하반기다. 지금의 주가 충격은 공포가 앞서간 측면이 크지만, 장기적 영향은 채택 속도를 지켜봐야 한다.
3효율화 이후 열리는 세계
TurboQuant의 진짜 의미를 한 문장으로 정리하면 이렇다. “AI를 돌리는 데 드는 비용이 절반 이하로 낮아진다.” VentureBeat는 엔터프라이즈 기준 AI 추론 비용이 50% 이상 절감될 수 있다고 분석했다.
지금까지 AI 서비스를 제대로 운영하려면 AWS나 Azure 같은 대형 클라우드에 막대한 돈을 써야 했다. 수백억 원짜리 GPU 서버, 대용량 메모리 — 이 인프라를 직접 소유한 대기업만 경쟁력 있는 AI를 만들 수 있었다. TurboQuant가 이 문턱을 낮추면, AI가 데이터센터 밖으로도 퍼져나간다. 소규모 서버, 엣지 기기, 오프라인 환경에서도.
그런데 여기서 새로운 질문이 생긴다. AI 에이전트가 분산된 여러 환경에서 동시에 돌아간다면 — “이 에이전트가 정말 그 AI 모델을 정직하게 사용한 건지 누가 보장하나?” 일부 프로젝트들은 AI 에이전트 시대에 이러한 검증 수요가 커질 것으로 보고 있다. 0G Labs는 그중 하나다.
40G Labs — 에이전트 인프라의 한 접근법
CEO Michael Heinrich의 표현이다. “AI agents are software that makes decisions and takes actions on behalf of users. If those agents run on infrastructure controlled by someone else, they aren’t autonomous — they’re tenants.” 남의 서버 위에서 돌아가는 AI 에이전트는 진짜 자율적이지 않다는 논리다.
0G Labs는 블록체인 기술로 이 문제에 접근한다. AI가 추론을 실행할 때마다 “이 결과는 조작되지 않았다”는 암호화 인증을 기록하고, AI 에이전트의 데이터를 특정 회사 서버가 아닌 분산 네트워크에 저장하는 방식이다. 2025년 9월 메인넷을 출시했고, 약 4,000억 원($290M) 펀딩을 바탕으로 Chainlink·Google Cloud·Alibaba Cloud 등 100개 이상의 파트너를 확보했다. 이 접근이 AI 에이전트 시대의 표준 인프라가 될지는 아직 열려 있는 질문이다.
5TurboQuant 이후 AI 인프라가 바뀌는 방향
TurboQuant와 0G Labs는 서로 다른 문제를 풀고 있지만, 같은 방향을 가리킨다. 하나는 “AI를 더 싸게 돌릴 수 있게”, 다른 하나는 “어디서 돌려도 믿을 수 있게”다. 비용이 낮아지고 검증이 가능해지면, AI는 대형 클라우드 전용 도구에서 일반 인프라로 이동한다.
이 전환이 실제로 일어나고 있는지 확인하는 방법이 있다. TurboQuant가 성공했는지 확인하는 가장 좋은 지표는 반도체 판매량이 아니다. 실제 AI 추론 사용량이 얼마나 늘어나는지를 보는 것이다. 비용 감소가 사용량 증가로 이어진다면 Jevons Paradox가 작동한 것이다. Larsen의 LLM Token Spending Index, GPU Hours 사용량, 월별 AI 추론 요청 수 — 이 지표들이 반도체 주가보다 먼저 방향을 알려준다.
지금까지 AI 투자는 NVIDIA·Microsoft·Amazon(AWS)으로 집중됐다. TurboQuant가 가리키는 방향은 AI가 대형 클라우드 바깥으로도 퍼진다는 것이다. 이 흐름이 본격화되면 엣지 컴퓨팅·탈중앙 인프라 관련 기업에도 자본이 흘러들 가능성이 있다. AI 인프라 레이어 전반의 수요 구조와 연결해서 보면 이해가 된다.
6지금 봐야 할 관찰 포인트
메모리 주식 급락 — 공포와 실제 수요를 구분해야 한다
SK하이닉스의 2026년 HBM 물량은 이미 완판 상태다. Micron도 마찬가지다. 지금의 하락은 “실제 수요 감소”가 아니라 공포가 만든 가격 조정에 가깝다. Micron 분기 실적 발표(2026년 6월 예정)가 실제 수요 변화를 가늠하는 첫 번째 데이터 포인트가 된다.
Token Spending과 AI 추론 수요 — 진짜 신호는 여기 있다
TurboQuant의 영향을 제대로 보려면 반도체 주가가 아니라 AI 사용량 지표를 봐야 한다. LLM Token Spending Index, 월별 AI 추론 요청 수, GPU Hours 사용량이 반도체 수요보다 먼저 방향을 알려준다. 비용 감소가 사용량 증가로 이어지는 흐름이 확인되면 Jevons Paradox가 작동하고 있다는 신호다.
0G Labs — 채택 속도를 관찰하는 단계다
$0G 토큰은 Binance·OKX·Bybit에 상장돼 있다. 개념은 설득력이 있지만, AI 에이전트 경제가 실제로 이 인프라를 채택하는지를 먼저 확인해야 한다. 핵심 지표는 월별 온체인 AI 추론 요청 수와 신규 파트너 유입 속도다. 이 숫자가 꾸준히 오른다면 실제 채택이 일어나고 있다는 신호로 볼 수 있다.
이 글의 모든 내용은 투자 권유가 아닌 정보 제공 목적이다. TurboQuant는 현재 연구 단계 기술이며 대규모 프로덕션 배포는 확인되지 않았다. 0G Labs 관련 수치는 공식 보도자료 기반이며, 토큰 투자는 높은 변동성과 손실 가능성을 수반한다. 모든 투자 판단과 책임은 본인에게 있으며, 중요한 결정 전 전문 금융 어드바이저 상담을 권고합니다.
7자주 묻는 질문
| 질문 | 답변 |
|---|---|
| TurboQuant가 HBM 수요에 영향을 주지 않는다면, 왜 주가가 폭락했나요? | 알고리즘 매도와 공포 심리가 겹쳤다. HBM은 주로 학습(Training) 단계에 쓰이는데, TurboQuant는 추론(Inference) 단계 일부만 건드린다. 시장이 이 구분을 하지 않고 “AI 메모리 수요 감소”로 단순화해 반응한 거다. |
| 제번스의 역설이 이번에도 적용된다고 확신할 수 있나요? | 확신할 수 없다. 다만 DeepSeek, LLAMA 등 AI 비용이 낮아질 때마다 수요가 오히려 늘어난 패턴이 반복됐다. TurboQuant가 같은 결과를 낳을지는 Token Spending Index와 GPU Hours 지표로 확인해야 한다. |
| 0G Labs는 다른 블록체인 프로젝트와 어떻게 다른가요? | AI 에이전트 검증에 특화됐다는 점이 다르다. 기존 블록체인은 금융 거래 검증에 초점을 뒀다. 0G Labs는 “AI가 어떤 연산을 수행했는가”를 증명하는 구조로 설계됐다. EU AI Act처럼 AI 결과 출처 증명이 법적으로 요구되기 시작하면 이 차별성이 중요해진다. 다만 이 시장이 실제로 열릴지는 아직 열려 있는 질문이다. |
| TurboQuant 실서비스 적용 시점은 언제인가요? | Google이 명확한 일정을 밝히지 않았다. Evercore는 “빨라야 2026년 하반기”로 보고 있다. 연구 단계에서 프로덕션 배포까지의 시차가 있어서, 단기 주가 충격은 공포가 앞서간 측면이 크다. |
결론 — 공포가 만든 가격 조정에서 무엇이 보이는가
이번 주가 폭락은 기술 변화의 방향을 잘못 읽은 공포가 만든 결과에 가깝다. TurboQuant는 “AI 메모리 수요 붕괴”의 신호가 아니다. AI가 더 많은 곳에서 더 많이 쓰이게 되는 전환의 신호다. 0G Labs가 말하는 “에이전트는 세입자가 아니어야 한다”는 메시지는 하나의 접근법이고, 이 방향이 실제로 시장에서 채택될지는 지켜봐야 한다.
솔직히 말하면, 이 두 발표에서 가장 흥미로운 건 기술 스펙이 아니다. 둘이 같은 방향을 가리키고 있다는 점이다. 비용이 낮아지고(TurboQuant), 검증이 가능해지면(0G Labs) — AI는 대기업 전용 도구에서 일반 인프라로 이동한다. 그 이동이 얼마나 빠르게 진행되는지는 반도체 주가가 아니라 AI 추론 사용량으로 먼저 보인다.
즉, 중요한 것은 TurboQuant가 메모리를 얼마나 절약했느냐가 아니다. 절약된 비용이 실제 AI 사용량 증가로 이어지느냐다. 앞으로 관찰해야 할 것은 반도체 수요가 아니라 AI 수요다.
