최근 AI 업계에 새로운 모델 출시와 프레임워크 업데이트, 하드웨어 개발 소식이 잇따르고 있다.

구글은 역대 최대 규모의 사전 학습 모델인 제미나이 4 Argon을 공개했다. 코드 생성과 보안 감사(security auditing) 능력이 뛰어나며, 초기 도입 가격 또한 경쟁력 있게 책정했다. 실용성에 무게를 둔 모습이다. 메타 역시 최첨단 모델 제품군인 Muse Wonder를 출시하며 성능 시험(benchmark)에서 최상위권을 기록했다.

앱 개발 분야에서는 Hotwire Native가 효율적인 하이브리드 프레임워크(hybrid framework)를 선보였다. 웹 콘텐츠를 화면에 구현하면서도, 페이지 이동 같은 내비게이션에는 기기 고유의 구성 요소(native components)를 활용해 개발 효율을 높였다.

소프트웨어뿐 아니라 하드웨어 진화도 빠르다. 메모리 제조사들은 칩 용량을 늘리고 시장 경쟁력을 확보하기 위해 새로운 4F² 셀 구조와 고밀도 제조 공정 개발에 박차를 가하고 있다.

01구글 제미나이 4 Argon — 단순 코딩 넘어 완성형 앱 제작까지

구글의 제미나이 4 Argon이 자동 소프트웨어 개발의 한계를 넓히고 있다. 단순한 코드 조각을 만드는 수준을 넘어, 단 한 번의 명령(프롬프트)만으로 복잡하고 실제로 작동하는 애플리케이션을 구축한다. 개발자와 기업 입장에서는 AI가 더 큰 규모의 설계 작업을 수행하고, 기존 고성능 모델들이 놓치기 쉬운 치명적인 보안 결함을 찾아낼 수 있다는 뜻이다. 수동 디버깅이나 초기 프로토타입 제작에 드는 시간이 크게 줄어들 가능성이 높다. 이제 AI가 설계도까지 그리는 셈이다.

이 모델은 최소한의 안내만으로도 정교한 도구를 만들어내는 능력을 입증했다. 예를 들어 롤랜드(Roland) 신시사이저와 프로펠러헤즈(Propellerheads)의 리버스(ReBirth)를 언급한 짧은 명령어를 입력하자, 세련된 인터페이스와 스텝 시퀀서가 포함된 실제 음악 제작 앱을 구현했다. 규모 면에서도 압도적이다. 샌드박스 물리 시뮬레이션 테스트에서는 모래, 물, 기름의 상호작용을 구현하기 위해 1,700줄이 넘는 단일 HTML 코드를 생성했다. 이는 Opus나 Wonderful 같은 기존 모델들이 생성한 코드 양을 크게 상회하는 수준이다.

단순한 제작을 넘어 엄격한 보안 감사관 역할도 수행한다. Opus 5.5가 만든 애플 워치(Apple Watch) 메시징 앱의 코드를 분석한 결과, 여러 버그와 함께 웹훅(webhook, 앱 간 인터넷 메시지 전송 방식) 노출이라는 특정 취약점을 찾아냈다. 이 결함은 공격자가 Grok Bot의 제어권을 획득해 민감한 정보를 요청할 수 있는 위험 요소로 분석됐다. 보안의 빈틈을 정확히 짚어낸 결과다.

지능은 높지만, 제공 방식에 따라 사용자 경험은 엇갈린다. 일부 사용자는 '반중력(anti-gravity)' 애플리케이션의 인터페이스와 프레임워크가 ChatGPT나 Codex의 매끄러운 경험에 비해 사용하기 불편하다고 지적했다. 이러한 인터페이스 문제에도 불구하고, 제미나이 4 Argon은 구글 AI Pro 및 Ultra 구독자를 대상으로 제미나이 앱을 통해 서비스 범위를 넓히고 있다.

02Hotwire Native — 웹의 효율성과 네이티브의 성능을 결합한 구조

모바일 앱 개발 방식은 개발 속도와 하드웨어 제어 수준 사이의 선택 문제다. 보통 네이티브, 크로스 플랫폼, 하이브리드 세 가지 경로로 나뉜다. 네이티브 방식은 iOS와 안드로이드용 앱을 각각 개발해 기기 성능을 최대한 활용한다. 플러터(Flutter)나 리액트 네이티브(React Native) 같은 크로스 플랫폼 도구는 하나의 코드로 두 플랫폼을 동시에 지원해 절충안을 제시한다. 하이브리드 앱은 웹 애플리케이션을 네이티브 앱 껍데기(shell)로 감싸는 방식을 취한다. 효율적이지만, 애플의 심사 기준을 맞추려면 푸시 알림 같은 네이티브 수준의 기능 구현이 필수적이다. 결국 효율과 성능의 줄타기다.

하이브리드 모델을 선택한 팀에게 Hotwire Native는 구조를 최적화하는 대안이 된다. 웹 기반의 경험과 완전한 네이티브 방식 사이에서 고민할 필요 없이, 앱의 대부분은 웹 콘텐츠로 유지하되 꼭 필요한 화면만 네이티브 구성 요소로 교체하는 식이다. 덕분에 웹 개발의 빠른 속도를 유지하면서도, 고성능이 필요하거나 기기 특화 기능이 들어가는 부분은 사용자에게 매끄럽게 전달할 수 있다. 필요한 곳에만 네이티브를 심는 전략이다.

앱의 안정성은 개발 업체에서 고객사로 프로젝트를 넘길 때 보안 인프라를 어떻게 처리하느냐에 달려 있다. 서명 키, 인증서, 푸시 알림 키 같은 핵심 자산이 업체 계정에서 생성되는 경우가 많다. 만약 업체가 나중에 이 키들을 삭제하면 푸시 알림 같은 필수 서비스가 즉시 중단된다. 이를 막으려면 제품 책임자는 개발사가 준 파일을 그대로 받기보다, 본인 계정에서 키를 직접 다시 생성하고 교체해야 한다. 그래야 개발 업체와의 관계와 상관없이 앱 운영의 연속성을 보장할 수 있다. 소유권 없는 키는 시한폭탄과 같다.

03메타가 내놓은 고성능 AI 모델 뮤즈 원더의 성능은 어느 정도일까

메타가 최고급 인공지능(AI) 경쟁 구도를 뒤흔들 최신 고성능 모델 군인 뮤즈 원더(Muse Wonder) 시리즈를 새롭게 공개했다. 이번에 선보인 뮤즈 원더와 뮤즈 원더풀 풀(Muse Wonderful Full)은 기계 지능의 한계를 끌어올리도록 설계된 대규모 고성능 모델이다. 기업과 개발자 관점에서 이번 출시는 메타가 세계 최고 수준의 AI와 어깨를 나란히 하게 되었음을 의미하며, Opus 5.5를 제외하면 현재 시중에 나온 거의 모든 모델을 뛰어넘는 성능을 보여준다.

이 모델들의 성능은 다른 최상위 시스템과의 엄격한 성능 시험(벤치마크)을 거쳐 검증됐다. Fable 5.1, GPT6 아스트라(GPT6 Astra), Opus 5.5와 비교했을 때, 뮤즈 원더는 최고 수준의 인지 능력을 평가하도록 설계된 개인용 초지능 지수에서 59점을 기록했다. 테오(Theo)가 집계한 순위에 따르면 이 모델은 가장 강력한 AI를 뜻하는 최상위 S 등급에 올랐다. 같은 순위에서 뮤즈 원더는 Opus 5.5와 나란히 자리잡았고, GPT 6.1 소울(GPT 6.1 Soul) 같은 우수 모델들은 그보다 한 단계 아래인 A 등급으로 분류됐다.

메타는 이러한 고성능 지능에 널리 쓰이도록 유도하는 가격 전략을 함께 내놓았다. 뮤즈 원더는 입력 토큰 100만 개당 4달러, 출력 토큰 100만 개당 20달러로 책정됐으며, 캐시된 입력은 100만 개당 20센트에 이용할 수 있다. 이 요금은 짧은 문맥 기준인 GPT 6.1 소울의 입력 100만 개당 2달러, 출력 100만 개당 10달러보다는 다소 높지만, 최상급 모델 분류 안에서는 여전히 경쟁력 있는 수준을 유지한다. 메타는 S등급의 성능과 상대적으로 접근 가능한 비용을 조화시켜, 가장 앞선 AI 시스템에 따르는 과도한 비용 부담 없이 최고 수준의 지능이 필요한 이들에게 현실적인 대안으로 뮤즈 원더 시리즈를 밀고 있다.

04ArcEngine의 게임 자동 생성 — GPT 6.1 Soul Max의 작업당 비용 72센트

ArcEngine은 대규모 언어 모델(LLM)이 자바스크립트를 이용해 게임을 만들 수 있도록 돕는 전용 엔진이다. 텍스트 명령어 하나로 실제 플레이 가능한 앱을 만드는 과정을 단순화했다. 개발자 입장에서 가장 큰 장점은 배포 자동화다. 윈도우(Windows)와 macOS 모두에서 즉시 실행할 수 있는 플랫폼별 실행 파일을 제공한다. 운영체제마다 일일이 설정해야 했던 기술적 번거로움을 없앴다. AI가 짠 코드가 실제 게임으로 구현되는 속도가 비약적으로 빨라졌다.

배포는 효율적이지만, 정작 게임을 생성하는 과정은 자원을 많이 소모한다. AI가 정보를 처리하는 단위인 텍스트 조각(token) 소비량이 많아, 정해진 시간 내에 보낼 수 있는 요청 횟수인 사용량 제한(rate limit)에 걸리는 경우가 잦다. 예를 들어 GPT 6.1 Sol로 제작한 마리오 프로젝트는 캐시 데이터를 포함해 450만 개의 토큰을 사용했으며, 5시간 기준 사용 한도의 25%를 소진했다. 다른 고성능 모델들도 비슷했다. Sonnet 5.5와 Opus는 각각 5시간 한도의 29%와 28%를 사용하며 과제를 마쳤다. 자원 소모가 상당한 수준이다.

이러한 자원 수요는 서비스 제공사별 운영 비용의 극명한 차이를 보여준다. Sonnet, Opus, Fable 같은 최상위 모델은 작업당 7.63달러로 가장 비싸다. Muse Wonder Max는 4.52달러, Astra는 3.26달러, 제미나이 4 Argon은 2달러 수준이다. 반면 GPT 6.1 Soul Max는 작업당 비용이 72센트에 불과해 압도적인 가성비를 보여준다. 지능과 비용, 할당량을 종합적으로 고려할 때 GPT 6.1 Soul Max는 합리적인 대안이다. 고성능 모델의 과도한 비용 부담 없이 게임 생성 같은 대규모 처리 작업을 지속 가능하게 수행할 수 있기 때문이다.

05오픈AI, AI가 쓴 수학 논문 722편 공개 — 계산 도구에서 주저자로

인간의 직관과 기계의 계산 경계가 희미해지고 있다. 인공지능이 정식 과학 연구의 저자로 나서기 시작했기 때문이다. 최근 오픈AI는 AI가 단독으로 작성한 722편의 수학 논문 모음집을 공개했다. 이는 단순한 계산 도구를 넘어, 기계가 새로운 수학적 결과물을 만들어내는 주저자 역할을 수행하는 '과학 발견의 자동화' 시대로 진입했음을 의미한다. 이제 복잡한 이론적 문제를 인간의 개입 없이 스스로 해결하는 시스템이 인류의 지식 확장 속도를 획기적으로 앞당길 가능성이 커졌다. 지식 확장의 주체가 바뀌고 있다.

이번 공개의 규모와 야심은 전례 없는 수준이다. 722편의 논문 중에는 불과 몇 달 전까지만 해도 전문가들이 불가능하다고 믿었던 주장과 결과들이 포함되어 있다. 오픈AI는 이를 통해 AI가 수년간 인간 연구자들이 발견하지 못한 수학적 진실이나 지름길을 찾아낼 수 있음을 증명했다. 이미 알려진 문제를 푸는 단계에서 생각지도 못한 새로운 가설을 제시하는 단계로 진화한 것이다. 수학과 과학의 연구 방식이 근본적으로 변하고 있으며, 이제 AI가 이론적 최전선을 이끄는 시대가 다가오고 있다. 정답을 맞히는 수준을 넘어 새로운 문제를 정의하기 시작했다.

하지만 이러한 성과 뒤에는 거센 논쟁이 뒤따른다. 수학적 주장이 참임을 입증하는 논리적 단계인 '증명'의 성격을 두고 수학계의 의견이 갈리고 있기 때문이다. AI가 결과물을 낼 수는 있지만, 그 과정이 전통적인 수학적 엄밀함에 부합하는지, 혹은 기계만의 독자적인 논리에 의존한 것인지에 대해 회의적인 시각이 많다. 이는 AI 시대의 핵심 과제를 시사한다. 기계가 내놓는 과학적 결과물이 복잡해질수록, 이를 검증하고 감사하는 인간의 능력이 오히려 병목 현상을 일으키는 제약이 된다는 점이다. 결국 722편의 논문이 맞느냐 틀리느냐의 문제를 넘어, 저자가 알고리즘일 때 과학계가 '진실'을 어떻게 정의할 것인가라는 본질적인 질문이 남았다.

06Lambda: Nvidia GPU 공급을 통한 AI 연구 검증 시간 단축

새로운 인공지능(AI) 발견이 검증되는 속도가 빨라지면서, 이론적인 논문이 실제 도구로 구현되는 방식이 바뀌고 있다. 개발자들은 이제 전용 하드웨어를 설정하거나 서버 차례를 기다리며 몇 주씩 허비하는 대신, 단 몇 분 만에 복잡한 AI 이론을 검증할 수 있다. 연구의 호흡이 짧아졌다. 이러한 변화 덕분에 커뮤니티는 새로운 방법론의 실효성을 빠르게 판단하고, 이를 즉시 발전시키는 선순환 구조를 갖추게 됐다.

Lambda는 고강도 연산에 필수적인 Nvidia GPU를 제공하며 이러한 가속화를 뒷받침한다. 그래픽 처리 장치(GPU)는 현대 AI의 핵심 엔진이며, 이를 쉽게 사용할 수 있게 되면서 연구 논문의 결과를 매우 효율적으로 재현할 수 있게 됐다. 단순히 결과를 따라 하는 수준을 넘어, 플랫폼을 통해 완전히 새로운 모델을 처음부터 학습시키거나 미세 조정(fine-tuning)을 진행하는 것도 가능하다. 미세 조정은 기존의 범용 모델을 특정 전문 작업에 최적화해 성능을 높이는 핵심 과정으로, AI를 틈새 분야에 더 유용하게 만드는 작업이다.

나아가 이 인프라는 완성된 모델이 실제 결과물을 만들어내는 운영 단계인 추론(inference) 과정까지 지원한다. 텍스트 생성, 이미지 제작, 비디오 생성 등 어떤 목적이든 Lambda가 제공하는 하드웨어가 생성형 작업에 필요한 막대한 연산량을 처리한다. 다양한 기능에 필요한 기초 컴퓨팅 파워를 제공함으로써, 학술적 발표와 실제 적용 사이의 간극을 메우는 역할을 한다. 이론이 곧 제품이 되는 시대다. 덕분에 연구 성과가 실제 사용 가능한 모델로 전환되는 과정이 최대한 효율적으로 이뤄지며, 더 많은 참여자가 AI의 한계를 시험하고 확장할 수 있는 환경이 조성된다.

07메모리 셀 면적 33% 축소 — CXMT, 삼성보다 2년 빠른 도입

메모리 제조사들은 공장 부지를 넓히지 않고도 칩 하나에 더 많은 데이터를 저장하기 위해 치열하게 경쟁하고 있다. 그 핵심은 4F² 셀 구조로의 전환이다. 이 기술을 적용하면 고용량 메모리를 훨씬 효율적으로 생산할 수 있다. 중국의 CXMT는 올해 안에 이 구조를 적용한 서버용 DRAM 제품을 출시하겠다고 밝혔다. 삼성의 도입 목표 시점이 2028년이라는 보고가 있는 만큼, CXMT가 차세대 설계 도입 속도에서 약 2년 정도 앞서나갈 가능성이 크다. 사실상 속도전이다.

기술적 이점을 이해하려면 정보를 기록하기 위해 전자를 저장하는 미세 공간인 '셀(cell)'에 주목해야 한다. 현재 표준 설계는 보통 6F² 면적 규격을 따른다. 이를 4F² 구조로 전환하면 개별 셀의 면적이 6단위에서 4단위로 줄어든다. 개별 셀 면적이 약 33% 감소하는 셈이다. 제조사 입장에서 이 작은 부품의 크기를 줄이는 것이 칩의 전체 저장 용량을 늘리는 가장 직접적인 방법이다. 크기가 곧 경쟁력이다.

면적 축소가 가져오는 실질적인 효과는 가상 공간 예시로 명확히 드러난다. 600단위의 공간이 있을 때, 기존 6F² 구조에서는 셀 100개를 배치할 수 있다. 하지만 4F² 구조로 바꾸면 같은 공간에 150개를 채울 수 있다. 셀 밀도가 50%나 높아지는 결과다. 같은 면적에 더 많은 셀을 밀어 넣어 메모리 용량과 밀도를 획기적으로 끌어올리는 방식이다. 특히 막대한 자본이 들어가는 신규 팹(fab, 반도체 생산 공장) 건설 없이 기존 생산 라인에서 더 높은 가치와 용량을 확보할 수 있다는 점이 제조사들에게 매우 매력적이다. 효율의 극대화다.

084F² 기술 — 트랜지스터 구조 변경을 통한 칩 용량 확대

메모리 제조사는 공장을 새로 짓는 막대한 비용 없이도 칩 용량을 획기적으로 늘릴 수 있다. 같은 면적에 더 많은 데이터 기록 단위를 넣으면 더 효율적이고 저렴하게 고용량 메모리를 생산할 수 있기 때문이다. 이것이 바로 4F² 기술의 핵심 목표다. 정보 기록 공간인 셀(cell)의 상대적 크기를 6에서 4로 줄이는 방식이다. 실제로 이 구조를 적용하면 기존에 100개의 셀이 들어가던 공간에 150개를 넣을 수 있어 집적도가 크게 높아진다.

이러한 개선의 핵심은 전류의 흐름을 제어하는 전자 스위치인 트랜지스터의 설계를 근본적으로 바꾸는 데 있다. 기존 DRAM은 전류가 흐르는 경로가 주로 바닥면을 따라 수평으로 배치된 구조다. 반면 4F² 기술은 이 경로를 수직으로 세웠다. 채널을 눕히지 않고 세움으로써 실리콘 표면에서 차지하는 면적을 대폭 줄인 것이다. 3차원 공간을 활용해 공간 효율을 극대화함으로써 더 촘촘하게 셀을 배치할 수 있게 됐다.

이 구조적 변화는 글로벌 메모리 주도권, 특히 서버급 하드웨어 시장의 핵심 격전지가 됐다. 중국 메모리 기업 CXMT는 올해 안에 이 새로운 구조를 적용한 서버 DRAM 제품을 출시하겠다고 발표했다. 삼성의 도입 목표 시점이 2028년으로 알려진 것과 비교하면 상당히 공격적인 행보다. 이 전망이 맞다면 CXMT는 차세대 구조 도입 속도에서 삼성을 2년 앞서게 된다. 업계에 이는 단순한 기술적 성과를 넘어, 기존 생산 시설의 효율을 극대화하면서 고용량 메모리 단가를 누가 더 효과적으로 낮추느냐의 생존 경쟁이다.

09CXMT G5 플랫폼, 웨이퍼당 칩 수를 50% 늘린 비결은 무엇일까?

CXMT가 실리콘 웨이퍼 한 장에 더 많은 메모리 칩을 배치해 생산 효율을 대폭 끌어올리고 있다. G5 플랫폼을 통해 웨이퍼당 전체 칩 수를 최소 50% 이상 늘렸다. 이는 불량품을 제외하기 전의 총 생산량(gross number) 기준이다. 공장 규모를 무작정 키우기보다, 같은 원자재로 더 많은 결과물을 내는 밀도와 효율성에 집중한 결과다. 효율의 극대화다.

이러한 고밀도 구현을 위해 CXMT는 메모리 셀이 차지하는 물리적 면적을 줄이는 데 집중하고 있다. 특히 단일 메모리 셀의 점유 면적을 정의하는 기술 표준인 '4F² 정사각형 구조(4F² square structure)'를 도입했다. 4F 정사각형 개념은 업계 표준이지만, 트랜지스터와 연결 회로를 내부적으로 어떻게 배치하느냐는 기업마다 다르다. 이는 업계 전반의 흐름이기도 하다. SK Hynix 역시 2025년 공식 로드맵에 4F 정사각형 구조와 수직 게이트 구조, 회로를 별도 웨이퍼에 배치하는 기술을 포함했다. 기존의 동적 랜덤 액세스 메모리(DRAM)를 단순히 작게 만드는 것이 한계에 다다르면서, 이제는 공간 확보를 위해 셀 구조 자체를 재설계하는 방향으로 가고 있다. 구조의 패러다임이 바뀌고 있다.

하지만 셀을 촘촘하게 배치하면 신호 간섭이라는 심각한 공학적 난관에 부딪힌다. DRAM은 전하 형태로 저장된 매우 미세한 전기 신호를 읽어 작동한다. 셀 사이의 배선이 너무 밀집되면, 한쪽 배선의 전압 변화가 인접한 배선으로 흘러 들어가 신호를 방해하게 된다. 시끄러운 방 안에서 다른 사람들의 고함 소리 때문에 전화 상대방의 목소리가 잘 들리지 않는 상황과 비슷하다. 웨이퍼의 칩 밀도를 높이려는 기업들에게 이 간섭 현상을 제어하는 것이 현재 가장 큰 숙제다. 결국 디테일의 싸움이다.

10삼성전자, 4F² 구조와 하이브리드 본딩으로 메모리 집적도 극대화

메모리 미세화의 한계가 다가오면서 칩 제조사들이 데이터 저장 설계의 근본적인 변화를 꾀하고 있다. 삼성전자가 주목하는 것은 4F² DRAM 구조다. 4F²는 메모리 셀 하나가 차지하는 물리적 면적을 뜻한다. 삼성전자는 집적도를 극대화하기 위해 저장 셀과 제어 회로를 분리해 쌓는 하이브리드 본딩(hybrid bonding) 기술을 연구 중이다. 설계의 패러다임을 바꾸려는 시도다.

기존에는 이 모든 요소가 하나의 층에 통합된 형태였다. 삼성전자가 구상하는 방식은 셀과 회로를 각각 다른 웨이퍼에서 만든 뒤 결합하는 것이다. 이렇게 하면 각 부품의 특성에 맞춰 생산 공정을 독립적으로 최적화할 수 있다. 특히 셀과 회로가 필요로 하는 공정 온도가 서로 다르다는 점을 해결하기에 적합하다. 회로를 별도 층으로 분리하면 저장 셀이 차지할 공간이 넓어져, 같은 면적에 더 많은 데이터를 저장할 수 있게 된다. 공간 효율의 극대화다.

이는 기존 미세 공정이 한계에 다다르며 나타난 업계의 공통된 움직임이다. SK하이닉스 또한 2025년 공식 로드맵에 4F² 설계와 수직 게이트 구조, 회로 전용 웨이퍼 도입 등을 명시했다. 다만 셀을 극도로 촘촘하게 배치하면 신호 간섭(signal interference)이라는 새로운 난제가 발생한다. DRAM은 매우 미세한 전기 신호를 읽어야 하는데, 배선이 너무 가까우면 전압 간섭으로 인해 신호가 왜곡될 수 있다. 옆에서 누군가 크게 소리를 지르는 상황에서 전화 통화를 하려는 것과 비슷하다. 소음 때문에 정작 필요한 메시지를 듣지 못하는 상황이 벌어지는 셈이다.

11CXMT, 공장 확장보다 회로 미세화에 집중

CXMT는 웨이퍼 한 장에서 생산할 수 있는 메모리 칩 수를 늘려 전체 생산 효율을 높이는 데 집중하고 있다. 단순히 공장 규모를 키우는 대신, 회로 크기를 줄이는 첨단 제조 기술에 투자하는 전략이다. 그 핵심은 G5 공정에 도입된 자가 정렬 4중 패터닝(SAQP) 기술이다. 이 기술을 통해 훨씬 더 세밀하고 촘촘한 회로 패턴을 구현함으로써 웨이퍼 활용도를 극대화하겠다는 계산이다. 효율의 싸움이다.

회로를 극도로 미세하게 만들면 패턴이 너무 촘촘해져 기존 방식으로는 필요한 두께와 간격을 유지하기가 거의 불가능하다. 자가 정렬 4중 패터닝(SAQP)은 패턴을 만드는 방식 자체를 바꿔 이 문제를 해결한다. 처음부터 얇은 선을 직접 그리는 것이 아니라, 먼저 기둥 모양의 넓은 구조물을 만든다. 그다음 이 기둥 옆면에 얇은 막을 입히고 중심 기둥을 제거하면 좁은 벽만 남게 된다. 이 과정을 반복하면 초기 설계보다 훨씬 밀도가 높은 패턴을 얻을 수 있다. 직접 그리는 대신 미리 만들어진 틀의 모서리를 이용해 선을 정의하는 방식이다.

밀도를 높일 수 있다는 장점에도 불구하고, 공정이 복잡한 만큼 제조 리스크도 크다. 정밀한 층 쌓기에 의존하기 때문에 재료의 두께나 간격이 조금만 어긋나도 회로 정렬이 틀어져 칩을 사용할 수 없게 된다. 결국 CXMT가 해결해야 할 과제는 웨이퍼 전체의 균일성을 유지하면서 비용 효율성을 확보하는 것이다. G5 공정의 성패는 이론적 설계를 넘어 미세 회로의 안정적인 대량 생산 체제를 구축하느냐에 달려 있다. 실전 검증의 단계다.

12CXMT: 충분한 성능이 바꾸는 글로벌 메모리 시장의 판도

CXMT가 전 세계 선두 메모리 반도체 기업을 절대적인 성능에서 앞지를 필요는 없다. 글로벌 메모리 시장을 흔들 수 있는 진짜 위협은 '충분한 성능'이라는 개념에서 나온다. CXMT가 중국 기업들의 기본 요구를 충족하는 반도체를 생산할 수 있다면, 이들 기업은 삼성전자와 SK하이닉스 같은 기존 한국 공급업체에서 국산 제품으로 조달 방식을 바꿀 수 있다. 이러한 전환은 한국 대기업들의 핵심 고객 기반을 무너뜨리며, 손실을 메우기 위해 중국 외 시장에서 공격적인 가격 인하를 단행하도록 만들고 결국 글로벌 가격 경쟁을 심화시킬 수 있다.

이러한 전환을 가능하게 하기 위해 CXMT는 단일 실리콘 웨이퍼에서 생산되는 칩의 개수를 늘리는 기술에 투자하고 있다. 이 전략의 핵심 부분은 자체 정렬 쿼드 패터닝(SAQP·Self-Aligned Quadruple Patterning)이라는 공정이다. 반도체 제조에서 현대식 메모리에 필요한 극도로 미세한 회로 패턴을 그려내는 일은 엄청난 난제다. SAQP는 이 얇은 선들을 직접 그리려 시도하는 대신 스페이서 방식을 사용한다. 엔지니어들은 먼저 비교적 넓은 기둥 형태의 패턴을 만든 뒤 측면에 얇은 소재 층을 코팅하고 원래의 기둥을 제거한다. 이렇게 하면 두 개의 정밀하고 얇은 벽이 남게 된다. 이 주기를 반복함으로써 CXMT는 한 번에 그려내는 방식으로는 불가능한 훨씬 촘촘한 회로 패턴을 만들어낼 수 있다.

결국 CXMT의 경쟁력은 이렇게 더 촘촘해진 칩을 안정적이고 대량으로 생산하는 능력을 유지하는지에 따라 평가된다. 이 기업이 모든 기술 부문에서 삼성전자를 즉각 추월하지는 못하더라도, 신뢰성과 규모의 임계점에 도달하는 것만으로도 기존 질서를 뒤흔들기에 충분하다. 중국 시장의 구체적인 수요를 충족함으로써 CXMT는 최고 성능을 향한 경쟁에서 지역 공급망과 가격 결정권을 둘러싼 전략적 싸움으로 판도를 바꾸며 글로벌 지형을 흔들 수 있다.