AMEET MEDIA|AMEET SPOT|AMEET TOON
AMEET MEDIA

"메모리 95% 안 써도 된다"… 中 딥시크가 쏘아올린 '초저가 AI' 공포

AMEET AI 분석: 중국 딥시크가 초저가 AI 모델을 공개하며 HBM 및 SSD 사용량을 줄여, AI 관련주와 반도체 수요 둔화에 대한 우려가 커지고 있다.

"메모리 95% 안 써도 된다"… 中 딥시크가 쏘아올린 '초저가 AI' 공포

HBM·SSD 수요 둔화 우려에 반도체 시장 긴장… 하드웨어 중심 AI 공식 깨지나

중국 인공지능(AI) 연구소인 딥시크(DeepSeek)가 2026년 9월 11일, 고대역폭메모리(HBM)와 저장장치(SSD) 사용량을 획기적으로 줄인 초저가 AI 모델을 공개했습니다. 이번 발표는 그동안 고성능 하드웨어의 무한 확장에 의존해왔던 AI 산업의 지형도를 바꾸는 사건으로, 반도체 수요 둔화에 대한 우려를 전 세계 시장에 던지고 있죠. 연합뉴스 등 주요 외신은 딥시크의 이번 신모델이 이른바 '메모리 킬러'로 부상하며, 그동안 견고했던 AI 반도체 중심의 성장세에 찬물을 끼얹을 수 있다고 전했습니다.

이번 사건의 핵심은 '효율성'에 있습니다. 딥시크는 2026년 9월 11일 신모델 공개를 통해 AI의 두뇌 역할을 뒷받침하는 HBM과 방대한 데이터를 담아두는 SSD의 용량을 크게 줄였다고 밝혔는데요. 실제로 딥시크는 앞선 2026년 7월 17일, 최신 V4 모델을 선보이며 AI 추론에 필요한 메모리 자원을 기존보다 무려 95%나 절감하는 데 성공했다고 발표한 바 있습니다. AI를 돌리는 데 필요한 에너지는 줄이면서도 성능은 유지하겠다는 전략인 셈입니다.

여기서 한 가지 눈여겨볼 점이 있는데요. 그동안 삼성전자나 SK하이닉스 같은 반도체 기업들은 AI 열풍에 힘입어 HBM 같은 고부가가치 제품을 앞세워 실적을 쌓아왔습니다. 하지만 딥시크의 주장대로라면, 앞으로는 비싼 반도체를 많이 사지 않고도 소프트웨어 기술력만으로 고성능 AI를 운영할 수 있게 됩니다. 딥시크는 2026년 9월 10일 터보퀀트 기술을 발표하면서 메모리 수요를 줄일 수 있다는 관측을 현실화했고, 이는 곧바로 반도체 업계의 수요 둔화 우려로 이어졌습니다.

핵심 지표변동 사항발표 시점비고
메모리 사용량95% 절감2026년 7월 17일V4 모델 기준
HBM·SSD 용량감소2026년 9월 11일초저가 모델 적용
AI 운영 비용대폭 하락2026년 9월 11일소프트웨어 최적화

시장은 즉각 반응하고 있습니다. 2026년 9월 11일 오후 기준으로 코스피가 전일 대비 1.76% 하락한 6,909.91을 기록하며 약세를 보였고, 반도체 비중이 높은 코스닥 역시 1.95% 내린 820.64까지 밀려났죠. 물론 시장에는 다양한 변수가 얽혀 있겠지만, 딥시크발 소식이 AI 관련주와 반도체 수요에 대한 심리를 위축시킨 점은 분명해 보입니다. 특히 투자자들 사이에서는 AI 기술 발전이 무조건 하드웨어 수요 폭증으로 연결되던 공식이 깨질 수 있다는 경계심이 커지고 있는 상황입니다.

학계에서도 이러한 흐름에 주목하고 있습니다. 2025년 발표된 논문들에 따르면 '문케이크(Mooncake)'와 같은 새로운 아키텍처가 등장하며 AI 자원의 효율적인 분산 처리에 대한 논의가 활발해졌는데요. 딥시크의 행보는 이러한 기술적 흐름의 연장선상에 있다고 볼 수 있습니다. 소프트웨어가 하드웨어의 한계를 넘어서기 시작한 것이죠. 다만 일각에서는 딥시크 모델이 실제 산업 현장에서 어느 정도의 성능을 보여줄지, 그리고 HBM 시장에 미칠 장기적 영향이 어느 정도일지에 대해서는 조금 더 지켜봐야 한다는 시각도 존재합니다.

다음 관전 포인트

  • 딥시크의 초저가 AI 모델이 실제 글로벌 빅테크들의 하드웨어 주문량 감소로 이어질지 여부
  • 삼성전자와 SK하이닉스 등 국내 반도체 기업들의 향후 HBM 공급 계약 공시 및 실적 변동 추이
  • 중국발 AI 경량화 기술에 대응하는 미국 테크 기업들의 소프트웨어 최적화 경쟁 가속화

"메모리 95% 안 써도 된다"… 中 딥시크가 쏘아올린 '초저가 AI' 공포

HBM·SSD 수요 둔화 우려에 반도체 시장 긴장… 하드웨어 중심 AI 공식 깨지나

중국 인공지능(AI) 연구소인 딥시크(DeepSeek)가 2026년 9월 11일, 고대역폭메모리(HBM)와 저장장치(SSD) 사용량을 획기적으로 줄인 초저가 AI 모델을 공개했습니다. 이번 발표는 그동안 고성능 하드웨어의 무한 확장에 의존해왔던 AI 산업의 지형도를 바꾸는 사건으로, 반도체 수요 둔화에 대한 우려를 전 세계 시장에 던지고 있죠. 연합뉴스 등 주요 외신은 딥시크의 이번 신모델이 이른바 '메모리 킬러'로 부상하며, 그동안 견고했던 AI 반도체 중심의 성장세에 찬물을 끼얹을 수 있다고 전했습니다.

이번 사건의 핵심은 '효율성'에 있습니다. 딥시크는 2026년 9월 11일 신모델 공개를 통해 AI의 두뇌 역할을 뒷받침하는 HBM과 방대한 데이터를 담아두는 SSD의 용량을 크게 줄였다고 밝혔는데요. 실제로 딥시크는 앞선 2026년 7월 17일, 최신 V4 모델을 선보이며 AI 추론에 필요한 메모리 자원을 기존보다 무려 95%나 절감하는 데 성공했다고 발표한 바 있습니다. AI를 돌리는 데 필요한 에너지는 줄이면서도 성능은 유지하겠다는 전략인 셈입니다.

여기서 한 가지 눈여겨볼 점이 있는데요. 그동안 삼성전자나 SK하이닉스 같은 반도체 기업들은 AI 열풍에 힘입어 HBM 같은 고부가가치 제품을 앞세워 실적을 쌓아왔습니다. 하지만 딥시크의 주장대로라면, 앞으로는 비싼 반도체를 많이 사지 않고도 소프트웨어 기술력만으로 고성능 AI를 운영할 수 있게 됩니다. 딥시크는 2026년 9월 10일 터보퀀트 기술을 발표하면서 메모리 수요를 줄일 수 있다는 관측을 현실화했고, 이는 곧바로 반도체 업계의 수요 둔화 우려로 이어졌습니다.

핵심 지표변동 사항발표 시점비고
메모리 사용량95% 절감2026년 7월 17일V4 모델 기준
HBM·SSD 용량감소2026년 9월 11일초저가 모델 적용
AI 운영 비용대폭 하락2026년 9월 11일소프트웨어 최적화

시장은 즉각 반응하고 있습니다. 2026년 9월 11일 오후 기준으로 코스피가 전일 대비 1.76% 하락한 6,909.91을 기록하며 약세를 보였고, 반도체 비중이 높은 코스닥 역시 1.95% 내린 820.64까지 밀려났죠. 물론 시장에는 다양한 변수가 얽혀 있겠지만, 딥시크발 소식이 AI 관련주와 반도체 수요에 대한 심리를 위축시킨 점은 분명해 보입니다. 특히 투자자들 사이에서는 AI 기술 발전이 무조건 하드웨어 수요 폭증으로 연결되던 공식이 깨질 수 있다는 경계심이 커지고 있는 상황입니다.

학계에서도 이러한 흐름에 주목하고 있습니다. 2025년 발표된 논문들에 따르면 '문케이크(Mooncake)'와 같은 새로운 아키텍처가 등장하며 AI 자원의 효율적인 분산 처리에 대한 논의가 활발해졌는데요. 딥시크의 행보는 이러한 기술적 흐름의 연장선상에 있다고 볼 수 있습니다. 소프트웨어가 하드웨어의 한계를 넘어서기 시작한 것이죠. 다만 일각에서는 딥시크 모델이 실제 산업 현장에서 어느 정도의 성능을 보여줄지, 그리고 HBM 시장에 미칠 장기적 영향이 어느 정도일지에 대해서는 조금 더 지켜봐야 한다는 시각도 존재합니다.

다음 관전 포인트

  • 딥시크의 초저가 AI 모델이 실제 글로벌 빅테크들의 하드웨어 주문량 감소로 이어질지 여부
  • 삼성전자와 SK하이닉스 등 국내 반도체 기업들의 향후 HBM 공급 계약 공시 및 실적 변동 추이
  • 중국발 AI 경량화 기술에 대응하는 미국 테크 기업들의 소프트웨어 최적화 경쟁 가속화

심층리서치 자료 (8건)

🌐 웹 검색 자료 (3건)

2025년 반도체 대란 - 나무위키

[⚠️ 55일 전 기사] 속보) 딥시크 발표될 신모델 메모리 사용량 95% 절감

딥시크, '메모리 킬러' 초저가 신모델 공개…HBM 둔화 우려

📈 실시간 시장 데이터 (1건)
[4] 시장 데이터 네이버 금융 / yfinance / FRED

📈 코스피: 2026-09-11 20:20:36(KST) 현재 6,909.91 (전일대비 -124.01, -1.76%) | 거래량 268,876천주 | 거래대금 19,674,136백만 | 52주 고가 9,385.59 / 저가 3,362.86 📈 코스닥: 2026-09-11 20:20:36(KST) 현재 820.64 (전일대비 -16.28, -1.95%) | 거래량 597,677천주 | 거래대금 6,414,353백만 | 52주 고가 1,229.42 / 저가 630.99 💱 USD/KRW: 2026-09-11 20:20:36(KST) 매매기준율 1,342.70원 (전일대비 -8.30, -0.61%) | 현찰 매입 1,366.19 / 매도 1,319.21 | 송금 보낼때 1,355.80 / 받을때 1,329.60...

📊 전문 API (1건)
[5] 전문 API 조사 DART / 법제처 / 전문 API

📋 [기업 공시 — DART API] HBM: - [20260911] 기타경영사항(자율공시) → https://dart.fss.or.kr/dsaf001/main.do?rcpNo=20260911800825 - [20260911] [기재정정]단일판매ㆍ공급계약체결 → https://dart.fss.or.kr/dsaf001/main.do?rcpNo=20260911800823 - [20260911] 기타시장안내 (시간외시장 시장조성 계약 체결 및 시행안내) → https://dart.fss.or.kr/dsaf001/main.do?rcpNo=20260911900812 SSD: - [20260911] 기타경영사항(자율공시) → https://dart.fss.or.kr/dsaf001/main.do?rcpNo=20260911800825 - [20260911] [기재정정]단일판매ㆍ공급계약체결 → https://dart.fss.or.kr/dsaf001/main.do?rcpNo=20260911800823 - [20260911] 기타시장안내 (시간외시장 시장조성 계약 체결 및 시행안내) → https://dart.fss.or.kr/dsaf001/main.do?rcpNo=20260911900812

📄 학술 논문 (3건)

[학술논문 2025] 저자: Ruoyu Qin, Zheming Li, Weiran He | 인용수: 15 | 초록: Mooncake is the serving platform for Kimi, an LLM chatbot service developed by Moonshot AI. This platform features a KVCache-centric disaggregated architecture that not only separates prefill and decoding clusters but also efficiently utilizes the underexploited CPU, DRAM, SSD and NIC resources of the GPU cluster to establish a disaggregated KVCache. At the core of Mooncake is its KVCache-centric global cache and a scheduler design

[학술논문 2024] 저자: Ruoyu Qin, Zheming Li, Weiran He | 인용수: 13 | 초록: Mooncake is the serving platform for Kimi, a leading LLM service provided by Moonshot AI. It features a KVCache-centric disaggregated architecture that separates the prefill and decoding clusters. It also leverages the underutilized CPU, DRAM, and SSD resources of the GPU cluster to implement a disaggregated cache of KVCache. The core of Mooncake is its KVCache-centric scheduler, which balances maximizing overall effective throughp

[학술논문 2024] 저자: Mengwei Xu, Wangsong Yin, Dongqi Cai | 인용수: 32 | 초록: Large foundation models, including large language models (LLMs), vision transformers (ViTs), diffusion, and LLM-based multimodal models, are revolutionizing the entire machine learning lifecycle, from training to deployment. However, the substantial advancements in versatility and performance these models offer come at a significant cost in terms of hardware resources. To support the growth of these large models in a scalable a

※ 안내

본 콘텐츠는 Rebalabs의 AI 멀티 에이전트 시스템 AMEET을 통해 생성된 자료입니다.

본 콘텐츠는 정보 제공 및 참고 목적으로만 활용되어야 하며, Rebalabs 또는 관계사의 공식 입장, 견해, 보증을 의미하지 않습니다.

AI 특성상 사실과 다르거나 부정확한 내용이 포함될 수 있으며, 최신 정보와 차이가 있을 수 있습니다.

본 콘텐츠를 기반으로 한 판단, 의사결정, 법적·재무적·의학적 조치는 전적으로 이용자의 책임 하에 이루어져야 합니다.

Rebalabs는 본 콘텐츠의 활용으로 발생할 수 있는 직·간접적인 손해, 불이익, 결과에 대해 법적 책임을 지지 않습니다.

이용자는 위 내용을 충분히 이해한 뒤, 본 콘텐츠를 참고 용도로만 활용해 주시기 바랍니다.