생성형 AI 확산으로 데이터센터가 폭발적으로 커지면서, AI 가속기에 최적화된 메모리(HBM)와 연산 칩(NPU·GPU)이 AI 반도체 시장을 이끌고 있습니다. 개별 회사를 단순 나열하기보다, 반도체 공급망 관점에서 핵심 구간을 이해하면 변동성이 큰 국면에서도 체계적으로 기회를 찾을 수 있습니다. 본 글은 HBM과 NPU를 축으로 국내외 반도체 기업을 공급망별로 정리하고, 투자 시 반드시 짚어볼 체크포인트를 제시합니다. 특정 종목의 수익을 보장하지 않으며, 정보 목적의 일반적 관점만 제공합니다.
왜 지금 HBM과 NPU인가
AI 모델이 커질수록 대역폭과 메모리 용량이 병목이 됩니다. 이를 해결하는 핵심이 고대역폭 메모리(HBM)와 이를 가까이에서 초고속으로 활용하는 AI 가속기(GPU·NPU)입니다. HBM은 TSV(실리콘 관통전극)로 다이(칩)를 수직 적층해, 기존 DDR 대비 대역폭을 크게 높입니다. NPU는 행렬 연산에 특화된 구조로, 딥러닝 학습·추론 효율을 개선합니다. 결과적으로 HBM과 NPU의 채택이 늘수록 패키징, 기판, 테스트 등 주변 생태계 전반이 함께 성장합니다.
HBM 공급망: 메모리-패키징-소재 장비까지
국내 메모리: SK하이닉스·삼성전자
국내에서는 SK하이닉스와 삼성전자가 HBM 주도주로 거론됩니다. SK하이닉스는 고사양 HBM 제품 라인업 확충과 주요 고객사 대응으로 주목받고, 삼성전자는 메모리와 파운드리·패키징 역량을 결합한 수직 통합의 장점을 바탕으로 추격하고 있습니다. 두 기업 모두 AI 가속기 고객의 제품 로드맵과 호흡을 맞추는 속도가 관건입니다.
해외 메모리·패키징: 마이크론·TSMC
해외에서는 마이크론이 HBM 제품을 확대하고, TSMC는 CoWoS 등 첨단 패키징으로 AI 가속기 업체들의 핵심 파트너로 자리합니다. HBM은 메모리 자체의 성능만큼, 로직과의 패키징 결합(메모리-로직 근접 배치)이 중요합니다. 따라서 HBM 공급의 병목은 패키징 캐파와 기판 수급에서도 발생할 수 있습니다.
장비·소재·기판: 확장 국면의 숨은 축
HBM 적층과 TSV 공정은 미세 패터닝과 본딩 정밀도가 요구됩니다. 글로벌 장비사(예: Applied Materials, Lam Research, KLA)와 노광 생태계, 그리고 국내에서는 칩 본딩 등 후공정 장비 역량을 강화하는 기업들이 주목됩니다. 테스트 소켓, 열 관리(히트스프레더·TIM), 검사 장비 등도 수혜 축입니다. 기판은 ABF 계열 수요가 견조하며, 해외 주요 기판 업체(예: Ibiden, Unimicron)와 패키징 OSAT(예: ASE, Amkor)가 첨단 공정 전환을 이어가고 있습니다.
NPU·AI 가속기: 설계-제조-네트워킹의 삼각 축
해외 가속기 설계: 엔비디아·AMD·인텔·알파벳
AI 가속기 시장은 엔비디아가 생태계를 주도하며, AMD는 MI 시리즈로 데이터센터 경쟁력을 강화하고 있습니다. 인텔은 Gaudi 계열로 선택지를 넓히는 전략을 취하고, 알파벳(구글)은 TPU로 자사 워크로드 최적화에 집중합니다. 각사의 강점은 하드웨어 성능뿐 아니라 컴파일러·프레임워크·네트워킹까지 아우르는 플랫폼 완성도에서 갈립니다.
파운드리·패키징: 삼성전자·TSMC·Amkor
NPU 유망주로서 직접적인 설계사가 아니더라도, 첨단 공정과 2.5D/3D 패키징 역량을 가진 파운드리와 OSAT는 가치사슬에서 중요한 포지션을 차지합니다. 삼성전자는 파운드리와 메모리·패키징의 연계 이점을 확대하고, TSMC는 CoWoS·SoIC 등에서 고객 다변화를 진행합니다. Amkor 등 글로벌 OSAT는 AI 가속기 패키징 수요 증가의 수혜 축으로 거론됩니다.
네트워킹·I/O: 브로드컴·아리스타 등
대규모 AI 클러스터에는 초고속 스위치·NIC·옵티컬 링크가 필수입니다. 브로드컴은 스위치ASIC·옵티컬 생태계와의 연계가 강하고, 아리스타 네트웍스는 데이터센터 스위칭에서 존재감을 키워왔습니다. AI 가속기의 성능은 결국 네트워킹 대역폭과 지연시간에 의해 실제로 체감되므로, 가속기만 보는 관점에서 한 발 확장할 필요가 있습니다.
국내외 반도체 기업을 엮는 투자 프레임
메모리 중심 바스켓
AI 학습·추론 모두에서 HBM 채택이 증가하면, 메모리 업체의 제품 믹스 개선과 ASP 안정화가 기대됩니다. 다만 증설 타이밍, 수율 안정, 고객 인증 일정이 민감 변수입니다. 메모리 바스켓은 국내 대형사에 더해, HBM 적층과 테스트·소재 부문의 선택적 편입으로 변동성 분산을 고려할 수 있습니다.
가속기 중심 바스켓
엔비디아 등 설계사의 제품 주기가 짧고 수요 스파이크가 큰 만큼, 공급망 제약(패키징·기판·메모리)과 동조화됩니다. 가속기 중심 바스켓은 설계사와 함께 파운드리·패키징·네트워킹을 포함해, 특정 병목 구간 완화에 따른 수혜 확장을 노리는 접근이 유효합니다.
패키징·기판·장비 중심 바스켓
AI 사이클의 공통 분모는 패키징 고도화입니다. CoWoS/2.5D·Fan-out·하이브리드 본딩 등 공정 전환은 장비·소재·기판의 동반 성장을 촉발합니다. 사이클 민감도가 메모리·가속기 대비 상대적으로 분산되는 장점이 있으나, 공정 전환 속도와 고객의 채택 여부가 핵심 리스크입니다.
핵심 체크리스트: 변동성 시대의 나침반
- 수요 가시성: 데이터센터 CAPEX 방향, 고객사 주문 패턴, 제품 전환 주기
- 공급 제약: 패키징 캐파(CoWoS 등), ABF 기판 수급, HBM 수율·리드타임
- 기술 로드맵: 공정 노드 전환(미세화), 2.5D/3D 패키징 채택, 소프트웨어 생태계
- 고객 다변화: 특정 빅테크 의존도, 신규 디자인윈 진행 상황
- 규제·지정학: 수출통제, 장비·소재 승인 리스크, 지역별 인센티브
- 재무 체력: CAPEX 부담, 재고·현금흐름, 이익 변동성 관리 능력
HBM vs GDDR, NPU vs GPU: 빠른 이해
HBM과 GDDR의 차이
HBM은 여러 메모리 다이를 수직 적층해 대역폭과 전력 효율을 높이는 방식으로, AI 학습·추론에 적합합니다. GDDR은 그래픽 처리에 최적화된 외장 메모리로, 비용·적용 범위에서 장점이 있으나 대역폭·전력 효율 면에선 HBM 대비 한계가 있습니다.
NPU와 GPU의 역할
GPU는 범용 병렬 연산에 강하고 생태계가 성숙해 데이터센터 학습에 널리 쓰입니다. NPU는 행렬 연산에 특화된 구조로 전력 효율이 높아, 엣지·추론 워크로드에서 채택이 늘고 있습니다. 실제 환경에서는 GPU·NPU·CPU·DPU가 혼합 구성되어 작업 특성에 맞춘 최적화를 추구합니다.
국내 투자자 관점의 포인트
국내 시장에서는 대형 메모리·파운드리 기업이 AI 사이클의 중심에 있고, 후공정 장비·테스트·소재 분야에서 기술 경쟁력을 갖춘 기업들이 밸류체인 확대의 수혜를 받을 수 있습니다. 다만 글로벌 고객 인증과 수율 안정이 동반되어야 실적으로 이어지므로, 분기별 실적과 함께 수주 잔고·증설 계획·샘플링 진척을 체크해야 합니다. 또한 환율과 지정학 이슈는 실적 변동성 요인이므로, 분산과 단계적 접근이 바람직합니다.
정리: 공급망으로 넓히면 기회가 보인다
AI 반도체 핵심 종목을 찾는 방법은 단일 기업의 뉴스에 집중하기보다, HBM과 NPU라는 축을 따라 반도체 공급망 전체를 입체적으로 보는 것입니다. 메모리-패키징-가속기-네트워킹으로 이어지는 연결고리에 어떤 병목과 완화가 있는지 파악하면, 사이클 변동 속에서도 일관된 판단이 가능합니다. 기업별 리스크와 기술 로드맵을 점검하며, 자신의 투자 성향에 맞춘 바스켓 구성과 분산 전략을 세우는 접근이 유효합니다.
