Building the materials foundation for AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Syensqo의 Mike Finelli는 AI가 반도체와 데이터센터의 물리적 한계를 압박하면서 첨단 소재의 중요성이 커지고, AI를 활용한 소재 탐색이 인프라 발전과 상호 가속하는 혁신 순환을 만들 수 있다고 전망한다.

📌 핵심 요약

• Syensqo와 협력해 제작한 MIT Technology Review의 후원 콘텐츠에서 Mike Finelli는 AI 인프라가 성능·열 관리·전기 효율·신뢰성의 물리적 한계에 접근하면서 첨단 소재의 역할이 커지고 있다고 설명한다.
• 고온·고순도·전기적 성능·내화학성·내플라스마성·장기 안정성을 동시에 요구하면서 고성능 특수 소재의 필요성이 높아진다. Finelli에 따르면 Syensqo 연간 매출의 20%는 최근 5년간 출시한 신제품과 응용 분야에서 나온다.
• Syensqo는 고전압 데이터센터용 소재, 반도체 제조 장비의 고성능 밀봉 소재, 직접 액침 냉각용 유체를 포함한 열 관리 솔루션을 개발하고 있다. 전기차용 소재도 데이터센터의 고전압·에너지 밀도 요구에 활용될 수 있다.
• Finelli는 성능과 지속가능성의 상충을 없애는 것이 목표라며 연구 초기부터 환경 영향을 고려해야 한다고 설명한다. Syensqo는 AI 에이전트로 수백만 가지 잠재적 분자 조합을 디지털로 합성하고 성능과 지속가능성을 예측해 실험실 시험 후보를 좁히고 있다.
• Finelli는 AI가 더 나은 소재 개발을 돕고, 그 소재가 AI 인프라를 개선하며, 발전한 AI가 다시 소재 발견을 가속하는 순환을 전망한다. 제공된 본문에는 이러한 효과의 정량적 검증 결과가 없으며, 인터뷰 전문은 밀봉 소재 설명 도중 끊겨 있다.

🧩 주요 포인트

1. 복합적인 소재 요구 증가 → 개별 성능뿐 아니라 여러 조건을 동시에 만족하는 능력이 AI 인프라의 발전 가능성을 좌우하는 제약으로 부상한다.
2. 고전압 데이터센터·밀봉 소재·직접 액침 냉각 → 첨단 소재의 기여가 전력 효율, 제조 환경 대응, 열 관리로 확장되며 전기차용 소재의 산업 간 활용 가능성도 열린다.
3. AI 에이전트의 후보 탐색과 연구 초기의 지속가능성 고려 → 소재 개발의 탐색 범위와 평가 기준이 함께 확대되지만, 혁신 순환의 실제 효과는 정량적 검증이 필요한 전망으로 남는다.

🧠 상세 정리

1. AI 발전의 기반으로 부상한 첨단 소재

2026년 9월 16일 게재된 이 글은 MIT Technology Review Insights가 Syensqo와 협력해 제작한 후원 콘텐츠로, Business Lab 인터뷰와 이를 소개하는 요약으로 구성된다. 인터뷰 진행자 Megan Tatum은 AI 발전의 핵심으로 알고리즘이나 데이터센터, 연산 능력을 떠올리기 쉽지만, 각 층의 성능을 떠받치는 첨단 소재도 중요하다는 문제를 제기한다. Syensqo의 최고기술·혁신책임자이자 북미 총괄책임자인 Mike Finelli는 AI가 반도체와 데이터센터를 성능, 열 관리, 전기 효율, 신뢰성 측면의 물리적 한계로 밀어붙이고 있다고 설명한다. 동시에 AI는 소재 과학자가 방대한 분자 후보를 탐색하는 도구가 되고 있어, 글은 소재가 AI를 가능하게 하는 역할과 AI가 소재 개발을 돕는 역할을 함께 다룬다.

2. Syensqo의 사업 기반과 혁신 실적

Finelli는 Syensqo를 첨단 화학을 통해 고객의 어려운 기술 과제를 해결하는 특수 소재 기업으로 소개하며, 항공·자동차·의료·모바일 기기·AI 반도체를 적용 분야로 든다. 그는 연간 매출의 20%가 최근 5년간 출시한 신제품과 응용 분야에서 발생한다고 밝히며, 이를 회사의 혁신 역량을 보여 주는 근거로 제시한다. 전자와 반도체는 수십 년간 전략 시장이었으며, 본인도 33년 전 입사 당시부터 반도체 산업 관련 업무를 맡았다고 설명한다. 회사는 모바일 기기의 소형화와 성능 향상, 초연결성, 정교해지는 반도체 제조를 지원해 왔고 현재는 AI 시대의 요구에 대응하고 있다는 설명이다. 그가 제시하는 소재의 적용 범위는 반도체 제조부터 전자 부품, 스마트 기기, 통신까지 이어지며, 세계 여러 반도체 제조사와 전자 기업을 고객으로 둔다.

3. 요구 조건의 누적과 성능 피라미드

Finelli는 범용 소재가 아래에 있고 고성능 특수 소재가 위에 있는 ‘성능 피라미드’로 소재 선택의 구조를 설명하며, Syensqo는 그 상단에서 활동하고 상단의 한계를 높이려 한다고 말한다. 상온에서 10년 동안 변하지 않고 유지되는 정도의 조건이라면 이를 만족하는 범용 소재가 많다는 것이 그의 예시다. 그러나 고온을 견디면서 고순도와 전기적 성능, 내화학성, 내플라스마성, 장기 안정성까지 동시에 요구하면 선택은 피라미드의 상단으로 이동한다. 그는 이를 조건이 계속 덧붙는 ‘and, and, and’ 원리로 표현하고, AI의 빠른 발전이 반도체와 데이터센터에 이런 복합 요구를 늘리고 있다고 설명한다. 이 논리에 따라 첨단 소재는 AI 혁신을 지원하는 요소를 넘어 앞으로 무엇이 가능한지를 점점 더 규정하게 된다는 것이 그의 주장이다.

4. 고전압 데이터센터와 열 관리의 소재 과제

구체적 적용 사례로 Finelli는 차세대 AI 데이터센터의 고전압 아키텍처를 들며, 더 큰 연산 능력을 지원하면서 에너지 효율도 개선할 수 있는 방향이라고 설명한다. 그가 제시한 근거는 고전압 구조가 에너지 손실을 줄이고 궁극적으로 데이터센터의 환경 영향을 낮추는 데 기여할 수 있다는 것으로, Syensqo는 이러한 전환을 지원할 소재를 개발하고 있다. 글의 앞부분은 직접 액침 냉각용 유체를 포함한 열 관리 솔루션도 개발 대상으로 소개하지만, 구체적인 성능 수치나 적용 결과를 제시하지는 않는다. 또한 전기차용으로 개발한 소재가 데이터센터에서 커지는 고전압과 에너지 밀도 요구에 대응하는 데 도움이 될 수 있다고 설명한다. 이 사례들은 산업별 요구가 일부 맞닿아 있어 기존 소재 개발 경험이 다른 응용 분야로 이어질 가능성을 보여 주며, 인터뷰는 그 과정에서도 신뢰성과 안전성을 유지해야 한다고 강조한다.

5. 반도체 제조의 극한 환경을 견디는 밀봉 소재

또 다른 사례는 반도체 공장과 웨이퍼 처리 장비 내부에서 사용하는 고성능 밀봉 소재로, Finelli는 큰 실리콘 웨이퍼가 처리된 뒤 작은 칩으로 잘리는 과정을 배경으로 설명한다. 웨이퍼가 들어가는 챔버 내부에는 공격적인 플라스마와 반응성 화학물질이 존재하므로, 내부 가스와 공정 환경을 유지하는 밀봉 부품도 이러한 극한 조건을 견뎌야 한다. 고객의 요구는 더 높은 온도와 더 가혹한 환경에 대한 내성에 더해 낮은 가스 방출과 순도 조건까지 확대되고 있다는 설명이다. 이는 특수 소재가 필요한 이유가 하나의 우수한 물성에만 있지 않고, 공정에서 동시에 발생하는 여러 제약을 함께 충족하는 데 있음을 구체적으로 보여 준다. 다만 제공된 인터뷰 전문은 이 개발 설명 도중 끊기므로, 이후 발언이나 제품별 성능, 검증 결과는 본문만으로 확인할 수 없다.

6. 성능의 정의에 포함되는 지속가능성

글은 소재 성능의 정의 자체도 바뀌고 있다며, 더 많은 고객이 기술적 요구를 충족하는 동시에 환경 영향을 줄이는 소재를 기대한다고 설명한다. Finelli가 제시하는 목표는 성능과 지속가능성 사이의 상충을 없애는 것으로, 이를 이미 달성한 보편적 결과가 아니라 회사가 추구하는 방향으로 읽어야 한다. 그가 설명하는 접근은 소재 개발을 끝낸 뒤 지속가능성을 추가 조건으로 붙이는 대신 연구 초기부터 고려하는 것이며, 소재의 탐색과 평가 단계에 환경적 특성을 함께 반영하려는 것이다. 앞서 소개한 고전압 데이터센터의 에너지 손실 감소 가능성도 기술적 성능과 환경적 영향을 연결하는 사례에 해당한다. 다만 제공된 본문에는 환경 영향의 감소 폭이나 비교 평가 수치가 없어, 이러한 목표가 개별 소재에서 어느 정도 실현됐는지는 판단하기 어렵다.

7. AI 에이전트로 분자 후보 탐색 확대

소재가 AI 인프라를 지원하는 관계의 반대편에서, Syensqo는 AI를 새로운 소재의 발견과 개발을 돕는 도구로 활용하고 있다고 설명한다. 구체적으로 AI 에이전트가 수백만 가지 잠재적 분자 조합을 디지털로 합성하고, 각 후보의 성능과 지속가능성 특성을 예측한 뒤 실험실에서 시험할 대상을 훨씬 작은 집단으로 좁힌다. 여기서 디지털 합성과 특성 예측은 실험실 시험에 앞선 후보 선별 과정이며, 소개된 흐름에는 실제 시험 단계도 포함되어 있다. Finelli는 이를 통해 탐색을 더 넓고 깊고 빠르게 수행할 수 있고, 과학자들이 복잡한 공학 문제를 해결하는 데 더 많은 시간을 쓸 수 있다고 말한다. 다만 본문은 개발 기간의 단축 비율이나 예측 정확도, 시험을 통과한 후보 수를 제시하지 않으므로, 활용 방식과 기대 효과는 파악할 수 있지만 개선 규모를 정량적으로 비교할 근거는 제한적이다.

8. 소재와 AI가 서로 발전을 돕는 순환

Finelli가 제시하는 장기 전망은 AI와 소재 개발이 서로의 발전을 강화하는 순환으로, 먼저 AI가 더 나은 소재를 찾는 일을 돕고 그 소재가 AI 인프라를 개선하는 구조다. 개선된 인프라는 다시 더 발전한 AI를 가능하게 하며, 그 AI가 다음 단계의 소재 발견을 가속할 수 있다는 것이 이어지는 논리다. 이 전망은 글 전반의 두 흐름인 AI 인프라의 복합 소재 요구와 AI 기반 분자 탐색을 하나로 연결하고, 소재 혁신이 미래 기술의 가능성을 넓힐 수 있다는 주장으로 이어진다. 그는 이러한 가속 순환에 기대를 표현하지만, 제공된 자료는 순환 전체가 실제로 어느 정도의 개선을 냈는지 보여 주는 정량적 결과를 담고 있지는 않다. 따라서 이 결론은 Syensqo 책임자가 제시한 발전 가능성으로 이해해야 하며, 인터뷰 전문이 중간에 끊긴 자료라는 점도 확인 가능한 근거의 범위를 제한한다.

🧾 핵심 주장 / 시사점

• 성능 피라미드의 핵심은 한 가지 물성의 극대화보다 여러 요구의 동시 충족이다. AI 인프라의 발전을 이해하려면 연산 성능과 함께 이를 지탱하는 소재 제약도 살펴봐야 한다.
• 전기차용 소재의 데이터센터 활용 가능성은 고전압과 에너지 밀도라는 공통 요구가 산업 간 소재 응용을 연결할 수 있음을 시사한다.
• AI 기반 후보 탐색과 지속가능성을 고려한 초기 연구는 탐색 방식과 평가 기준을 함께 바꾸는 접근이다. 다만 후원 콘텐츠에 제시된 기업의 설명과 전망을 정량적으로 검증된 성과와 구분할 필요가 있다.

✅ 액션 아이템

• AI 인프라의 소재 제약을 고온·고순도·전기적 성능·내화학성·내플라스마성·장기 안정성의 동시 충족 관점에서 검토.
• 고전압 데이터센터·밀봉 소재·직접 액침 냉각의 역할을 전력 효율·제조 환경 대응·열 관리와 연결해 파악.
• AI 에이전트의 소재 탐색과 지속가능성 개선 효과는 정량적 검증 결과의 부재를 반영해 평가.

❓ 열린 질문

• 고온·고순도·전기적 성능·내화학성·내플라스마성·장기 안정성 가운데 AI 인프라의 발전을 가장 크게 제약하는 조건은 무엇인가?
• 고전압 데이터센터와 직접 액침 냉각을 위한 소재 개발은 전력 효율과 열 관리를 각각 얼마나 개선할 수 있는가?
• AI 에이전트를 활용한 소재 탐색이 성능과 지속가능성을 개선하고 혁신 순환을 가속한다는 전망을 뒷받침할 정량적 검증 결과는 무엇인가?