AI 때문에 아이폰 용량 더 커진다? 애플, DRAM 아닌 NAND를 활용한 접근 분석

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AFM3는 대형 AI 모델을 NAND에 저장하고 필요한 가중치만 DRAM으로 불러오는 방식으로, 온디바이스 AI 성능을 확보하는 동시에 아이폰 용량 확대와 새로운 메모리 계층화를 촉진할 가능성이 있다.

📌 핵심 요점

1. AI 데이터센터가 DRAM과 NAND를 대규모로 확보하면서 모바일 메모리 가격과 스마트폰 제조 원가도 압박받고 있다. 영상은 모바일용 LPDDR5X 가격이 올해 2분기에 전분기 대비 약 78~83% 상승했다고 설명한다.
2. AFM3 Core Advanced는 전체 약 200억 파라미터를 항상 DRAM에 올리지 않고, 요청에 따라 약 10억~40억 파라미터만 활성화한다. 전체 모델은 NAND에 보관하고 현재 필요한 전문가 가중치만 DRAM으로 옮기는 구조다.
3. IFP는 질문을 먼저 분석해 필요한 가중치를 한 번 불러온 뒤 생성 중에는 DRAM에 유지한다. 영상에 소개된 실험에서는 약 90억 파라미터 중 질문별로 약 30억 개를 선택한 모델이 일반적인 30억 밀집 모델과 비슷한 첫 토큰 지연시간을 유지하면서 수학·코딩 성능은 5~8포인트 높았다.
4. 저비트 양자화는 NAND와 DRAM의 용량 부담을 낮춘다. 30억 파라미터 가중치는 16비트에서 약 6GB지만 2비트에서는 이론적으로 약 0.75GB까지 줄일 수 있으며, AFM3는 QAT를 활용해 낮은 비트에서도 품질을 유지하는 방향을 취한다.
5. 온디바이스 AI가 언어·음성·이미지 모델과 처리 캐시를 로컬에 저장하면 스마트폰의 기본 저장 용량도 커질 수 있다. 이 과정에서 DRAM·HBM은 활성 가중치와 KV 캐시를 빠르게 처리하고, NAND·HBF·zNAND-O는 전체 모델과 대용량 데이터를 보관·공급하는 계층으로 역할이 나뉜다.

🧩 배경과 문제 정의

• AI 데이터센터가 DRAM과 NAND 수요를 끌어올리는 가운데, 스마트폰도 온디바이스 AI를 위해 더 많은 메모리와 저장 공간을 필요로 한다.
• 애플 AFM3는 전체 AI 모델을 DRAM에 상주시킬 수 없는 한계를 해결하기 위해 NAND에 모델을 보관하고 필요한 가중치만 DRAM으로 불러온다.
• 이 구조는 아이폰의 기본 저장 용량과 원가뿐 아니라, DRAM·NAND·HBM·HBF가 역할을 분담하는 AI 메모리 계층의 변화와 연결된다.

🕒 시간순 섹션별 상세정리

1. AI 수요가 모바일 메모리 원가를 압박

• AI 데이터센터의 대규모 DRAM·NAND 확보로 모바일용 LPDDR5X 가격이 올해 2분기에 전분기 대비 약 78~83% 올랐고, 애플도 메모리와 저장장치의 원가 상승을 전부 흡수하기 어려운 상황에 놓였다. [00:26]
• 애플이 중국 내 생산을 위해 세계 DRAM 점유율 약 7%까지 성장한 CXMT와 조달을 논의한다는 보도도 나오면서 공급망 다변화의 필요성이 커졌다. [00:42]
• AFM3 Core는 약 30억 파라미터의 밀집 모델이고, AFM3 Core Advanced는 전체 200억 파라미터 가운데 요청별로 약 10억~40억 파라미터만 활성화한다. [01:16]
• 스마트폰에는 수십 GB의 DRAM을 무작정 탑재하기 어려워, 200억 파라미터 전체는 NAND에 보관하고 현재 선택된 전문가 가중치만 DRAM으로 옮긴다. [02:45]

2. IFP로 NAND와 DRAM 사이의 이동을 축소

• NAND에서 토큰마다 새로운 전문가 가중치를 읽으면 계산보다 데이터 대기가 병목이 되므로, IFP는 질문을 먼저 분석해 필요한 부분을 한 번 불러오고 생성 중에는 DRAM에 유지해 재사용한다. [03:15]
• 90억 파라미터 모델에서 질문별로 약 30억 개만 선택한 실험은 일반적인 30억 밀집 모델보다 수학·코딩 성능이 5~8포인트 높았고, 첫 토큰 지연시간은 30억 모델과 비슷한 수준을 유지했다. [03:46]
• AI 가중치는 한 번 기록한 뒤 반복해서 읽는 데이터라 NAND와 잘 맞지만, 같은 영역을 지나치게 많이 읽으면 주변 셀의 문턱전압이 변해 읽기 교란 오류가 커질 수 있다. [04:36]
• IFP의 직접적인 목적은 느린 NAND와 DRAM 사이의 데이터 이동을 줄이는 것이며, 불러온 가중치를 DRAM에 유지하는 방식은 반복적인 NAND 읽기도 함께 줄이는 방향으로 작용한다. [04:59]

3. 온디바이스 AI가 스마트폰 저장 용량을 확대

• 현재 애플 인텔리전스가 공식적으로 요구하는 저장 공간은 약 7GB이며, 기능을 켜면 온디바이스 모델이 내려받아지고 끄면 해당 모델이 기기에서 제거된다. [07:04]
• 2026년 플래그십 스마트폰에서는 언어·음성·이미지 모델과 처리 캐시를 포함한 로컬 AI 데이터가 약 40~60GB의 시스템 저장 공간을 사용할 수 있다는 추산이 나온다. [07:19]

4. 기기당 작은 증설이 거대한 NAND 수요로 전환

• 연간 약 2억 4천만 대 규모의 아이폰에서 기기당 평균 NAND 탑재량이 64GB만 늘어나도 추가 수요는 약 15.4엑사바이트에 달해, 한 단계의 용량 상향이 NAND 시장 전체에 큰 영향을 준다. [08:54]
• PC에서도 온디바이스 모델뿐 아니라 마이크로소프트 리콜처럼 사용자가 본 화면을 로컬에 저장하는 기능이 등장하면서, AI 저장 수요가 모델 파일에서 지속적으로 축적되는 사용자 데이터까지 넓어진다. [09:20]

5. DRAM과 NAND가 분업하는 AI 메모리 계층

• HBF는 HBM의 고성능과 SSD의 대용량 사이를 메우며, 기존 NAND보다 높은 대역폭으로 AI 추론용 모델과 데이터를 공급하는 새로운 메모리 계층을 목표로 한다. [11:00]
• 데이터센터의 HBF·zNAND-O와 스마트폰의 AFM3는 대용량 모델을 NAND 계층에 두고 필요한 부분만 빠른 메모리로 올린다는 공통 방향을 가지며, 엣지 기기에서도 NAND가 모델 실행 과정에 직접 참여하기 시작했다. [11:59]

6. 계산 중인 데이터와 전체 지능의 저장 위치

• AFM3에서 주목할 핵심은 200억 개라는 파라미터 수 자체보다, AI가 커질수록 DRAM과 NAND의 역할을 어떻게 나눌지가 중요해진다는 점이다. [12:31]
• 당장 계산하는 가중치와 KV 캐시는 빠른 읽기·쓰기가 필요하므로 스마트폰·PC에서는 DRAM, AI 서버에서는 HBM 같은 고대역폭 메모리가 필요하다. [12:43]
• 수십억·수백억 파라미터의 모델 전체를 값비싼 DRAM에 계속 올려둘 수 없고, 현재 계산하지 않는 부분까지 보관할 대용량 공간이 필요하다. [12:58]

7. 계산 능력과 함께 봐야 할 기억의 용량

• 앞으로 AI 메모리를 평가할 때는 계산 속도뿐 아니라 지능 전체를 어디에 보관할지도 함께 살펴봐야 한다. [13:28]
• 생각하는 순간의 데이터를 빠르게 붙잡는 DRAM과 거대한 모델·데이터를 계속 기억하는 NAND가 모두 필요하며, 더 많은 지능에는 더 큰 계산 능력과 저장 공간이 함께 요구된다. [13:42]
• 이 관점에서 다음 아이폰이 출시되면 저장 용량이 어떻게 달라지는지를 먼저 확인해 보겠다는 말로 결론을 맺는다. [13:57]

🧾 결론

• AFM3의 핵심은 NAND를 단순한 파일 저장소가 아니라 AI 모델 실행에 직접 참여하는 메모리 계층으로 활용하는 데 있다.
• IFP와 저비트 양자화를 결합하면 제한된 모바일 DRAM 안에서도 더 큰 모델을 구동할 수 있지만, NAND 대역폭과 지연시간은 여전히 중요한 제약이다.
• 온디바이스 AI가 확대될수록 스마트폰 저장 공간은 사진·영상 보관뿐 아니라 모델 가중치와 처리 캐시를 위한 자원으로도 사용된다.
• 따라서 아이폰의 기본 용량 상향 가능성은 단순한 제품 사양 변화가 아니라 AI 모델 구조, 메모리 원가, NAND 생산 경제성이 함께 작용한 결과로 해석할 수 있다.
• 다만 2026년 플래그십의 AI 데이터가 40~60GB를 차지한다는 수치는 영상에서 소개한 추산이며, 실제 제품별 모델 구성과 운영체제 정책에 따라 달라질 수 있다.

📈 투자·시사 포인트

• 스마트폰 한 대의 NAND 탑재량이 소폭 증가해도 전체 출하량과 결합하면 큰 수요가 된다. 영상은 연간 약 2억 4천만 대의 아이폰에서 평균 탑재량이 64GB 늘어날 경우 추가 NAND 수요가 약 15.4엑사바이트에 이를 수 있다고 설명한다.
• 256GB 기본 용량 전환이 확산되면 NAND 총수요뿐 아니라 고용량 제품 비중과 스마트폰 원가 구조도 달라질 수 있다.
• NAND가 AI 추론 과정에 직접 참여하기 시작하면 용량 외에도 읽기 대역폭, 지연시간, 전력 효율, 읽기 교란 관리가 제품 경쟁력의 주요 기준이 될 수 있다.
• HBF와 zNAND-O는 HBM과 일반 SSD 사이의 성능·용량 간극을 메우려는 방향으로 제시된다. 관련 업체를 평가할 때는 발표된 개념뿐 아니라 양산 일정, 고객 채택, 실제 대역폭과 원가를 함께 확인해야 한다.
• AFM3가 NAND 활용을 확대하더라도 DRAM 수요가 사라지는 것은 아니다. 활성 가중치와 KV 캐시는 계속 빠른 메모리를 필요로 하므로 DRAM·HBM과 NAND의 보완 관계가 강화될 가능성이 있다.
• 검증 필요: LPDDR5X의 분기 가격 상승률, CXMT와 애플의 조달 논의, 2026년 로컬 AI 저장 공간 40~60GB 추산, HBF·zNAND-O의 상용화 수준은 영상 외의 시장조사 자료와 기업 공식 발표를 통해 별도로 확인해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 모바일용 LPDDR5X 가격이 2026년 2분기에 전분기 대비 약 78~83% 상승했다는 수치는 조사 기관, 계약 가격 기준, 제품 규격과 집계 범위를 원문 자료에서 확인해야 한다. [00:26]
• CXMT의 세계 DRAM 점유율 약 7%와 애플의 조달 논의는 보도에 기반한 내용이므로, 실제 공급 계약이 체결됐다고 단정할 수 없다. [00:42]
• AFM3 Core Advanced의 전체 200억 파라미터, 요청별 10억~40억 활성화, NAND 보관 방식이 실제 출시 아이폰에 적용된 구조인지 연구·제안 단계의 구조인지 구분해서 확인필요가 있다. [01:16] [02:45]
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• LPDDR5X 가격 상승률과 CXMT 점유율의 원출처를 찾아 조사 시점, 제품 범위, 가격 기준을 확인한다.
• 애플 공식 자료나 AFM3 관련 논문에서 전체·활성 파라미터 수, IFP 동작 방식, 양자화 비트 수를 교차 검증한다.
• AFM3의 NAND 활용이 상용 아이폰에 이미 구현된 기능인지 향후 적용 가능성을 설명한 연구 결과인지 구분한다.
• 90억 희소 모델과 30억 밀집 모델의 성능 비교에서 사용된 벤치마크, 하드웨어, 첫 토큰 지연시간 측정 조건을 확인한다.

❓ 열린 질문

• AFM3의 IFP는 현재 판매되는 아이폰에서 실제로 작동하는 기술인가, 아니면 차세대 온디바이스 AI를 위한 연구 구조인가?
• NAND에서 필요한 가중치를 불러올 때 발생하는 지연시간과 전력 소비는 DRAM 증설 비용보다 충분히 낮은가?
• 여러 요청이 연속되거나 서로 다른 전문가 가중치를 요구할 때 DRAM 캐시는 어떤 기준으로 유지·교체되는가?