Thomas DeepTech Lab

JARVIS는 현실에서 만들 수 있을까? AI Agent·Physical AI·로봇공학으로 분석

Thomasrobotech — Thu, 3 Sep 2026 00:53:29 +0900

영화 《아이언맨》에서 토니 스타크의 가장 강력한 기술은 무엇일까요?

Arc Reactor일 수도 있고, Iron Man Suit일 수도 있습니다.

하지만 이 모든 기술을 실제로 움직이게 만드는 존재를 하나 꼽는다면,

JARVIS

일 것입니다.

JARVIS는 단순히 질문에 답하는 AI 비서가 아닙니다.

토니 스타크의 명령을 이해하고, 주변 환경을 분석하고, 아이언맨 슈트의 상태를 실시간으로 파악하며, 비행과 전투까지 보조합니다.

즉 공학적으로 보면 JARVIS는 하나의 챗봇이 아니라

Multimodal AI + AI Agent + World Model + Robot Control + Physical AI

가 결합된 거대한 Cyber-Physical System이라고 볼 수 있습니다.

흥미로운 점은 현실의 AI 기술이 조금씩 이 방향으로 이동하고 있다는 것입니다.

이번 글에서는 JARVIS를 하나의 실제 공학 시스템이라고 가정하고,

현재 AI 기술이 JARVIS에 얼마나 가까워졌는지

분석해보겠습니다.

1. JARVIS는 단순한 AI 비서가 아니다

JARVIS를 단순히 Siri나 생성형 AI와 비교하면 중요한 차이를 놓치게 됩니다.

일반적인 AI Assistant는 다음과 같은 구조에 가깝습니다.

User Question
↓
Language Understanding
↓
Answer

반면 JARVIS는 훨씬 복잡합니다.

Human Command
↓
Perception
↓
Environment Understanding
↓
Reasoning
↓
Planning
↓
Action
↓
Feedback

즉,

말을 이해하는 AI

에서

현실을 이해하고 행동하는 AI

로 바뀌어야 합니다.

바로 이 차이가 최근 자주 등장하는 AI Agent와 Physical AI의 핵심입니다.

2. JARVIS의 눈 — Multimodal AI

아이언맨이 비행 중이라고 생각해보겠습니다.

JARVIS는 토니 스타크의 음성만 듣고 판단할 수 없습니다.

주변의 건물,

비행 속도,

고도,

장애물,

적의 위치,

슈트의 온도,

추진기의 상태

등을 동시에 파악해야 합니다.

이를 위해 필요한 것이

Multimodal AI

입니다.

현실의 시스템이라면 다음과 같은 센서가 사용될 수 있습니다.

Camera
LiDAR
Radar
Microphone
IMU
GPS
Force Sensor
Temperature Sensor

그리고 이 정보를 하나로 결합해야 합니다.

이를

Sensor Fusion

이라고 합니다.

예를 들어 Camera는 물체의 종류를 잘 인식할 수 있지만 거리 측정에는 한계가 있을 수 있습니다.

Radar는 거리와 속도 측정에 강합니다.

IMU는 자신의 움직임과 자세 변화를 빠르게 측정할 수 있습니다.

이 정보를 합치면 단일 센서보다 훨씬 정확하게 현실을 이해할 수 있습니다.

3. JARVIS의 첫 번째 핵심 기술 — AI Agent

최근 AI 산업에서 가장 중요한 변화 중 하나는

AI가 답변하는 단계에서 실제 작업을 수행하는 단계로 이동하고 있다는 것

입니다.

이를 보통

AI Agent

라고 부릅니다.

기존 생성형 AI가

Question → Answer

구조였다면,

AI Agent는

Goal → Plan → Tool Use → Action → Result

구조로 확장됩니다.

OpenAI가 공개한 컴퓨터 사용형 에이전트(CUA)는 화면의 픽셀을 인식하고, 상황을 판단한 뒤 마우스 클릭·스크롤·키보드 입력 같은 행동을 반복하는 구조를 보여줬습니다. 이후 에이전트 시스템은 브라우저나 컴퓨터 환경에서 복잡한 워크플로를 수행하는 방향으로 확장되고 있습니다.

즉 AI가 단순히

"어떻게 해야 하는지 설명하는 것"

에서

"직접 수행하는 것"

으로 발전하고 있는 것입니다.

4. 하지만 JARVIS에게는 컴퓨터 화면만으로 부족하다

AI Agent가 웹브라우저를 클릭하는 것과 아이언맨 슈트를 제어하는 것은 완전히 다른 문제입니다.

컴퓨터 안에서는 잘못 클릭하면 다시 시도할 수 있습니다.

하지만 실제 로봇이 잘못 움직이면

물체를 떨어뜨리거나
사람과 충돌하거나
로봇이 넘어지거나
장비가 파손될 수 있습니다.

물리세계에서는 AI의 판단이

Force

Motion

Energy

로 바뀝니다.

그래서 등장하는 개념이

Physical AI

입니다.

5. Physical AI란 무엇일까?

Physical AI는 단순히 로봇에 AI를 넣는다는 의미보다 조금 더 넓게 볼 수 있습니다.

AI가 물리적인 환경을 이해하고,

자신의 몸을 인식하고,

물체와 사람의 관계를 판단하고,

실제 행동으로 연결하는 것입니다.

구조를 단순화하면 다음과 같습니다.

Perception
↓
Reasoning
↓
Planning
↓
Robot Action
↓
Physical Feedback

즉 AI가 현실 세계의

Sense → Think → Act

Loop 안으로 들어오는 것입니다.

6. 현실의 JARVIS 후보 — Gemini Robotics 2

이 흐름에서 주목할 만한 실제 기술 가운데 하나가 Google DeepMind의 Gemini Robotics 2 계열입니다.

2026년 7월 공개된 Gemini Robotics 2는 단순한 로봇 팔 제어를 넘어, 다양한 형태의 로봇에서 전신 제어와 물체 조작, 다중 로봇 협업까지 확장하는 방향을 보여주고 있습니다.

특히

Gemini Robotics ER 2

는 Embodied Reasoning 모델입니다.

즉 단순히 카메라 영상을 보는 것이 아니라

공간·시간·물리 관계를 이해하고 여러 단계의 작업을 계획하는 역할

을 합니다.

예를 들어 사람의 명령이

"이 방을 정리해줘."

라고 한다면 단순히 한 물체를 집는 문제가 아닙니다.

먼저

무엇이 정리되지 않았는지 판단하고,

각 물체가 어디에 가야 하는지 결정하고,

작업 순서를 만들고,

필요한 로봇 행동을 계획해야 합니다.

이런 구조는 영화 속 JARVIS의 상위 판단 시스템과 꽤 비슷합니다.

7. VLA — 언어가 로봇의 움직임으로 바뀐다

최근 로봇 AI에서 중요한 개념이 있습니다.

VLA

입니다.

Vision-Language-Action의 약자입니다.

구조는 매우 직관적입니다.

Vision

로봇이 환경을 보고,

Language

사람의 명령과 의미를 이해하고,

Action

실제 움직임을 생성합니다.

이것은 JARVIS를 이해하는 데 매우 중요한 개념입니다.

토니 스타크가

"JARVIS, 오른쪽 건물 위로 이동해."

라고 말하면,

JARVIS는 언어를 곧바로 추진기 명령으로 바꾸는 것이 아닙니다.

먼저 주변을 보고,

목적지를 이해하고,

충돌 가능성을 판단하고,

비행 경로를 계산한 뒤,

실제 제어 명령으로 변환해야 합니다.

8. JARVIS의 진짜 핵심 — World Model

JARVIS가 현실을 이해하려면 단순한 이미지 인식만으로 부족합니다.

예를 들어 앞에 자동차가 있다고 해보겠습니다.

단순한 Vision AI는

"자동차가 있다."

라고 인식할 수 있습니다.

하지만 아이언맨에게 필요한 정보는 훨씬 많습니다.

자동차가 어느 방향으로 움직이는가?
속도는 얼마인가?
3초 후에는 어디에 있을까?
충돌 가능성이 있는가?
피하려면 어떤 경로가 가장 안전한가?

즉 AI는 현실 세계가 어떻게 변화할지를 내부적으로 예측할 수 있어야 합니다.

이런 개념과 연결되는 것이

World Model

입니다.

AI가 세계의 상태와 변화 규칙을 내부적으로 표현하고 다음 상황을 예측하는 것입니다.

완전한 JARVIS라면 사실상 매우 정교한 실시간 World Model을 가지고 있어야 합니다.

9. JARVIS가 아이언맨 슈트를 제어한다면?

이제 지난 편의 Iron Man Suit와 연결해보겠습니다.

아이언맨이 비행 중이라고 가정하겠습니다.

제어 구조를 단순화하면 다음과 같습니다.

IMU / Camera / Radar
↓
Sensor Fusion
↓
State Estimation
↓
JARVIS
↓
Flight Planning
↓
Flight Controller
↓
Thruster
↓
Suit Motion
↓
Sensor Feedback

이것은 기계공학과 제어공학에서 매우 익숙한

Closed-Loop Control

구조입니다.

10. 제어공학 — AI가 모터를 직접 제어하면 안 될까?

여기서 매우 중요한 문제가 등장합니다.

JARVIS 같은 AI 모델이 모든 모터와 추진기를 직접 제어하면 될까요?

현실의 안전한 시스템에서는 역할을 계층적으로 나누는 것이 더 현실적입니다.

예를 들어

High-Level AI

"오른쪽으로 이동한다."

↓

Motion Planner

필요한 경로와 자세를 계산

↓

Real-Time Controller

필요한 Torque와 Thrust 계산

↓

Actuator

실제 움직임

과 같은 구조입니다.

즉 JARVIS가 모든 일을 직접 하는 것이 아니라

AI + Classical Control

이 결합되는 형태가 더 현실적입니다.

기계공학적으로도 이 부분이 중요합니다.

AI가 아무리 뛰어나도 수 ms 단위로 안정적인 Motor Control과 Flight Control을 수행하는 영역에는 결정론적인 제어 시스템과 충분한 안전 계층이 필요합니다.

11. Edge AI — 인터넷이 끊기면 아이언맨은 추락할까?

여기에서 재미있는 질문을 해보겠습니다.

JARVIS가 거대한 Cloud AI에서만 작동한다고 가정해보겠습니다.

비행 중 네트워크 연결이 끊기면 어떻게 될까요?

아이언맨은 추락할 수도 있습니다.

비행과 균형제어에는 매우 빠른 반응이 필요하기 때문에 모든 판단을 인터넷을 통해 외부 데이터센터로 보내는 것은 현실적이지 않습니다.

그래서

Edge AI

와

On-Device AI

가 중요합니다.

Google DeepMind의 Gemini Robotics On-Device 2 역시 네트워크 지연이나 연결 제약을 고려해 로봇 기기에서 로컬로 실행하도록 설계된 VLA 모델입니다.

즉 미래 로봇은

Cloud AI

와

On-Device AI

를 역할에 따라 나누어 사용할 가능성이 높습니다.

12. JARVIS에게 필요한 컴퓨팅 하드웨어

JARVIS 수준의 AI를 슈트 안에서 실행하려면 상당한 Computing Power가 필요할 것입니다.

구조를 상상해보면

Camera / Radar / Sensor
↓
Sensor Processor
↓
AI Accelerator
↓
Memory
↓
Real-Time Controller
↓
Actuator

형태가 될 수 있습니다.

여기에서 중요한 부품이

NPU
GPU
High-Bandwidth Memory
High-Speed Interconnect
Power Semiconductor

입니다.

결국 JARVIS 역시 AI 소프트웨어만으로 존재할 수 없습니다.

Semiconductor + AI + Mechanical System

이 결합되어야 합니다.

13. Digital Twin — JARVIS는 슈트 전체를 알고 있어야 한다

JARVIS의 또 다른 중요한 기능은

상태 관리

입니다.

영화에서도 JARVIS는 슈트의 손상 정도나 에너지 상태 등을 지속적으로 알려줍니다.

이를 현실의 엔지니어링 개념으로 연결하면

Digital Twin

과 매우 비슷합니다.

예를 들어 JARVIS는 실시간으로

Energy Remaining
Motor Temperature
Actuator Load
Structural Stress
Thruster Condition
Cooling Performance
Human Biometric Data

를 모니터링할 수 있습니다.

그리고 이상이 감지되면

Fault Detection

↓

Diagnosis

↓

Control Reconfiguration

으로 이어질 수 있습니다.

즉 JARVIS는 AI Assistant이면서 동시에

Predictive Maintenance System

역할까지 수행하는 것입니다.

14. JARVIS를 만들기 위해 필요한 공학 분야

Engineering Field	Role in JARVIS
Artificial Intelligence	Reasoning, Planning, Language Understanding
Computer Vision	Environment Recognition
Robotics	Motion & Manipulation
Control Engineering	Flight & Actuator Control
Mechanical Engineering	Dynamics, Structure, Thermal Management
Electrical Engineering	Power & Sensors
Semiconductor Engineering	AI Compute & Memory
Digital Twin	System Health Monitoring
Human Factors	Human-Machine Interaction

이 표에서 흥미로운 부분이 있습니다.

JARVIS는 AI 분야 하나만으로 완성되는 기술이 아닙니다.

오히려

AI와 실제 기계 시스템을 연결하는 System Integration

이 핵심입니다.

15. 현재 기술은 JARVIS의 어디까지 왔을까?

현재 기술을 JARVIS의 구성요소와 비교해보겠습니다.

JARVIS Capability	Current Technology	Level
Natural Conversation	Large Language Model	High
Vision Understanding	Multimodal AI	High
Computer Operation	AI Agent / Computer Use	Developing Rapidly
Task Planning	Reasoning Agent	Developing
Robot Manipulation	VLA / Physical AI	Developing
Whole-Body Robot Control	Humanoid Robotics	Early Stage
Real-Time Flight Control	Classical + AI Control	Possible in Narrow Domains
General World Understanding	World Models / Embodied Reasoning	Early Stage
JARVIS-Level Autonomy	Integrated System	Not Yet

즉 JARVIS를 구성하는 조각들은 하나씩 등장하고 있습니다.

하지만 이것들이 아직 하나의 완전한 시스템으로 통합되지는 않았습니다.

16. JARVIS까지 남은 가장 큰 문제

앞으로 해결해야 할 문제는 단순히 AI 모델의 정확도를 높이는 것만이 아닙니다.

① Reliability

로봇과 비행체에서는 AI가 가끔 틀리는 것이 허용되기 어렵습니다.

② Real-Time Response

물리적 시스템에서는 매우 짧은 시간 안에 판단하고 제어해야 합니다.

③ Safety

잘못된 판단이 실제 물리적 사고로 이어질 수 있습니다.

④ Energy Efficiency

거대한 AI 모델을 Wearable System에서 실행하려면 컴퓨팅 효율이 매우 중요합니다.

⑤ World Understanding

현실은 인터넷의 텍스트보다 훨씬 복잡하고 예측하기 어렵습니다.

⑥ System Integration

AI, Sensor, Motor, Power, Cooling, Network를 하나의 안정적인 시스템으로 통합해야 합니다.

17. 기계공학 관점에서 JARVIS가 재미있는 이유

AI라고 하면 대부분 소프트웨어를 떠올립니다.

하지만 JARVIS를 실제로 구현한다면 이야기가 달라집니다.

AI가

Torque

를 결정하고,

Force

를 발생시키고,

Motion

을 만들어내기 때문입니다.

즉 소프트웨어의 판단이 실제 물리량으로 바뀝니다.

이 과정에서

동역학,

기계진동,

열전달,

유체역학,

제어공학,

기계설계

가 다시 등장합니다.

그래서 Physical AI 시대에는 오히려 기계공학과 AI의 경계가 더욱 가까워질 가능성이 있습니다.

18. 현실의 JARVIS는 어떤 구조가 될까?

현실적으로 JARVIS와 비슷한 시스템을 만든다면 하나의 거대한 AI 모델이 모든 것을 처리하기보다 여러 계층이 역할을 나눌 가능성이 높습니다.

Human
↓
Multimodal AI
↓
Reasoning Agent
↓
World Model
↓
Task Planner
↓
Motion Planner
↓
Real-Time Controller
↓
Robot / Iron Man Suit

그리고 아래에서 올라오는

Sensor Feedback

이 전체 시스템을 계속 보정하게 됩니다.

즉 JARVIS는 하나의 AI라기보다

AI System Architecture

라고 보는 것이 더 정확할지도 모릅니다.

마치며 — JARVIS는 얼마나 가까이 왔을까?

현재 우리는 이미 사람과 자연스럽게 대화하는 AI를 가지고 있습니다.

이미지를 이해하는 AI도 있습니다.

컴퓨터를 직접 조작하는 AI Agent도 등장했습니다.

그리고 이제 AI가 로봇의 몸을 통해 현실 세계에서 행동하기 시작하고 있습니다.

즉 기술의 흐름은

Language AI
↓
Multimodal AI
↓
AI Agent
↓
Embodied AI
↓
Physical AI

로 발전하고 있습니다.

이 방향을 끝까지 확장하면 그 어딘가에 영화 속 JARVIS가 있습니다.

하지만 아직 가장 큰 차이가 남아 있습니다.

JARVIS는 단순히 말을 잘하는 AI가 아닙니다.

현실을 보고, 이해하고, 미래를 예측하고, 기계를 안전하게 움직이는 AI

입니다.

현재 AI는 JARVIS를 구성하는 각각의 기술을 하나씩 만들어가고 있습니다.

그리고 앞으로 중요한 경쟁은 더 큰 Language Model만 만드는 것이 아닐지도 모릅니다.

AI를 현실 세계의 기계와 얼마나 안정적으로 연결할 수 있는가.

바로 이 질문이 Physical AI 시대의 핵심이 될 가능성이 있습니다.

그리고 그 순간,

AI는 더 이상 컴퓨터 화면 안에만 존재하지 않습니다.

AI가 기계의 몸을 얻게 됩니다.

Engineering the MCU

#01 Energy
AI Data Center → SMR → MMR → Arc Reactor

#02 Machine
Arc Reactor → Powered Exoskeleton → Iron Man Suit

#03 Intelligence
AI Agent → Physical AI → JARVIS

그리고 다음 편에서는 또 다른 방향으로 넘어가보겠습니다.

Vision 같은 인조인간은 현실에서 만들 수 있을까?

Humanoid Robot,

Artificial Muscle,

Robot Skin,

Vision-Language-Action Model,

Battery,

On-Device AI

기술을 연결해 영화 속 Synthetic Human을 실제 로봇공학의 관점에서 분석해보겠습니다.

겨울철 전기차 주행거리, 배터리 소재보다 구조가 답일까? 3D 다공성 집전체 기술 분석

Thomasrobotech — Thu, 3 Sep 2026 00:44:19 +0900

겨울철 전기차 주행거리, 배터리 소재보다 구조가 답일까? 3D 다공성 집전체 기술 분석

3문장 요약

2026년 9월 2일 공개된 자동차 기술 보도는 애디오닉스(Addionics)의 저온용 배터리 아키텍처를 조명했다. 핵심은 리튬이온 배터리의 화학조성을 교체하는 것이 아니라 평평한 금속박 집전체를 3차원 다공성 구조로 바꿔, 추운 환경에서 느려지는 이온 이동과 커지는 내부저항을 완화하는 것이다. 다만 제조사는 저온 성능 개선의 구체적인 시험온도·용량유지율·충전속도를 공개하지 않았으므로, 현재 단계에서는 상용 성능이 입증된 완성 배터리보다 제조 적용을 진행 중인 구조 플랫폼으로 평가해야 한다.

도입: 추위는 배터리 속 ‘교통체증’을 만든다

겨울철 전기차의 주행거리가 줄어드는 이유는 난방 전력만이 아니다. 온도가 내려가면 전해질의 점도가 높아지고 리튬이온의 이동과 전극 계면 반응이 느려진다. 내부저항이 커지면서 같은 전력을 내기 위해 더 큰 손실이 발생하고, 충전 중에는 흑연 음극에 리튬이 석출되는 리튬 플레이팅 위험도 높아진다.

9월 2일 공개된 자동차 기술 보도는 Addionics의 저온용 배터리 구조를 소개했다. 최초 기업 발표일은 8월 25일이다. 즉 오늘 새 제품이 처음 공개된 것이 아니라, 최근 발표된 기술이 오늘 전문 매체를 통해 다시 다뤄진 사례다. 8월 25일 원 발표

기술 원리: 집전체를 평면에서 3차원 구조로 바꾼다

집전체란 무엇인가

리튬이온 배터리의 양극과 음극에는 얇은 금속박이 들어간다. 보통 양극에는 알루미늄박, 음극에는 구리박을 사용한다. 이 금속박은 활물질에서 나온 전자를 모아 외부회로로 전달하므로 ‘집전체’라고 부른다.

일반 집전체는 평평한 2차원 포일이다. 여기에 활물질·바인더·도전재 슬러리를 코팅하고 압착해 전극을 만든다.

3D 다공성 집전체의 작동 방식

Addionics는 평평한 금속박 대신 미세한 구멍과 연결 구조를 가진 3차원 금속 집전체를 사용한다. 회사 설명에 따르면 이 구조는 다음 경로를 만든다.

전해질 침투 증가 → 리튬이온의 두께 방향 이동경로 단축 → 전자 전도경로 분산 → 국부 전류집중과 발열 감소

저온에서는 이온이 느리게 움직이기 때문에 이동거리와 계면저항의 영향이 더 커진다. 집전체에 관통형 경로가 생기면 전해질과 이온이 전극 내부에 접근하기 쉬워지고, 반응이 전극의 일부에 몰리는 현상을 줄일 가능성이 있다. Addionics 공식 기술 설명

쉽게 말하면 한쪽 출입구로만 드나들던 창고에 여러 통로를 추가하는 것과 비슷하다. 창고의 물건, 즉 배터리 화학소재는 그대로지만 이동 병목을 줄이는 방식이다.

무엇이 새로워졌나

확인된 사실

회사는 저온용 배터리 아키텍처를 EV, 전기트럭, 방산 드론, 우주·전기항공 분야에 제안했다.
기반 기술은 기존 2D 포일을 대체하는 Smart 3D Porous Current Collector다.
회사는 이 집전체가 특정 화학계와 셀 형상에 한정되지 않고 기존 코팅라인에 통합 가능한 롤투롤 방식이라고 설명한다.
Addionics 공식 사이트는 기반 플랫폼에 대해 에너지밀도 최대 15%, 사이클수명 최대 50% 개선을 제시한다. 이 수치는 저온 전용 제품의 개선율과 동일하지 않다.
한국 배터리 장비기업 PNT와 데이터센터용 배터리 통합·시험을 진행하며 집전체를 공급하고 있다고 회사가 밝혔다. Addionics 기술·생산 현황

아직 공개되지 않은 것

저온용 신제품의 기준 셀, 배터리 화학계, 시험온도, 방전 C-rate, 용량 유지율, 충전시간 및 사이클수명 수치는 공개자료에서 확인되지 않는다. 완성차나 배터리 제조사의 채택도 확인되지 않았다.

따라서 ‘영하에서 주행거리를 몇 % 회복한다’고 계산할 근거는 아직 없다. 에너지밀도 최대 15% 개선이라는 기존 플랫폼 수치를 저온 주행거리 개선율로 바꾸어 해석해서도 안 된다.

산업·기업·시장에 미치는 영향

전기차·상용차

저온에서 사용할 수 있는 에너지와 출력이 늘어난다면 배터리 히팅에 소비되는 에너지를 줄이고, 겨울철 충전 제한을 완화할 수 있다. 장거리 전기트럭은 충전 지연이 운행계획과 적재수익에 직접 영향을 주기 때문에 승용차보다 경제적 가치가 클 수 있다.

휴머노이드·AMR·드론

로봇과 AMR은 배터리가 부족하면 작업을 중단하고 충전소로 이동한다. 냉동창고나 겨울철 야외 물류에서 유효용량이 줄어들면 필요한 로봇 대수까지 늘어난다. 동일 셀 크기에서 가동시간과 충전수용성을 유지할 수 있다면 장비 가동률 개선으로 연결될 수 있다.

드론과 eVTOL은 배터리 무게가 탑재중량과 항속거리를 결정하므로 별도 히터와 단열재를 줄이는 효과가 더 중요할 수 있다. 다만 항공 적용에는 자동차보다 높은 안전성과 인증자료가 필요하다.

배터리 소재·장비 공급망

이 기술은 양극재·음극재 경쟁과 별도로 동박·알루미늄박의 구조를 고부가가치화한다. 상용화되면 정밀 전기도금, 다공구조 성형, 롤투롤 검사, 코팅·압연 조건 최적화 장비의 수요가 생길 수 있다.

PNT와의 협력은 국내 장비기업이 단순 코터·롤프레스 공급을 넘어 차세대 전극 구조의 양산 공정 개발에 참여할 가능성을 보여준다. 그러나 양산 수율과 고객 인증 결과는 아직 공개되지 않았다.

엔지니어 관점의 핵심 쟁점

1. 저온 성능은 반드시 동일 조건으로 비교해야 한다

온도, SOC, 방전률, 셀 예열 여부가 달라지면 결과도 달라진다. 최소한 25°C, 0°C, -10°C, -20°C에서 용량·DC 내부저항·출력·급속충전 수용성을 기존 포일 셀과 같은 조건으로 비교해야 한다.

2. 부품 개선과 팩 주행거리 개선은 다르다

집전체가 셀 내부저항을 낮춰도 차량의 겨울 주행거리는 히트펌프, 실내난방, 타이어, 공기밀도, BMS 제한의 영향을 함께 받는다. 셀 시험 결과를 곧바로 차량 주행거리로 환산해서는 안 된다.

3. 늘어난 표면적의 부작용

3D 구조는 접촉면적과 반응 접근성을 높일 수 있지만, 전해액과의 부반응이나 부식 면적도 늘릴 수 있다. 금속 구조의 돌출부에 전류가 집중되지 않는지, 반복 충방전에서 구조가 손상되거나 활물질이 떨어지지 않는지 확인해야 한다.

4. 제조 수율과 코팅 균일성

기존 라인에 적용 가능하다는 설명과 기존 라인을 수정 없이 사용할 수 있다는 말은 다르다. 다공성 집전체에 슬러리가 얼마나 균일하게 침투하는지, 건조·압연 후 기공이 유지되는지, 포일 강도와 권취 안정성이 충분한지가 양산의 핵심이다.

5. 질량·부피·원가의 순효과

집전체 구조가 복잡해지면 금속 사용량과 제조공정이 달라진다. 셀 수준 Wh/kg과 Wh/L, 불량률, 미터당 집전체 원가, 생산속도를 함께 비교해야 한다. 성능이 좋아도 생산성이 낮으면 보급이 제한될 수 있다.

향후 관전 포인트

독립기관 또는 고객사가 저온 시험온도와 성능 개선율을 공개하는가
원통형·각형·파우치형 셀에서 동일한 효과가 재현되는가
PNT와의 통합시험이 고객 인증 또는 양산 수주로 이어지는가
기존 롤투롤 라인의 생산속도와 수율을 유지할 수 있는가
리튬 플레이팅·내부단락·관통 안전성 평가 결과가 공개되는가
저온 성능 개선이 배터리 히터 축소와 팩 원가 절감으로 연결되는가

결론

Addionics의 접근법은 배터리 성능을 개선하기 위해 반드시 새로운 양극재나 전해질을 발명해야 하는 것은 아니라는 점을 보여준다. 전극 내부의 이온·전자·열 이동경로를 다시 설계하는 것만으로도 저온 병목을 완화할 가능성이 있다.

다만 현재 공개된 정보는 기술 원리와 적용 방향이 중심이고, 저온용 제품의 정량 성능은 부족하다. 가장 정확한 평가는 기존 리튬이온 화학계를 유지하면서 3D 다공성 집전체로 저온 수송저항을 줄이려는 양산지향형 구조 기술이며, 실제 우위는 동일 셀 비교시험과 생산수율 공개 후 판단해야 한다는 것이다.

DNA로 만드는 AI 메모리? 0.1V 이하 페로브스카이트 멤리스터의 원리와 상용화 과제

Thomasrobotech — Thu, 3 Sep 2026 00:41:12 +0900

DNA로 만드는 AI 메모리? 0.1V 이하 페로브스카이트 멤리스터의 원리와 상용화 과제

3문장 요약

2026년 9월 1일 공개된 기술자료가 펜실베이니아주립대 연구진의 합성 DNA–페로브스카이트 멤리스터를 다시 조명했다. 논문 속 소자는 0.1V 미만에서 저항 상태를 전환하고, 0.01W/cm²의 전력밀도와 10⁵ 이상의 ON/OFF 비를 기록했지만 이는 AI 데이터센터에 바로 투입할 메모리칩이 아니라 재료·소자 수준의 연구 결과다. 진짜 의미는 DNA에 파일을 저장했다는 데 있지 않고, 합성 DNA와 은 나노입자가 전하 이동을 제어해 저전압 저항변화 메모리의 안정성을 높였다는 데 있다.

도입: AI의 다음 병목은 연산보다 데이터 이동일 수 있다

AI 가속기는 계산할 때 메모리에서 데이터를 읽고 다시 저장한다. 연산장치와 메모리가 떨어져 있으면 이 이동에 시간과 전력이 든다. 그래서 데이터를 저장하는 장소에서 일부 연산까지 수행하는 ‘인메모리 컴퓨팅’이 차세대 AI 하드웨어 후보로 연구되고 있다.

9월 1일 공개된 Tech Briefs 기술자료는 합성 DNA와 페로브스카이트를 결합한 멤리스터 연구를 소개했다. 다만 원 연구는 2026년 1월 온라인 공개됐고, 논문은 4월 27일자로 출판됐다. 오늘 새로운 소자가 발표된 것은 아니라는 점을 먼저 구분해야 한다.

그럼에도 이 연구는 ‘바이오 소재가 반도체 소자의 전하 이동을 제어할 수 있는가’라는 공학적으로 흥미로운 질문에 구체적인 수치를 제시했다.

기술 원리: 멤리스터는 저항 상태로 정보를 기억한다

멤리스터란 무엇인가

일반 저항은 전압과 전류의 관계가 정해져 있지만, 멤리스터는 이전에 가해진 전압에 따라 저항 상태가 달라지고 그 상태를 유지할 수 있다. 낮은 저항 상태와 높은 저항 상태를 각각 1과 0으로 사용하면 비휘발성 메모리가 된다.

저항값을 여러 단계로 조절할 수 있다면 인공신경망의 가중치도 표현할 수 있다. 저장과 행렬연산을 같은 배열에서 수행할 가능성이 있어 뉴로모픽 및 인메모리 컴퓨팅 연구에 활용된다.

이번 소자의 적층 구조

논문에 제시된 소자는 위에서부터 다음과 같이 적층된다.

은 상부전극 → 준2차원 할라이드 페로브스카이트 → 은 나노입자가 포함된 합성 22-mer DNA → 백금 하부전극

22-mer는 22개의 염기로 구성된 짧은 합성 DNA 가닥을 뜻한다. 여기서 DNA는 사진이나 문서를 염기서열로 저장하는 매체가 아니다. 연구진은 합성 DNA 복합층이 전하 이동과 전도 경로의 형성을 조절하도록 사용했다.

페로브스카이트는 특정 결정구조를 갖는 소재군이다. 이 연구에서는 준2차원 유기–무기 할라이드 페로브스카이트가 저항변화층으로 사용됐다. 전압을 가하면 소자 내부 전하와 이온의 분포가 달라져 전류가 잘 흐르는 상태와 잘 흐르지 않는 상태가 만들어진다.

무엇이 새로워졌나

논문에서 확인된 사실

Advanced Functional Materials 논문과 Penn State 연구정보에 공개된 핵심 수치는 다음과 같다.

평가항목	연구 결과	의미
동작전압	0.1V 미만	낮은 전압에서 SET·RESET 가능
전력밀도	0.01W/cm²	소자 면적 기준 연구 수치
ON/OFF 비	10⁵ 초과	두 저항 상태를 구별하기 유리
내구성	10³회	1,000회 전환 시험
보존시간	4×10³초	약 66.7분의 측정 구간
주변환경 안정성	6주 이상 높은 ON/OFF 비 유지	무봉지 연구소자 기준 결과

연구진은 초기 고전압으로 전도 경로를 만드는 ‘포밍’ 과정 없이 동작했다고 보고했다. 합성 DNA에 은 나노입자를 넣은 구조가 순수 페로브스카이트 및 변형하지 않은 DNA 기반 비교 소자보다 변동성을 줄였다는 것이 핵심 주장이다.

해석: ‘DNA 저장장치’보다 ‘분자공학형 스위칭층’에 가깝다

DNA라는 단어 때문에 생물학적 정보저장과 혼동하기 쉽다. 하지만 이 소자에서 읽고 쓰는 정보는 DNA 염기서열이 아니라 전기적 저항 상태다. DNA는 전하 전달과 은 이온·나노입자의 거동에 영향을 주는 기능성 재료로 해석하는 편이 정확하다.

산업·기업·시장에 미치는 영향

AI 하드웨어

저전압 멤리스터 배열이 대규모로 구현되면 메모리와 연산 사이의 데이터 이동을 줄일 가능성이 있다. 특히 신경망의 가중치 저장과 곱셈–누산을 배열 내부에서 수행하는 아날로그 인메모리 컴퓨팅 후보가 될 수 있다.

그러나 이번 연구에서 AI 모델 학습이나 추론 칩을 제작한 것은 아니다. ‘AI 데이터센터 전력을 즉시 100분의 1로 낮춘다’는 결론도 낼 수 없다. 소자 동작전력과 서버 전체 전력은 서로 다른 지표다.

반도체 소재·장비

상용화를 시도한다면 합성 DNA 박막의 균일 도포, 페로브스카이트 계면 제어, 은 이온 확산, 수분 차단 및 웨이퍼 공정 호환성이 새로운 소재·증착·검사 과제가 된다. 기존 CMOS 배선공정의 열 예산과 오염관리 기준을 통과할 수 있는지도 중요하다.

메모리 산업

현재 NAND·DRAM을 곧 대체할 기술로 보기는 어렵다. 내구성 10³회와 보존시간 4×10³초는 상용 비휘발성 메모리가 요구하는 수준과 큰 차이가 있다. 이번 결과의 시장 가치는 제품 매출보다 차세대 ReRAM·뉴로모픽 소자의 재료 선택지를 넓힌 데 있다.

엔지니어 관점의 핵심 쟁점

1. 낮은 전압과 낮은 에너지는 같은 말이 아니다

한 번의 쓰기 에너지는 대략 전압×전류×시간으로 결정된다. 0.1V 미만이라는 사실만으로 실제 쓰기 에너지가 낮다고 단정할 수 없다. 펄스 폭, 동작전류, 주변 구동회로 전력까지 함께 측정해야 한다.

2. 내구성과 보존시간이 아직 짧다

1,000회의 전환과 약 4,000초의 보존 시험은 원리 검증에는 의미가 있지만 상용 메모리 평가에는 부족하다. 고온 가속시험, 장기 데이터 보존, 반복 전환에 따른 저항 분포 변화를 확인해야 한다.

3. 단일 소자에서 대규모 어레이로 가는 길이 어렵다

멤리스터를 교차배열로 확장하면 선택하지 않은 셀을 통해 누설전류가 흐르는 ‘스니크 패스’ 문제가 생긴다. 셀 간 편차, 불량셀 우회, 선택소자, ADC·DAC의 면적과 전력도 시스템 성능을 좌우한다.

4. 페로브스카이트와 은의 공정 호환성

할라이드 페로브스카이트는 수분·열·전계 안정성을 확인해야 하며, 은의 이동은 원하는 전도 경로를 만드는 동시에 장기 신뢰성 문제를 일으킬 수 있다. 납을 포함한 조성의 환경·폐기 규제도 상용화 평가 항목이다.

5. 정확한 비교 기준

‘기존 메모리보다 100배 저전력’과 같은 표현은 비교 대상, 셀 면적, 쓰기 펄스, 주변회로 포함 여부가 같아야 검증할 수 있다. 원 논문이 명확히 제시한 값은 0.1V 미만의 동작전압과 0.01W/cm² 전력밀도다. 시스템 수준 절감률로 확대해석해서는 안 된다.

향후 관전 포인트

10⁶회 이상 전환과 장기·고온 데이터 보존을 입증하는가
단일 소자가 아니라 대규모 어레이에서 수율과 편차를 공개하는가
CMOS 후공정의 열·오염 조건과 호환되는 제조법을 확보하는가
실제 신경망 연산에서 정확도와 에너지/연산 성능을 검증하는가
봉지재와 선택소자를 포함한 전체 셀의 면적·원가 경쟁력이 있는가

결론

DNA–페로브스카이트 멤리스터는 생물학적 소재와 전자소자를 결합한 인상적인 재료공학 연구다. 특히 합성 DNA 복합층으로 전하 이동과 소자 편차를 제어했다는 점은 차세대 저항변화 메모리 설계에 새로운 방향을 제시한다.

하지만 이것은 DNA에 데이터를 기록한 상용 AI 메모리도, 데이터센터 전력 문제를 당장 해결할 칩도 아니다. 지금 단계의 가장 정확한 평가는 0.1V 미만에서 동작하는 실험실 규모의 바이오–하이브리드 멤리스터가 가능성을 보였고, 내구성·보존성·어레이 집적·CMOS 호환성 검증은 이제부터라는 것이다.

반도체 물류자동화 AMHS 기술전쟁: OHT·Stocker·MCS·AI로 보는 글로벌 Top 10

Thomasrobotech — Tue, 1 Sep 2026 19:26:49 +0900

AI 반도체 시대가 열리면서 반도체 FAB 안에서 의외로 중요성이 빠르게 높아지는 시스템이 있습니다.

바로 AMHS(Automated Material Handling System), 반도체 물류자동화 시스템입니다.

과거 AMHS의 역할은 비교적 단순했습니다.

“FOUP을 A 장비에서 B 장비까지 빠르고 안전하게 운반한다.”

하지만 2026년의 AMHS는 전혀 다른 시스템으로 진화하고 있습니다.

HBM, 첨단 Logic, 300mm Mega FAB, Advanced Packaging 투자가 확대되면서 수천 대의 OHT와 수만 개의 FOUP을 실시간으로 제어해야 하기 때문입니다.

이제 AMHS의 경쟁력은 단순히 OHT가 얼마나 빨리 달리느냐가 아닙니다.

Throughput, Traffic Control, Buffer, Stocker, MCS, Scheduling, Predictive Maintenance 그리고 AI 기반 물류 최적화가 하나의 시스템으로 결합되어야 합니다.

이번 글에서는 반도체 물류자동화 기업 순위를 단순 매출이나 시장점유율이 아니라 기술 아키텍처 관점에서 살펴보겠습니다.

1. AMHS는 왜 반도체 FAB의 ‘혈관’이 되었을까?

300mm 반도체 FAB의 기본 물류 단위는 FOUP입니다.

FOUP 안에는 최대 25장의 300mm 웨이퍼가 들어갑니다.

공정이 진행되는 동안 FOUP은 수많은 공정 장비 사이를 반복해서 이동합니다.

기본적인 흐름을 단순화하면 다음과 같습니다.

Process Equipment
↓
Load Port
↓
OHT
↓
Rail Network
↓
Stocker / Buffer
↓
OHT
↓
Next Process Equipment

하지만 실제 FAB에서는 이것이 수천 개의 공정 장비와 수천 대의 OHT가 연결된 거대한 Network Problem으로 바뀝니다.

따라서 중요한 것은 개별 OHT의 최고속도가 아닙니다.

핵심 KPI

Delivery Time
Throughput
Vehicle Utilization
Empty Vehicle Ratio
Queue Length
Stocker Utilization
Rail Congestion
Tool Waiting Time
MTBF
MTTR
OHT Availability

결국 목표는 하나입니다.

최소의 물류 자원으로 최대의 FAB 생산량을 만들어내는 것

여기서부터 AMHS 기업들의 진짜 기술 경쟁이 시작됩니다.

2. AMHS 기술 스택을 이해해야 기업이 보인다

반도체 물류자동화 시스템은 크게 5개의 Layer로 볼 수 있습니다.

Layer 1 — Mechanical

OHT
Rail
Hoist
Wheel
Diverter
Stocker
Buffer
Lifter

↓

Layer 2 — Control

Motor Control
Position Control
Collision Prevention
Vehicle Control
PLC

↓

Layer 3 — Traffic

Routing
Dispatching
Congestion Control
Vehicle Assignment

↓

Layer 4 — Factory Integration

MCS
MES
Equipment Interface
Carrier Management

↓

Layer 5 — Intelligence

Digital Twin
Predictive Maintenance
Dynamic Routing
AI Scheduling
Simulation

과거에는 Layer 1~2가 경쟁력의 핵심이었다면 앞으로는 Layer 3~5의 중요성이 훨씬 커질 가능성이 높습니다.

이 관점에서 글로벌 AMHS 주요 기업을 살펴보겠습니다.

3. 2026 글로벌 반도체 AMHS 주요 기업 Top 10

최근 공개된 시장조사에서 주요 AMHS 기업으로 거론되는 회사들은 다음과 같습니다.

구분기업국가/지역핵심 영역

1	Murata Machinery	일본	Fab-wide AMHS
2	Daifuku	일본	OHT·Stocker·MCS
3	SEMES	한국	OHT·반도체 자동화
4	MIRLE Group	대만	AMHS·Factory Automation
5	SFA Engineering	한국	OHT·물류자동화
6	STRATUS Automation	대만/아시아	AMHS
7	SYNUS Tech	한국	OHT·AMHS
8	Brillian Network & Automation	대만	Factory Automation
9	Symtek Automation Asia	대만	AMHS
10	MeetFuture Technology	중국	AMHS·스마트팩토리

시장조사 자료에 따르면 이들 상위 10개 기업이 2025년 세계 반도체 AMHS 매출의 약 **91%**를 차지한 것으로 추정됩니다.

더 흥미로운 부분은 상위권 집중도입니다.

Murata Machinery와 Daifuku 두 기업을 중심으로 글로벌 시장이 강하게 집중되어 있다는 분석이 나오고 있습니다.

즉 반도체 AMHS는 신규 업체가 쉽게 진입하기 어려운 산업입니다.

그 이유는 단순히 OHT를 만드는 것이 어렵기 때문만은 아닙니다.

4. Daifuku — AMHS의 강점은 OHT가 아니라 ‘시스템’이다

Daifuku

Daifuku를 단순한 OHT 제조업체로 이해하면 이 회사의 경쟁력을 절반밖에 보지 못합니다.

Daifuku의 핵심 경쟁력은

Transport + Storage + Control

을 하나의 FAB 시스템으로 통합하는 능력에 있습니다.

대표적인 Cleanroom 물류 시스템은 OHT뿐 아니라 Stocker, Buffer, Controller와 연결됩니다.

특히 FAB 전체 관점에서는

MES → MCS → OHT Controller → Vehicle

이라는 계층형 제어구조가 중요합니다.

OHT 한 대의 성능보다 수천 대가 동시에 움직일 때 시스템이 얼마나 안정적으로 유지되는지가 더 중요하기 때문입니다.

Daifuku는 1984년부터 Cleanway 클린룸 반송 시스템을 개발해 왔으며, 저진동·저발진 반송 기술을 지속적으로 발전시켜 왔습니다.

그리고 2026년 4월 중요한 움직임이 있었습니다.

AI 반도체 투자 확대에 대응해 일본 Shiga Works에 반도체 생산라인용 운송·보관 시스템 신규 공장을 완공했습니다.

이 투자로 일본 내 Cleanroom 사업 생산능력이 약 30% 증가할 예정입니다.

이는 현재 AMHS 업황을 상징적으로 보여주는 사건이라고 볼 수 있습니다.

5. Murata Machinery — OHT Traffic Engineering의 강자

Murata Machinery

Murata Machinery 역시 세계 반도체 AMHS 시장의 핵심 플레이어입니다.

특히 Muratec을 볼 때 중요한 키워드는

Space Utilization + Traffic Optimization

입니다.

반도체 FAB에서는 Rail을 무한정 설치할 수 없습니다.

공정 장비 위에는 이미

Utility
Exhaust
Cable Tray
Duct
Fire Protection
Ceiling Structure

등 수많은 시설물이 존재합니다.

따라서 AMHS 엔지니어에게 중요한 문제는

“Rail을 얼마나 많이 설치할 것인가?”

가 아니라

“최소한의 Rail로 필요한 물동량을 처리할 수 있는가?”

입니다.

이를 수식으로 단순화하면 AMHS 최적화 문제는 다음과 같이 생각할 수 있습니다.

Minimize

Rail Length + Vehicle Count + Buffer Capacity

Subject to

Required Throughput
Maximum Delivery Time
Vehicle Capacity
Rail Capacity
Tool Demand

결국 앞으로의 AMHS 경쟁은 기계설계와 함께 Operations Research와 AI Optimization 문제로 이동하게 됩니다.

6. SEMES — 한국형 AMHS 국산화의 핵심

SEMES

SEMES의 가장 큰 특징은 반도체 제조 장비와 자동화 시스템을 동시에 이해한다는 것입니다.

SEMES는 국내 최초로 반도체 제조 물류자동화 핵심 장비인 OHT를 개발해 삼성전자 양산라인에 공급했다고 밝히고 있습니다.

이 구조가 중요한 이유가 있습니다.

AMHS는 독립된 물류 시스템이 아닙니다.

궁극적으로

Equipment ↔ Load Port ↔ OHT ↔ MCS ↔ MES

가 하나의 시스템으로 동작해야 하기 때문입니다.

예를 들어 OHT가 아무리 빨라도 Load Port가 Carrier를 받을 준비가 되지 않았다면 OHT는 기다려야 합니다.

이를 Blocking이라고 생각할 수 있습니다.

반대로 장비가 다음 LOT을 기다리고 있는데 FOUP이 늦게 도착하면 생산장비가 Idle 상태가 됩니다.

AMHS의 진짜 목적은 결국

OHT Utilization 최대화가 아니라 FAB 생산장비 Utilization 최대화

라고 보는 것이 더 정확합니다.

7. SFA — 물류자동화 경험을 반도체로 확장

SFA Engineering

SFA의 장점은 다양한 산업에서 축적한 Factory Automation 경험입니다.

반도체 물류에서 앞으로 특히 중요해지는 기술은 Predictive Maintenance입니다.

OHT에는 Motor, Wheel, Bearing, Hoist, Sensor 등 다양한 부품이 존재합니다.

센서 데이터를 이용하면

Vibration
Motor Current
Temperature
Noise
Wheel Wear

등의 데이터를 지속적으로 수집할 수 있습니다.

기존 유지보수 방식이

Failure → Alarm → Repair

였다면,

스마트 AMHS는

Sensor → Anomaly Detection → Failure Prediction → Maintenance

구조로 발전합니다.

수천 대의 OHT가 운영되는 Mega FAB에서는 OHT 한 대의 고장보다 고장난 OHT가 Rail을 막아 다른 OHT까지 정체시키는 Secondary Effect가 훨씬 큰 문제가 될 수 있습니다.

따라서 PdM은 단순 유지보수 기술이 아니라 Traffic Reliability 기술이 됩니다.

8. MIRLE — 대만 반도체 생태계가 만든 AMHS 경쟁자

MIRLE Automation

MIRLE의 경쟁력을 이해하려면 대만의 반도체 산업 구조를 볼 필요가 있습니다.

대만에는 세계 최대 규모의 Foundry와 OSAT 생태계가 존재합니다.

따라서 물류자동화 역시

Front-end FAB

뿐만 아니라

Wafer → Packaging → Test

영역까지 확장되고 있습니다.

이 변화는 AI 반도체 시대에 더욱 중요합니다.

HBM과 2.5D/3D Packaging이 확대되면서 물류 대상도 기존 300mm FOUP 중심에서 더욱 다양해지고 있기 때문입니다.

9. SYNUS Tech — 한국 AMHS의 새로운 경쟁축

SYNUS Tech

한국 AMHS 산업에서 주목해야 할 또 하나의 흐름은 전문 물류자동화 업체의 성장입니다.

대형 반도체 FAB 프로젝트가 계속 확대되면서 AMHS 시장 역시 단일 업체가 모든 영역을 독점하기보다

OHT
Stocker
Conveyor
AMR
Control Software
Maintenance

등으로 세분화되고 있습니다.

특히 국내 업체 입장에서는 기존 글로벌 기업과 OHT 하드웨어만으로 정면 승부하기보다 Software Defined AMHS가 중요한 기회가 될 수 있습니다.

10. STRATUS·Brillian·Symtek — 대만 AMHS 생태계

대만 기업들이 주목받는 이유도 비슷합니다.

대만은 세계 최대 수준의 반도체 제조 클러스터를 보유하고 있습니다.

따라서 AMHS 기업이 새로운 기술을 실제 FAB 환경에서 검증하고 개선하기 유리합니다.

STRATUS Automation, Brillian Network & Automation, Symtek Automation Asia 등의 기업들이 주요 AMHS 업체군에 포함되는 이유입니다.

이들 업체의 성장은 AMHS 산업이

일본 중심 글로벌 Tier-1 + 한국·대만 지역 전문기업

구조로 변화하고 있음을 보여줍니다.

11. MeetFuture — 중국의 AMHS 국산화

중국 반도체 산업에서도 물류자동화 국산화가 진행되고 있습니다.

최근 반도체 산업의 중요한 변화 가운데 하나는 중국 업체들의 장비 내재화입니다.

2026년에는 삼성전자와 SK하이닉스의 중국 생산거점에서 중국산 일부 반도체 제조장비가 평가되고 있다는 보도까지 나왔습니다.

AMHS 역시 같은 흐름에서 자유롭지 않습니다.

OHT부터 Stocker, MCS, AMR까지 중국 현지 공급망이 형성된다면 장기적으로 글로벌 AMHS 경쟁구도에도 영향을 줄 가능성이 있습니다.

12. 2026년 AMHS 시장을 바꾸는 진짜 변수 — HBM

현재 AMHS 산업을 이해할 때 가장 중요한 단어 중 하나는 HBM입니다.

AI Accelerator

↓

GPU

↓

HBM

↓

Advanced Packaging

↓

Wafer FAB

으로 이어지는 AI 반도체 공급망이 급속하게 확대되고 있기 때문입니다.

SK하이닉스는 2026년 8월 미국 Indiana의 AI 반도체 패키징 시설 투자 계획을 구체화했습니다.

약 40억 달러 규모 프로젝트로, 향후 차세대 HBM 패키징 및 연구개발 거점 역할을 할 예정입니다.

중요한 것은 HBM이 단순 DRAM 생산으로 끝나지 않는다는 것입니다.

Wafer Process
↓
TSV
↓
Wafer Thinning
↓
Stacking
↓
Bonding
↓
Advanced Packaging
↓
Test

공정이 연결되면서 물류 복잡도가 높아집니다.

즉 HBM 투자는 공정장비 투자뿐 아니라 새로운 형태의 물류자동화 투자를 동시에 발생시킬 가능성이 높습니다.

13. 앞으로 AMHS에서 가장 중요한 기술은 ‘속도’가 아니다

OHT 최고속도 경쟁은 점점 의미가 줄어들 수 있습니다.

예를 들어 OHT의 최대 속도를

300 m/min → 350 m/min

으로 높였다고 가정해 보겠습니다.

FAB 전체 생산성이 17% 증가할까요?

그렇지 않을 가능성이 높습니다.

실제 Cycle Time에는

Travel Time
Queue Time
Loading Time
Unloading Time
Blocking Time
Stocker Waiting Time

이 모두 포함되기 때문입니다.

따라서

Total Delivery Time = Travel + Queue + Handling + Blocking

으로 생각해야 합니다.

여기서 앞으로 가장 큰 개선 가능성이 존재하는 영역은 단순 Travel Speed보다 Queue와 Blocking일 수 있습니다.

그래서 AI가 중요해집니다.

14. AI 기반 AMHS는 어떻게 작동할까?

기존 시스템에서는 목적지가 결정되면 Routing Algorithm이 최적 경로를 계산합니다.

하지만 미래 시스템은 다릅니다.

Digital Twin

현재 FAB 상태를 실시간 복제

↓

Prediction

5~10분 뒤 물류량 예측

↓

Congestion Prediction

Rail 병목 예상

↓

Dynamic Dispatching

OHT 사전 배치

↓

Dynamic Routing

혼잡 구간 우회

↓

FAB Optimization

전체 Delivery Time 최소화

이 구조가 구현된다면 AMHS는 더 이상 Material Handling System이 아닙니다.

Physical AI System

에 가까워집니다.

15. OHT 다음 경쟁자는 AMR일까?

또 하나 흥미로운 변화가 있습니다.

기존 반도체 FAB 물류의 핵심은 Rail 기반 OHT였습니다.

하지만 Daifuku 역시 자사 Cleanroom 기술 소개에서 향후 AI 기술로 인해 물류가 반드시 Rail에만 제한되지 않을 것이라는 미래상을 제시하고 있습니다.

미래 FAB에서는

OHT

고속·대량·반복 물류

AMR

유연한 Point-to-Point 물류

Stocker

대량 Buffer

AI MCS

통합 Traffic Control

구조가 등장할 가능성이 있습니다.

특히 후공정과 Advanced Packaging에서는 이러한 Hybrid AMHS의 활용 가능성이 더욱 높습니다.

16. 결국 승부처는 Software Defined AMHS

현재 AMHS 산업의 경쟁력을 단계별로 정리하면 다음과 같습니다.

AMHS 1.0

Mechanization

Conveyor / AGV

↓

AMHS 2.0

Automation

OHT / Stocker

↓

AMHS 3.0

Integration

MES + MCS + AMHS

↓

AMHS 4.0

Optimization

Simulation + Digital Twin

↓

AMHS 5.0

Autonomous FAB

AI Routing
Predictive Dispatching
Predictive Maintenance
Autonomous Optimization

이렇게 보면 앞으로 가장 중요한 경쟁력은 OHT 자체가 아닐 수도 있습니다.

누가 FAB 전체의 물류 데이터를 가장 잘 이해하는가?

이것이 AMHS 기업의 새로운 기술 장벽이 될 가능성이 높습니다.

수십 년간 설치한 수천~수만 대의 OHT에서 확보한

Traffic Data
Failure Data
Delivery Data
Congestion Data
Maintenance Data

가 AI 학습 데이터가 될 수 있기 때문입니다.

따라서 기존 시장 강자인 Daifuku와 Murata Machinery가 가진 가장 강력한 자산도 단순 특허가 아니라 수십 년간 축적된 실제 FAB 운영 데이터와 경험일 수 있습니다.

마무리 — 반도체 FAB의 다음 전쟁은 ‘물류 알고리즘’이다

AI 시대가 반도체 산업을 바꾸면서 HBM과 첨단 Logic만 성장하는 것이 아닙니다.

그 반도체를 생산하는 FAB 자체도 바뀌고 있습니다.

과거의 경쟁이

더 빠른 OHT

였다면,

현재는

더 안정적인 AMHS

그리고 앞으로는

스스로 최적화하는 AMHS

가 될 가능성이 높습니다.

그래서 향후 AMHS 기술 경쟁의 핵심을 저는 다음 다섯 가지로 봅니다.

① OHT High Throughput

② Low Particle / Low Vibration

③ Dynamic Traffic Control

④ Predictive Maintenance

⑤ AI + Digital Twin 기반 Fab-wide Optimization

결국 반도체 물류자동화 기업은 더 이상 단순 물류장비 회사가 아닙니다.

수천 대의 로봇과 수만 개의 Carrier를 실시간으로 제어하는 거대한 Physical AI 플랫폼 기업으로 변화하고 있습니다.

그리고 AI·HBM·Advanced Packaging 투자가 계속되는 한, 이 변화는 이제 시작일 가능성이 높습니다.

CXMT LPDDR6 양산, 샤오미 18 Fold 탑재: 삼성전자·SK하이닉스에 미칠 영향

Thomasrobotech — Sun, 30 Aug 2026 09:59:42 +0900

3문장 요약

중국 DRAM 업체 CXMT는 2026년 8월 29일 LPDDR6 양산을 시작했으며, 샤오미가 9월 출시할 폴더블 스마트폰 ‘18 Fold’에 이를 탑재한다고 양사가 공식 웨이보를 통해 밝혔다. LPDDR6는 스마트폰의 전력을 적게 쓰면서 CPU·GPU·NPU에 데이터를 빠르게 공급하는 차세대 메모리로, 온디바이스 AI 성능과 배터리 효율을 함께 좌우한다. 이번 발표의 핵심은 CXMT가 세계 최고 성능을 달성했다는 의미보다는 중국 메모리·AP·스마트폰 기업이 최신 표준의 첫 상용제품을 하나의 자국 공급망으로 묶었다는 데 있다.

도입: 중국 메모리가 ‘한 세대 뒤’라는 공식이 흔들리고 있다

중국 최대 DRAM 업체인 CXMT(창신메모리)가 최신 모바일 메모리인 LPDDR6를 실제 스마트폰에 공급한다.

2026년 8월 29일 CXMT는 LPDDR6 양산을 시작했으며 샤오미의 차세대 폴더블 플래그십 ‘18 Fold’에 공급한다고 발표했다. 샤오미도 공식 웨이보에서 이를 확인했고, 제품은 9월 출시될 예정이다. 해당 스마트폰에는 샤오미가 자체 설계하고 TSMC 3나노 공정에서 생산하는 애플리케이션 프로세서(AP) ‘Xring O3’도 탑재될 전망이다. 8월 29일 Reuters 보도

스마트폰에 새 메모리가 들어간다는 소식이 왜 중요한가.

반도체 기술의 경쟁력은 연구실에서 동작한 시제품보다 고객 제품에서 안정적으로 작동하는 양산품으로 판단해야 한다. CXMT는 LPDDR5를 양산한 지 1년도 되지 않아 LPDDR6 세대의 상용 고객을 확보했다. 아직 삼성전자와 SK하이닉스의 공정·수율·고속제품 경쟁력을 따라잡았다고 단정할 수는 없지만, 세대 간 진입시차가 빠르게 줄고 있다는 신호다.

기술 원리: LPDDR6는 스마트폰에서 무슨 일을 하는가

1. AP가 계산하려면 먼저 메모리에서 데이터를 가져와야 한다

스마트폰의 AP에는 여러 연산장치가 들어 있다.

CPU: 운영체제와 일반 프로그램 처리
GPU: 화면과 병렬연산 처리
NPU: 생성형 AI·영상인식 등 인공지능 연산
ISP: 카메라 영상 처리

이들 연산장치가 아무리 빨라도 필요한 데이터가 늦게 도착하면 기다려야 한다. 이를 메모리 병목이라고 한다.

LPDDR은 ‘Low Power Double Data Rate’의 약자로, 전력을 적게 쓰도록 설계한 DRAM이다. 스마트폰·태블릿·자동차처럼 배터리와 발열이 중요한 장치에서 주기억장치로 사용된다.

메모리 대역폭은 대략 다음 관계로 결정된다.

대역폭 ≈ 핀당 전송속도 × 데이터 선의 수 ÷ 8

대역폭은 1초에 이동시킬 수 있는 데이터의 양이다. 자동차 도로에 비유하면 핀당 속도는 차량의 속도이고, 데이터 선의 수는 차선 수다. LPDDR6는 각 차를 빠르게 달리게 할 뿐 아니라 데이터가 지나가는 구조도 바꿔 혼잡을 줄인다.

2. LPDDR6는 24비트 채널을 두 개의 12비트 서브채널로 나눈다

JEDEC가 2025년 7월 발표한 JESD209-6 규격은 LPDDR6에 두 개의 12비트 서브채널 구조를 도입했다. 작은 독립 통로를 여러 개 두면 서로 다른 데이터 요청을 병렬로 처리하기 쉬워지고, 사용하지 않는 통로의 전력을 줄일 수 있다.

표준은 초기 10.667Gbps에서 향후 최대 14.4Gbps까지 확장하도록 설계됐다. 오류정정과 제어용 부가비트를 고려한 유효 대역폭은 채널당 약 28.5~38.4GB/s 범위다. Cadence는 LPDDR6 인터페이스 IP가 최대 14.4Gbps를 지원하며 이전 세대보다 최대 50% 빠르다고 설명한다. Cadence의 LPDDR6 표준 기술 설명

3. 속도만 높인 메모리가 아니다

LPDDR6에는 온디바이스 AI와 엣지 장치를 위한 기능이 함께 추가됐다.

DVFSL: 필요한 성능이 낮을 때 전압과 주파수를 함께 낮춰 전력 절감
독립 서브채널: 사용 중인 데이터 경로만 활성화
On-die ECC: 칩 내부에서 일부 데이터 오류를 검출·수정
CA parity: 명령·주소 신호의 오류 감시
행 활성화 추적: 특정 메모리 행을 반복 접근해 오류를 유발하는 Rowhammer 위험 완화
메모리 자체시험: 시스템 가동 전후에 이상 여부 확인

따라서 LPDDR6의 목표는 최고속도 하나가 아니라 대역폭·전력·신뢰성을 함께 개선하는 것이다. Synopsys의 LPDDR6 실리콘 검증 설명

4. 메모리와 AP는 하나의 시스템으로 검증해야 한다

LPDDR6 칩만 완성했다고 스마트폰에 바로 넣을 수는 없다. AP 내부의 메모리 컨트롤러와 PHY가 같은 규격을 지원해야 하고, 패키지·회로기판·전원·신호배선까지 함께 맞아야 한다.

고속신호에서는 배선이 길어질수록 반사와 잡음, 타이밍 오차가 커진다. 스마트폰은 보통 AP 위에 메모리 패키지를 쌓는 PoP(Package on Package) 구조로 연결거리를 줄인다. CXMT LPDDR6와 샤오미 Xring O3가 함께 검증된다는 것은 메모리 단품을 넘어 중국산 AP와 메모리의 시스템 조합이 상용단계에 들어간다는 뜻이다.

무엇이 새로워졌나

1. ‘개발·샘플’에서 ‘양산·탑재’ 단계로 이동했다

CXMT는 앞서 LPDDR6 샘플을 모바일, 서버, 스마트자동차 고객에게 제공했다고 밝혔다. 이번에는 샤오미 18 Fold라는 구체적인 양산제품과 9월 출시시점이 공개됐다.

반도체 개발단계는 보통 다음 순서로 진행된다.

설계 → 시험칩 → 개발검증 → 고객 샘플 → 고객인증 → 위험양산 → 양산·제품탑재

이번 발표는 CXMT가 적어도 특정 고객·제품 조합에서 마지막 단계로 이동했음을 의미한다. 단, 초기 생산량과 수율, 샤오미 한 모델 이외의 고객은 공개되지 않았다.

2. CXMT·샤오미·TSMC가 최신 모바일 플랫폼을 구성한다

샤오미 18 Fold는 CXMT의 LPDDR6와 샤오미 자체 AP인 Xring O3를 결합할 예정이다. Xring O3는 TSMC의 3나노 공정으로 생산된다고 Reuters가 8월 24일 보도했다. Xring O3와 TSMC 생산 보도

중국 기업이 메모리와 AP 설계를 담당하고 대만 파운드리가 첨단 공정 생산을 맡는 구조다. 완전한 중국 내 자급은 아니지만 Qualcomm AP와 한국산 메모리에 대한 의존도를 동시에 낮추는 시도다.

3. 최신 세대 진입은 사실이지만 ‘성능 선두’는 아직 확인되지 않았다

중국 매체들은 CXMT 제품의 설계 최대속도를 12.8Gbps, 기본 동작속도를 10.667Gbps, 최대 패키지 용량을 16GB로 보도했다. 그러나 이번 양산발표에서 CXMT가 공개한 제품별 속도·전압·공정노드·수율 자료는 제한적이다.

따라서 다음 두 문장은 구분해야 한다.

확인된 사실: CXMT가 LPDDR6 양산과 샤오미 18 Fold 공급을 발표했다.
아직 확인할 수 없는 부분: 양산품이 실제로 몇 Gbps로 동작하고 경쟁제품보다 성능·전력·수율이 우수한가.

4. 한국 업체도 이미 LPDDR6 개발과 공급을 진행하고 있다

삼성전자는 12나노 공정의 LPDDR6가 최대 10.7Gbps와 이전 세대 대비 약 21% 높은 에너지 효율을 제공한다고 공개했다. 삼성전자 LPDDR6 공식 설명

SK하이닉스는 2026년 3월 10일 1c 공정 기반 16Gb LPDDR6 개발을 발표했다. 기본 동작속도는 10.7Gbps 이상이며 LPDDR5X 대비 데이터 처리속도 33%, 전력효율 20% 이상 개선을 제시했고 하반기 공급계획을 밝혔다. SK하이닉스 공식 발표

즉, CXMT가 LPDDR6라는 이름을 먼저 사용했다는 사실만으로 한국 업체를 기술적으로 추월했다고 볼 수 없다. 중요한 차이는 속도등급, 전력, 수율, 고객인증, 생산규모다.

CXMT·삼성전자·SK하이닉스 LPDDR6 비교

비교 항목	CXMT	삼성전자	SK하이닉스
공개 단계	양산 시작 및 샤오미 18 Fold 탑재 발표	LPDDR6 제품·기술 공개	16Gb 제품 개발 완료, 2026년 하반기 공급 계획
제조공정	미공개	12nm	1c, 6세대 10nm급
공개 속도	양산품 공식 수치 미공개 중국 매체 보도: 기본 10.667Gbps, 설계 최대 12.8Gbps	최대 10.7Gbps	10.7Gbps
용량	공식 세부 사양 미공개 중국 매체 보도: 패키지 최대 16GB	미공개	16Gb 단일 다이
전력효율	비교 가능한 수치 미공개	이전 세대 대비 약 21% 향상	LPDDR5X 대비 20% 이상 향상
속도 개선	비교 가능한 수치 미공개	별도 개선율 미공개	LPDDR5X 대비 데이터 처리속도 33% 향상
확인된 적용처	샤오미 18 Fold 발표	특정 상용 고객 미공개	모바일·온디바이스 AI 대상, 특정 상용 고객 미공개
현재 판단	최신 세대의 상용제품 진입이 핵심	12nm 기반 속도·전력 균형 강조	1c 공정과 16Gb 다이, 구체적 개선율 제시

※ 2026년 8월 30일 공개자료 기준. 회사마다 공개 범위와 비교 기준이 다르므로 속도·전력효율 수치를 동일 조건의 직접 성능순위로 해석해서는 안 된다. CXMT의 공정, 수율, 실제 동작속도와 전력소모는 공개 확인자료가 부족하다.

산업·기업·시장에 미치는 영향

여기부터는 확인된 발표를 바탕으로 한 해석이다.

1. 삼성전자·SK하이닉스의 중국 모바일 DRAM 점유율에 압력이 커진다

CXMT가 샤오미 플래그십에서 품질과 수율을 증명하면 OPPO, vivo, Honor 등 다른 중국 스마트폰 업체로 공급을 넓힐 가능성이 있다. 중국 시장은 자국산 부품 채택을 확대하려는 정책과 가격경쟁이 함께 작동하기 때문에, 최고성능 제품보다 ‘충분한 성능과 낮은 가격’을 갖춘 메모리가 빠르게 확산될 수 있다.

한국 업체에 당장 가장 큰 위협은 글로벌 프리미엄 시장 전체를 잃는 것이 아니라 중국 고객의 범용·중고속 제품에서 가격협상력이 낮아지는 것이다.

2. 경쟁 기준이 미세공정에서 시스템 공동설계로 넓어진다

모바일 메모리는 AP와의 호환성 검증이 핵심이다. 샤오미가 자체 AP를 설계하면 메모리 컨트롤러, 전력관리, 패키지까지 CXMT와 조기에 공동 최적화할 수 있다.

삼성전자에는 자체 Exynos AP와 메모리, 스마트폰을 모두 가진 수직계열화가 강점이다. SK하이닉스는 Qualcomm·MediaTek·NVIDIA 등 다수의 플랫폼 고객과 고속·저전력 메모리를 검증하는 개방형 협력이 중요해진다.

3. LPDDR은 스마트폰을 넘어 AI 서버와 자동차로 확장된다

LPDDR은 전력효율 때문에 서버용 SOCAMM 계열 모듈과 자동차용 메모리로 영역을 넓히고 있다. CXMT도 LPDDR6 샘플 적용처로 모바일, 서버, 스마트자동차를 제시했다.

다만 자동차는 스마트폰보다 긴 수명, 넓은 온도범위, 기능안전, 장기공급이 필요하고 서버는 고용량·오류관리·대규모 고객인증이 필요하다. 스마트폰 탑재 성공이 자동차와 서버의 즉시 진입을 보장하지는 않는다.

4. 미·중 기술분쟁의 효과가 ‘완전한 봉쇄’보다 공급망 분리로 나타난다

미국의 첨단 반도체 장비규제에도 CXMT는 최신 규격 제품을 개발하고 중국 고객을 확보했다. 이는 규제가 무의미하다는 뜻이 아니라, 중국 기업이 접근 가능한 장비·공정으로 제품을 최적화하고 자국 수요로 학습곡선을 확보하고 있음을 보여준다.

동시에 Xring O3 생산을 TSMC 3나노에 의존한다는 점은 중국 모바일 반도체 생태계가 아직 첨단 파운드리에서 외부 공급망과 연결돼 있음을 보여준다.

엔지니어 관점의 핵심 쟁점

핵심 쟁점 1. ‘양산 시작’과 ‘대규모 안정양산’은 다르다

초기 양산은 제한된 물량과 선별된 속도등급으로 시작할 수 있다. 실제 경쟁력을 판단하려면 다음 정보가 필요하다.

웨이퍼당 정상 칩 비율인 수율
고객 출하량과 월 생산능력
10.667·12.8·14.4Gbps 등 속도등급별 비중
동작전압과 실제 전력소모
고온·저온·장시간 신뢰성
초기불량과 필드 불량률

현재 이 수치는 공개되지 않았거나 독립적으로 확인되지 않았다.

핵심 쟁점 2. 최고속도보다 시스템에서 유지되는 속도가 중요하다

메모리 칩이 12.8Gbps를 지원해도 스마트폰에서 항상 해당 속도로 작동하는 것은 아니다. AP PHY, PoP 배선, 전원잡음, 발열, 배터리 상태에 따라 속도를 낮출 수 있다.

소비자가 체감할 성능은 최대 사양보다 지속 대역폭과 NPU 이용률, 발열로 인한 스로틀링, 배터리 소모로 결정된다.

핵심 쟁점 3. 속도·전력·수율은 서로 충돌한다

전송속도를 높이면 신호의 유효시간이 짧아지고 전압여유가 줄어든다. 이를 보완하려면 더 정교한 회로와 공정, 패키지 설계가 필요하며 전력과 칩 면적이 늘 수 있다.

최고속도 칩을 만들 수 있느냐보다 동일한 공정에서 높은 수율로 생산하고 모바일 전력예산 안에서 안정적으로 동작시키느냐가 사업성의 핵심이다.

핵심 쟁점 4. 실제 온디바이스 AI는 메모리 용량에도 좌우된다

생성형 AI 모델은 가중치와 중간 계산값을 메모리에 저장한다. 대역폭이 높으면 NPU에 데이터를 빨리 공급할 수 있지만 용량이 부족하면 모델 일부를 저장장치로 내보내거나 모델을 더 작게 압축해야 한다.

따라서 샤오미 18 Fold 평가에서는 LPDDR6 속도뿐 아니라 총 메모리 용량, NPU 성능, 모델 정밀도, 토큰 생성속도, 전력소모를 함께 봐야 한다.

핵심 쟁점 5. 샤오미 한 모델의 채택을 시장점유율 변화로 확대해석하면 안 된다

신규 메모리는 첫 고객의 초기 물량으로 검증한 뒤 공급을 늘리는 경우가 많다. 샤오미 18 Fold의 출하량과 CXMT 채택비중은 공개되지 않았다. 다른 중국 스마트폰 업체가 채택하는지, 후속 일반형 플래그십으로 확산되는지가 실제 시장영향을 결정한다.

향후 관전 포인트

샤오미 18 Fold의 실동작 메모리 속도: 제품에서 10.667Gbps 이상이 유지되는가.
벤치마크보다 AI 실사용 성능: 로컬 대형언어모델의 첫 토큰 지연, 생성속도, 전력과 발열이 개선되는가.
CXMT 양산수율과 공급규모: 제한적 초도물량인지 수백만 대급 공급인지.
삼성전자·SK하이닉스의 고속등급 출시: JEDEC 상한인 14.4Gbps 제품을 언제 고객기기에 적용하는가.
중국 고객 확장: OPPO·vivo·Honor와 자동차·서버 고객인증으로 이어지는가.
가격 차이: CXMT가 기술 격차보다 큰 가격 우위를 제공하는가.
미국 장비규제 영향: CXMT의 후속 공정 전환과 생산증설이 제한되는가.
Xring O3 생태계: 샤오미 자체 AP가 한 모델을 넘어 태블릿·자동차·엣지 AI로 확장되는가.

결론: 진짜 변화는 최고속도가 아니라 ‘최신 세대의 상용화 속도’다

2026년 8월 29일 확인된 사실은 CXMT가 LPDDR6 양산을 발표했고, 샤오미가 9월 출시할 18 Fold에 이를 채택한다는 것이다. 샤오미의 자체 AP Xring O3와 결합된다는 점까지 고려하면 중국의 메모리·시스템반도체·완제품 기업이 최신 모바일 플랫폼을 공동으로 상용화하는 사례다.

그러나 공개자료만으로 CXMT가 삼성전자와 SK하이닉스를 성능, 전력, 수율에서 추월했다고 판단할 수는 없다. 한국 업체도 LPDDR6 개발과 공급을 진행하고 있으며 구체적인 양산품 비교자료가 아직 부족하다.

필자의 해석으로는 이번 발표에서 가장 중요한 숫자는 12.8Gbps 같은 최대속도가 아니다. LPDDR5 이후 1년도 되지 않아 다음 세대의 상용 고객을 확보한 개발주기다.

삼성전자와 SK하이닉스가 방어해야 할 경쟁력도 단순한 공정세대가 아니다. 더 높은 속도등급, 낮은 전력, 검증된 수율과 함께 AP·NPU 고객과의 조기 공동설계, 자동차·AI 서버까지 이어지는 품질과 공급능력이 필요하다.

CXMT의 LPDDR6는 중국이 DRAM 기술선두를 완전히 바꿨다는 선언이 아니다. 하지만 중국 메모리가 최신 세대 경쟁에 늦게 참가하는 추격자에서, 첫 상용제품을 함께 내놓는 동시대 경쟁자로 이동하고 있다는 경고로 볼 만하다.

아이언맨 슈트는 현실에서 만들 수 있을까? 외골격 로봇·비행·기계공학으로 분석

Thomasrobotech — Sat, 29 Aug 2026 18:07:43 +0900

지난 글에서는 AI 데이터센터의 전력 문제에서 시작해 SMR → Microreactor/MMR → Arc Reactor까지 에너지 시스템이 점점 작아지는 미래를 살펴봤습니다.

이번에는 조금 더 과감한 가정을 해보겠습니다.

Arc Reactor가 이미 개발되었다.

손바닥만 한 장치에서 엄청난 전력을 안정적으로 공급할 수 있고, 방사선이나 열 문제까지 모두 해결했다고 가정해보겠습니다.

그렇다면 우리는 정말 아이언맨 슈트를 만들 수 있을까요?

겉으로 보기에는 간단해 보입니다.

강력한 에너지원이 있으니 모터를 달고, 장갑을 씌우고, 비행장치를 설치하면 될 것 같습니다.

하지만 실제 기계 시스템으로 분해하기 시작하면 이야기가 완전히 달라집니다.

Energy Source

↓

Power Electronics

↓

Actuator

↓

Exoskeleton

↓

Armor

↓

Flight System

↓

Thermal Management

↓

Control & AI

아이언맨 슈트는 단순한 로봇도, 단순한 비행체도 아닙니다.

로봇 + 항공기 + 갑옷 + 컴퓨터를 사람의 몸 크기에 집어넣은 초고밀도 기계 시스템

이라고 보는 것이 더 정확합니다.

이번에는 영화 속 아이언맨 슈트를 실제 기계공학 문제로 바꿔보겠습니다.

1. 현실에도 이미 '아이언맨 슈트'의 시작은 있다

영화 같은 Powered Armor는 아직 존재하지 않습니다.

하지만 아이언맨 슈트를 구성하는 개별 기술 가운데 상당수는 이미 현실에 존재합니다.

대표적인 것이

Exoskeleton

외골격 로봇입니다.

사람이 착용하는 기계구조를 이용해 근력을 보조하거나 반복 작업의 부담을 줄이는 기술입니다.

산업현장에서는 작업자의 허리나 어깨 부담을 줄이기 위한 외골격이 개발되고 있고, 의료 분야에서는 보행을 보조하는 로봇도 연구·상용화되고 있습니다.

군사용으로도 오랫동안 Powered Exoskeleton이 연구되어 왔습니다.

즉,

Human

Mechanical Structure

Actuator

Control

라는 아이언맨의 기본 개념 자체는 이미 현실입니다.

문제는 성능입니다.

2. 첫 번째 문제 — 슈트는 사람보다 얼마나 강해야 할까?

아이언맨 슈트의 가장 기본적인 기능은 인간의 힘을 증폭시키는 것입니다.

예를 들어 사람이 20 kg 물체를 들어 올릴 때 슈트가 대부분의 하중을 대신 지지한다고 생각해보겠습니다.

단순하게 정적인 힘만 계산하면

F = mg

입니다.

20 kg이라면

F ≈ 20 × 9.81

약

196 N

입니다.

하지만 실제 움직임에서는 이것으로 끝나지 않습니다.

물체를 빠르게 들어 올리면 가속도가 발생하고 관절에는 더 큰 힘과 모멘트가 작용합니다.

여기서 기계공학의

정역학(Statics)

과

동역학(Dynamics)

이 등장합니다.

3. 동역학 — 아이언맨이 팔을 움직이는 것조차 어렵다

사람의 팔을 생각해보겠습니다.

어깨를 중심으로 팔을 회전시키려면 토크가 필요합니다.

기본적인 회전운동 관계는

τ = Iα

로 표현할 수 있습니다.

τ : Torque
I : Moment of Inertia
α : Angular Acceleration

팔에 무거운 장갑과 모터, 배터리, 무기 시스템까지 달리면 관성모멘트가 증가합니다.

그러면 같은 속도로 팔을 움직이기 위해 더 큰 토크가 필요합니다.

더 큰 모터를 설치하면 될까요?

가능합니다.

하지만 모터가 커지면

Motor Size ↑

↓

Weight ↑

↓

Required Torque ↑

라는 문제가 다시 발생합니다.

이것은 아이언맨 슈트 전체에서 반복되는 문제입니다.

4. Actuator — 아이언맨의 근육은 무엇일까?

사람에게 근육이 있다면 로봇에는

Actuator

가 있습니다.

Actuator는 에너지를 실제 움직임으로 바꾸는 장치입니다.

아이언맨 슈트에는 어깨, 팔꿈치, 손목, 손가락, 허리, 고관절, 무릎, 발목 등 수많은 관절이 있습니다.

각 관절에는 높은 토크를 발생시키면서도 작고 가벼운 Actuator가 필요합니다.

현실에서 고려할 수 있는 방식은 크게

Electric Motor

Hydraulic Actuator

등이 있습니다.

전기모터는 제어가 쉽고 효율이 높은 장점이 있습니다.

하지만 작은 공간에서 엄청난 토크를 발생시키려면 모터와 감속기의 크기가 문제가 됩니다.

유압은 높은 Power Density를 구현하기 좋지만 펌프, 밸브, 배관, 작동유가 필요합니다.

그리고 누유와 소음, 열 문제도 발생합니다.

결국 아이언맨에게 필요한 것은

작고, 가볍고, 강하고, 빠른 Actuator

입니다.

이것은 현재 로봇공학에서도 매우 중요한 기술입니다.

5. 기계설계 — 사람의 관절과 로봇의 관절은 다르다

여기서 생각보다 어려운 문제가 하나 더 발생합니다.

사람의 관절은 단순한 회전축이 아닙니다.

특히 어깨나 무릎은 움직임에 따라 회전 중심이 변합니다.

그런데 외골격 로봇의 기계적인 회전축과 사람의 관절 중심이 맞지 않으면 어떻게 될까요?

슈트가 움직일 때 사람의 몸을 잡아당기거나 밀게 됩니다.

결과적으로

Pain

Joint Stress

Injury

가 발생할 수 있습니다.

그래서 Exoskeleton 설계에서는

Human-Machine Alignment

가 매우 중요합니다.

아이언맨 슈트는 단순히 사람 크기에 맞게 금속 프레임을 만드는 것이 아닙니다.

사람의 생체역학(Biomechanics)을 이해해야 합니다.

6. 재료역학 — 슈트는 얼마나 강해야 할까?

아이언맨은 영화에서 엄청난 충격을 견딥니다.

건물과 충돌하고,

자동차에 부딪히고,

높은 곳에서 추락하기도 합니다.

여기에서

재료역학(Mechanics of Materials)

이 등장합니다.

기본적인 응력 관계는

σ = F / A

입니다.

σ : Stress
F : Force
A : Area

강한 재료를 사용하면 슈트가 파괴되는 것을 막을 수 있습니다.

예를 들어

Titanium Alloy,

High-Strength Steel,

Carbon Fiber Composite

등을 생각할 수 있습니다.

하지만 중요한 문제가 있습니다.

슈트가 멀쩡하다고 사람이 멀쩡한 것은 아니다.

7. 가장 큰 문제는 충격이다

자동차 사고를 생각해보겠습니다.

자동차 차체가 매우 강해서 전혀 찌그러지지 않는다고 반드시 좋은 것은 아닙니다.

충돌에너지가 탑승자에게 그대로 전달될 수 있기 때문입니다.

그래서 자동차에는 일부러 변형되면서 에너지를 흡수하는

Crumple Zone

이 존재합니다.

아이언맨 슈트에도 같은 문제가 발생합니다.

예를 들어 빠르게 날아가던 아이언맨이 벽에 충돌했다고 생각해보겠습니다.

운동에너지는

E = ½mv²

입니다.

속도가 두 배가 되면 에너지는 두 배가 아니라

네 배

가 됩니다.

슈트가 Vibranium처럼 절대로 파괴되지 않는다고 해도 내부의 사람이 순간적으로 정지하면 엄청난 가속도를 받습니다.

따라서 실제 Powered Armor에는

Armor

뿐만 아니라

Impact Absorption

Energy Dissipation

Human Isolation

기술이 필요합니다.

어쩌면 아이언맨 슈트의 진짜 혁신은 장갑보다 충격흡수 시스템일 수도 있습니다.

8. 이제 가장 어려운 문제 — 비행

여기까지는 그래도 로봇공학의 연장선입니다.

하지만 아이언맨이 지상에서 떠오르는 순간 난이도가 완전히 달라집니다.

Flight

입니다.

아이언맨과 슈트의 전체 질량을 200 kg이라고 가정해보겠습니다.

공중에 정지하려면 최소한 중력과 같은 크기의 추력이 필요합니다.

F = mg

따라서

F = 200 × 9.81

≈ 1,962 N

즉 최소 약 2 kN의 위쪽 추력이 필요합니다.

실제로 상승하고 기동하려면 더 큰 추력이 필요합니다.

9. 유체역학 — 리펄서는 무엇을 밀고 있을까?

여기서 기계공학의

유체역학(Fluid Mechanics)

이 등장합니다.

비행체가 추진력을 얻으려면 기본적으로 어떤 질량에 운동량을 전달해야 합니다.

제트엔진을 단순화하면 추력은

F ≈ ṁVe

로 생각할 수 있습니다.

ṁ : Mass Flow Rate
Ve : Exhaust Velocity

큰 추력을 얻으려면

많은 양의 공기를 가속하거나

또는

적은 양의 유체를 매우 빠르게 가속해야 합니다.

문제는 아이언맨의 손과 발입니다.

추진장치 면적이 너무 작습니다.

작은 면적으로 큰 추력을 발생시키려면 배출되는 유체의 속도가 매우 높아져야 합니다.

그러면

Noise

Heat

Shock Wave

Ground Effect

등의 문제가 발생합니다.

영화처럼 사람 옆에 조용히 내려앉기는 쉽지 않을 것입니다.

10. 비행 안정성 — 사람의 몸은 드론보다 어렵다

추력을 만들었다고 비행 문제가 끝나는 것도 아닙니다.

이번에는

Control Engineering

문제가 시작됩니다.

드론은 여러 개의 모터 회전수를 초당 수백 번 조정하면서 자세를 유지합니다.

아이언맨은 더 어렵습니다.

사람이 계속 움직이기 때문입니다.

팔을 앞으로 뻗으면

Center of Mass

가 변합니다.

다리를 움직이면

Moment of Inertia

가 달라집니다.

무기를 발사하면

External Force & Moment

가 발생합니다.

따라서 제어시스템은 계속

Sensor

↓

State Estimation

↓

Control Calculation

↓

Actuator / Thruster

↓

Feedback

과정을 반복해야 합니다.

여기에서 JARVIS 같은 AI의 역할이 등장합니다.

11. JARVIS가 없다면 아이언맨은 날 수 있을까?

아이언맨 슈트를 사람이 직접 모두 제어하는 것은 거의 불가능합니다.

사람은 단순히

“오른쪽으로 간다.”

라고 생각할 뿐입니다.

그러면 컴퓨터가

각 추진기의 출력,

관절 위치,

몸의 자세,

속도,

가속도,

주변 장애물

등을 실시간으로 계산해야 합니다.

현대 전투기의 Fly-by-Wire 시스템이나 드론의 Flight Controller와 비슷하지만 훨씬 복잡합니다.

즉 JARVIS는 단순한 음성비서가 아닙니다.

아이언맨 시스템에서는

AI + Flight Computer + Robot Controller

역할을 동시에 수행해야 합니다.

12. 그리고 다시 등장하는 문제 — 열

지난 Arc Reactor 글에서도 가장 중요한 문제 중 하나가

Thermal Management

였습니다.

아이언맨 슈트에서도 다시 등장합니다.

열원은 Arc Reactor 하나가 아닙니다.

Arc Reactor

Power Electronics

Electric Motor

Actuator

Flight System

Computer

Weapons

모두 열을 발생시킵니다.

게다가 슈트 안에는 사람이 있습니다.

사람 역시 지속적으로 열을 발생시킵니다.

그런데 아이언맨 슈트는 거의 밀폐된 금속 구조입니다.

즉 거대한

Wearable Thermal Management System

이 필요합니다.

13. 열전달 — 아이언맨은 어떻게 식힐까?

열을 제거하는 방법은 크게

Conduction

Convection

Radiation

입니다.

슈트 내부에서는 액체냉각을 생각해볼 수 있습니다.

예를 들어

Heat Source

↓

Cold Plate

↓

Coolant

↓

Microchannel

↓

Heat Exchanger

구조입니다.

흥미롭게도 이것은 최신 AI 서버의 Liquid Cooling과 상당히 비슷합니다.

AI GPU에서 사용하는 냉각기술이 미래의 Powered Armor에서도 필요할 수 있는 것입니다.

다시 말하면

AI Data Center와 Iron Man Suit가 같은 Thermal Engineering 문제를 공유합니다.

14. 아이언맨 슈트에는 어떤 재료가 필요할까?

영화에서는 다양한 가상의 소재가 등장합니다.

현실에서는 무엇을 사용할 수 있을까요?

후보를 생각해보면

Titanium Alloy

높은 비강도와 내식성

Aluminum Alloy

낮은 밀도와 좋은 가공성

Carbon Fiber Reinforced Polymer

높은 비강성과 경량화

Ceramic

고온 및 내마모 특성

Aramid Fiber

충격 및 방탄 특성

등을 조합할 수 있습니다.

중요한 것은 하나의 슈트를 한 종류의 금속으로 만드는 것이 아닙니다.

필요한 기능에 따라

Multi-Material Structure

를 사용하는 것입니다.

항공기와 자동차가 이미 이런 방향으로 발전하고 있습니다.

15. 아이언맨 슈트의 핵심은 Power-to-Weight Ratio

지금까지의 문제를 하나로 모아보면 결국 특정 지표로 수렴합니다.

Power-to-Weight Ratio

입니다.

더 강한 모터를 넣으면 무거워지고,

더 많은 장갑을 넣으면 무거워지고,

더 큰 냉각장치를 넣으면 무거워지고,

더 많은 센서를 넣어도 무거워집니다.

그리고 무게가 증가하면

더 강한 Actuator,

더 큰 추력,

더 많은 에너지,

더 강한 구조

가 필요합니다.

즉

Performance ↑

↓

Weight ↑

↓

Required Power ↑

↓

Cooling ↑

↓

Weight ↑

라는 악순환이 생깁니다.

그래서 아이언맨 슈트의 진짜 혁신은 단순히 Arc Reactor 하나가 아닙니다.

모든 부품의 Power Density와 Weight를 동시에 혁신해야 합니다.

16. 현실의 기술은 아이언맨까지 얼마나 왔을까?

흥미롭게도 필요한 개별 기술은 이미 상당 부분 존재합니다.

Powered Exoskeleton

→ 이미 존재

High-Torque Electric Motor

→ 존재

Carbon Composite

→ 존재

AI Vision

→ 존재

Autonomous Control

→ 빠르게 발전 중

Liquid Cooling

→ 이미 AI 서버 등에 적용

Jet Suit

→ 제한적으로 실제 비행 가능

하지만 이 기술들을 하나로 합치면 문제가 발생합니다.

System Integration

입니다.

각각의 기술이 존재한다는 것과 모든 기술을 사람 크기의 장치 안에 넣는 것은 완전히 다른 문제입니다.

17. 기계공학 전공과목으로 다시 보는 아이언맨

아이언맨 슈트를 하나의 기계 시스템으로 보면 기계공학 커리큘럼 상당 부분이 등장합니다.

기계공학 과목	Iron Man Suit
정역학	구조하중·관절하중
동역학	운동·비행·가속
재료역학	장갑·프레임
유체역학	추진 시스템
열역학	에너지 변환
열전달	Reactor·Motor·GPU 냉각
기계진동	비행·충격·Actuator
기계설계	관절·감속기·구조
제어공학	자세·비행·관절 제어
재료공학	경량·고강도 장갑
생산공학	복잡한 부품 제작
시스템공학	전체 시스템 통합

대학교에서는 각각 따로 배우지만 실제 제품에서는 모두 연결됩니다.

아이언맨 슈트가 재미있는 이유가 바로 여기에 있습니다.

18. 실제 Iron Man Suit를 만든다면 무엇부터 해야 할까?

현실에서 개발한다면 처음부터 날아다니는 슈트를 만드는 것은 좋은 접근이 아닐 것입니다.

공학적으로는 단계적으로 발전시키는 편이 현실적입니다.

STEP 1 — Passive Exoskeleton

사람의 하중을 기계구조로 분산

↓

STEP 2 — Powered Exoskeleton

모터를 이용해 근력 증강

↓

STEP 3 — Intelligent Exoskeleton

AI가 사람의 움직임을 예측하고 보조

↓

STEP 4 — Protective Powered Armor

장갑·센서·충격흡수 시스템 통합

↓

STEP 5 — Assisted Jump / Short Flight

제한적인 추진 시스템 통합

↓

STEP 6 — Full Flight Powered Suit

완전한 자유비행

그리고 마지막에 필요한 것이

Ultra-Compact Energy Source

입니다.

지난 글에서 이야기했던 Arc Reactor가 여기서 다시 등장합니다.

19. Arc Reactor만 있다고 아이언맨이 만들어지는 것은 아니다

지난 글에서는 Arc Reactor를 미래의 초고밀도 에너지원으로 상상했습니다.

하지만 이번 분석에서 더 중요한 사실을 알 수 있습니다.

Arc Reactor가 있어도 Iron Man은 바로 만들어지지 않는다.

에너지원이 해결되어도

Actuator

Material

Flight

Cooling

Impact Protection

Control

Human-Machine Interface

문제가 남아 있습니다.

결국 아이언맨 슈트는 하나의 위대한 발명품이 아니라

수십 개의 기술적 Breakthrough가 동시에 필요한 System of Systems

입니다.

마치며 — 아이언맨에서 가장 놀라운 기술은 무엇일까?

처음에는 Arc Reactor가 가장 놀라운 기술처럼 보입니다.

하지만 기계공학적으로 아이언맨 슈트를 하나씩 분해해보면 생각이 조금 달라집니다.

강력한 에너지원,

작고 강한 Actuator,

가벼운 장갑,

충격흡수 구조,

초소형 추진장치,

Liquid Cooling,

실시간 AI 제어.

이 모든 기술이 사람의 몸보다 조금 큰 공간 안에서 동시에 작동해야 합니다.

그래서 아이언맨 슈트의 진짜 기술적 혁신은 어쩌면 특정 부품 하나가 아닙니다.

Integration

입니다.

현실의 첨단 제품도 마찬가지입니다.

좋은 모터 하나,

좋은 반도체 하나,

좋은 AI 하나만으로 혁신적인 제품이 만들어지는 것은 아닙니다.

수많은 기술을 하나의 시스템 안에서

작고, 가볍고, 안전하고, 안정적으로

동작하게 만드는 것이 진짜 엔지니어링입니다.

그래서 아이언맨을 현실에서 만든다면 토니 스타크에게 가장 필요한 능력은 단순히 천재적인 발명 능력만은 아닐지도 모릅니다.

Mechanical Engineering + Electrical Engineering + AI + Materials + System Integration

이 모든 분야를 연결하는 능력.

어쩌면 그것이 현실 세계에서 가장 중요한 Iron Man Technology일 것입니다.

Engineering the MCU #02

#01 AI Data Center → SMR → MMR → Arc Reactor

#02 Arc Reactor → Iron Man Suit

그리고 다음 질문은 자연스럽게 이것으로 이어집니다.

「JARVIS는 현실에서 만들 수 있을까?」

아이언맨이 비행하고 싸울 수 있게 만드는 진짜 두뇌는 무엇일까요?

다음 편에서는

Generative AI

↓

Multimodal AI

↓

AI Agent

↓

Computer Vision

↓

Robot Control

↓

JARVIS

의 흐름으로 현재 AI 기술이 JARVIS에 얼마나 가까워졌는지 분석해보겠습니다.

AI 데이터센터 전력은 누가 공급할까? SMR·MMR에서 아이언맨 Arc Reactor까지

Thomasrobotech — Sat, 29 Aug 2026 17:51:35 +0900

AI 데이터센터의 급격한 성장으로 막대한 전력 수요가 새로운 문제로 떠오르고 있습니다.

수많은 GPU가 24시간 가동되는 AI 데이터센터에는 안정적인 대규모 전력 공급이 필요합니다. 이 때문에 차세대 데이터센터 전력원 가운데 하나로 SMR(Small Modular Reactor, 소형모듈원자로)이 주목받고 있습니다.

그런데 원자로를 여기서 한 단계 더 작게 만들면 어떻게 될까요?

SMR보다 작은 Microreactor, 그리고 일부에서 MMR(Micro Modular Reactor)이라고 부르는 초소형 모듈형 원자로 개념이 이미 현실에서 개발되고 있습니다.

그렇다면 그 다음은?

영화 《아이언맨》에서 토니 스타크의 가슴에 들어가는 Arc Reactor(아크 리액터)처럼 극단적으로 작은 고출력 에너지원까지 발전할 수 있을까요?

오늘은

AI Data Center

↓

SMR

↓

Microreactor / MMR

↓

Arc Reactor

라는 조금 독특한 관점에서 미래의 에너지 기술을 살펴보겠습니다.

1. AI 데이터센터 전력 소비가 급증하는 이유

AI 산업의 경쟁은 처음에는 GPU 성능 경쟁처럼 보였습니다.

하지만 AI 모델이 거대해지면서 상황이 달라졌습니다.

대규모 AI 학습과 추론을 위해서는 수천 개에서 수만 개 이상의 GPU 또는 AI Accelerator를 연결해야 합니다.

구조를 단순화하면 다음과 같습니다.

AI Model

↓

GPU / AI Accelerator

↓

HBM

↓

Server

↓

High-Speed Network

↓

Storage

↓

Cooling

↓

Power Infrastructure

GPU만 전기를 소비하는 것도 아닙니다.

CPU와 HBM, 네트워크 스위치, 스토리지 시스템이 작동해야 하고 서버에서 발생한 막대한 열을 제거하기 위한 냉각설비에도 상당한 전력이 필요합니다.

결국 AI의 규모가 커질수록

Computing ↑

↓

GPU ↑

↓

Power Consumption ↑

↓

Heat Generation ↑

↓

Cooling Demand ↑

라는 구조가 만들어집니다.

그래서 AI 시대의 경쟁력은 더 이상 GPU 보유량만으로 설명하기 어려워지고 있습니다.

GPU를 움직일 전기를 누가 확보할 것인가?

이것이 새로운 경쟁이 되고 있습니다.

2. AI 데이터센터에는 왜 24시간 전력이 필요할까?

데이터센터 전력의 중요한 특징은 단순히 많은 전기를 사용하는 것이 아닙니다.

Reliability

가 매우 중요합니다.

AI 데이터센터는 24시간 365일 운영되는 것을 전제로 설계됩니다.

따라서 발전량뿐만 아니라

24/7 Power Availability

가 중요합니다.

태양광과 풍력은 매우 중요한 저탄소 에너지원이지만 발전량이 시간과 기상조건에 따라 변합니다.

ESS와 광역 전력망 등을 통해 변동성을 보완할 수 있지만, 데이터센터 규모가 수백 MW 또는 그 이상으로 커질수록 안정적인 전력원을 확보하는 문제도 커집니다.

그래서 AI 기업들이 관심을 보이는 또 하나의 에너지원이 있습니다.

Nuclear Energy

원자력입니다.

3. 빅테크는 왜 원자력을 찾기 시작했을까?

원자력은 AI 데이터센터가 원하는 몇 가지 특성을 가지고 있습니다.

24시간 발전 가능
높은 설비 이용률
대규모 전력 생산
운전 중 낮은 탄소배출
상대적으로 작은 토지 면적

그리고 빅테크 기업들은 실제로 원자력 확보에 움직이고 있습니다.

Google은 Kairos Power와 계약을 맺고 차세대 원자로를 통해 전력을 공급받는 계획을 추진하고 있습니다.

계획대로 진행된다면 첫 원자로는 2030년경 가동되고 이후 추가 배치를 통해 2035년까지 최대 약 500 MW 규모의 전력 공급을 목표로 하고 있습니다.

Amazon 역시 X-energy의 차세대 원자로 기술에 투자하고 있습니다.

미국 워싱턴주 프로젝트를 비롯해 향후 수 GW 규모의 신규 원전 개발을 지원하는 계획을 추진하고 있습니다.

Meta도 기존 원전 및 차세대 원자로 개발사들과 장기적인 원자력 전력 확보에 나서고 있습니다.

즉 원자력은 이제 단순히

국가 → 발전소 → 전력망

이라는 산업구조에서 벗어나

AI 기업이 Computing Capacity를 확보하기 위한 전략적 인프라

로 의미가 확장되고 있습니다.

4. AI 데이터센터 전력원으로 SMR이 주목받는 이유

그렇다면 기존 대형 원전을 계속 건설하면 되지 않을까요?

여기서 등장하는 것이

SMR — Small Modular Reactor

소형모듈원자로입니다.

SMR은 일반적으로 모듈당 최대 약 300 MWe 수준의 출력을 가진 원자로 범주로 설명됩니다.

하지만 SMR에서 개인적으로 더 흥미로운 단어는 Small보다

Modular

입니다.

기존 대형 원전은 현장에서 오랜 기간 건설하는 거대한 Project Business에 가깝습니다.

SMR이 추구하는 중요한 방향 가운데 하나는 주요 설비를 표준화하고 공장에서 최대한 제작하여 현장으로 가져가는 것입니다.

Standard Design

↓

Factory Manufacturing

↓

Module Assembly

↓

Transportation

↓

Site Installation

원자로를 하나의 거대한 건설 프로젝트에서 조금 더 표준화된 제조제품에 가깝게 바꾸려는 시도라고 볼 수 있습니다.

5. Data Center + SMR은 어떤 모습일까?

미래의 Hyperscale AI Campus를 상상해보겠습니다.

현재 데이터센터는 일반적으로 전력망을 통해 전력을 공급받습니다.

하지만 데이터센터 하나가 수백 MW, 캠퍼스 전체가 GW급의 전력을 요구한다면 전력망 연결 자체가 사업의 중요한 제약이 될 수 있습니다.

그렇다면 데이터센터 인근에 전용 발전원을 두는 방식을 생각할 수 있습니다.

SMR

↓

Power Conversion

↓

Substation

↓

AI Data Center

↓

GPU Cluster

즉,

데이터센터가 발전소를 찾아가는 것이 아니라 발전소가 데이터센터 가까이 오는 것입니다.

이것이 AI와 SMR의 결합에서 중요한 변화입니다.

6. 그런데 SMR도 실제로는 상당히 크다

이름에는 Small이 들어가지만 SMR이 우리가 일상적으로 생각하는 작은 기계라는 의미는 아닙니다.

여전히 상당한 규모의 발전설비입니다.

원자로뿐만 아니라 설계에 따라

냉각계통,

열교환 시스템,

발전설비,

안전계통,

전력변환설비

등이 필요합니다.

그렇다면 원자로를 여기에서 한 단계 더 작게 만들 수 있을까요?

실제로 개발되고 있습니다.

바로

Microreactor

입니다.

7. MMR이란? SMR보다 작은 원자로

여기에서는 용어를 정확히 구분할 필요가 있습니다.

SMR은 국제적으로 널리 사용되는 범주인 반면 MMR(Micro Modular Reactor)을 SMR 다음 단계의 공식적인 출력 등급이라고 보기는 어렵습니다.

MMR이라는 표현은 특정 Microreactor 기술이나 제품명 등에 사용되고 있습니다.

따라서 이번 글에서는

Microreactor / MMR

이라는 형태로 구분해서 사용하겠습니다.

미국 에너지부가 설명하는 Microreactor의 방향은 매우 흥미롭습니다.

Factory Fabricated

공장에서 최대한 제작하고,

Transportable

필요한 장소로 운송하며,

Self-Regulating

수동안전 및 자율운전 기술을 적극 활용하는 것입니다.

즉 원자로가 점점 하나의 거대한 발전소에서

Energy Module

로 변화하는 것입니다.

8. Microreactor가 AI 데이터센터에 흥미로운 이유

모든 AI 데이터센터가 GW급일 필요는 없습니다.

앞으로 AI 컴퓨팅 인프라는 여러 규모로 분화할 가능성이 있습니다.

Hyperscale AI Campus

↓

Regional AI Data Center

↓

Industrial AI Center

↓

Edge AI Computing

각 시설이 요구하는 전력 규모도 달라집니다.

대규모 AI Campus에는 SMR,

상대적으로 작은 독립형 시설에는 Microreactor,

라는 분산형 에너지 구조를 상상할 수 있습니다.

실제로 미국 에너지부는 Microreactor의 잠재적인 적용처 가운데 하나로 Data Center를 언급하고 있습니다.

이외에도

군사기지
외딴 지역
광산
산업시설
재난지역

등 기존 전력망에 크게 의존하기 어려운 곳이 Microreactor의 잠재적인 시장으로 거론됩니다.

9. Microreactor는 이미 현실에서 개발되고 있다

Microreactor는 아직 대규모 상용화 단계는 아니지만 단순한 SF 기술도 아닙니다.

미국 에너지부는 대표적인 Microreactor 실증 프로젝트를 진행하고 있습니다.

이름이 재미있습니다.

MARVEL

Microreactor Applications Research Validation and Evaluation

의 약자입니다.

Marvel Studios와 관계가 있는 것은 아니지만 이번 글의 주제와 묘하게 잘 어울립니다.

미국에서는 군사기지 등에서도 Microreactor를 활용해 에너지 자립성과 회복탄력성을 높이려는 프로젝트가 추진되고 있습니다.

즉 원자력의 적용 영역이

대규모 발전소

에서

산업단지

그리고

독립형 소규모 전력 시스템

으로 확대되는 기술적 시도가 진행되고 있는 것입니다.

10. 원자로가 서버랙처럼 모듈화된다면?

여기서 조금 더 재미있는 상상을 해보겠습니다.

데이터센터는 서버를 Rack 단위로 설치합니다.

컴퓨팅 수요가 증가하면 서버랙을 추가합니다.

미래의 에너지 인프라도 이와 비슷한 Modular Architecture를 가질 수 있을까요?

Energy Module × N

↓

Power Distribution

↓

AI Server Rack × N

컴퓨팅 수요가 증가하면 서버 모듈을 늘리고 이에 맞춰 에너지 공급능력도 확장하는 것입니다.

물론 원자로는 서버처럼 쉽게 추가할 수 있는 장비가 아닙니다.

안전성과 보안, 입지, 규제 등 완전히 다른 문제가 존재합니다.

하지만 시스템 엔지니어링 관점에서

Computing Module + Energy Module

이라는 개념은 상당히 흥미롭습니다.

11. 기계공학으로 보면 AI와 원자력의 공통점이 보인다

AI 데이터센터와 원자로는 전혀 다른 산업처럼 보입니다.

하지만 기계공학 관점에서는 재미있는 공통점이 있습니다.

둘 다

Thermal Management

가 매우 중요합니다.

원자로에서는 핵반응으로 열이 발생합니다.

이 열을 이용해 전기를 생산합니다.

그 전기가 AI 데이터센터로 이동합니다.

GPU는 전기를 이용해 계산하고 다시 막대한 열을 발생시킵니다.

결국

Nuclear Energy

↓

Heat

↓

Electricity

↓

GPU Computing

↓

Heat

라는 에너지 흐름이 만들어집니다.

한쪽에서는 열을 전기로 바꾸고,

다른 한쪽에서는 전기를 사용해 계산하면서 다시 열을 발생시키는 것입니다.

12. 열역학 — AI 데이터센터와 SMR을 연결하는 과목

기계공학에서 배우는 열역학(Thermodynamics) 관점으로 원자력 발전을 단순화하면

Nuclear Energy

↓

Thermal Energy

↓

Mechanical Energy

↓

Electrical Energy

라는 에너지 변환 과정으로 볼 수 있습니다.

그리고 데이터센터에서는

Electrical Energy

↓

Computing

Thermal Energy

로 변환됩니다.

각 단계에서는 손실이 발생합니다.

따라서 AI 데이터센터의 미래 경쟁력은 단순히 GPU의 절대적인 연산성능만으로 결정되지 않을 가능성이 높습니다.

중요한 지표 중 하나는

Computing Performance per Watt

같은 전력으로 얼마나 많은 계산을 수행할 수 있느냐입니다.

13. 열전달 — 원자로를 작게 만들수록 어려워지는 것

이번에는 열전달(Heat Transfer) 관점에서 생각해보겠습니다.

열전달의 대표적인 관계를 단순화하면

Q = hAΔT

로 표현할 수 있습니다.

Q : 전달되는 열량
h : 열전달계수
A : 열전달 면적
ΔT : 온도차

원자로를 점점 작게 만들면서 높은 출력을 유지하려면 제한된 공간에서 더 많은 열을 제거해야 합니다.

따라서

Size ↓

↓

Power Density ↑

↓

Heat Flux ↑

↓

Cooling Difficulty ↑

라는 문제가 나타납니다.

이것은 원자로뿐 아니라 AI 반도체에서도 나타나는 현상입니다.

GPU의 연산밀도가 높아지면서 공랭식 냉각에서 Liquid Cooling으로 기술이 이동하는 이유 역시 높은 열밀도와 관련이 있습니다.

14. SMR → MMR → Arc Reactor, 어디까지 작아질 수 있을까?

이제 여기서 SF의 영역으로 한 단계 더 나아가겠습니다.

Large Nuclear Plant

↓

SMR

↓

Microreactor / MMR

↓

Arc Reactor

영화 《아이언맨》의 Arc Reactor처럼 사람의 가슴에 들어갈 정도의 초소형 고출력 에너지원입니다.

여기서 반드시 구분해야 할 것이 있습니다.

Microreactor를 계속 작게 만들면 Arc Reactor가 된다는 의미는 아닙니다.

현실의 Microreactor와 영화 속 Arc Reactor 사이에는 엄청난 기술적 간극이 존재합니다.

Arc Reactor 수준의 에너지원을 구현하려면 현재와는 전혀 다른 수준의 기술 혁신이 필요합니다.

15. Arc Reactor의 진짜 난제는 열일지도 모른다

Arc Reactor를 생각하면 가장 먼저 떠오르는 질문은 보통

“초소형 핵융합이 가능할까?”

입니다.

하지만 기계공학적으로는 또 하나의 중요한 질문이 있습니다.

발생한 열을 어떻게 제거할 것인가?

가슴 크기의 장치가 수백 kW 또는 MW급 출력을 만들어낸다고 가정해보겠습니다.

에너지 변환 효율이 아무리 높아도 어느 정도의 폐열은 발생합니다.

하지만 영화 속 아이언맨에는

대형 Cooling Tower도,

거대한 Heat Exchanger도,

많은 양의 냉각수를 저장할 공간도 없습니다.

결국 현실적인 Arc Reactor를 만들기 위해서는

Ultra-High Power Density

Ultra-High Efficiency

Extreme Thermal Management

를 동시에 해결해야 합니다.

어쩌면 Arc Reactor에서 가장 비현실적인 기술은 핵반응 자체가 아니라 냉각기술일 수도 있습니다.

16. 원자로는 반도체처럼 계속 작아질 수 있을까?

반도체 산업에서는 트랜지스터가 계속 작아지면서 성능이 크게 향상됐습니다.

그렇다면 원자로도 계속 작게 만들면 되지 않을까요?

둘 사이에는 중요한 차이가 있습니다.

원자로는 크기를 줄여도 여전히

핵반응

열 제거

냉각재

방사선 차폐

구조 건전성

안전계통

등이 필요합니다.

특히 방사선 차폐가 중요한 문제입니다.

차폐재를 증가시키면

Weight ↑

차폐재를 줄이면

Radiation Risk ↑

가 될 수 있습니다.

따라서 원자로의 소형화에는 반도체 미세화와는 다른 물리적인 제약이 존재합니다.

17. AI가 차세대 원자력 기술의 고객이 될 수도 있다

여기에서 다시 AI 데이터센터로 돌아가보겠습니다.

AI는 막대한 전력을 소비합니다.

에너지 산업 입장에서는 부담입니다.

하지만 반대로 생각해보면 AI 데이터센터가 새로운 에너지 기술을 상용화시키는 거대한 수요처가 될 수도 있습니다.

새로운 발전기술에는 항상 중요한 질문이 따라옵니다.

누가 그 전기를 구매할 것인가?

이제 Google, Amazon, Meta 같은 기업들은 장기간 안정적으로 공급되는 막대한 전력이 필요합니다.

따라서 AI 기업이 차세대 원자력의

Anchor Customer

역할을 할 가능성이 생깁니다.

AI가 새로운 에너지 기술을 필요로 하고,

새로운 에너지 기술이 다시 더 큰 AI 인프라를 가능하게 하는

AI → Energy

Energy → AI

의 순환구조가 만들어질 수도 있습니다.

18. 에너지 시스템은 점점 Computing 가까이 이동한다

전체 흐름을 정리해보겠습니다.

STEP 1 — Large Nuclear Plant

GW급 중앙집중형 발전

↓

STEP 2 — SMR

수십~수백 MW급 모듈형 발전

AI 데이터센터·산업단지 등에 적용 가능

↓

STEP 3 — Microreactor / MMR

더 작은 분산형 에너지원

공장 제작·운송·독립형 전원

↓

STEP 4 — Arc Reactor

SF가 상상한 극단적인 초소형·초고밀도 에너지원

여기에서 중요한 변화는 단순히

Reactor Size ↓

가 아닙니다.

더 흥미로운 방향은

Energy가 Computing 가까이 이동하는 것

입니다.

19. 미래의 AI 데이터센터는 하나의 거대한 공장이 될 수 있다

미래의 초대형 AI 데이터센터를 구성하는 기술을 생각해보겠습니다.

GPU

HBM

CPU

High-Speed Network

Enterprise SSD

Power Semiconductor

Liquid Cooling

그리고

Dedicated Energy System

까지 필요할 수 있습니다.

그렇다면 데이터센터는 더 이상 단순히 서버가 모여 있는 건물이 아닙니다.

하나의 거대한 AI Factory

라고 보는 것이 더 적절할 수도 있습니다.

반도체 FAB가

Process Equipment + AMHS + Clean Room + Utility

의 결합이라면,

미래의 AI Factory는

GPU + HBM + Network + Cooling + Energy

의 결합이라고 볼 수 있습니다.

그리고 이러한 관점에서 SMR이나 미래의 Microreactor는 단순한 발전소가 아니라 AI Factory를 구성하는 Utility Infrastructure가 됩니다.

20. AI 시대에도 기계공학이 중요한 이유

AI라는 이름 때문에 미래 데이터센터를 Computer Science와 Semiconductor 중심으로 생각하기 쉽습니다.

하지만 규모가 커질수록 기계공학의 역할도 중요해집니다.

기계공학 분야	AI + Nuclear에서의 역할
열역학	발전 사이클·에너지 효율
열전달	원자로 및 GPU 냉각
유체역학	냉각재·Liquid Cooling
재료역학	압력용기·배관 건전성
기계설계	펌프·밸브·열교환기
기계진동	터빈·펌프·배관
제어공학	원자로·냉각시스템 제어
생산공학	SMR·Microreactor 모듈 생산
시스템공학	Power + Data Center 통합

결국 미래 AI 인프라는

Computer Science

Semiconductor

Energy

Mechanical Engineering

이 결합되는 거대한 산업이 될 가능성이 있습니다.

마치며 — AI가 현실의 Arc Reactor를 앞당길 수 있을까?

AI 산업은 더 많은 GPU를 원합니다.

더 많은 GPU는 더 많은 데이터센터를 필요로 합니다.

더 많은 데이터센터는 더 많은 전력을 필요로 합니다.

그래서 기술의 흐름을 따라가다 보면 재미있는 연결이 만들어집니다.

↓

GPU + HBM

↓

Data Center

↓

Electricity

↓

Nuclear

↓

SMR

↓

Microreactor / MMR

↓

Arc Reactor ?

Arc Reactor는 여전히 영화 속 기술입니다.

하지만 Arc Reactor가 던지는 질문 자체는 매우 현실적입니다.

우리는 얼마나 많은 에너지를 얼마나 작은 공간에서 안전하게 만들어낼 수 있을까?

AI 시대에는 이 질문이 더욱 중요해질 수 있습니다.

AI의 미래를 결정하는 것은 더 좋은 알고리즘이나 더 빠른 GPU만이 아닐지도 모릅니다.

GPU를 얼마나 많이 확보하는가,

그 GPU를 얼마나 효율적으로 냉각하는가,

그리고 그 모든 시스템에 안정적인 전력을 얼마나 많이 공급할 수 있는가가 함께 중요합니다.

그런 관점에서 SMR과 Microreactor는 단순한 원자력 산업의 신기술을 넘어

AI 시대의 Computing Infrastructure를 가능하게 만드는 Energy Technology

가 될 가능성이 있습니다.

아직 Arc Reactor는 영화 속에 있습니다.

하지만 AI가 요구하기 시작한 엄청난 에너지는 현실의 엔지니어들에게 이미 비슷한 질문을 던지고 있습니다.

Smaller.

More Powerful.

More Efficient.

Safer.

더 작고, 더 강력하고, 더 효율적이며, 더 안전한 에너지 시스템을 만들 수 있는가?

어쩌면 그 질문에 대한 답을 찾아가는 과정이 현실 세계의 Arc Reactor를 향한 첫걸음인지도 모릅니다.

Engineering the MCU

이번 글에서는 영화 속 기술에서 출발하지 않고 반대로 현실의 AI 산업에서 시작해 미래 기술로 이동해봤습니다.

AI Data Center → SMR → Microreactor → Arc Reactor

다음 편에서는 에너지원에서 한 단계 더 나아가 보겠습니다.

「아이언맨 슈트는 현실에서 만들 수 있을까?」

Arc Reactor와 같은 초고밀도 에너지원이 이미 존재한다고 가정하고 아이언맨 슈트를 실제 기계 시스템으로 분해해보겠습니다.

Exoskeleton → Actuator → Flight → Thermal Management → Materials → Control → AI

이번에는 영화 속 슈트 하나를 완전한 Mechanical Engineering System으로 분석해보겠습니다.

[#09] 반도체는 어떻게 원자 단위의 막을 쌓을까?

Thomasrobotech — Sat, 29 Aug 2026 00:42:24 +0900

— CVD·PVD·ALD로 이해하는 박막 증착(Deposition) 공정

지난 #08에서는 Lithography로 만든 패턴을 실제 구조로 바꾸는 **Etching(식각)**을 살펴봤습니다.

Etching이 불필요한 물질을 정밀하게 깎는 기술이라면 이번에는 정반대입니다.

웨이퍼 위에 절연막, 금속막, 반도체막 등을 필요한 두께만큼 쌓아야 합니다.

바로 Deposition, 박막 증착 공정입니다.

현대 반도체에서는 이 막의 두께가 수 nm 수준까지 내려가기 때문에 단순히 물질을 올려놓는 것으로는 부족합니다.

얼마나 얇게, 얼마나 균일하게, 그리고 복잡한 3차원 구조 안쪽까지 얼마나 정확하게 증착할 수 있는가?

이것이 Deposition 기술의 핵심입니다.

1. Deposition이란 무엇인가?

Deposition은 웨이퍼 표면에 원하는 물질의 **Thin Film(박막)**을 형성하는 공정입니다.

구조를 단순화하면 다음과 같습니다.

Before Deposition

        Surface
────────────────────
       Wafer


After Deposition

████████████████████  ← Thin Film
────────────────────
       Wafer

겉으로 보기에는 단순해 보입니다.

하지만 반도체에는 여러 종류의 막이 필요합니다.

Insulator — SiO₂ 등
Dielectric — 절연 및 capacitor 구조
Semiconductor — Si, SiGe 등
Metal — 배선 및 contact
Barrier / Liner — 확산 방지 및 계면 제어

따라서 Deposition은 특정 공정 하나라기보다 반도체의 3차원 구조를 구성하는 기본 제조 기술이라고 이해하는 편이 좋습니다.

2. 반도체 제조의 본질은 '쌓고 깎는 것'

지금까지 살펴본 공정을 연결해보면 재미있는 구조가 보입니다.

Deposition
   ↓
Thin Film

   ↓

Lithography
   ↓
Pattern

   ↓

Etching
   ↓
Structure

   ↓

Deposition
   ↓
New Layer

   ↓

Repeat...

즉 반도체는 거대한 블록을 정밀 가공해서 만드는 제품이 아닙니다.

얇은 막을 만들고 → 패턴을 그리고 → 선택적으로 제거하고 → 다시 막을 만드는 과정을 반복하면서 복잡한 구조를 만들어갑니다.

그래서 #05에서 이야기했던

“쌓고 → 그리고 → 깎는다.”

라는 표현이 여기서 다시 등장합니다.

3. Deposition의 대표적인 세 가지 기술

박막을 만드는 방법은 다양하지만 기초 단계에서는 다음 세 가지를 먼저 이해하면 좋습니다.

PVD — Physical Vapor Deposition

CVD — Chemical Vapor Deposition

ALD — Atomic Layer Deposition

이름만 보면 비슷해 보이지만 막을 만드는 원리 자체가 다릅니다.

4. PVD — 물리적으로 날려서 붙인다

PVD는 Physical Vapor Deposition, 즉 물리적 기상 증착입니다.

대표적인 방법이 Sputtering입니다.

개념적으로 보면 다음과 같습니다.

        Plasma Ions
          ↓ ↓ ↓

       [ TARGET ]
        ● ● ● ●
       ↙ ↓ ↓ ↘
     Metal Atoms
       ↓ ↓ ↓

────────────────────
        Wafer

플라즈마 이온이 Target에 충돌하면 Target의 원자들이 튀어나옵니다.

이 원자들이 이동해 웨이퍼 표면에 도달하면서 박막을 형성합니다.

핵심은 이름 그대로 Physical입니다.

즉 화학반응을 이용해 새로운 막을 만드는 것이 아니라 물리적으로 원자를 이동시켜 표면에 증착합니다.

PVD의 특징

장점

비교적 단순한 원리
금속 박막 형성에 유용
높은 증착 속도를 얻기 용이

한계

복잡한 3D 구조의 내부까지 균일하게 증착하기 어려움

특히 이 마지막 특성이 중요합니다.

5. 왜 깊은 구조에서는 PVD가 어려울까?

평평한 웨이퍼라면 큰 문제가 없습니다.

하지만 이런 구조라면 어떨까요?

   ↓  ↓  ↓  Material Flux

████      ████
████      ████
████      ████
████      ████
████      ████
████______████

위에서 내려오는 원자는 구조 상단에는 쉽게 도달하지만 깊은 구조의 측면과 바닥까지 동일하게 도달하기 어렵습니다.

따라서 막 두께가 이렇게 달라질 수 있습니다.

Thick  ████      ████  Thick
       ███        ███
       ██          ██
       █            █
       └────────────┘
            Thin

여기서 등장하는 중요한 개념이 Step Coverage입니다.

6. Step Coverage란?

Step Coverage는 복잡한 구조 위에서 얼마나 균일한 두께로 막을 형성할 수 있는가를 나타내는 개념입니다.

평면 구조에서는 큰 문제가 아니지만 반도체가 3차원화될수록 중요성이 커집니다.

예를 들어,

3D NAND
FinFET
GAA Nanosheet
Deep Contact
TSV

같은 구조에서는 깊은 내부까지 균일하게 막을 만들어야 합니다.

따라서 반도체가 3D화될수록 단순한 Deposition Rate보다 Conformality가 중요해집니다.

7. CVD — 화학반응으로 막을 만든다

CVD는 Chemical Vapor Deposition입니다.

PVD가 원자를 물리적으로 이동시켰다면 CVD는 기체 상태의 원료를 공급한 후 웨이퍼 표면에서 화학반응을 일으켜 박막을 형성합니다.

Precursor Gas
     ↓↓↓
┌───────────────────┐
│       Chamber     │
│                   │
│    Chemical       │
│    Reaction       │
│       ↓↓↓         │
│  █████████████    │ ← Film
│  ─────────────    │
│      Wafer        │
└───────────────────┘

공정을 단순화하면

Gas
 ↓
Transport
 ↓
Surface Reaction
 ↓
Thin Film
 ↓
By-product Removal

이라고 볼 수 있습니다.

PVD보다 화학반응의 역할이 커졌다는 점이 핵심입니다.

8. CVD에도 여러 종류가 있다

CVD 역시 하나의 기술이 아닙니다.

대표적으로 다음과 같이 나뉩니다.

LPCVD

Low Pressure CVD

낮은 압력에서 증착하여 비교적 균일한 막을 형성합니다.

PECVD

Plasma Enhanced CVD

플라즈마를 이용해 화학반응을 활성화합니다.

지난 #06에서 플라즈마가 왜 중요한지 살펴봤는데 여기에서도 다시 등장합니다.

Gas
 ↓
Plasma Energy
 ↓
Reactive Species
 ↓
Surface Reaction
 ↓
Thin Film

플라즈마를 사용하면 열에너지만 사용하는 경우보다 상대적으로 낮은 온도에서도 반응을 활성화할 수 있습니다.

이것은 반도체 공정에서 상당히 중요합니다.

9. 왜 공정 온도가 중요할까?

웨이퍼는 한 번만 가열되는 것이 아닙니다.

수많은 공정을 반복해서 거칩니다.

따라서 후속 공정에서 지나치게 높은 온도를 사용하면 이미 만들어진 구조와 물질에 영향을 줄 수 있습니다.

여기서 Thermal Budget이라는 개념이 중요해집니다.

Process #1
   ↓ Heat

Process #2
   ↓ Heat

Process #3
   ↓ Heat

       ↓

Accumulated
Thermal Budget

즉 개별 공정의 최고 온도만 보는 것이 아니라 전체 제조 과정에서 웨이퍼가 경험하는 열 이력을 관리해야 합니다.

이 부분은 기계공학의 열역학·열전달과 직접 연결됩니다.

10. 그런데 CVD도 한계가 있다

반도체 구조가 점점 복잡해지면서 또 다른 문제가 생깁니다.

예를 들어 매우 깊고 좁은 구조의 내부 전체에 정확히 같은 두께의 막을 만들어야 한다고 생각해봅시다.

████│          │████
████│          │████
████│          │████
████│          │████
████│__________│████

이 구조의

상단
측벽
바닥

모두에 거의 동일한 두께의 막이 필요합니다.

이 요구가 극단적으로 높아지면서 등장한 핵심 기술이 바로 ALD입니다.

11. ALD — 원자층 단위로 막을 만든다

ALD는 Atomic Layer Deposition입니다.

이름 그대로 원자층 수준으로 박막 두께를 제어하는 기술입니다.

하지만 ALD의 진짜 특징은 단순히 **“아주 천천히 증착한다”**가 아닙니다.

핵심은 Self-Limiting Surface Reaction입니다.

하나의 ALD cycle을 단순화하면 다음과 같습니다.

① Precursor A
      ↓
Surface Reaction

② Purge
      ↓
Remove Excess Gas

③ Precursor B
      ↓
Surface Reaction

④ Purge
      ↓

= One ALD Cycle

그리고 이를 반복합니다.

Cycle 1 → Atomic Layer
Cycle 2 → Atomic Layer
Cycle 3 → Atomic Layer
Cycle 4 → Atomic Layer
              ↓
         Desired Thickness

즉 막을 한꺼번에 만드는 것이 아니라 표면 반응을 순차적으로 반복하여 두께를 정밀하게 증가시키는 방식입니다.

12. ALD가 3D 반도체에서 중요한 이유

ALD의 가장 큰 장점 가운데 하나는 뛰어난 Conformality입니다.

복잡한 구조를 비교해보겠습니다.

PVD

████      ████
███        ███
██          ██
│            │
└────────────┘

Poor Step Coverage

ALD

█│          │█
█│          │█
█│          │█
█│          │█
█└──────────┘█

Highly Conformal Film

3D NAND처럼 깊은 구조나 GAA처럼 복잡한 3차원 구조에서는 이런 특성이 매우 중요합니다.

13. PVD vs CVD vs ALD 한 번에 이해하기

구분	PVD	CVD	ALD
기본 원리	물리적 증착	화학반응	순차적 표면반응
두께 제어	보통	우수	매우 우수
Conformality	상대적으로 낮음	우수	매우 우수
증착 속도	빠른 편	빠른 편	느린 편
복잡한 3D 구조	제한적	가능	매우 유리
대표 이미지	날려서 붙임	반응시켜 만듦	한 층씩 성장

다만 이 표를 보고 ALD가 무조건 가장 좋은 기술이라고 생각하면 안 됩니다.

반도체 공정에서 중요한 것은 최고 성능의 기술을 사용하는 것이 아니라 목적에 맞는 기술을 선택하는 것입니다.

14. ALD가 좋은데 왜 전부 ALD를 사용하지 않을까?

이 질문이 엔지니어링 관점에서 상당히 중요합니다.

답은 Productivity입니다.

ALD는

Dose
 ↓
Purge
 ↓
Dose
 ↓
Purge
 ↓
Repeat

라는 순차적 cycle을 반복해야 합니다.

따라서 매우 정밀하지만 생산성 측면에서는 불리할 수 있습니다.

결국 공정 기술의 선택은 다음과 같은 Trade-off 문제입니다.

Precision
     ↑
     │        ALD
     │
     │    CVD
     │
     │ PVD
     └────────────→ Productivity

실제 공정에서는 재료, 구조, 필요한 막 특성, 공정 온도, throughput, 비용 등을 함께 고려해야 합니다.

⚙️ 기계공학 관점에서 Deposition 장비를 보면?

Deposition은 화학공정처럼 보이지만 장비 관점에서는 상당히 기계공학적인 시스템입니다.

기계공학 분야Deposition Equipment

유체역학	Gas Flow Distribution
열전달	Wafer Temperature Uniformity
진공공학	Chamber Pressure Control
열역학	Gas Reaction & Energy
재료공학	Film·Chamber Material
제어공학	MFC·Pressure·Temperature Control
기계설계	Chamber·Showerhead·ESC

특히 중요한 것이 Gas Distribution입니다.

300 mm 웨이퍼 전체에 동일한 막을 만들려면 모든 위치에서 비슷한 반응 환경을 만들어야 합니다.

        Showerhead

 ↓  ↓  ↓  ↓  ↓  ↓  ↓
 ↓  ↓  ↓  ↓  ↓  ↓  ↓

──────────────────────
       300 mm Wafer

Center             Edge

가스 유량이나 온도 분포가 균일하지 않다면,

Center Film ≠ Edge Film

이 되고 결국 Thickness Uniformity → Device Variation → Yield 문제로 연결됩니다.

따라서 박막 장비는 단순한 진공 챔버가 아니라 유동장 + 온도장 + 화학반응장을 동시에 제어하는 시스템이라고 볼 수 있습니다.

FAB 관점에서 보면 결국 '균일성' 싸움이다

좋은 Deposition 공정의 목표는 단순히 막을 만드는 것이 아닙니다.

Thickness

원하는 두께인가?

Uniformity

300 mm 전체가 균일한가?

Conformality

3D 구조 내부까지 동일하게 형성되는가?

Film Quality

막의 밀도와 조성이 원하는 수준인가?

Defect

Particle이나 불필요한 잔류물이 없는가?

그리고 양산에서는 한 가지 조건이 더 붙습니다.

Repeatability

Wafer #1과 Wafer #10,000이 같은 결과를 내는가?

결국 첨단 반도체 장비에서 가장 어려운 문제 중 하나는 정밀도와 생산성을 동시에 확보하는 것입니다.

Etching과 Deposition은 사실 서로 반대가 아니다

#08과 #09를 연결하면 반도체 공정의 본질이 조금 더 명확해집니다.

             SEMICONDUCTOR FABRICATION

      Deposition                 Etching
          ↓                         ↓
      Add Material            Remove Material
          ↘                       ↙
             Lithography
                  ↓
           Pattern Control
                  ↓
          3D Device Structure

Etching은 깎고 Deposition은 쌓습니다.

하지만 둘의 목적은 같습니다.

원하는 위치에 원하는 물질을 원하는 형상으로 만드는 것.

따라서 첨단 반도체 제조는 결국 Material Control 기술이라고 볼 수도 있습니다.

오늘의 핵심 Insight

반도체 박막 공정의 발전 방향을 한 문장으로 정리하면 다음과 같습니다.

From Film Deposition to Atomic-Level Material Control

과거에는 단순히 균일한 박막을 만드는 것이 중요했다면, 3D NAND와 GAA 같은 복잡한 구조에서는 원자 수준의 두께와 계면을 제어하는 능력이 중요해지고 있습니다.

그리고 여기에서 ALD의 가치가 커집니다.

결국,

반도체 미세화는 더 작게 그리는 기술만의 경쟁이 아니라, 더 정확하게 쌓고 더 정확하게 깎는 기술의 경쟁입니다.

[#10] 이온주입(Ion Implantation)은 왜 필요할까?

— 실리콘에 전기적 성질을 만드는 Doping 기술

다음 글에서는 지금까지와 조금 다른 질문으로 넘어갑니다.

지금까지는 반도체의 형상을 만들었다면 이제 그 구조에 전기적 성질을 만들어야 합니다.

Pure Silicon
     ↓
Ion Implantation
     ↓
Doping
     ↓
P-type / N-type
     ↓
Transistor

즉 다음 편부터는 **“실리콘이 어떻게 실제 반도체 소자가 되는가”**를 본격적으로 살펴보겠습니다.

[#08] 반도체 Etching은 어떻게 나노 구조를 만들까?

Thomasrobotech — Sat, 29 Aug 2026 00:33:36 +0900

— Lithography로 그린 패턴을 실제 반도체 구조로 만드는 기술

지난 글에서는 **Lithography(노광)**가 빛을 이용해 웨이퍼 위에 미세한 회로 패턴을 만드는 과정이라는 것을 살펴봤습니다.

그런데 여기서 중요한 질문이 하나 생깁니다.

빛으로 만든 패턴이 어떻게 실제 반도체 구조가 될까요?

그 역할을 담당하는 공정이 바로 Etching, 식각 공정입니다.

Lithography가 회로의 설계도를 그리는 기술이라면 Etching은 그 설계도를 따라 실제 물질을 제거하여 나노미터 크기의 구조를 만드는 기술이라고 할 수 있습니다. 실제 식각에서는 포토레지스트나 하드마스크로 보호되지 않은 영역을 선택적으로 제거하며, 첨단 반도체에서는 플라즈마를 이용한 Dry Etch가 회로 형성에 핵심적으로 사용됩니다. Applied Materials

1. Etching이란 무엇인가?

반도체 웨이퍼 위에는 산화막, 절연막, 금속막 등 여러 종류의 박막이 형성됩니다.

Lithography를 통해 이 박막 위에 원하는 패턴을 만들고 나면, 다음 단계에서는 그 패턴을 아래층으로 옮겨야 합니다.

이를 아주 단순하게 표현하면 다음과 같습니다.

Thin Film
   ↓
Photoresist Coating
   ↓
Lithography
   ↓
Patterned Photoresist
   ↓
Etching
   ↓
Pattern Transfer
   ↓
Nanoscale Structure

즉,

Lithography = Where to make

Etching = How to make

라고 이해하면 쉽습니다.

Etch 공정은 웨이퍼 표면에서 선택된 영역의 물질을 제거하고, 마스크로 보호된 영역은 남겨 원하는 구조를 형성합니다. Applied Materials

2. Wet Etching과 Dry Etching

식각 방법은 크게 Wet Etching과 Dry Etching으로 구분할 수 있습니다.

Wet Etching

Wet Etching은 웨이퍼를 화학 용액에 노출시켜 원하는 물질을 화학적으로 제거하는 방식입니다.

대표적인 특징은 공정이 비교적 단순하면서 특정 물질에 대해 높은 선택비(Selectivity)를 얻을 수 있다는 점입니다.

하지만 미세 패턴에서는 문제가 있습니다.

화학 반응이 옆 방향으로도 진행될 수 있기 때문입니다.

Mask       Mask
████       ████
   \       /
    \_____/

 Isotropic Etching

이처럼 수직 방향뿐 아니라 측면 방향으로도 식각되면 Undercut이 발생할 수 있습니다.

Wet Etching은 일반적으로 이러한 등방성(Isotropic) 특성을 나타내는 경우가 많습니다. IuE

3. 첨단 반도체에서는 왜 Dry Etching이 중요할까?

회로 선폭이 작아질수록 옆으로 깎이는 현상을 허용하기 어려워집니다.

예를 들어 아래와 같은 좁고 깊은 구조를 만든다고 생각해봅시다.

Mask       Mask
████       ████
   │       │
   │       │
   │       │
   └───────┘

Anisotropic Etching

이처럼 수직 방향으로 정밀하게 물질을 제거하는 능력이 필요합니다.

대표적인 기술이 **Reactive Ion Etching(RIE)**입니다.

RIE에서는 플라즈마를 생성하고 그 안의 이온을 웨이퍼 방향으로 가속시켜 화학반응과 방향성 있는 이온 충돌을 결합합니다. 따라서 미세하고 복잡한 구조를 만드는 데 유리합니다. Lam Research

4. Plasma Etching은 어떻게 작동할까?

지난 #06 글에서 살펴본 Vacuum + Plasma가 여기서 본격적으로 등장합니다.

기본 구조는 다음과 같습니다.

Process Gas
     ↓
Vacuum Chamber
     ↓
RF Energy
     ↓
Plasma
     ↓
Ions + Reactive Species
     ↓
Wafer Surface
     ↓
Material Removal

플라즈마 식각을 단순히 **“이온으로 웨이퍼를 때려 깎는 것”**으로만 이해하면 부족합니다.

실제로는 크게 두 메커니즘이 함께 작동합니다.

Physical effect

에너지를 가진 이온이 표면에 충돌합니다.

Chemical effect

반응성 화학종이 표면 물질과 반응해 제거 가능한 부산물을 만듭니다.

따라서 Plasma Etching은 결국

Physical Bombardment + Chemical Reaction

을 적절히 조합하는 기술이라고 볼 수 있습니다. RIE 역시 이온을 이용해 표면 반응을 활성화하는 대표적인 식각 기술입니다. Lam Research

5. Etching에서 정말 중요한 것은 '얼마나 많이 깎았는가'가 아니다

식각 속도만 빠르다고 좋은 공정은 아닙니다.

실제 공정 엔지니어가 중요하게 보는 요소는 여러 가지가 있지만, 입문 단계에서는 다음 세 가지를 먼저 이해하면 좋습니다.

① Etch Rate

단위 시간 동안 얼마나 많은 물질을 제거하는가?

② Selectivity

원하는 물질만 얼마나 선택적으로 제거하는가?

예를 들어 SiO₂를 제거하면서 아래의 Si는 최대한 손상시키지 않아야 할 수 있습니다.

③ Uniformity

웨이퍼 전체에서 동일한 정도로 식각되는가?

          300 mm Wafer

Center ───────────── Edge
 ↓                    ↓

Same Etch Depth?
Same CD?
Same Profile?

300 mm 웨이퍼 중심과 가장자리에서 결과가 달라진다면 동일한 설계의 칩이라도 특성이 달라질 수 있습니다.

최신 식각 장비가 wafer-to-wafer 반복성과 CD(Critical Dimension) 균일도를 중요하게 관리하는 이유입니다. Lam Research

6. Over-Etch와 Under-Etch

식각 시간 역시 중요합니다.

Under-Etch는 필요한 물질을 완전히 제거하지 못한 상태입니다.

Target
│       │
│       │
│_______│
█████████  ← Residue

반대로 Over-Etch는 필요 이상으로 식각하여 하부층이나 구조를 손상시킬 수 있습니다.

Target
│       │
│       │
└──\_/──┘
    ↓
Excessive Etching

따라서 실제 장비에서는 단순히 정해진 시간 동안 식각하는 것보다 공정 종료점(Endpoint)을 얼마나 안정적으로 판단하고 제어하는가가 중요해집니다.

7. 왜 최신 반도체에서 Etching이 더 어려워지고 있을까?

과거에는 상대적으로 평면적인 구조를 가공하는 경우가 많았습니다.

하지만 반도체가 3차원 구조로 발전하면서 상황이 크게 달라졌습니다.

대표적인 사례가 3D NAND입니다.

수많은 메모리 층을 수직으로 적층한 뒤 매우 깊고 좁은 구조를 형성해야 합니다.

이를 High Aspect Ratio(HAR) 구조라고 합니다.

Aspect Ratio는 개념적으로 다음처럼 이해할 수 있습니다.

Aspect Ratio = Depth / Width

폭은 좁은데 깊이가 매우 깊다면 Aspect Ratio가 커집니다.

문제는 식각이 깊어질수록 반응종과 이온을 구조 바닥까지 균일하게 전달하고 부산물을 다시 밖으로 배출하기 어려워진다는 것입니다.

그래서 최신 식각 장비에서는 단순한 Etch Rate보다 Profile Control, Uniformity, Selectivity와 깊은 구조에 대한 제어 능력이 더욱 중요해집니다. Lam Research도 HAR 식각을 3D NAND뿐 아니라 TSV와 첨단 패키징 등에 필요한 핵심 기술로 설명하고 있습니다. Lam Research

8. 더 미세해지면 '원자층'까지 깎는다

여기서 식각 기술은 한 단계 더 발전합니다.

바로 **ALE(Atomic Layer Etching)**입니다.

기존 방식이 연속적으로 물질을 제거한다면 ALE는 매우 얇은 층을 단계적으로 제거해 더욱 정밀한 제어를 추구합니다.

Conventional Etch
██████████
↓↓↓↓↓↓↓↓↓↓
████

Atomic Layer Etch
██████████
↓
█████████
↓
████████
↓
███████

최첨단 공정에서는 몇 개 원자층 수준의 물질 제거까지 요구되고 있으며, ALE는 이러한 원자 수준의 정밀 제어를 위한 기술입니다. Lam Research

⚙️ 기계공학 관점에서 Etching을 바라보면?

식각을 화학이나 전자공학 영역이라고 생각하기 쉽습니다.

하지만 Etch Equipment 관점으로 들어가면 이야기가 달라집니다.

플라즈마 챔버 내부에서는 동시에 다음 문제를 해결해야 합니다.

기계공학 분야	Etch Equipment에서의 역할
유체역학	Process Gas 유동과 분포
열전달	Wafer 및 Chuck 온도 제어
진공공학	Chamber Pressure 제어
동역학	Wafer Handling 및 정밀 위치
열역학	Gas·Plasma 상태 및 에너지
재료공학	Chamber 부품의 Plasma 내구성
제어공학	Pressure, RF, Gas Flow 실시간 제어

특히 재미있는 부분은 **균일도(Uniformity)**입니다.

웨이퍼 전체에서 동일한 식각 결과를 얻으려면 가스 유동, 압력, 플라즈마 밀도, 온도, RF 조건 등이 공간적으로 균일해야 합니다.

따라서 Etch 장비는 단순한 화학반응기가 아니라,

진공 + 유체 + 열 + 플라즈마 + 정밀제어가 결합된 복합 기계 시스템

이라고 보는 편이 훨씬 정확합니다.

FAB 관점에서 보면 더 중요한 문제가 있다

Etching은 한 장의 웨이퍼만 잘 가공한다고 끝나는 공정이 아닙니다.

실제 생산에서는

Wafer #1
   ↓
Wafer #2
   ↓
Wafer #3
   ↓
   ...
Wafer #10,000

에서도 동일한 결과를 내야 합니다.

즉,

Precision + Repeatability + Productivity

세 가지가 동시에 필요합니다.

여기에 Chamber 내부 잔류물이나 wafer edge의 residue 등이 particle defect로 이어지면 결국 수율 문제로 연결될 수 있습니다. 실제 양산용 Etch 장비에서도 wafer edge residue 관리와 wafer-to-wafer repeatability가 중요한 수율 요소로 다뤄집니다. Lam Research

오늘의 핵심 Insight

Lithography와 Etching의 관계를 한 문장으로 정리하면 이렇습니다.

Lithography draws the pattern. Etching makes it real.

Lithography 기술이 아무리 발전해도 그 미세 패턴을 실제 물질 구조로 정확하게 전사하지 못한다면 반도체를 만들 수 없습니다.

따라서 반도체 미세화 경쟁은 더 작게 그리는 Lithography 경쟁인 동시에, 더 정확하게 깎는 Etching 경쟁이기도 합니다.

[#09] Deposition은 어떻게 원자 단위의 막을 만들까?

— CVD, PVD, ALD로 이해하는 반도체 박막 공정

다음 편에서는 이번 글과 반대되는 과정을 살펴봅니다.

Etching = 깎는 기술

Deposition = 쌓는 기술

특히 왜 첨단 반도체에서 **ALD(Atomic Layer Deposition)**가 중요해지고 있는지까지 연결해보겠습니다.

배터리 절반으로 600마일? 현대차 산타페 EREV의 원리와 한계

Thomasrobotech — Wed, 26 Aug 2026 23:42:22 +0900

현대자동차는 2026년 8월 26일 CEO Investor Day에서 600마일 이상의 총주행거리를 목표로 하는 산타페 EREV를 2027년 상반기 출시한다고 발표했다. EREV는 배터리와 전기모터로 차량을 구동하고, 장거리 운행에서는 엔진·발전기로 전기를 공급하는 주행거리 연장형 전기차로, 현대차는 동급 순수전기차 대비 절반 미만의 배터리 용량으로 전기차 수준의 출력과 주행감을 구현하겠다는 계획이다. 다만 배터리 용량·전기주행거리·발전기 출력·연비가 아직 공개되지 않아 600마일이라는 총주행거리보다 충전 후 실제 전기주행 비율과 방전 후 효율을 확인해야 한다.

도입: 전기차에 다시 엔진을 넣는 이유

전기차의 가장 큰 장점은 구조가 단순하다는 것이다.

배터리에 저장된 전기로 모터를 돌리기 때문에 엔진과 변속기, 배기계통이 필요하지 않다. 반응이 빠르고 소음이 적으며, 회생제동을 이용해 감속할 때 에너지를 다시 저장할 수도 있다.

하지만 대형 SUV와 픽업트럭에서는 문제가 복잡해진다.

차량이 무겁고 고속도로 장거리 운행이 많으며, 견인이나 오르막 주행에서는 에너지 소비가 빠르게 증가한다. 긴 주행거리를 확보하려고 배터리를 계속 늘리면 차량 가격과 무게, 충전시간도 함께 증가한다.

현대자동차가 제시한 대안은 EREV(Extended-Range Electric Vehicle), 즉 주행거리 연장형 전기차다.

현대차는 2026년 8월 26일 서울에서 열린 CEO Investor Day를 통해 첫 EREV인 신형 산타페 EREV를 2027년 상반기에 출시하고 미국 앨라배마 공장에서 생산한다고 발표했다. 목표 총주행거리는 600마일 이상으로, 환산하면 약 966km다.

제네시스도 2027년 초 640마일, 약 1,030km 이상의 총주행거리를 목표로 하는 EREV SUV를 추가할 예정이다. 현대자동차 2026 CEO Investor Day 공식 발표

오늘의 공학적 쟁점은 단순히 주행거리가 긴 신차의 등장이 아니다.

대용량 배터리만으로 주행거리를 늘리던 전기차 설계에서 벗어나, 배터리·모터·엔진·발전기의 크기를 함께 최적화하는 방향으로 전동화 전략이 이동하고 있다는 점이다.

기술 원리: EREV는 어떻게 작동하는가

1. 바퀴는 전기모터가 구동한다

일반적인 EREV는 직렬형 하이브리드 구조를 사용한다.

배터리에 전력이 충분할 때의 에너지 흐름은 순수전기차와 거의 같다.

충전기 → 배터리 → 인버터 → 전기모터 → 바퀴

배터리 충전량이 낮아지거나 장거리 운행으로 추가 전력이 필요하면 내연기관이 작동한다.

연료 → 엔진 → 발전기 → 인버터·배터리 → 전기모터 → 바퀴

일반적인 EREV에서는 엔진이 바퀴와 기계적으로 직접 연결되지 않는다. 엔진은 효율이 좋은 회전수에서 발전기를 돌리고, 실제 구동력은 전기모터가 만든다.

반면 일반적인 병렬형 플러그인 하이브리드(PHEV)는 운전조건에 따라 엔진과 모터가 모두 바퀴를 직접 구동할 수 있다.

다만 현대차는 이번 발표에서 산타페 EREV의 엔진과 바퀴가 완전히 분리되는지, 특정 고속영역에서 기계적으로 연결되는지에 대한 상세 구조를 공개하지 않았다. 따라서 정확한 구동 토폴로지는 향후 기술자료를 확인해야 한다.

2. 배터리의 ‘용량’과 ‘출력’은 다른 개념이다

배터리에는 두 가지 중요한 성능이 있다.

에너지 용량(kWh): 얼마나 많은 전기를 저장하는가
출력(kW): 순간적으로 얼마나 강한 전력을 공급할 수 있는가

물탱크로 비유하면 용량은 저장된 물의 양이고, 출력은 수도관에서 한 번에 내보낼 수 있는 물의 양이다.

전기차의 주행거리를 늘리려면 일반적으로 배터리 에너지 용량을 키워야 한다. 하지만 급가속과 오르막, 견인 성능에는 높은 출력이 필요하다.

현대차는 자체 개발한 고성능 배터리셀이 기존에 사용하던 하이니켈 셀보다 2배 이상의 출력을 제공하고, 충전시간은 40% 단축한다고 발표했다. 이 셀을 2027년 상반기 출시할 EREV에 적용할 예정이다.

여기서 ‘출력이 2배’라는 표현을 ‘주행거리가 2배’ 또는 ‘에너지 밀도가 2배’로 해석해서는 안 된다.

배터리 출력은 다음과 같이 나타낼 수 있다.

배터리 출력(kW) = 전압(V) × 전류(A)

같은 용량의 배터리라도 더 큰 전류를 안정적으로 공급하면 강력한 모터를 구동할 수 있다. 그러나 전류가 커질수록 셀의 발열과 전압강하, 열화 부담도 증가한다.

3. 작은 배터리로 전기차 수준의 출력을 만드는 구조

현대차는 EREV가 동급 순수전기차 대비 절반 미만의 배터리 용량을 사용하면서도 비슷한 배터리 성능과 전기차 수준의 주행감을 제공한다고 밝혔다. 현대차의 EREV·배터리 공식 설명

예를 들어 동급 대형 전기 SUV에 100kWh 배터리가 필요하다고 가정하면, EREV는 50kWh 미만의 배터리와 엔진·발전기를 결합하는 방향이다.

이는 원리를 설명하기 위한 예시이며 산타페 EREV의 실제 배터리 용량은 공개되지 않았다.

배터리를 줄이면 다음과 같은 장점이 생긴다.

배터리 원재료 사용량 감소
차량 중량 감소
제조원가 절감 가능
동일 생산능력으로 더 많은 차량 생산
완전 충전에 필요한 시간 단축
대형 배터리 생산과정에서 발생하는 탄소배출 감소 가능

대신 엔진과 발전기, 연료탱크, 배기·냉각장치가 추가된다. 배터리에서 줄인 무게와 비용의 일부가 다시 기계 시스템으로 이동하는 구조다.

4. 엔진은 평균전력을, 배터리는 순간출력을 담당한다

EREV에서 발전기 출력을 모터 최대출력과 동일하게 설계할 필요는 없다.

예를 들어 모터가 급가속할 때 순간적으로 250kW를 요구하더라도 평지 고속도로를 일정한 속도로 달릴 때 필요한 평균전력은 이보다 훨씬 작을 수 있다.

따라서 엔진·발전기는 평균 주행에 필요한 전력을 공급하고, 추월이나 오르막에서 부족한 순간출력은 배터리가 보충하도록 설계할 수 있다.

모터 요구전력 = 발전기 공급전력 + 배터리 공급전력

이 방식을 사용하면 엔진을 작고 효율적인 운전영역에서 가동할 수 있다.

하지만 긴 오르막이나 무거운 트레일러 견인처럼 높은 출력이 장시간 계속되면 배터리 충전량이 감소할 수 있다. 발전기 출력이 지속 주행에 필요한 전력보다 작으면 결국 차량이 출력을 제한해야 한다.

EREV 엔지니어링에서 발전기 용량과 배터리 크기를 적절하게 결정하는 것이 중요한 이유다.

5. 회생제동은 순수전기차처럼 사용할 수 있다

바퀴를 전기모터가 구동하므로 감속할 때 모터를 발전기로 전환해 운동에너지를 배터리로 되돌릴 수 있다.

바퀴의 운동에너지 → 전기모터의 발전작용 → 인버터 → 배터리

EREV는 엔진이 작동하더라도 구동과 회생제동은 전기차 방식으로 제어할 수 있다. 따라서 저속에서 부드럽게 출발하고 변속충격 없이 가속하는 전기차의 특성을 유지하기 쉽다.

무엇이 새로워졌나: 현대차가 공개한 2027년 EREV 전략

1. 산타페 EREV의 출시시점과 생산지가 확정됐다

2025년 현대차는 2027년부터 EREV를 출시하겠다는 방향을 공개한 바 있다.

이번 발표에서는 첫 번째 모델과 일정, 생산거점이 구체화됐다.

구분	발표 내용
첫 모델	신형 산타페 EREV
출시 목표	2027년 상반기
총주행거리	600마일 이상, 약 966km
생산거점	미국 현대자동차 앨라배마 공장
배터리	현대차 자체 개발 고출력 셀
배터리 규모	동급 EV 대비 절반 미만 목표
구동 특성	전기차 수준의 출력과 주행감
제네시스 EREV	2027년 초, 640마일 이상 목표

단, 위 수치는 개발목표다. 미국 환경보호청 EPA의 공식 인증 주행거리와 연비는 아직 발표되지 않았다.

2. 자체 개발 배터리셀을 EREV에 적용한다

현대차는 그동안 배터리팩과 배터리관리시스템을 개발하면서 셀은 주로 전문 배터리기업으로부터 공급받았다.

이번에는 회사가 자체 개발한 고성능 셀을 EREV에 적용한다고 밝혔다.

회사 발표 기준으로 이 셀은 기존 하이니켈 셀 대비 다음 성능을 목표로 한다.

출력 2배 이상
충전시간 40% 단축
작은 팩으로 전기차 수준의 동력성능 제공

다만 셀의 정확한 양극재 조성, 에너지 밀도, 셀 형식, 생산업체와 양산규모는 공개되지 않았다. ‘자체 개발’이 곧 현대차의 직접 대량생산을 의미하는지도 아직 확인되지 않았다.

3. 일반 EV에는 중니켈 NCM 셀을 확대한다

현대차는 2027년 출시하는 전기차에 중니켈 NCM 셀을 적용해 배터리 비용을 약 30% 낮추겠다는 계획도 발표했다.

NCM은 니켈·코발트·망간을 사용하는 리튬이온 배터리 양극재다.

하이니켈 배터리는 에너지 밀도를 높이기 유리하지만 재료비와 열안정성, 제조관리 부담이 커질 수 있다. 중니켈 NCM은 에너지 밀도와 비용, 안전성 사이의 균형을 추구하는 방식이다.

EREV에는 고출력 셀을, 일반 EV에는 비용을 낮춘 중니켈 셀을 적용한다는 계획은 차량 목적에 따라 배터리 화학과 설계를 나누겠다는 의미다.

4. 열폭주 확산을 막는 TRP를 공개했다

배터리셀 하나에서 내부 단락이 발생하면 온도가 급격히 상승하며 열폭주가 일어날 수 있다. 인접한 셀까지 열이 전달되면 팩 전체로 사고가 확산될 가능성이 있다.

현대차는 이를 막기 위한 TRP(Thermal Runaway Protection) 기술을 공개했다.

TRP는 다음 두 구조를 결합한다.

셀에서 발생한 열을 외부로 배출하는 배터리 시스템
셀 사이의 열 전달을 막는 차단구조

현대차는 기존 기술이 열 전달을 일정 시간 늦추는 방식이었다면 TRP는 열의 확산을 발생지점에서 차단하는 것을 목표로 한다고 설명했다.

회사는 각형과 파우치형 NCM 배터리를 대상으로 200회 이상의 반복시험을 수행했으며, 이 기술을 제네시스 GV90에 처음 적용할 계획이다.

이는 현대차가 공개한 자체 시험결과다. 시험조건과 외부 인증결과는 향후 확인이 필요하다.

5. 클라우드 BMS와 물리적 차단구조를 결합한다

현대차는 클라우드 기반 BMS를 강화해 2028년까지 평균 배터리 수명을 20% 연장하겠다는 목표도 제시했다.

두 안전기술의 역할은 다르다.

클라우드 BMS: 셀의 이상징후를 감지하고 예방조치 수행
TRP: 열폭주가 발생한 뒤 인접 셀로 확산되는 것을 물리적으로 차단

소프트웨어로 이상을 조기에 발견하고, 소프트웨어가 막지 못한 사고는 팩 구조로 제한하는 이중 방어개념이다.

산업·기업·시장에 미치는 영향

1. 완성차기업의 전동화 전략이 다중화된다

여기부터는 발표자료를 바탕으로 한 해석이다.

전기차시장이 성장하더라도 지역별 충전 인프라와 전력가격, 운전거리에는 큰 차이가 있다.

도심 통근이 중심인 운전자에게는 순수전기차가 효율적일 수 있다. 반면 장거리 이동과 견인이 많은 북미 SUV·픽업 소비자는 충전시간과 충전소 접근성을 더 중요하게 평가할 수 있다.

현대차는 2030년 전동화 차량의 판매비중을 60%까지 높일 계획이지만 동력원은 하나로 통일하지 않는다.

순수전기차
하이브리드
플러그인 하이브리드
EREV
수소연료전지차

EREV는 순수전기차로 전환하기 어려운 대형 SUV 고객을 전동화 제품군으로 끌어들이는 연결기술이 될 수 있다.

2. 차량 한 대당 배터리 사용량은 감소할 수 있다

EREV가 동급 EV보다 절반 미만의 배터리를 사용한다면 같은 배터리셀 생산량으로 2배 이상의 차량에 팩을 공급할 가능성이 생긴다.

이는 완성차기업에는 공급망과 원가 측면에서 장점이다.

반면 배터리기업 입장에서는 차량당 공급하는 kWh가 감소할 수 있다. 대신 높은 출력과 급속충전, 긴 수명을 만족하는 고부가가치 셀의 중요성이 높아질 수 있다.

배터리산업의 경쟁지표도 단순한 에너지 밀도에서 다음 항목으로 확대된다.

출력밀도
급속충전 성능
열관리
수명
저온성능
충전상태 추정 정확도
열폭주 확산방지

3. 현대차와 배터리 공급사의 관계가 달라질 수 있다

완성차기업이 셀을 직접 설계하면 차량과 배터리를 동시에 최적화할 수 있다.

예를 들어 EREV의 발전기 운전전략과 배터리 충전상태 범위를 알고 있으면 셀의 출력·수명·냉각설계를 해당 사용조건에 맞출 수 있다.

그러나 셀 개발과 대량생산은 다른 문제다.

자동차용 배터리는 수년간 반복되는 충·방전과 진동, 충격, 온도변화를 견뎌야 한다. 생산과정에서 수백만 개 셀의 품질편차도 관리해야 한다.

현대차가 직접 생산할지, 배터리기업에 위탁생산할지, 공동개발 구조를 사용할지가 향후 국내 배터리산업에 중요한 변수가 된다.

4. 미국 현지 생산과 부품조달이 확대된다

산타페 EREV는 미국 앨라배마 공장에서 생산된다.

현대차는 북미 생산능력을 2030년까지 50만 대 확대하고, 현지 부품조달 목표를 기존 60%에서 80% 이상으로 높일 계획이다. 또한 북미 하이브리드 판매비중을 2030년 50%까지 확대한다.

EREV 생산에는 기존 엔진공장과 전기차용 모터·인버터·배터리 공급망이 모두 필요하다. 현대차가 보유한 내연기관 생산기반을 전동화 전환과정에서 활용할 수 있다는 의미다.

5. EREV가 반드시 친환경적인 것은 아니다

EREV의 환경효과는 사용자가 얼마나 자주 충전하는지에 따라 크게 달라진다.

매일 충전하고 대부분의 주행을 배터리로 수행하면 연료 사용량을 크게 줄일 수 있다. 반대로 충전을 거의 하지 않고 엔진·발전기에 의존하면 무거운 직렬형 하이브리드처럼 운행될 수 있다.

엔진이 만든 기계에너지는 발전기와 전력변환장치, 모터를 거쳐 바퀴에 전달된다. 각 단계에서 손실이 발생하기 때문에 배터리가 방전된 이후의 고속주행 효율은 중요한 평가항목이다.

미국 EPA 역시 플러그인 하이브리드의 효율을 전기 중심 운전의 MPGe와 연료 중심 운전의 MPG로 나눠 표시한다. 미국 EPA의 전기차·PHEV 효율 설명

엔지니어 관점의 핵심 쟁점

핵심 쟁점 1. 600마일은 전기주행거리가 아니다

현대차가 발표한 600마일 이상은 배터리와 연료를 모두 사용한 총주행거리다.

소비자가 실제로 확인해야 할 지표는 세 가지다.

배터리만 사용하는 전기주행거리
배터리 방전 후 연료효율
배터리와 연료를 합친 총주행거리

예를 들어 총주행거리가 길더라도 전기주행거리가 짧으면 일상적인 연료 사용량이 증가할 수 있다.

산타페 EREV의 전기주행거리는 아직 공개되지 않았다.

핵심 쟁점 2. 발전기 출력은 극한조건을 기준으로 설계해야 한다

평지의 정속주행에서는 작은 발전기로도 충분할 수 있다. 그러나 대형 SUV는 다음 조건을 고려해야 한다.

고속도로 장시간 주행
긴 오르막
트레일러 견인
저온에서의 배터리 출력저하
에어컨·히터 사용
배터리 충전량이 낮은 상태의 재가속

발전기 출력이 부족하면 배터리 충전량이 계속 감소한다. 일정 수준 이하에서는 차량이 출력을 제한할 가능성이 있다.

따라서 최대출력보다 발전기만으로 유지할 수 있는 지속속도와 견인능력이 중요하다.

핵심 쟁점 3. 엔진의 효율영역과 소음제어

EREV 엔진은 바퀴 회전수와 직접 연결되지 않으므로 효율이 좋은 회전수에서 운전할 수 있다.

하지만 운전자가 천천히 주행하는데 엔진이 높은 회전수로 발전하면 차량의 움직임과 소리가 일치하지 않는 이질감이 발생할 수 있다.

엔지니어는 다음 요소를 함께 최적화해야 한다.

엔진 운전점
배터리 충전상태
발전기 효율
실내 소음과 진동
배출가스 촉매 온도
운전자의 가속요구
향후 도로 경사와 경로 예측

단순히 엔진 효율을 최대화하는 것만으로 좋은 주행감을 만들 수는 없다.

핵심 쟁점 4. 고출력 셀은 열과 수명이 문제다

배터리 출력을 높이려면 내부저항을 줄이고 큰 전류를 안정적으로 공급해야 한다.

배터리 발열은 전류의 제곱에 비례하는 특성이 있다.

발열량 ∝ 전류² × 내부저항

전류가 2배가 되면 다른 조건이 같을 때 발열은 4배까지 증가할 수 있다.

실제 셀은 내부저항과 운전전압, 냉각조건도 함께 달라지므로 단순히 4배라고 단정할 수는 없다. 그러나 고출력화할수록 냉각과 셀 균일도, 수명관리가 중요해지는 것은 분명하다.

핵심 쟁점 5. TRP는 시험조건을 확인해야 한다

‘열폭주 확산을 차단한다’는 표현만으로 안전성을 평가하기는 어렵다.

확인해야 할 시험조건은 다음과 같다.

열폭주를 유도한 방법
초기 셀의 충전상태
주변 온도
셀 종류와 용량
인접 셀의 온도상승
화염과 고온가스 배출경로
반복시험 시간
충돌 후 팩 변형상태
시험 종료 후 재발화 여부

현대차가 발표한 200회 이상의 내부시험은 중요한 개발결과지만, 상세 시험조건과 외부 인증자료가 공개돼야 다른 배터리 시스템과 객관적으로 비교할 수 있다.

핵심 쟁점 6. 시스템 복잡성과 유지보수비

EREV에는 순수전기차의 고전압 시스템과 내연기관차의 연료·배기 시스템이 함께 들어간다.

필요한 주요 구성품은 다음과 같다.

고전압 배터리
구동모터와 인버터
엔진과 발전기
연료탱크와 배기후처리
배터리·엔진 냉각회로
충전기와 DC-DC 컨버터
통합 에너지관리 제어기

차량 가격을 낮추더라도 부품 수와 제어 복잡성, 장기 유지보수비가 증가할 수 있다. 배터리 절감액이 추가 시스템 비용보다 큰지가 경제성의 핵심이다.

향후 관전 포인트

1. 실제 배터리 용량과 전기주행거리

동급 EV 대비 절반 미만이라는 상대적 표현보다 실제 kWh와 EPA 전기주행거리가 중요하다.

일상 출퇴근을 충전만으로 처리할 수 있는지가 EREV의 연료절감 효과를 결정한다.

2. 엔진·발전기와 구동계의 연결방식

현대차 EREV가 완전한 직렬형인지, 특정 고속영역에서 엔진을 바퀴에 연결하는지 확인해야 한다.

구조에 따라 고속효율과 부품 수, 제어전략이 달라진다.

3. 배터리 방전 후 연비와 배출가스

600마일의 총주행거리보다 배터리가 낮은 상태에서의 MPG가 실제 장거리 경제성을 보여준다.

추운 날씨와 고속주행, 견인조건의 연비도 확인할 필요가 있다.

4. 자체 개발 셀의 양산 주체

현대차가 셀을 직접 생산하는지, 기존 배터리기업이 현대차 설계로 위탁생산하는지, 합작법인을 활용하는지에 따라 공급망 영향이 달라진다.

셀 형식과 화학조성, 생산수율, 보증조건도 중요한 관전 요소다.

5. 40% 충전시간 단축의 기준

충전시간을 비교한 기존 셀과 배터리 용량, 충전구간, 온도조건을 확인해야 한다.

10~80% 충전시간인지 완전충전 시간인지에 따라서도 의미가 달라진다.

6. TRP의 외부 안전인증

제네시스 GV90 출시 후 열폭주 확산시험과 충돌시험, 팩 단위 안전인증 결과가 공개되는지 확인해야 한다.

실제 사고 이후 배터리 교체범위와 정비절차도 안전기술의 상용성을 보여주는 지표가 될 것이다.

7. 가격이 EV와 하이브리드 사이에 형성되는가

EREV가 시장에서 성공하려면 순수전기차보다 작은 배터리에서 발생하는 원가절감 효과가 소비자가격에 반영돼야 한다.

가격이 고급 EV와 비슷하면서 엔진 유지보수까지 필요하다면 장점이 줄어들 수 있다.

결론: EREV의 경쟁력은 주행거리보다 ‘배터리를 얼마나 효율적으로 쓰는가’에 달렸다

현대차가 2026년 8월 26일 확인한 사실은 명확하다.

첫 산타페 EREV는 2027년 상반기 출시를 목표로 하며 미국 앨라배마 공장에서 생산된다. 총주행거리 목표는 600마일 이상이고, 동급 EV 대비 절반 미만의 배터리 용량을 사용하는 것이 개발방향이다.

현대차는 기존 하이니켈 셀보다 출력이 2배 이상 높고 충전시간을 40% 단축한 자체 개발 셀을 EREV에 적용할 계획이다. 열폭주 확산을 구조적으로 차단하는 TRP와 클라우드 BMS도 함께 공개했다.

필자의 해석으로는 EREV가 순수전기차를 대체하기보다 충전 인프라가 부족하거나 장거리·견인 수요가 많은 대형차시장의 전환기 기술로 자리 잡을 가능성이 높다.

그러나 600마일이라는 숫자만으로 기술의 우수성을 판단할 수는 없다.

EREV의 진짜 성능은 매일 얼마나 많은 거리를 전기로 달리는지, 배터리가 방전된 후에도 얼마나 효율적인지, 작은 배터리가 고출력 운전을 얼마나 오래 견디는지로 결정된다.

산타페 EREV의 핵심 경쟁력은 연료탱크까지 포함한 최대주행거리가 아니다. 배터리·모터·발전기의 크기를 최적화해 가장 적은 비용과 무게로 가장 많은 실사용 거리를 전동화하는 능력이다.