MEMORY INDUSTRY INTELLIGENCE
AI 메모리 연구
기술을 사업의 언어로
AI는 메모리를 얼마나, 어디에 쓰게 될까요?
논문·공식 발표에서 달라지는 구조를 찾고, HBM·DRAM·NAND의 기회와 확인할 조건을 읽습니다. 어려운 수식보다 의사결정에 필요한 의미를 먼저 설명합니다.
읽는 순서쉬운 요약 → 메모리 영향 → 확인할 조건초록·공식 요약 기준 · 사업 영향은 조건부 해석
① 요청당 사용량같은 답을 만들 때 필요한 용량·데이터 이동
② 저장 위치와 역할HBM·DRAM·NAND 사이에 어떤 데이터가 이동하는지
③ 전체 사용량비용 절감 후 사용자·문맥 길이가 늘어나는지
용어가 낯설다면 · 1분 용어 설명
- KV Cache
- 답변 생성 중 이전 입력을 다시 계산하지 않도록 저장하는 중간 기록. 모델의 학습된 지식인 ‘가중치’와 다릅니다.
- HBM / Base 다이
- HBM은 연산 장치 가까이 있는 빠른 메모리. Base 다이는 적층 메모리 아래에서 연결·제어를 담당하는 칩입니다.
- Offloading / Data movement
- 연산·데이터 처리를 다른 장치에 맡기는 것 / 메모리와 장치 사이에서 데이터를 옮기는 것.
- Linear Attention / SSM
- 긴 입력을 처리할 때 계산·기록의 증가를 줄이는 모델 구조. Mamba는 SSM을 활용합니다. 압축 프로그램을 기존 모델에 붙이는 것과 적용 조건이 다릅니다.
- CXL
- 외부 메모리를 연결하고 여러 장치가 활용하도록 하는 연결 방식. 그 안에 들어가는 DRAM과 별도 물량으로 합산하지 않습니다.
- HBF
- NAND를 기반으로 대용량 데이터를 빠르게 전달하려는 메모리 계층. HBM과는 지연·쓰기 특성이 달라 용도별 검증이 필요합니다.
정기 수집 운영arXiv + Google Research·SK hynix·CXL 공식 피드 · 하루 신규 최대 12건다음 예약 10월 13일 06:15 KST · 수집 후 한국어 요약 순차 처리
최근 확인 10.12 06:18수집 완료수집 성공과 분석 완료, 실제 채택은 별개입니다.
처음 읽을 자료
대표적인 구조 변화를 이해하는 출발점
연구와 사업 영향
요약 25건 · 분석 대기 0건
발표일이 최근인 순서입니다. 근거 수준은 확인한 자료 범위만 나타냅니다. 자동 요약은 검토 전 초안이며, 논문 실험을 상용 채택으로 표시하지 않습니다.
논문 내 실험편집 요약2025.04.28
TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate
대화 기록의 숫자를 짧게 적으면서도 중요한 관계를 유지하려는 연구입니다. 숫자를 먼저 회전해 압축하기 좋은 형태로 바꾸고, 남은 오차를 별도로 보정합니다.
메모리 사업 해석- HBM
- KV 저장량과 이를 읽는 부담을 줄일 가능성이 있습니다. 모델 가중치나 전체 GPU 메모리의 절감률과는 다릅니다.
- DRAM
- KV를 다른 계층에 저장하는 경우의 전송·복원 효과는 별도 확인이 필요합니다.
- NAND
- NAND 수요 변화의 직접 근거는 없습니다.
검토 방향같은 품질의 요청당 비용과 동시 처리 용량을 함께 비교하세요.
논문 내 실험편집 요약2024.05.31
Transformers are SSMs: Generalized Models and Efficient Algorithms Through Structured State Space Duality
작은 상태로 긴 입력을 처리하는 방식도 실제 GPU에서 효율적으로 돌아가야 유용합니다. Mamba-2는 SSM과 Attention의 수학적 연결을 이용해 실행하기 좋은 구조를 설계합니다.
메모리 사업 해석- HBM
- 일부 장문 추론 상태의 저장 방식을 바꿀 수 있습니다. 가중치와 하이브리드 Attention의 KV까지 자동으로 줄지는 않습니다.
- DRAM
- CPU DRAM으로 옮기는 직접 효과는 초록에서 확인되지 않습니다.
- NAND
- NAND 대체·증가의 직접 근거는 없습니다.
검토 방향구조의 이론적 장점과 실제 서비스에서의 비용 개선을 따로 확인하세요.
논문 내 실험편집 요약2024.02.05
KIVI: A Tuning-Free Asymmetric 2bit Quantization for KV Cache
대화 기록의 숫자를 더 짧은 표기법으로 저장하는 연구입니다. 기록의 종류에 맞춰 압축하는 방식을 달리해, 정확도 저하를 줄이면서 메모리 사용을 낮추려 합니다.
메모리 사업 해석- HBM
- KV 기록에 쓰는 바이트가 줄어 동시 요청 수를 늘릴 여지가 있습니다. 가중치와 다른 저장 공간까지 같은 비율로 줄지는 않습니다.
- DRAM
- KV를 CPU에 저장하는 구성에서도 적용 가능성은 있지만 이 초록만으로 효과를 확정할 수 없습니다.
- NAND
- NAND 역할 변화의 직접 근거는 없습니다.
검토 방향압축률보다 고객의 실제 품질·지연 조건에서 확보한 메모리 여유를 보세요.
논문 내 실험편집 요약2023.12.01
Mamba: Linear-Time Sequence Modeling with Selective State Spaces
기존 방식이 대화의 많은 기록을 다시 펼쳐 본다면, Mamba는 중요한 정보를 작은 상태로 이어갑니다. 모델 구조를 바꿔 긴 입력을 처리할 때 기록과 계산의 증가를 줄이려 합니다.
메모리 사업 해석- HBM
- 일부 추론 상태의 길이 증가 부담이 완화됩니다. 모델 가중치·학습 저장 공간·Attention을 섞은 모델의 KV는 별도로 남습니다.
- DRAM
- 큰 KV를 CPU로 이동하는 방식과는 다릅니다. DRAM 전체 수요 감소는 확인되지 않습니다.
- NAND
- NAND에 대한 직접 수요 변화는 확인되지 않습니다.
검토 방향장기 구조 변화로 관찰하되 순수 SSM과 하이브리드 모델을 구분하세요.
논문 내 실험편집 요약2023.09.12
Efficient Memory Management for Large Language Model Serving with PagedAttention
대화 기록을 미리 크게 예약하면 쓰지 않는 빈칸이 생깁니다. PagedAttention은 필요한 만큼 나눠 저장하고 같은 기록을 공유해, 같은 GPU에서 더 많은 요청을 처리하도록 합니다.
메모리 사업 해석- HBM
- 유휴 용량을 줄여 동시 요청을 늘릴 수 있습니다. 기록의 실제 내용이나 모델 가중치까지 없어지는 것은 아닙니다.
- DRAM
- CPU 메모리로 옮기는 효과는 이 초록만으로 확인되지 않습니다.
- NAND
- NAND로 이동하거나 NAND 용량을 늘리는 직접 근거는 없습니다.
검토 방향HBM 수요 전망에는 용량 관리 효율과 서비스 사용량을 함께 반영하세요.
논문 내 실험편집 요약2022.05.27
FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness
책상에서 할 수 있는 일을 매번 창고를 오가며 처리하면 느려집니다. FlashAttention은 GPU 안의 작은 작업 공간을 활용해 HBM과 오가는 중간 데이터를 줄입니다.
메모리 사업 해석- HBM
- 중간 데이터의 왕복과 일부 메모리 부담이 줄어듭니다. 장기 보관 KV Cache를 제거한다는 의미는 아닙니다.
- DRAM
- 서버 DRAM으로 데이터를 옮기는 효과는 직접 확인되지 않습니다.
- NAND
- NAND 수요와의 직접 연결은 확인되지 않습니다.
검토 방향데이터 이동 절감과 KV Cache 용량 절감을 서로 다른 변화로 추적하세요.
논문 내 실험편집 요약2020.06.29
Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention
대화의 모든 부분을 서로 비교하면 대화가 길어질수록 일이 급격히 늘어납니다. Linear Attention은 계산 순서를 바꿔 긴 입력을 더 작은 누적 상태로 처리할 수 있도록 합니다.
메모리 사업 해석- HBM
- 일부 상태와 계산의 길이 의존성을 완화할 여지가 있습니다. 기존 Attention의 품질과 동일한 대체품인지는 별도 검증이 필요합니다.
- DRAM
- 저장 계층을 CPU DRAM으로 옮기는 직접 근거는 없습니다.
- NAND
- NAND 수요의 직접 연결은 확인되지 않습니다.
검토 방향KV 압축과 모델 구조 변경을 다른 채택 경로로 관리하세요.