본문으로 건너뛰기
피드

1960년부터 2026년까지 메모리 가격을 한눈에 보는 데이터셋 공개

ai-ml 약 6분
vote
0
댓글
북마크

스탠퍼드 DAM 프로젝트가 1960년부터 2026년까지 DRAM, NAND 플래시, HBM 가격 흐름을 볼 수 있는 인터랙티브 데이터셋을 공개했다. 단순 차트가 아니라 원본 CSV 다운로드, 세대별 DRAM 가격, AI 가속기 비용에서 HBM이 차지하는 비중까지 함께 제공한다.

  • 1

    DRAM, NAND 플래시, HBM의 역사적 최저 달러/GB 가격을 로그 스케일로 제공함

  • 2

    DRAM은 Pre-DDR, DDR, DDR2, DDR3, DDR4, DDR5 세대로 나눠 볼 수 있음

  • 3

    AI 가속기 비용은 Nvidia, AMD, Google TPU, Amazon Trainium 기준으로 HBM, 로직 다이, CoWoS 패키징, 보조 부품 비중을 모델링함

  • 4

    HBM 가격은 공개 현물 시장이 없어 TrendForce, SemiAnalysis 같은 업계 추정치 기반이며 HBM4는 2026년 3분기 출시 예상치로 처리됨

  • 5

    DRAM과 NAND 가격은 Keepa 기반으로 매월 갱신되고, HBM은 Epoch AI 기준으로 분기 갱신됨

  • 스탠퍼드 DAM 프로젝트가 1960년부터 2026년까지 메모리와 스토리지 가격을 볼 수 있는 인터랙티브 데이터셋을 공개함

    • John C. McCallum의 고전적인 memory-price dataset을 이어가는 성격의 자료임
    • 차트에서 마우스를 올리면 세부 정보를 보고, 범례를 눌러 시리즈를 켜고 끌 수 있음
    • 슬라이더나 드래그로 확대가 가능하고, 카메라 아이콘으로 이미지 export도 됨
    • 원본 데이터는 CSV로 다운로드 가능함
  • 핵심 차트는 시간에 따른 GB당 가격 변화임

    • DRAM, NAND 플래시, HBM을 각각 한 줄로 표시함
    • 로그 스케일이라 수십 년 동안 가격이 얼마나 극적으로 내려왔는지 보기 좋음
    • 단위는 명목 달러 기준 최저 소매가($/GB)임
  • DRAM은 세대별로도 따로 쪼개서 볼 수 있음

    • Pre-DDR, DDR, DDR2, DDR3, DDR4, DDR5로 나뉨
    • 세대 구분은 제품 설명에서 추론한 것이라 오래된 데이터는 약간 부정확할 수 있음
    • 전체 DRAM 가격선만 보면 세대 전환 효과가 묻히는데, 이 차트는 어느 세대가 언제 싸졌는지 따로 볼 수 있게 해줌
  • AI 시대에 중요한 HBM도 별도 차트로 들어감

    • HBM2e, HBM3, HBM3e, HBM4 세대별 가격을 제공함
    • HBM4는 2026년 3분기 출시 예정이라 실제 거래가가 아니라 전망치임
    • HBM은 공개 현물 시장이 없고, 가속기 제조사와 비공개 계약으로 거래됨
    • 그래서 TrendForce, SemiAnalysis 같은 업계 분석 자료 기반의 드문 추정치임

중요

> HBM 가격은 일반 SSD나 DRAM처럼 “소매 최저가”로 보면 안 됨. 공개 시장 가격이 아니라 업계 분석 기반 추정치라, AI 가속기 원가 흐름을 보는 참고 자료에 가깝다.

  • AI 가속기 비용 분해도 같이 제공하는 게 이 자료의 재미 포인트임

    • Epoch AI의 모델링 추정치를 사용함
    • Nvidia, AMD, Google TPU, Amazon Trainium까지 4대 AI 가속기 설계사를 기준으로 함
    • 비용을 HBM, 로직 다이, 패키징/CoWoS, 보조 부품으로 쌓아 보여줌
    • 생산량 가중 평균이라 단순 제품 하나의 BOM이라기보다 시장 전체 흐름에 가까움
  • 데이터 해석에는 주의할 점이 꽤 있음

    • $/GB는 계약가나 평균가가 아니라 명목 달러 기준 최저 소매가임
    • 인플레이션 조정도 안 되어 있음
    • 소매가는 계약 가격보다 늦게 움직일 수 있음
    • 가장 싼 목록은 최신 제품이 아니라 단종 직전 세대의 재고 정리 가격일 때가 많음
    • SSD 데이터에서는 명백한 등록 오류를 제거함. 예를 들어 130달러 SSD가 4달러로 찍히는 식으로 평소보다 60% 이상 낮은 값은 제외함
  • 데이터 소스도 섞여 있어서 경계 구간을 이해해야 함

    • DRAM 선은 2024년 중반에 McCallum 데이터에서 Keepa 데이터로 이어 붙였음
    • 그래서 그 지점에 작은 계단식 변화가 생길 수 있음
    • Amazon의 최저 재고 정리 가격이 McCallum의 대표 최저가보다 낮게 잡힐 수 있기 때문임
  • 업데이트 주기도 메모리 종류마다 다름

    • DRAM과 NAND $/GB는 Keepa 기반으로 매월 갱신됨
    • HBM은 Epoch AI 기준으로 분기마다 갱신됨
    • McCallum 기반 과거 데이터와 일부 HBM 추정치는 고정값임
    • 모든 포인트는 다운로드 가능한 CSV에 출처와 함께 들어 있음

기술 맥락

  • 이 자료가 유용한 이유는 메모리 가격을 “싸졌다” 한마디로 뭉개지 않고, DRAM, NAND, HBM을 따로 보여주기 때문이에요. 세 기술은 용도도 시장 구조도 달라서 같은 $/GB 그래프에 올려도 해석이 달라지거든요.

  • 특히 HBM은 AI 가속기에서 단순 용량보다 대역폭이 더 중요해요. 그래서 자료가 $/GB뿐 아니라 $/TBps, 즉 메모리 대역폭 단위 비용까지 언급하는 게 의미 있어요.

  • AI 인프라 비용을 볼 때 GPU 칩 가격만 보면 반쪽짜리예요. HBM, 로직 다이, CoWoS 패키징이 한 묶음으로 원가를 만들고, 이 중 하나가 부족하면 전체 공급과 가격이 흔들릴 수 있거든요.

  • 개발자나 인프라 팀 입장에서는 이 데이터가 용량 계획과 비용 감각을 잡는 데 도움이 돼요. 모델이 커질수록 연산량뿐 아니라 메모리 대역폭과 패키징 비용이 같이 올라가니, 하드웨어 선택의 이유를 설명할 때 근거로 쓰기 좋아요.

AI 인프라 얘기할 때 GPU만 보이지만, 실제 병목과 비용의 큰 축은 메모리임. 이 데이터셋은 ‘메모리 가격이 계속 싸졌다’는 오래된 감각과 ‘HBM은 완전히 다른 게임’이라는 요즘 현실을 같이 보여줘서 꽤 쓸 만함.

댓글

댓글

댓글을 불러오는 중...

ai-ml

해커랭크가 공개한 AI 채용 필터, 같은 이력서가 66점부터 99점까지 흔들림

HackerRank가 공개한 오픈소스 ATS를 직접 돌려본 결과, 같은 이력서가 실행할 때마다 66점에서 99점까지 크게 흔들렸다는 실험 글이다. 글쓴이는 LLM을 이력서 파싱이나 기술 체크리스트 확인에 쓰는 건 괜찮지만, 후보자의 프로젝트와 경력을 점수화하는 순간 운빨 필터가 된다고 비판한다.

ai-ml

바이두, 수십 페이지 문서를 한 번에 읽는 오픈소스 OCR 모델 공개

바이두가 긴 PDF와 이미지 문서를 한 번에 판독하는 오픈소스 모델 언리미티드 OCR을 공개했다. 핵심은 R-SWA라는 어텐션 구조로 장문 출력 때 KV 캐시가 계속 커지는 문제를 억제하는 것이다. 최대 32K 컨텍스트에서 수십 페이지 문서를 1회 추론으로 전사할 수 있다고 설명한다.

ai-ml

딥시크, LLM 추론 가속용 DSpark와 DeepSpec을 오픈소스로 공개

딥시크가 기존 딥시크 V4 Pro에 추측적 디코딩 프레임워크 DSpark를 적용해 추론 속도와 서비스 효율을 끌어올렸다. 함께 공개한 DeepSpec은 드래프트 모델 학습, 평가, 데이터 준비까지 묶은 풀스택 오픈소스 프레임워크다. Qwen3 실험에서는 Eagle3 대비 평균 수용 길이가 26.7~30.9%, DFlash 대비 16.3~18.4% 높았다고 밝혔다.

ai-ml

지자체들이 예산 0원·로컬 AI로 행정 자동화 굴리기 시작함

국내 지방자치단체들이 외부 클라우드 API 대신 온프레미스, 오픈소스 언어모델, 검색증강생성(RAG)을 조합해 행정 AI를 자체 구축하는 사례를 내고 있다. 양산시, 광주시, 남양주시, 서울 광진구 사례를 보면 핵심은 비용 절감뿐 아니라 망분리·보안·환각 제어까지 현장 제약에 맞춘 구조를 만드는 쪽이다.

ai-ml

AI 에이전트가 SaaS를 없애는 게 아니라, SaaS를 ‘기능 API’로 바꾸고 있다

공공 AI-SaaS 컨퍼런스에서 AI 에이전트 시대의 SaaS 변화가 주요 화두로 다뤄졌어. 발표 핵심은 AI와 SaaS가 경쟁하는 게 아니라, AI는 추론과 생성 업무를 맡고 SaaS는 정확한 계산과 규칙 기반 업무를 맡으며 API 중심 구조로 재편된다는 거야.