오픈소스 AI 모델이 확산될수록 메모리 반도체 수요가 줄어드는 게 아니라 오히려 늘어날 수 있다는 분석이 나왔다. 뱅크오브아메리카(BofA) 반도체 애널리스트 비벡 아리아가 던진 논점을 정보매체 주칸이 X에서 소개했다. 흔히 투자자들은 값싼 오픈웨이트 모델이 늘면 비싼 메모리 하드웨어 지출도 줄어들 거라 생각한다. 아리아의 주장은 정반대다. GPT나 제미나이 같은 폐쇄형 모델은 전세계 수요를 소수의 대형 데이터센터에 있는 공유 HBM 풀로 모아 처리하기 때문에, 사용량이 늘어날수록 이용자 1인당 필요한 메모리는 오히려 줄어드는 구조다. 반면 오픈소스 모델은 정반대로 움직인다. 같은 오픈 모델을 자체 서버에 직접 얹는, 셀프호스팅하는 기업이 1만 곳이라면, 그 1만 곳 각각이 모델 가중치 전체를 따로 복제해야 하고, 각자 별도의 KV 캐시, 모델이 답을 생성하는 동안 임시로 들고 있는 메모까지 새로 갖춰야 한다. 2026년 들어 12만8000토큰에서 최대 100만 토큰짜리 긴 문맥창이 흔해지면서, 이 캐시 하나만으로도 세션당 40기가바이트를 넘길 수 있다. 여기에 값싼 중국산 오픈소스 API까지 더해지면 대형 클라우드를 빌리는 대신 직접 서버를 두는 기업이 더 늘어나는데, 이는 곧 별도 배치가 더 많아진다는 뜻이고, 배치마다 고대역폭 메모리(HBM)가 따로 필요하다. 언뜻 메모리를 덜 쓸 것 같은 오픈소스 확산이 오히려 메모리 소켓 수요를 여러 배로 불리는 셈이며, 이는 SK하이닉스 같은 HBM 공급사에 직접적인 호재로 이어지는 흐름이다.
Why it matters · 이 논리가 맞다면 값싼 오픈소스 모델이 AI 인프라 지출을 줄일 거라는 약세론이 뒤집히는 셈이라, 모델 비용이 내려가도 HBM 메모리 수요는 계속 커질 수 있다는 뜻이다.
Open source AI models could turn out to be bullish, not bearish, for memory chipmakers, according to a point BofA analyst Vivek Arya raised that Jukan is amplifying. The intuition many investors have is that cheaper open weight models mean less spending on expensive memory hardware. Arya argues the opposite. Closed models like GPT or Gemini pool global demand into a small number of massive shared data centers, so the memory footprint per user actually shrinks as usage scales. Open models work the other way: every company that self hosts the same open model has to replicate the full set of weights and build its own separate memory pool, plus a dedicated KV cache, the temporary memory that holds a model's short term notes while it is generating an answer. With context windows of 128,000 to 1 million tokens becoming normal in 2026, that cache alone can top 40 gigabytes per active session. Layer on cheap Chinese open source APIs, which are pushing more companies to self host instead of renting from a big cloud, and you get more separate deployments, not fewer. Each one needs its own high bandwidth memory. So a wave of adoption that looks like it should be memory light instead multiplies memory sockets across the industry, a dynamic that plays directly into demand for chips like SK hynix's HBM stacks.
Why it matters · If this thesis holds, the bear case that cheap open models will shrink AI infrastructure spending gets flipped on its head, meaning memory demand for HBM makers could keep compounding even as model costs fall.
オープンソースAIモデルが広がるほど、メモリ半導体の需要はむしろ増えるという見方が出ている。バンク・オブ・アメリカ(BofA)の半導体アナリスト、ヴィヴェク・アーリヤが示した論点を、情報発信者Jukanが Xで紹介した。多くの投資家は、安価なオープンウェイトモデルが増えれば高価なメモリハードウェアへの支出も減ると考えがちだ。アーリヤの主張はその逆だ。GPTやGeminiのようなクローズド型モデルは、世界中の需要を少数の大型データセンターにある共有HBMプールに集約して処理するため、利用が増えるほど利用者一人当たりに必要なメモリはむしろ減っていく構造になる。一方オープンソースモデルは逆の方向に動く。同じオープンモデルを自社サーバーに直接載せる、セルフホスティングする企業が1万社あれば、その1万社それぞれがモデルの重み全体を個別に複製し、さらに独自のKVキャッシュ、モデルが回答を生成する間、一時的に保持する「メモ」まで新たに用意する必要がある。2026年には12万8000から最大100万トークンという長い文脈窓が当たり前になりつつあり、このキャッシュだけでセッションあたり40ギガバイトを超えることもある。ここに安価な中国製オープンソースAPIが加わると、大手クラウドを借りるより自前でサーバーを持つ企業がさらに増え、それは個別の導入が増えることを意味し、導入ごとに広帯域メモリ(HBM)が別々に必要になる。一見メモリ使用量を減らしそうなオープンソースの普及が、逆にメモリソケット需要を何倍にも増やす格好であり、SKハイニックスのようなHBM供給企業にとって直接的な追い風となる流れだ。
Why it matters · この見方が正しければ、安価なオープンモデルがAIインフラ投資を減らすという弱気論は逆転し、モデルコストが下がってもHBMメモリ需要は拡大し続ける可能性があるということになる。