IBM이 세계 최초로 1나노미터(nm) 이하 반도체 공정 기술을 개발했습니다. 0.7나노(7Å) 수준의 '나노스택(NanoStack)' 아키텍처로, 트랜지스터를 수직으로 쌓아 손톱 크기 칩에 1천억 개의 트랜지스터를 집적할 수 있습니다. 기존 2나노 칩 대비 성능은 최대 50%, 에너지 효율은 70% 향상됩니다.
이 글이 필요한 사람- 반도체 미세화의 물리적 한계를 어떻게 극복하는지 궁금한 개발자·엔지니어
- IBM 나노스택이 기존 GAA 방식과 어떻게 다른지 이해하고 싶은 분
- TSMC·삼성 파운드리 구도에 이 기술이 어떤 변수가 되는지 알고 싶은 분
- AI 데이터센터 에너지 비용과 반도체 효율의 연결 고리를 파악하고 싶은 분
※ 이 글의 내용은 2026년 6월 25일 IBM 공식 발표 및 국내외 보도를 기반으로 합니다. 상용화 일정과 성능 수치는 추후 변경될 수 있습니다.
반도체 미세화는 오랫동안 "얼마나 작은 회로를 평면에 그릴 수 있는가"의 싸움이었습니다. 수십 년간 이 경쟁 덕분에 칩 성능이 꾸준히 올라왔지만, 이제는 물리적 한계에 다가가고 있습니다. 원자 몇 개 크기 수준에서는 전자가 절연체를 뚫고 새는 “양자 터널링” 현상이 나타나 더 이상 같은 방식으로 회로를 줄이기가 어렵습니다.
IBM이 내놓은 해법이 나노스택(NanoStack)입니다. 트랜지스터를 수직으로 쌓고 엇갈리게 배치해 3차원 집적을 실현하는 방식입니다. 단순히 "더 작게"가 아닌 "더 높게"로 방향을 튼 것입니다.
현재 최신 반도체 공정인 GAA(전면게이트 방식)는 트랜지스터의 게이트 구조를 개선해 전류 누설을 줄이는 방법입니다. 삼성전자가 3나노 공정에, TSMC가 2나노 공정에 적용하고 있습니다. 나노스택은 이를 한 단계 넘어, 트랜지스터 자체를 층층이 쌓아 같은 면적에 더 많은 트랜지스터를 집적합니다.
쉽게 설명하면, 평면 아파트를 짓다가 고층 아파트로 바꾼 것에 비유할 수 있습니다. 같은 대지(실리콘 면적)에서 더 많은 세대(트랜지스터)를 수용하는 방식입니다.
IBM 발표에 따르면 나노스택 기술을 적용한 0.7나노 칩의 성능 지표는 다음과 같습니다.
- 트랜지스터 밀도: 2021년 공개한 IBM 2나노 칩 대비 약 2배
- 성능 향상: 기존 2나노 대비 최대 50%
- 에너지 효율: 기존 대비 70% 개선
- 집적도: 손톱 크기 칩에 1천억 개 트랜지스터
이 수치가 실제로 의미하는 바를 풀어보면, 같은 연산을 기존보다 절반의 에너지로 처리하거나, 같은 전력으로 기존보다 50% 더 많은 연산을 처리할 수 있다는 뜻입니다.
AI 추론 서버 입장에서 에너지 효율 70% 개선은 데이터센터 운영 비용에 직접적인 영향을 줍니다. 대형 클라우드 사업자들이 AI 데이터센터 전력 소비에 수조 원을 쓰는 상황에서, 같은 연산을 70% 적은 전력으로 처리할 수 있다면 상당한 비용 절감이 가능합니다.
다만 이 수치는 IBM의 연구 발표를 기반으로 하며, 실제 양산 칩에서 동일한 수치가 유지되는지는 대규모 생산 후 독립적인 검증이 필요합니다. 반도체 업계에서 연구 단계 수치와 양산 제품 수치 사이에 차이가 생기는 경우는 드물지 않습니다.
IBM은 자체 파운드리 사업을 2021년 글로벌파운드리에 매각했습니다. 지금의 IBM은 반도체를 직접 양산하지 않고, 기술 개발과 라이선싱에 집중합니다. 따라서 이번 나노스택 발표가 TSMC나 삼성전자 파운드리의 직접적인 경쟁자 등장을 의미하지는 않습니다.
주목할 점은 IBM이 일본 파운드리 업체 라피더스(Rapidus)와 협력 관계를 맺고 있다는 사실입니다. 라피더스는 일본 정부의 대규모 보조금을 받아 최첨단 반도체 양산 능력을 구축 중이며, 현재 IBM으로부터 2나노 생산 기술을 이전받고 있습니다. 나노스택 기술도 이 라인을 통해 상용화 경로를 모색할 가능성이 있습니다.
IBM 발표에 따르면 향후 5년 내 나노스택 기술을 적용한 1나노 이하 칩의 양산이 목표입니다. TSMC가 현재 2나노 양산을 준비 중인 상황에서, IBM이 0.7나노 기술을 먼저 공개한 것은 기술 로드맵 경쟁에서 선제적으로 기선을 제압하겠다는 신호로 읽힙니다.
다만 기술 공개와 실제 양산 사이에는 큰 격차가 있습니다. 수율(불량 없이 생산되는 비율) 확보, 장비·소재 생태계 구축, 대규모 설비 투자가 모두 뒤따라야 하기 때문입니다. 라피더스가 실제로 이 기술을 양산 수준으로 끌어올릴 수 있는지가 관건입니다.
AI 모델 추론은 대규모 데이터센터에서 엄청난 전력을 소비합니다. 챗지피티 하나의 질문·응답 처리에 기존 검색 대비 몇 배의 전력이 쓰인다는 분석이 나올 만큼, AI 서비스 확산과 함께 데이터센터 전력 수요가 폭증하고 있습니다.
나노스택처럼 에너지 효율을 70% 높이면서 성능도 50% 올리는 기술이 AI 칩에 적용된다면, 동일 전력으로 처리할 수 있는 AI 연산량이 크게 늘어납니다. 실제 AI 추론에 사용되는 엔비디아 GPU나 구글 TPU도 결국 더 미세한 공정에서 이런 기술이 적용될 때 성능과 효율이 함께 향상됩니다.
다만 기술 공개와 실제 AI 칩 적용 사이에는 상당한 시간이 걸립니다. IBM이 2031년 전후 양산을 목표로 한다면, 이 기술이 적용된 AI 칩이 실제 서비스에 투입되기까지는 2032년 이후가 될 가능성이 높습니다. 당장 올해나 내년의 AI 칩 시장에 직접적인 영향을 주는 기술은 아닙니다.
그럼에도 이 발표가 중요한 이유는 반도체 미세화의 방향성 자체를 바꾸는 아키텍처 전환을 보여주기 때문입니다. 앞으로의 고성능 AI 칩 개발 경쟁이 단순한 공정 번호 경쟁이 아니라 3D 적층과 아키텍처 혁신의 경쟁으로 이동할 것임을 예고합니다.
삼성전자 파운드리는 현재 3나노 공정을 양산 중이며 2나노 준비 단계에 있습니다. IBM의 0.7나노 기술 공개가 삼성 파운드리에 즉각적인 위협이 되지는 않습니다. IBM은 직접 양산하지 않으므로, 삼성 파운드리의 고객을 빼앗아 가는 구도가 아니기 때문입니다.
그러나 라피더스가 IBM 기술을 받아 양산 역량을 키운다면 판도는 달라집니다. 일본 정부의 막대한 보조금을 등에 업은 라피더스가 2나노 이하 공정을 성공적으로 구현한다면, TSMC·삼성 양강 구도에 세 번째 경쟁자가 등장하는 셈입니다. 다만 이는 2030년대 이후 시나리오로 봐야 하며, 현 시점에서 라피더스의 양산 성공 여부는 아직 불확실합니다.
SK하이닉스와 삼성전자의 HBM 사업은 나노스택 기술과 직접적인 연관은 적습니다. 하지만 AI 데이터센터 칩 수요가 커질수록 HBM 수요도 함께 증가하는 구조는 유지됩니다. 반도체 미세화가 진전될수록 고대역폭 메모리 인터페이스의 중요성도 함께 높아져, HBM 개발 역량은 장기적으로 중요한 자산으로 남습니다.
나노스택이 기존 GAA 방식과 다른 점은 무엇인가요?
GAA는 트랜지스터 게이트 구조를 개선해 전류 누설을 줄이는 방식으로, 삼성 3나노·TSMC 2나노에 적용된 기술입니다. 나노스택은 이를 한 단계 넘어 트랜지스터 자체를 수직으로 쌓아 3차원 집적을 실현합니다. 단순 미세화가 아닌 아키텍처 전환이라는 점에서 차원이 다른 접근법입니다.
IBM이 직접 양산하지 않는다면 이 기술은 어떻게 상용화되나요?
IBM은 기술을 개발하고 라이선싱하는 역할에 집중합니다. 양산은 라피더스(일본)나 다른 파운드리 파트너가 담당할 예정입니다. IBM은 과거에도 14나노·7나노 기술을 개발해 삼성전자·글로벌파운드리에 이전한 전례가 있습니다.
5년 내 양산이 실제로 가능할까요?
IBM의 공식 목표이지만, 반도체 공정 전환은 기술 개발보다 수율 확보와 장비·소재 생태계 구축이 더 오래 걸리는 경우가 많습니다. 업계 관행상 일정 지연은 흔한 일입니다. 2031년 목표도 낙관적인 시나리오로 보는 시각이 많습니다.
이 기술이 AI 데이터센터에 미치는 영향은 언제 나타나나요?
이 기술이 실제 AI 데이터센터용 칩에 적용되려면 양산 성공 이후 칩 설계·검증까지 추가 시간이 필요합니다. 현실적으로 2032년 이전에 AI 서버에서 체감할 가능성은 낮습니다. 다만 기술 로드맵상 미래 AI 칩 에너지 효율의 방향성을 보여주는 중요한 발표입니다.
삼성전자 파운드리에 즉각적인 위협이 되나요?
즉각적인 위협은 아닙니다. IBM은 직접 양산하지 않으며, 라피더스가 이 기술로 양산 경쟁력을 갖추기까지는 최소 수년이 걸립니다. 다만 2030년대 이후 라피더스가 양산에 성공한다면 파운드리 경쟁 구도에서 새로운 변수가 될 수 있습니다.
