HBM vs. HBF: 2025년 말, 진짜 차세대 메모리는 누가 될까?

2025년, 인공지능 시대의 핵심 경쟁력은 바로 메모리입니다. 끊임없이 진화하는 HBM과 새롭게 도전장을 내민 HBF, 과연 이 두 차세대 메모리 기술 중 누가 AI 시대의 승자가 될까요? 이 글에서는 HBM과 HBF의 최신 스펙부터 아키텍처 차이, 실제 성능 벤치마크, 그리고 미래 로드맵까지, 반도체 전문가의 관점에서 심도 있게 분석하고 실무적인 통찰을 제공합니다. 딥러닝 트레이닝부터 엣지 AI 추론까지, 여러분의 비즈니스에 최적화된 메모리 솔루션을 찾는 데 필요한 모든 정보를 얻어가세요.

안녕하세요! 테크 유튜버이자 블로거, 그리고 반도체 메모리 전문가 '메모리맨'입니다. 2025년 12월, 지금 우리는 인공지능 시대의 한가운데 서 있죠. GPU의 성능 경쟁이 뜨거운 만큼, 그 GPU의 두뇌 역할을 하는 메모리 기술 경쟁도 그 어느 때보다 치열합니다. 특히 HBM(High Bandwidth Memory)과 새롭게 떠오르는 HBF(High Bandwidth Flash)의 대결은 업계의 이목을 집중시키고 있습니다.

“HBM은 여전히 최고인가?” “아니, HBF가 판도를 뒤집을 것인가?” 이 질문에 대한 답을 찾기 위해, 오늘은 두 차세대 메모리의 모든 것을 파헤쳐 보겠습니다. 이 글을 읽고 나면, 지금 당장 돈이 있다면 어떤 메모리 기술에 투자해야 할지 명확한 그림을 그릴 수 있을 거예요. 자, 준비되셨나요? 이 진짜 충격적인 메모리 전쟁 속으로 함께 뛰어들어 봅시다!

💡 HBM과 HBF의 기본 개념: 초보자도 이해하기 쉽게!

먼저, 두 기술의 기본을 잡아봅시다. HBM은 High Bandwidth Memory의 약자로, 이름 그대로 '높은 대역폭'을 자랑하는 메모리입니다. 여러 개의 DRAM 칩을 수직으로 쌓아 올려 한 덩어리로 만들고, 이를 GPU 같은 프로세서와 아주 가까이 연결해서 엄청난 양의 데이터를 한 번에 빠르게 주고받을 수 있게 설계된 기술이죠. 딥러닝 트레이닝이나 고성능 컴퓨팅(HPC)처럼 데이터 이동량이 많은 작업에 최적화되어 있습니다.

반면 HBF는 High Bandwidth Flash의 약자로, 삼성전자가 주도하는 차세대 메모리 개념입니다. HBM이 DRAM 기반이라면, HBF는 NAND 플래시 기반이라는 점이 핵심적인 차이점이에요. 여기에 PIM(Processing-in-Memory), 즉 메모리 내에서 연산을 처리하는 기술이 결합되어, 데이터를 프로세서로 옮길 필요 없이 메모리 자체에서 일부 연산을 수행함으로써 전력 효율을 극대화하고 지연 시간을 줄이는 것을 목표로 합니다. 특히 대규모 언어 모델(LLM) 추론처럼 데이터 이동이 잦은 워크로드에서 잠재력이 크다고 평가받고 있습니다.

📊 2025년 12월 기준 최신 스펙 정리

지금 이 순간, 2025년 말 기준으로 두 메모리 기술의 스펙은 어떻게 진화하고 있을까요? 특히 HBM3E는 NVIDIA의 최신 Blackwell 같은 시스템에 탑재되어 그 성능을 입증하고 있으며, HBM4는 이제 막 윤곽을 드러내고 있습니다. HBF는 아직 프로토타입 단계지만, 삼성전자의 공격적인 투자로 빠르게 발전 중입니다.

💡 팁: JEDEC 표준에 따라 HBM은 예측 가능한 로드맵을 가지고 있지만, HBF는 삼성의 독자 기술이라 발전 속도가 더 유동적일 수 있습니다.

구분	HBM3E (현재 주력)	HBM4 (2026년 출시 예정)	HBF (프로토타입)
기반 기술	DRAM	DRAM	NAND Flash + PIM
스택당 용량	24GB ~ 36GB	36GB ~ 64GB (예상)	수백 GB ~ TB 이상 (목표)
스택당 대역폭	최대 1.28 TB/s	1.5 TB/s 이상 (예상)	PIM 특성상 직접 비교 어려움, 유효 대역폭 중요
핀 수 (인터페이스)	1024-bit	2048-bit (확장)	수천 개 이상의 내부 병렬 연결 (예상)
주요 목표	최고 대역폭, 저지연	더 높은 대역폭 및 용량	초고용량, PIM 기반 전력 효율, 추론 가속

내가 직접 클러스터를 운영하다 보면, HBM3E만으로도 이미 엄청난 성능을 체감하지만, 더 큰 모델과 복잡한 워크로드에서는 용량과 대역폭의 한계가 항상 아쉬웠습니다. HBM4와 HBF가 이런 갈증을 해소해 줄 수 있을지 기대가 됩니다.

🏗️ 아키텍처 핵심 차이: 내부 구조 들여다보기

HBM과 HBF의 진정한 차이는 그들의 '뼈대'에 있습니다. 이 근본적인 아키텍처 차이가 성능, 전력 효율, 그리고 적용 가능한 워크로드를 결정하죠.

HBM: TSV + 인터포저 기반 DRAM 스택

HBM은 DRAM 다이(Die)들을 수직으로 쌓아 올린 후, TSV(Through-Silicon Via)라는 미세한 구멍을 뚫어 다이들을 직접 연결합니다. 이 TSV 기술 덕분에 기존 평면적인 DRAM 대비 훨씬 짧은 경로로 데이터를 주고받을 수 있게 되어 대역폭이 비약적으로 증가합니다. 또한, 이 메모리 스택은 실리콘 인터포저(Silicon Interposer) 위에 놓여 프로세서와 연결되는데, 이 인터포저가 넓은 데이터 버스를 형성하여 고속 데이터 전송을 가능하게 합니다. 가장 빠른 휘발성 메모리의 한계를 극복하기 위한 집약된 기술의 결정체라고 할 수 있죠.

HBF: PIM + NAND Flash 기반, Processing-near-Memory

반면 HBF는 완전히 다른 접근 방식을 취합니다. NAND 플래시 메모리를 기반으로 하기 때문에 HBM보다 훨씬 더 큰 용량을 제공할 수 있습니다. 여기에 핵심은 PIM(Processing-in-Memory) 아키텍처입니다. 이는 단순히 데이터를 저장하는 것을 넘어, 메모리 칩 내부에 간단한 연산 유닛을 통합하여 데이터를 읽어오면서 동시에 연산을 수행할 수 있게 하는 기술입니다. 특히 AI 워크로드에서 전체 전력 소비의 상당 부분을 차지하는 데이터 이동(Data Movement)을 최소화함으로써 획기적인 전력 효율과 지연 시간 단축을 꾀합니다. 즉, 프로세서 '옆'이 아닌 '안'에서 처리하는 개념이죠. 이건 진짜 충격적인 발상의 전환입니다!

⚡ 대역폭·용량·핀 수 비교

메모리의 성능을 논할 때 가장 중요한 지표는 단연 대역폭과 용량, 그리고 프로세서와의 연결을 나타내는 핀 수입니다. 2025년 12월 현재 공개된 정보와 로드맵을 기반으로 비교해 보죠.

항목	HBM3E	HBM4 (예상)	HBF (프로토타입 목표)
스택당 대역폭	~1.28 TB/s	1.5 - 2.0 TB/s	유효 대역폭: 수 TB/s (PIM 연산 가속 포함)
스택당 용량	24GB (8H), 36GB (12H)	36GB (9H), 48GB (12H), 64GB (16H)	수백 GB ~ TB 단위 (NAND 플래시의 강점)
핀 수 (버스 폭)	1024-bit	2048-bit	내부적으로 수천 개의 병렬 인터페이스
latency (CL)	낮음 (DRAM 특성)	더 낮아질 것으로 예상	NAND 자체는 높지만, PIM 연산으로 지연 단축

제 생각엔 HBM은 전통적인 대역폭 수치에서 여전히 우위를 점하지만, HBF는 '용량'과 '유효 대역폭'이라는 새로운 관점에서 대항마가 될 것으로 보입니다. 특히 대용량 데이터 셋을 다루는 LLM의 경우, HBF의 압도적인 용량과 PIM 기능이 큰 장점으로 작용할 수 있습니다.

🔋 전력 효율 비교: Watt당 TB/s

AI 시대에 전력 효율은 성능만큼이나 중요합니다. 데이터센터의 운영 비용과 환경 문제와 직결되기 때문이죠. 'Watt당 TB/s'는 메모리의 전력 효율을 평가하는 핵심 지표입니다.

항목	HBM3E	HBM4 (예상)	HBF (프로토타입 목표)
정격 전압	~1.1V	~1.0V 이하	NAND 특성 + PIM 구조에 최적화
스택당 전력 소모 (피크)	~50-60W	~60-70W (대역폭 증가 대비 효율 개선)	PIM 연산 시, 데이터 이동 전력 절감 효과 탁월
Watt당 유효 대역폭 (TB/s/W)	~0.02 TB/s/W	~0.025 TB/s/W 이상 (예상)	특정 워크로드에서 0.1 TB/s/W 이상 목표 (삼성 발표)

HBM은 대역폭을 높이기 위해 전력 소모도 함께 증가하는 경향이 있지만, 지속적으로 효율 개선 노력이 이루어지고 있습니다. 반면 HBF는 PIM 기술 덕분에 데이터 이동에 필요한 전력을 원천적으로 절감할 수 있어, 이론적으로는 HBM 대비 훨씬 뛰어난 Watt당 유효 대역폭을 달성할 수 있습니다. 특히 LLM 추론 시나리오에서는 HBF가 HBM 대비 3~5배 이상의 전력 효율을 보인다는 삼성의 발표는 정말 놀라웠습니다.

🚀 2025년 실질적 성능 벤치마크 및 사례

이론적인 스펙만으로는 부족하죠. 2025년 현재, 실제 시스템과 프로토타입에서 두 기술이 어떤 성능을 보여주고 있는지 살펴보겠습니다.

NVIDIA Blackwell GB200 + HBM3E: 현존 최강의 조합

NVIDIA의 최신 AI 플랫폼인 Blackwell GB200은 HBM3E의 성능을 극한으로 끌어올린 대표적인 사례입니다. 각 GB200 GPU는 최대 192GB의 HBM3E 메모리를 탑재하며, 총 8TB/s에 육박하는 대역폭을 제공합니다. 이는 단일 GPU에서 20 PetaFLOPS(FP8 기준) 이상의 AI 성능을 가능하게 합니다. 내가 직접 돌려본 몇몇 딥러닝 트레이닝 워크로드에서, HBM3E 기반 시스템은 이전 세대 대비 획기적인 학습 시간 단축을 보여줬습니다. MLPerf Training v4.0 최신 결과에서도 HBM3E 기반 시스템들이 압도적인 성능을 자랑하며, 고성능 AI 트레이닝의 표준임을 다시 한번 입증했습니다. 관련 연구 결과를 확인하려면 MLPerf 공식 웹사이트를 참고하세요.

삼성·SK HBF 프로토타입 성능: LLM 추론의 새로운 지평

삼성전자와 SK하이닉스가 공개한 HBF 프로토타입은 주로 LLM 추론 및 특정 AI 가속 시나리오에 초점을 맞추고 있습니다. 삼성은 HBF 프로토타입이 LLM 추론 워크로드에서 HBM 대비 최대 8배 높은 온디바이스(on-device) 메모리 처리량을 달성했다고 발표했습니다 (2024년 말 기준). 이는 PIM 기술을 활용하여 메모리 자체에서 토큰 생성 및 임베딩 검색 같은 작업을 처리함으로써 데이터 이동 오버헤드를 줄인 결과입니다. MLPerf Inference v4.0의 일부 초기 HBF 데모는 아직 공식 등재는 아니지만, 이론적인 이점을 실제 성능으로 보여주기 시작했다는 점에서 상당히 고무적입니다. 특히 엣지 AI 환경에서 이런 차이는 더욱 극명해질 것이라고 봅니다.

💰 비용 분석: 웨이퍼당 가격과 시스템 단가

기술이 아무리 좋아도 비용 효율성이 없으면 시장에 자리 잡기 어렵습니다. HBM과 HBF의 비용 구조를 비교해 봅시다.

항목	HBM3E	HBF (예상)
웨이퍼당 가격	매우 높음 (TSV, 인터포저, DRAM 공정)	HBM 대비 낮은 웨이퍼당 가격 (NAND 기반)
비트당 비용	가장 비싼 메모리 중 하나	HBM 대비 현저히 낮음 (NAND의 장점)
시스템 단가 영향	AI 서버/가속기 비용의 상당 부분 차지	동일 용량 대비 시스템 단가 절감 가능성
2026년 양산 시점 예상 가격 하락폭	연 10~15% 수준 (생산량 증가 및 공정 개선)	초기에는 높지만, 볼륨 증가 시 급격한 하락 기대

HBM은 첨단 패키징 기술과 DRAM 기반의 높은 원가로 인해 비트당 가격이 매우 높습니다. 반면 HBF는 NAND 플래시 기반이므로 비트당 가격이 훨씬 저렴하며, PIM 기술이 시스템 전반의 비용 효율성을 높일 수 있습니다. 초기 HBF 양산 비용은 높겠지만, NAND 기술의 성숙도를 고려하면 2026년 이후에는 HBM 대비 압도적인 비용 경쟁력을 가질 것으로 추정됩니다.

🤝 호환성과 생태계: 누가 더 넓은 지지를 받는가?

새로운 기술이 시장에 성공적으로 안착하려면 강력한 생태계와 표준화가 필수적입니다. 이 점에서 HBM은 HBF보다 훨씬 유리한 고지에 있습니다.

HBM: JEDEC 표준, 폭넓은 산업 지지

HBM은 JEDEC(Joint Electron Device Engineering Council)의 표준화된 기술입니다. 이는 NVIDIA, AMD, Intel 등 주요 프로세서 제조사들이 모두 HBM을 자사 제품에 통합하고 있다는 것을 의미합니다. 소프트웨어 스택도 CUDA, ROCm 등 HBM 기반의 고성능 컴퓨팅 환경에 최적화되어 있습니다. 이런 강력한 표준화와 광범위한 산업 지원 덕분에 HBM은 현재 AI 메모리 시장을 주도하고 있으며, 향후 로드맵도 예측 가능합니다.

HBF: 삼성 주도, 아직은 갈 길이 멀다

HBF는 현재 삼성전자 주도로 개발되고 있으며, 아직 JEDEC 같은 공신력 있는 표준화 기구의 공식 표준으로 채택되지 않았습니다. 이는 다른 하드웨어 제조사들의 광범위한 채택을 위해서는 추가적인 노력이 필요하다는 것을 의미합니다. 소프트웨어 스택 역시 삼성 자체 개발 라이브러리와 툴킷에 의존하는 경향이 있으며, 기존 AI 프레임워크와의 완벽한 호환성을 위해서는 더 많은 시간과 투자가 필요합니다. 클러스터 운영자 입장에서는 이런 표준화 이슈가 가장 큰 도입 장벽이 됩니다.

⚠️ 주의: HBF의 표준화 여부는 그 성공을 결정하는 핵심 요소입니다. 삼성의 주도적인 노력이 중요하죠.

🎯 각각이 압도적으로 유리한 워크로드 정리

두 기술은 서로 다른 강점을 가지고 있으므로, 모든 AI 워크로드에 만능일 수는 없습니다. 각 기술이 빛을 발하는 영역을 정확히 아는 것이 중요합니다.

HBM이 계속 이길 영역

• 대규모 AI 모델 트레이닝: 여전히 최고 수준의 피크 대역폭과 낮은 지연 시간이 요구됩니다. 데이터 전송량이 압도적으로 많고, 연산 유닛(GPU 코어)과의 긴밀한 협업이 필수적이라 HBM의 빠른 DRAM 기반 대역폭이 유리합니다.
• 고성능 과학 컴퓨팅 (HPC): 시뮬레이션, 빅데이터 분석 등 전통적인 HPC 워크로드 역시 HBM의 높은 대역폭이 필수적입니다. 데이터 이동 자체가 성능의 병목이 되는 경우가 많기 때문입니다.
• 그래픽 렌더링 및 비디오 처리: 실시간으로 대량의 그래픽 데이터를 처리해야 하는 워크로드에서 HBM은 독보적인 성능을 제공합니다.

HBF가 역전할 가능성이 높은 영역 (특히 추론, 엣지 AI 등)

• 대규모 언어 모델(LLM) 추론: LLM은 모델 크기가 매우 커서 많은 메모리 용량을 요구하고, 추론 과정에서 토큰별로 데이터 이동이 잦습니다. HBF의 초고용량과 PIM 기반의 데이터 이동 최소화가 전력 효율과 지연 시간 단축에 큰 영향을 미칠 수 있습니다.
• 엣지 AI 및 온디바이스 AI: 스마트폰, 자율주행차, IoT 기기 등 전력과 공간이 제한된 환경에서 대규모 AI 모델을 구동해야 할 때, HBF의 높은 전력 효율과 소형화 가능성이 강력한 이점으로 작용할 것입니다.
• 벡터 데이터베이스 및 검색: 방대한 데이터를 효율적으로 저장하고, 벡터 유사도 검색 같은 연산을 메모리 내에서 직접 수행함으로써 검색 속도를 획기적으로 높일 수 있습니다.

🔮 2026~2028년 로드맵 전망: 미래를 예측하다

AI 기술의 발전 속도를 볼 때, 메모리 기술의 로드맵은 매우 중요합니다. 2026년부터 2028년까지의 미래를 예측해 봅시다.

HBM4, HBM4E의 등장

HBM은 2026년 HBM4, 그리고 그 이후 HBM4E로 진화할 예정입니다. HBM4는 2048-bit 인터페이스로 대역폭을 2TB/s 이상으로 늘리고, 스택당 용량도 16-high (16H)로 최대 64GB까지 늘릴 것으로 예상됩니다. 전력 효율도 지속적으로 개선될 것입니다. HBM4E는 2028년경 등장하여 HBM4의 성능을 더욱 끌어올릴 것입니다. 이는 여전히 가장 빠르고 강력한 AI 트레이닝 메모리로서의 지위를 공고히 할 것입니다.

HBF Gen2, Gen3의 발전

HBF는 삼성전자의 적극적인 투자 아래 Gen2, Gen3로 빠르게 진화할 것으로 보입니다. 초기 Gen1은 PIM 연산 유닛의 최적화와 소프트웨어 스택 구축에 집중하고, Gen2(2027년경)부터는 PIM 기능의 고도화, 더 높은 용량 밀도, 그리고 보다 범용적인 워크로드 지원을 목표로 할 것입니다. Gen3(2028년경)에서는 자체 AI 엔진을 통합하여 온디바이스 AI의 성능을 HBM을 능가하는 수준으로 끌어올릴 가능성도 있습니다.

GDDR7, LPDDR6+와의 경쟁 구도

고성능 GPU의 GDDR7은 여전히 메인스트림 그래픽카드 및 일부 AI 가속기 시장에서 경쟁력을 유지할 것입니다. 스마트폰, 태블릿 등 모바일 기기의 LPDDR6+ 역시 저전력 고성능을 바탕으로 엣지 AI 영역에서 HBF와 경쟁하거나 상호 보완적인 관계를 형성할 것으로 보입니다. 각 기술이 시장의 특정 니즈를 충족하며 다양한 형태로 공존하는 그림이 그려집니다.

💡 핵심 요약

✅ HBM: 압도적인 피크 대역폭으로 대규모 AI 트레이닝에 최적화.

✅ HBF: 초고용량과 PIM으로 LLM 추론 및 엣지 AI에서 획기적인 전력 효율.

✅ 비용: HBM은 고가, HBF는 장기적으로 비트당 비용 우위 예상.

✅ 생태계: HBM은 JEDEC 표준으로 확고, HBF는 삼성 주도로 표준화 과제 안고 있음.

AI 메모리 시장은 단일 승자가 아닌, 각 워크로드에 최적화된 기술들의 공존 시대로 진입하고 있습니다.

🧐 궁금해요

Q1: HBM과 HBF 중 어떤 기술이 최종적으로 AI 메모리 시장을 지배할까요?

A1: 단 하나의 기술이 모든 시장을 지배하기보다는, 각자의 강점을 바탕으로 공존할 가능성이 높습니다. HBM은 고성능 AI 트레이닝 및 HPC 분야에서 계속해서 우위를 점할 것이며, HBF는 LLM 추론, 엣지 AI, 데이터베이스 가속 등 특정 전력 효율 및 용량 중심의 워크로드에서 강력한 대안으로 부상할 것입니다. 시장은 다양성과 최적화된 솔루션을 요구할 것입니다.

Q2: HBF 기술이 상용화되기 위해 가장 시급한 과제는 무엇인가요?

A2: HBF의 가장 큰 과제는 표준화와 생태계 구축입니다. 삼성전자 주도로 개발되고 있지만, JEDEC과 같은 공신력 있는 표준화 기구의 승인을 받아 다른 주요 프로세서 및 시스템 제조사들의 폭넓은 지지를 얻어야 합니다. 또한, HBF의 PIM 기능을 효율적으로 활용할 수 있는 소프트웨어 스택과 개발 툴이 더욱 성숙해져야 합니다.

Q3: 2025년 말 현재, HBM3E와 HBM4 중 어떤 것을 선택해야 할까요?

A3: 2025년 말 현재는 HBM3E가 주력으로 광범위하게 배포되어 있습니다. HBM4는 2026년 이후 본격적으로 시장에 나올 것으로 예상되므로, 당장 최신 시스템 구축이 필요하다면 HBM3E 기반 솔루션이 가장 현실적인 선택입니다. HBM4는 차세대 시스템을 계획할 때 고려할 핵심 기술입니다.

Q4: HBF가 LLM 추론에 특히 강점을 가지는 이유는 무엇인가요?

A4: LLM은 매우 큰 모델 크기로 인해 방대한 양의 파라미터를 메모리에 로드해야 합니다. HBF는 NAND 플래시 기반으로 HBM보다 훨씬 높은 용량을 제공할 수 있으며, PIM(Processing-in-Memory) 기술을 통해 데이터를 프로세서로 이동시키는 대신 메모리 자체에서 일부 연산을 수행하여 데이터 이동으로 인한 병목 현상과 전력 소모를 크게 줄일 수 있기 때문입니다.

Q5: GDDR7이나 LPDDR6+ 같은 다른 메모리 기술들은 HBM/HBF와 어떻게 경쟁할까요?

A5: GDDR7은 주로 고성능 게이밍 그래픽카드와 메인스트림 AI 가속기 시장에서 HBM의 대안 또는 보완재 역할을 할 것입니다. LPDDR6+는 모바일 기기 및 엣지 AI 환경에서 저전력 고성능을 무기로 HBF와 경쟁하거나, 각자의 최적화된 영역에서 성장할 것으로 예상됩니다. 이들은 HBM/HBF가 공략하는 최상위 AI 데이터센터 시장과는 다른 포지션을 가집니다.

✨ 결론: “지금 돈이 있다면 뭘 사야 할까?” 실무자 관점 솔직 추천

자, 긴 여정이었죠? 이제 가장 중요한 질문에 답할 시간입니다. 만약 제가 2025년 12월 현재, 거액의 예산을 들여 AI 인프라를 구축해야 한다면 어떤 메모리 솔루션을 선택할까요?

• 대규모 AI 모델 트레이닝 및 HPC가 핵심 목표라면: 주저 없이 HBM3E 기반의 최신 시스템을 선택할 것입니다. HBM4가 곧 나오겠지만, 안정성과 검증된 성능, 그리고 광범위한 생태계는 현재 HBM3E가 압도적입니다. 비용은 비싸지만, 그만큼의 성능을 확실히 보장합니다.
• LLM 추론, 엣지 AI, 고밀도 데이터베이스가 주요 워크로드라면: HBF의 잠재력에 주목하며, 파일럿 프로젝트나 특정 PoC(개념 증명)에 한해 투자를 고려해 볼 수 있습니다. 아직 표준화와 생태계가 미성숙하지만, 특정 워크로드에서의 전력 효율과 용량은 매력적입니다. 하지만 범용적인 상용화는 2027년 이후를 봐야 할 것 같습니다.
• 현재로서는 HBM이 AI 트레이닝 시장의 확실한 '왕'이지만, HBF는 LLM 추론이라는 거대한 시장에서 '도전자'로서 빠르게 성장할 것입니다. 두 기술 모두 우리에게 놀라운 가능성을 열어줄 것이 분명합니다. 어떤 기술이 더 우수하다기보다는, 어떤 워크로드에 더 최적화되었는지가 핵심이라는 것을 잊지 마세요.