요즘 데이터센터 뉴스는 온통 GPU와 HBM 이야기잖아요. 그런데 이번엔 꽤 뜻밖의 주인공이 나왔어요. 후지필름이 AI 때문에 늘어나는 아카이빙 수요에 맞춰 자기테이프 생산량을 5배로 늘린다는 소식이거든요. 네, 카세트테이프의 먼 친척쯤 되는 바로 그 테이프 맞아요.
처음 들으면 좀 이상하죠. 최신 AI와 수십 년 된 저장 매체가 왜 한 문장에 들어갈까요? 사실 여기엔 꽤 단단한 이유가 있어요. 오늘은 테이프가 왜 아직 살아 있는지, AI가 왜 테이프를 다시 불러냈는지를 같이 풀어볼게요. 증산 일정이나 투자 규모 같은 세부 수치는 Ars Technica 원문에서 직접 확인해 보시는 걸 추천해요.
데이터에도 온도가 있어요
테이프를 이해하려면 먼저 '콜드 데이터'라는 말을 알아야 해요. 이게 뭐냐면, 거의 꺼내 보지 않지만 지우면 안 되는 데이터를 말해요. 집으로 치면 매일 쓰는 식재료는 냉장고에 두고, 몇 년에 한 번 꺼낼 서류는 창고 상자에 넣어두잖아요. 데이터도 똑같아요. 자주 읽는 건 SSD에, 가끔 읽는 건 HDD에, 거의 안 읽는 건 가장 싼 곳에 두는 거죠.
테이프는 이 창고 역할에 정말 잘 맞아요. 가장 큰 장점은 보관 중에 전기를 거의 안 쓴다는 점이에요. HDD는 계속 돌면서 전기와 냉각을 먹지만, 테이프 카트리지는 선반에 꽂혀 있기만 하면 되거든요. 업계 표준 규격인 LTO 기준으로 LTO-9는 카트리지 하나에 18TB, LTO-10은 30TB를 압축 없이 담을 수 있어요. 제조사들이 제시하는 보존 수명도 30년 정도로 길고요.
보안 장점도 있어요. 드라이브에서 뽑아둔 테이프는 네트워크와 물리적으로 끊겨 있어서, 랜섬웨어가 아무리 날뛰어도 손댈 수가 없거든요. 이걸 '에어갭'이라고 불러요.
물론 단점도 분명해요. 테이프는 카세트처럼 순서대로 감아서 읽는 방식이라, 원하는 위치까지 가는 데 시간이 걸려요. 로봇 팔이 카트리지를 찾아서 드라이브에 넣고 감는 과정까지 더하면 수십 초에서 몇 분은 기본이죠. 대신 한번 읽기 시작하면 초당 수백 MB로 쭉쭉 나와요. 그래서 '자주 조금씩'에는 최악이고, '가끔 한꺼번에'에는 훌륭한 매체예요.
AI가 왜 테이프를 불러냈을까
AI 프로젝트는 콜드 데이터를 대량으로 만들어내는 기계에 가까워요. 학습에 쓴 원본 데이터셋, 학습 중간중간 저장하는 체크포인트, 실험 로그와 평가 결과까지 전부 쌓이거든요. 이런 데이터는 평소엔 안 읽지만, 모델을 재현하거나 데이터 출처를 설명해야 할 때 없으면 곤란해요. 저작권과 규제 이슈가 커질수록 '그때 뭘로 학습했는지' 남겨둘 이유도 커지고요. 지우기는 부담스럽고 비싼 저장소에 두기는 아까운 데이터가 늘어나는 거죠.
공급 쪽 사정도 재미있어요. LTO 테이프 미디어는 오랫동안 사실상 후지필름과 소니 두 회사가 맡아왔어요. 2019년에 두 회사의 특허 분쟁으로 LTO-8 공급이 한동안 막혔을 만큼 시장이 좁거든요. 그러니 한 회사의 증산은 시장 전체에 꽤 큰 사건이에요. 후지필름이 이 분야에 강한 건 우연이 아니에요. 필름에 얇은 막을 고르게 입히던 기술이 자성체 코팅으로 그대로 이어졌거든요. 2020년에는 IBM과 함께 카트리지 하나에 580TB를 담는 기술을 시연하기도 했어요.
경쟁 기술과 비교하면
가장 가까운 경쟁자는 HDD예요. HAMR(열을 써서 기록 밀도를 높이는 방식) 덕분에 30TB가 넘는 드라이브가 나오고 있어서, 즉시 읽어야 하는 데이터에는 여전히 HDD가 유리해요. 하지만 몇 년씩 잠재워 둘 데이터라면 전기료와 교체 주기에서 테이프가 앞서요.
더 먼 미래 후보도 있어요. 마이크로소프트의 Project Silica는 유리에 레이저로 데이터를 새기고, Cerabyte는 세라믹을, 또 다른 쪽에서는 DNA 저장을 연구해요. 다만 이들은 아직 대규모 상용화와 거리가 있어서, 지금 당장 엑사바이트를 받아줄 수 있는 매체는 테이프라는 게 현실이에요. 실제로 CERN은 실험 데이터 수백 PB를 테이프에 보관하고 있고, 구글은 2011년 Gmail 장애 때 테이프 백업으로 메일을 복구한 적도 있어요.
한국 개발자에게는 어떤 의미일까
테이프 장비를 직접 살 일은 거의 없을 거예요. 우리가 만나는 접점은 클라우드의 아카이브 티어예요. AWS S3 Glacier Deep Archive나 네이버클라우드 Archive Storage 같은 서비스죠. AWS가 내부 매체를 공개하진 않지만, 쓰는 입장에서 규칙은 테이프와 비슷해요. Deep Archive는 미국 리전 기준 GB당 월 0.001달러 수준으로 아주 싸지만, 최소 180일은 보관해야 하고 표준 복원에도 최대 12시간이 걸리거든요.
ML 실험을 돌리는 팀이라면 오래된 체크포인트가 비싼 스토리지를 차지하고 있지 않은지 한번 살펴보세요. S3라면 수명 주기 규칙만으로 자동 이동시킬 수 있어요.
{
"Rules": [{
"ID": "archive-old-checkpoints",
"Status": "Enabled",
"Filter": { "Prefix": "checkpoints/" },
"Transitions": [
{ "Days": 30, "StorageClass": "GLACIER_IR" },
{ "Days": 180, "StorageClass": "DEEP_ARCHIVE" }
]
}]
}
백업 전략 측면에서도 짚어볼 게 있어요. 2025년 9월 대전 국가정보자원관리원 화재 때 G드라이브 자료 약 858TB가 외부 백업 없이 사라졌잖아요. 복사본 3개, 매체 2종류, 1개는 다른 장소에 두는 '3-2-1 규칙'이 왜 교과서에 남아 있는지 보여준 사건이었죠. 아카이브 티어는 이 마지막 '1'을 싸게 채우는 좋은 방법이에요.
마무리
한 줄로 정리하면, AI 시대의 저장장치 경쟁은 가장 빠른 곳뿐 아니라 가장 오래, 가장 싸게 보관하는 곳에서도 벌어지고 있어요. 여러분 팀의 데이터 중 1년 넘게 아무도 안 읽은 건 얼마나 되나요? 그리고 그 데이터는 지금 어디에 저장돼 있나요?
🔗 출처: Hacker News