התקן הודגם במהלך אירוע חי בוועידה . עוד קודם לכן, ביולי 2026, החלו Kioxia ו-Sandisk לשלוח דגימות של BiCS10 TLC בנפח 1Tb, גרסה ששומרת שלושה ביטים בכל תא ומגיעה לצפיפות של יותר מ-29 Gb/mm² . גרסת ה-QLC שהוצגה ב-FMS משתמשת בארכיטקטורה של ארבעה ביטים בכל תא, ולכן מציעה קפיצת צפיפות נוספת.
במקביל, Sandisk ו-SK hynix פרסמו את המפרט הטכני הפתוח הראשון עבור High Bandwidth Flash (HBF) במסגרת Open Compute Project (OCP) . מדובר בקטגוריית זיכרון חדשה, הממוקמת בין HBM — זיכרון מהיר אך מוגבל בנפח — לבין כונני SSD, שמציעים קיבולת גדולה יותר אך במהירות נמוכה משמעותית.
היעד המרכזי הוא מערכות הסקת AI (inference): יישומים שבהם מודלים גדולים צריכים גישה מהירה לכמויות זיכרון נרחבות, אך הרחבת HBM עלולה להיות יקרה ולא מעשית.
HBF נועד לצמצם את הפער שבין מהירות לקיבולת. HBM מספק רוחב פס גבוה מאוד, אך נפחו מוגבל ועלותו גבוהה. לעומתו, NAND מאפשר קיבולת גדולה יותר במחיר נמוך יחסית, אך בדרך כלל אינו מהיר מספיק כדי לשמש כזיכרון קרוב למאיץ AI.
לפי Sandisk, HBF עשוי לספק קיבולת גדולה פי 8 עד 16 מזו של HBM, בעלות דומה. בסימולציה על מודל Llama 3.1 בעל 405 מיליארד פרמטרים, ביצועי המערכת היו בטווח של 2.2% בלבד מתצורה היפותטית עם HBM בנפח בלתי מוגבל . מדובר בתוצאות סימולציה של החברה, ולא במדידה של מוצר מסחרי זמין.
המפרט הפתוח כבר פורסם. דגימות זיכרון צפויות להגיע בסוף 2026, ואילו מוצרים מסחריים המבוססים על הטכנולוגיה צפויים בתחילת 2027 .
ההכרזות הטכנולוגיות לוו בכמה מפגשים שעסקו באופן שבו מערכות AI משתמשות בזיכרון ובאחסון:
ההרצאה "NAND: The Versatile & Scalable Foundation of the AI Era" התקיימה ביום רביעי, 5 באוגוסט 2026, בשעה 11:40 לפי שעון החוף הפסיפי, באולם Mission City Ballroom במרכז הכנסים של סנטה קלרה. Jim Elliott, Khurram Ismail ו-Alper Ilkbahar מ-Sandisk דנו באופטימיזציה ברמת המערכת ובתפקיד ה-NAND בהפעלת הסקת AI בקנה מידה רחב .
ביום הפתיחה, 4 באוגוסט, הציגו בכירי SK hynix Kim Chun-sung ו-Kang Uk-song את ההרצאה "Orchestrating Efficient AI Infrastructure through Tiered Memory in the Era of Agentic AI", שעסקה בפתרונות זיכרון מדורג לתשתיות AI .
ב-6 באוגוסט נערך הפאנל "Breaking the Memory Wall with High Bandwidth Flash", בהשתתפות נציגים מ-Sandisk, SK hynix ו-Google DeepMind. הדיון התמקד בדרך שבה HBF עשוי להתמודד עם הפער בין כוח העיבוד לבין קיבולת הזיכרון במערכות הסקת AI .
שם הפאנל מופיע במספר מקורות רשמיים ובדיווחים על הוועידה. עם זאת, את התיאור המלא והסופי של המושב יש לאמת מול סדר היום החי של FMS 2026 .
שתי ההכרזות מטפלות בשני אתגרים שונים אך קשורים של תשתיות AI. BiCS10 QLC מיועד להגדיל את צפיפות האחסון ולהפחית את צריכת החשמל של שכבות אחסון עתירות קיבולת, כמו מאגרי נתונים לאימון ולשירותי ענן.
HBF, לעומת זאת, מנסה להוסיף שכבת זיכרון מהירה ובעלת קיבולת גדולה בקרבת המאיץ — בלי להסתמך רק על הרחבת HBM היקר. העובדה שהמפרט פותח דרך OCP, ובתמיכת Google ו-Tenstorrent, עשויה לסייע ביצירת אקוסיסטם משותף במקום שוק מפוצל של פתרונות קנייניים .
אם הטכנולוגיה תעמוד בהבטחות הביצועים והעלות, היא עשויה להפוך את היררכיית הזיכרון במרכזי נתונים למגוונת יותר: HBM למשימות הרגישות ביותר לזמן, HBF למודלים גדולים ולהסקה עתירת נתונים, ו-SSD לאחסון בנפחים גדולים במיוחד.