Kioxia, Sandisk dan SK hynix Cetus Dua Inovasi Memori Utama di FMS 2026

Spesifikasi utama

• Ketumpatan bit: melebihi 37 Gb/mm², iaitu peningkatan kira-kira 60% berbanding teknologi generasi kelapan .
• Bilangan lapisan: 332 lapisan aktif .
• Antara muka: sehingga 4.8 Gb/s melalui Toggle DDR6.0 .
• Teknologi utama: CMOS Directly Bonded to Array (CBA), yang menghasilkan logik CMOS dan susunan memori pada wafer berasingan sebelum kedua-duanya dicantumkan. Pendekatan ini membantu meningkatkan kecekapan kuasa dan membolehkan lonjakan ketumpatan tersebut .

Dalam teknologi QLC, setiap sel menyimpan empat bit data. Ini membantu meningkatkan kapasiti, dan dalam kes BiCS10, reka bentuk tersebut digabungkan dengan susunan 332 lapisan serta penambahbaikan pada reka bentuk cip.

Peranti QLC itu diperkenalkan melalui demonstrasi langsung di FMS 2026 . Sebelum ini, pada Julai 2026, Kioxia dan Sandisk turut mula mengedarkan sampel NAND TLC BiCS10 1 Tb, iaitu varian tiga bit bagi setiap sel yang mencapai ketumpatan melebihi 29 Gb/mm² . Varian QLC yang dipamerkan di FMS membawa ketumpatan lebih tinggi berbanding versi TLC tersebut.

HBF: lapisan memori baharu untuk inferens AI

Pengumuman kedua hadir daripada Sandisk dan SK hynix. Kedua-duanya menerbitkan spesifikasi teknikal standard pertama untuk High Bandwidth Flash (HBF) melalui Open Compute Project (OCP) .

OCP ialah projek sumber terbuka yang menyediakan spesifikasi perkakasan untuk pusat data. Dengan menerbitkan spesifikasi HBF melalui saluran ini, reka bentuk tersebut boleh digunakan sebagai asas oleh syarikat lain yang membangunkan pemecut AI, pelayan dan sistem inferens.

HBF dicadangkan sebagai lapisan di antara High Bandwidth Memory (HBM) dan SSD konvensional. HBM menawarkan kelajuan tinggi tetapi kapasiti lebih terhad dan kos yang besar, manakala SSD menyediakan kapasiti tinggi dengan kelajuan yang lebih rendah. HBF cuba mengisi jurang antara kedua-duanya, khususnya bagi inferens AI apabila model besar memerlukan lebih banyak memori berdekatan dengan pemecut.

Spesifikasi HBF

• Kapasiti: sehingga 512 GB bagi setiap susunan menggunakan konfigurasi NAND 8-tingkat dan 16-tingkat .
• Lebar jalur sasaran: sehingga 3.0 TB/s, termasuk sehingga 1.6 TB/s bagi setiap arah .
• Tahap prestasi: tiga gred, daripada kira-kira 0.4 TB/s hingga 3.0 TB/s .
• Sambungan: menggunakan piawaian UCIe (Universal Chiplet Interconnect Express) .
• Penyokong konsortium: Google, termasuk Google DeepMind, dan Tenstorrent menyertai usaha standardisasi HBF .

Sandisk sebelum ini menyatakan bahawa HBF boleh menawarkan kapasiti lapan hingga 16 kali lebih tinggi berbanding HBM pada kos yang hampir sama. Dalam simulasi menggunakan model Llama 3.1 dengan 405 bilion parameter, prestasinya ketika membaca pemberat model berada dalam perbezaan 2.2% berbanding konfigurasi HBM berkapasiti tanpa had secara hipotesis . Angka itu ialah hasil simulasi, bukan ukuran prestasi produk komersial yang sudah tersedia.

Bila HBF akan tersedia?

Spesifikasi terbuka HBF telah diterbitkan. Sampel memori dijangka tiba pada akhir 2026, manakala peranti komersial dijangka muncul pada awal 2027 .

Ini bermakna HBF masih berada pada peringkat awal ekosistem. Kejayaan sebenar teknologi ini bergantung pada sokongan pembuat pemecut AI, reka bentuk pakej, perisian dan penggunaan meluas terhadap piawaian UCIe.

Sesi utama FMS 2026

Selain pengumuman perkakasan, beberapa sesi FMS 2026 memberi tumpuan kepada peranan NAND dan memori berlapis dalam sistem AI.

Ucaptama Sandisk

Sesi bertajuk “NAND: The Versatile & Scalable Foundation of the AI Era” dijadualkan pada Rabu, 5 Ogos 2026, jam 11:40 pagi waktu Pasifik, di Mission City Ballroom, Santa Clara Convention Center. Jim Elliott, Khurram Ismail dan Alper Ilkbahar daripada Sandisk dijadualkan membincangkan pengoptimuman pada peringkat sistem serta peranan NAND dalam menyokong inferens AI berskala besar .

Ucaptama SK hynix

Pada hari pembukaan, 4 Ogos, Naib Presiden Eksekutif Kim Chun-sung dan Naib Presiden Kang Uk-song daripada SK hynix menyampaikan sesi bertajuk “Orchestrating Efficient AI Infrastructure through Tiered Memory in the Era of Agentic AI”. Sesi tersebut membincangkan penyelesaian memori berperingkat untuk infrastruktur AI .

Panel “Breaking the Memory Wall”

Panel bersama bertajuk “Breaking the Memory Wall with High Bandwidth Flash” dijadualkan pada 6 Ogos, jam 9:45 pagi waktu Pasifik. Panel itu menampilkan Rajeev Nagabhirava daripada Sandisk, Lim Eui-cheol daripada SK hynix dan Xiaoyu Ma, jurutera kanan Google DeepMind. Perbincangan memberi tumpuan kepada cara HBF menangani jurang antara kuasa pengkomputeran dan kapasiti memori dalam beban kerja inferens AI .

Tajuk panel tersebut disokong oleh beberapa sumber rasmi dan laporan industri. Namun, penerangan penuh sesi adalah lebih tepat jika dirujuk melalui agenda langsung FMS 2026; sumber yang ada secara konsisten mengesahkan kewujudan panel bertema “Breaking the Memory Wall” .

Apa kesannya kepada pusat data AI?

Dua pengumuman ini menyelesaikan masalah yang berbeza tetapi saling berkaitan.

BiCS10 QLC membolehkan pengendali pusat data menyimpan lebih banyak data dalam ruang yang sama. Kepadatan lebih tinggi berpotensi membantu pembinaan SSD berkapasiti besar untuk tasik data latihan AI, storan awan dan lapisan data yang jarang diakses tetapi masih perlu tersedia dengan pantas.

HBF pula menyasarkan bahagian memori yang lebih dekat dengan pemecut AI. Model generatif dan sistem ejen AI yang semakin besar memerlukan lebih banyak data untuk dibaca semasa inferens. Jika data itu tidak dapat dimuatkan dalam HBM, sistem mungkin perlu bergantung pada lapisan storan yang lebih perlahan. HBF direka untuk mengurangkan jurang tersebut tanpa perlu menambah HBM dalam jumlah yang sama.

Penerbitan spesifikasi melalui OCP juga penting dari sudut ekosistem. Sokongan Google dan Tenstorrent menunjukkan usaha membina piawaian bersama, bukannya penyelesaian proprietari yang hanya boleh digunakan oleh satu pengeluar . Jika pembuat cip, pelayan dan perisian menerima spesifikasi ini, HBF berpotensi menjadi lapisan memori tambahan yang lebih fleksibel untuk sistem inferens AI generasi seterusnya.