FMS 2026: Samsung Pertaruhkan zHBM, NAND 400+ Lapisan dan Memori AI Berhierarki

Dengan memendekkan jarak perjalanan data antara memori dan pemproses, reka bentuk ini berpotensi meningkatkan kelajuan pemindahan data serta mengurangkan tenaga yang diperlukan untuk pergerakan data .

Samsung mendakwa sistem antara muka generasi seterusnya berasaskan zHBM boleh menawarkan:

• Prestasi sehingga 8 kali ganda berbanding HBM5 .
• Kepadatan memori lebih 10 kali ganda berbanding HBM konvensional melalui teknologi penyambungan wafer generasi baharu .
• Kecekapan tenaga kira-kira 3 kali lebih baik, bersamaan penggunaan tenaga sekitar 66% lebih rendah berbanding HBM5 .

Namun, angka ini perlu dibaca dengan konteks yang tepat: zHBM masih merupakan model konsep, bukan produk yang sedang dikeluarkan secara komersial . Samsung turut mempamerkan zNAND-O, satu lagi seni bina konsep yang disasarkan kepada inferens AI di peranti pinggir atau edge .

V10 BV-NAND: NAND 400+ lapisan yang sudah dikeluarkan secara besar-besaran

Berbeza daripada zHBM, V10 BV-NAND ialah pengumuman produk yang lebih konkrit. Samsung menyifatkannya sebagai NAND kilat pertama industri yang menggunakan teknologi wafer bonding—proses yang memisahkan tatasusunan memori daripada logik persisian sebelum kedua-dua wafer dicantumkan .

Spesifikasi utama yang didedahkan termasuk:

• Lebih 400 lapisan aktif, jumlah tertinggi yang pernah diumumkan Samsung untuk rangkaian V-NANDnya .
• Kepadatan memori sekitar 58% lebih tinggi berbanding generasi V9 sebelumnya .
• Kecekapan tenaga kira-kira tiga kali ganda lebih baik serta rintangan terma yang lebih rendah, menurut Samsung .
• Sudah memasuki pengeluaran besar-besaran, menjadikannya NAND pertama yang melepasi paras 400 lapisan secara komersial .

Teknologi ini penting untuk AI kerana pusat data bukan sahaja memerlukan memori yang pantas, tetapi juga kapasiti besar untuk menyimpan data model, konteks dan cache. Lebih banyak lapisan membolehkan kapasiti dipadatkan dalam ruang fizikal yang sama, manakala reka bentuk wafer bonding bertujuan meningkatkan prestasi baca, tulis dan I/O.

HBF: lapisan pertengahan antara HBM dan SSD

SK hynix dan SanDisk pula menerbitkan spesifikasi teknikal terbuka pertama untuk High Bandwidth Flash (HBF) melalui Open Compute Project (OCP) . OCP ialah inisiatif industri yang membangunkan reka bentuk dan piawaian terbuka untuk infrastruktur pengkomputeran.

Spesifikasi awal HBF menyokong:

• Kapasiti sehingga 512GB menggunakan susunan NAND bertindan 8-tinggi dan 16-tinggi .
• Lebar jalur sehingga 3.0TB/s melalui antara muka UCIe, iaitu piawaian sambungan die-ke-die untuk cip dan komponen semikonduktor .
• Kedudukan sebagai lapisan memori berkapasiti tinggi di antara DRAM/HBM yang sangat pantas dan SSD NVMe konvensional .

Google DeepMind dan Tenstorrent turut menyertai pakatan HBF . Sokongan ini penting kerana HBF memerlukan kerjasama antara pembuat memori, pembangun pemproses AI dan pengendali infrastruktur supaya piawaian tersebut boleh digunakan merentas ekosistem, bukan terikat pada satu vendor sahaja.

Dalam penggunaan AI, HBF disasarkan untuk mengurangkan kesesakan memori ketika inferens—fasa apabila model menjana jawapan selepas dilatih. Ia tidak semestinya menggantikan HBM, sebaliknya menawarkan lapisan berkapasiti lebih besar untuk data yang tidak perlu berada dalam memori terpantas pada setiap masa.

Mengapa HBM sahaja tidak lagi mencukupi?

Perbincangan utama di FMS 2026 menunjukkan kesepakatan industri yang semakin jelas: HBM sahaja tidak mampu menampung pertumbuhan keperluan AI.

Seni bina masa depan dijangka menggabungkan beberapa lapisan:

1. HBM untuk data yang memerlukan lebar jalur dan kependaman paling rendah.
2. HBF untuk kapasiti lebih besar dengan akses yang masih pantas.
3. Memori yang disambungkan melalui CXL untuk pengembangan, perkongsian dan pengumpulan kapasiti memori.
4. Storan NVMe untuk kapasiti besar dan data yang kurang kerap diakses.

Gabungan ini dikenali sebagai memori berhierarki—data dipindahkan antara lapisan berdasarkan kepentingan, kekerapan akses dan keperluan kelajuan. Pembentangan Marvell, misalnya, memberi tumpuan kepada infrastruktur inferens AI berasaskan ejen yang memerlukan portfolio memori dan storan yang lebih pelbagai, bukan HBM semata-mata .

Pendekatan ini juga berkait dengan masalah kos dan penggunaan tenaga. Dalam sistem AI berskala besar, memindahkan data dari satu komponen ke komponen lain boleh menjadi sama pentingnya dengan kuasa pengiraan itu sendiri. Oleh itu, meletakkan data pada lapisan yang sesuai boleh membantu mengimbangi prestasi, kapasiti, tenaga dan kos.

Dua dakwaan besar yang masih belum disahkan

Dua dakwaan daripada soalan asal belum dapat disahkan melalui sumber FMS 2026 yang diterbitkan dan tersedia.

Pertama, tiada sumber yang ditemui mengesahkan dakwaan bahawa Nvidia meramalkan jumlah ejen AI akhirnya akan melebihi jumlah penduduk dunia atau bahawa harga memori akan berubah daripada ukuran kos setiap gigabait kepada kos setiap operasi I/O.

Kedua, tiada sumber yang tersedia mengesahkan bahawa Samsung, SK hynix dan Micron telah menjual habis keseluruhan kapasiti pengeluaran DRAM dan HBM bagi 2027, dengan pelanggan hanya menerima 60% hingga 70% daripada jumlah yang diminta.

Kedua-dua kenyataan itu mungkin disampaikan dalam ucaptama atau panel yang belum didokumentasikan dalam laporan yang diindeks. Buat masa ini, ia wajar dianggap belum disahkan, bukannya fakta industri.

Kesimpulan

FMS 2026 tidak sekadar mempamerkan cip memori yang lebih pantas. Ia menunjukkan perubahan pada keseluruhan susunan memori AI.

zHBM mewakili kemungkinan masa depan dengan memindahkan HBM ke atas pemecut AI. V10 BV-NAND membuktikan bahawa NAND berasaskan wafer bonding dengan lebih 400 lapisan sudah mencapai pengeluaran besar-besaran. HBF pula cuba mengisi ruang antara HBM dan SSD melalui piawaian terbuka.

Jika hala tuju ini berterusan, sistem AI akan semakin bergantung pada gabungan memori dan storan bertingkat—dengan setiap lapisan memainkan peranan tersendiri dalam mengurus kelajuan, kapasiti dan penggunaan tenaga.