Rekordtät flash och ny minnesklass ska ge AI mer utrymme

De viktigaste specifikationerna är:

• Bitdensitet: över 37 Gb/mm² – en ökning på cirka 60 procent jämfört med åttonde generationens teknik .
• Lager: 332 aktiva lager .
• Gränssnitt: 4,8 Gb/s via Toggle DDR6.0 .
• Tekik bakom: CMOS Directly Bonded to Array (CBA), där CMOS-logiken och minnesmatrisen tillverkas på separata wafers och därefter sammanfogas. Metoden ska bidra till både högre densitet och bättre energieffektivitet .

QLC lagrar fyra bitar per minnescell, vilket gör det möjligt att få in mer data på samma fysiska yta än med exempelvis TLC. I juli 2026 började Kioxia och Sandisk dessutom ta prover på BiCS10-baserat 1 Tb TLC-NAND med en densitet på över 29 Gb/mm² . QLC-versionen som visades på FMS innebär alltså ytterligare ett steg mot högre lagringsdensitet.

HBF ska fylla gapet mellan HBM och SSD

Den andra stora nyheten kom från Sandisk och SK hynix, som släppte den första tekniska specifikationen för High Bandwidth Flash genom Open Compute Project (OCP) . OCP är ett branschinitiativ som publicerar öppna tekniska lösningar för datacenter, vilket innebär att specifikationen kan användas som grund av andra företag som utvecklar AI-servrar och acceleratorer.

HBF är tänkt att placeras mellan två etablerade minnestyper:

• HBM – mycket snabbt och nära AI-acceleratorn, men dyrt och begränsat i kapacitet.
• Traditionell SSD-lagring – betydligt större och billigare per lagrad mängd data, men långsammare.

HBF ska kombinera högre kapacitet än HBM med betydligt högre bandbredd än vanlig flashlagring. Den första specifikationen omfattar:

• Kapacitet: upp till 512 GB per stapel med 8- eller 16-lagers NAND-konfigurationer .
• Bandbredd: upp till 3,0 TB/s, inklusive 1,6 TB/s i vardera riktningen. Tre prestandanivåer sträcker sig från ungefär 0,4 till 3,0 TB/s .
• Anslutning: UCIe, eller Universal Chiplet Interconnect Express .
• Medverkande: Google, genom DeepMind, och Tenstorrent anslöt till arbetet under standardiseringsprocessen .

Målet är framför allt AI-inferens, där stora modeller behöver läsa in omfattande mängder parametrar och data. Sandisk uppger att HBF kan ge åtta till 16 gånger större kapacitet än HBM till en liknande kostnad. I en simulering med modellen Llama 3.1 405B låg prestandan inom 2,2 procent av en hypotetisk HBM-lösning med obegränsad kapacitet . Det är dock företagets simulerade resultat, inte ett oberoende prestandatest.

När kommer tekniken?

HBF-specifikationen är redan publicerad som en öppen standard. Minnesprover väntas under slutet av 2026, medan kommersiella produkter förväntas dyka upp i början av 2027 .

För BiCS10 QLC presenterades ingen motsvarande bred lanseringsplan i samband med demonstrationen. Däremot hade Kioxia och Sandisk redan börjat prova ut den närbesläktade BiCS10-tekniken i TLC-form tidigare under året .

FMS-programmet satte AI-minnet i centrum

Tekniknyheterna kompletterades av flera konferenssessioner med fokus på AI-infrastruktur:

Sandisks huvudanförande

Sandisks keynote, ”NAND: The Versatile & Scalable Foundation of the AI Era”, hölls den 5 augusti 2026 klockan 11.40 lokal tid i Mission City Ballroom vid Santa Clara Convention Center. Jim Elliott, Khurram Ismail och Alper Ilkbahar från Sandisk talade bland annat om systemoptimering och NAND-minnets roll i storskalig AI-inferens .

SK hynix om hierarkiskt minne

På konferensens första dag presenterade SK hynix-cheferna Kim Chun-sung och Kang Uk-song sessionen ”Orchestrating Efficient AI Infrastructure through Tiered Memory in the Era of Agentic AI”. Fokus låg på hur flera minnesnivåer kan kombineras för effektivare AI-infrastruktur .

Panelen ”Breaking the Memory Wall”

Den 6 augusti deltog Sandisks Rajeev Nagabhirava, SK hynixs Lim Eui-cheol och Xiaoyu Ma från Google DeepMind i panelen ”Breaking the Memory Wall with High Bandwidth Flash”. Diskussionen handlade om hur HBF kan minska avståndet mellan beräkning och minne i AI-inferenssystem .

Panelrubriken stöds av flera officiella källor, men den fullständiga beskrivningen av sessionen bör enligt underlaget kontrolleras mot FMS-programmet. Att en särskild panel om ”Breaking the Memory Wall” fanns med i konferensens bevakning är däremot konsekvent rapporterat .

Därför spelar beskeden roll

De två lanseringarna angriper olika delar av samma flaskhals. BiCS10 QLC kan göra det möjligt att lagra mer träningsdata och modellinformation i tätare och potentiellt mer energieffektiva SSD-system. HBF försöker i stället ge AI-acceleratorer tillgång till större mängder data nära beräkningsenheten, utan att all kapacitet behöver byggas ut med dyr HBM.

Att HBF utvecklas genom OCP, med stöd från Google och Tenstorrent, är också strategiskt viktigt. En öppen specifikation kan göra det lättare för flera leverantörer att bygga kompatibla acceleratorer, minnesmoduler och serversystem – i stället för att marknaden splittras mellan helt proprietära lösningar .