Så använder AMD:s MEXT-avtal AI för att göra billigt flashminne till supersnabbt arbetsminne

Den 15 juni 2026 meddelade AMD att de köper MEXT, en pytteliten startup baserad i Santa Clara, Kalifornien, med teknologi som kan rita om den ekonomiska kartan för AI-infrastruktur . Köpeskillingen offentliggjordes inte, vilket oftast tyder på en relativt liten affär, men den strategiska insatsen är enorm: MEXT har byggt en helt mjukvarubaserad lösning på den dyraste flaskhalsen i modern datorkraft .

Problemet är att högbandbreddsminne (HBM) och DRAM inte har hållit jämna steg med den explosiva tillväxten av stora språkmodeller och högpresterande beräkningslaster. AMD har själva kallat DRAM för "den mest knappa och dyraste resursen inom datorkraft" . MEXT:s grundidé är att man faktiskt inte behöver mer DRAM – man behöver bara ett smartare sätt att använda det billiga flashminne som redan finns i varje server.

Vad MEXT:s Predictive Memory™ faktiskt gör

MEXT:s kärnprodukt, Predictive Memory™, är ett AI-baserat system för minnesnivåindelning ("memory tiering") som arbetar under applikationslagret och effektivt lurar operativsystemet att se långt mycket mer DRAM än vad som fysiskt existerar . Det kräver ingen ny hårdvara, ingen GPU eller några förändringar av befintliga applikationer. Företaget hävdar att det kan installeras på under fem minuter (en demonstration visade hur en enda kommandorad fördubblade det synliga minnet) .

Systemet arbetar i en kontinuerlig, trestegsslinga:

• Avlastning av kall data: Mjukvaran identifierar konstant minnessidor som inte används aktivt och flyttar dem från det dyra DRAM-minnet till billig NAND-flash. Detta frigör värdefullt DRAM för aktiva arbetslaster. Flash kostar ungefär 50 gånger mindre än DRAM per gigabyte, så besparingarna är omedelbara .
• AI-driven förutsägelse: En lättviktig förutsägelsemotor körs på en enda CPU-kärna och analyserar minnesaccessmönster på mikrosekunder. Den använder mönstren för att förutse vilka avlastade sidor en applikation kommer att behöva härnäst .
• Proaktiv förhämtning: Innan applikationen ens efterfrågar datan, för MEXT tillbaka de förutsagda sidorna från flash till DRAM. Resultatet är att applikationer upplever prestanda i DRAM-klass medan datacenteroperatören betalar ett flash-pris .

MEXT hävdar att dessa tekniker kan sänka de totala infrastrukturkostnaderna med 50 procent och utöka den effektiva minneskapaciteten i en server med 2–4 gånger . För en AI-industri där minneskostnaden äter upp lönsamheten i modellträning och inferens, är detta inte bara en optimering – det är ett potentiellt paradigmskifte.

Varför AMD köpte en minnesstartup istället för att bara köpa mer minne

Detta förvärv handlar inte bara om ett mjukvarupaket. Det signalerar en medveten förändring i hur AMD planerar att konkurrera på marknaden för AI-datacenter.

I åratal har AMD positionerat sig som det kämpande alternativet till Nvidia, med konkurrenskraftiga GPU:er och CPU:er medan Nvidia byggt en ointaglig fästning av egenutvecklade sammankopplingar, nätverk och CUDA-mjukvara. MEXT-affären antyder att AMD nu bygger sin egen mjukvaruvallgrav – denna gång i minneslagret som varje AI-arbetslast passerar.

AMD uppgav att de kommer att integrera MEXT:s teknologi över hela sitt datacenterutbud: CPU:er, GPU:er, nätverk och rack-skala system . Det är en avgörande detalj. Istället för att bara vara en GPU-funktion blir Predictive Memory™ en plattformsfunktion som kan sänka den totala ägandekostnaden för varje storskalig AMD-implementering, oavsett vilken specifik kiselprodukt kunden köper .

Detta sätter AMD i en position att erbjuda en unikt kostnadseffektiv och komplett AI-lösning. Nvidias strategi bygger på hårt integrerad hårdvara och mjukvara, särskilt kring NVLink och deras eget nätverk. Intel har fokuserat på Compute Express Link (CXL) och andra standarder för minnesexpansion via hårdvara. MEXT, däremot, är ett mjukvarulager som körs på standardservrar utan några hårdvarumodifikationer . Flexibilitetsfördelen är betydande: AMD:s kunder kan implementera lösningen omedelbart på befintlig infrastruktur, medan hårdvarucentrerade angreppssätt kräver nytt kisel och längre valideringscykler.

MEXT-förvärvet skedde inte isolerat. Det kom samtidigt som lanseringen av AMD:s utvecklarplattform Ryzen AI Halo, ett system designat för att låta utvecklare köra stora AI-modeller på kraftfull lokal hårdvara . Sammantaget målar dessa drag upp bilden av ett företag som försöker bygga ett sammanhängande AI-ekosystem – från klientenheter hela vägen upp till hyperskala datacenter – och nu med ett minnesoptimeringslager sammanfogat genom hela kedjan.

Kampen om marknaden: AMD vs. Nvidia vs. Intel

Marknaden för AI-infrastruktur definieras för närvarande av "minnesväggen". Större modeller kräver mer minnesbandbredd och kapacitet än vad de flesta system kan erbjuda utan astronomiska kostnader. Varje chiptillverkare söker frenetiskt efter svar.

Nvidias lösning har varit vertikal integration – deras Grace Hopper-superchip kombinerar CPU:er och GPU:er med massiva minnespooler, deras nätverk knyter samman allt, och CUDA gör det programmerbart. Intel har drivit på för CXL som en hårdvarustandard för att låta system poola och dela minne över olika enheter.

AMD, med MEXT, satsar på att ett mjukvarudrivet minneslager kan lösa problemet utan att låsa in kunderna i egen hårdvara. I teorin skulle en datacenteroperatör kunna köra en AMD MI400 GPU-server med MEXT:s prediktionslager som utökar dess effektiva minne med 4x, vilket radikalt minskar kostnaden för att träna eller servera en stor modell jämfört med ett Nvidia-system som kräver mer fysiskt HBM för att uppnå samma effektiva kapacitet. Om prestandan håller under verkliga, latenskänsliga AI-arbetslaster återstår att bevisa, men det ekonomiska argumentet är övertygande.

Affären har också omedelbara marknadseffekter. AMD:s aktie steg efter tillkännagivandet och pressade företagets börsvärde till nästan 900 miljarder dollar . Investerare verkar satsa på att MEXT-förvärvet täpper till en kritisk lucka i AMD:s AI-plattformsberättelse, vilket ger företaget en konkret, implementerbar fördel i jakten på att göra AI-infrastrukturen mer överkomlig.