SK hynix正在三个方向上扩展其NAND技术:速度、容量和带宽,以满足AI数据存储性能和数据量需求。
AIN(AI NAND)是SK hynix的AI NAND战略,包含性能(AIN P)、密度(AIN D)和带宽(AIN B)三个产品开发方向。AIN P驱动器将处理大规模AI推理工作负载产生的大量数据。PB级别的AIN D固态硬盘旨在通过以低功耗和成本存储大量AI数据来替代磁盘驱动器,实现固态硬盘速度和硬盘成本效率的结合。
AIN-B闪存采用高带宽闪存(HBF)概念,将闪存芯片堆叠在中介层上方,中介层将这些并行运行的芯片连接到GPU。这一AIN产品倡议在加利福尼亚州圣何塞举行的"2025年OCP(开放计算项目)全球峰会"上发布。
SK hynix专注于AI推理,并在推理工作流程的不同阶段看到了不同的NAND驱动器需求。
AIN P驱动器设想为PCIe Gen6驱动器,具备5000万IOPS性能,数据访问块为512B,相比之下,当前用于随机读写IOPS的4KB块在PCIe gen 6固态硬盘上运行约700万IOPS级别。据SK hynix幻灯片显示,美光的9650 Pro和Max PCIe Gen 6驱动器的随机读取IOPS为550万。SK hynix的AIN P驱动器将比它们快7倍,公司表示,1亿IOPS型号可能在2027年推出。
AIN P将配备专为执行传统和高IOPS工作负载设计的控制器,采用EDSFF E3.x外形规格构建。SK hynix正在设计AIN P NAND样品,希望在2026年底前准备就绪。
AIN B NAND使用HBF(高带宽闪存)技术。SK hynix表示,AIN B将具有比固态硬盘更高的吞吐量,大致相当于使用类似堆叠芯片概念的高带宽内存(HBM),只是用于DRAM。AIN B产品将具有比HBM更高的容量,大约达到固态硬盘容量水平。AIN B可以增强GPU的有效内存容量,从而避免需要购买/租用更多GPU来获得更多HBM容量,例如存储KV缓存内容。
这种HBF堆叠可以与HBM堆叠共同定位,共享相同的中介层基础。SK hynix和闪迪正在合作推广HBF标准。
AIN D磁盘替代固态硬盘将具有PB级容量,称为近线(NL)固态硬盘。幻灯片文本提到"JEDEC-NLF",其中JEDEC是半导体标准机构,NLF表示近线闪存。目前没有公共JEDEC NLF标准,因此这可能是正在进行的工作。图形没有提到PLC(5位/单元)NAND,因此我们可能暂时假设NL-SSD使用QLC闪存。
SK hynix幻灯片显示其AIN产品系列将如何适配数据中心。这是一个清晰且逻辑性强的图景。
看SK hynix的NAND路线图,似乎其子公司Solidigm并不存在。AIN D高容量企业级固态硬盘似乎独立于Solidigm的高容量QLC固态硬盘技术。实际上,Solidigm凭借其D5-P5336 192L QLC 61.44和122.88 TB驱动器开创了高容量近线级固态硬盘。Solidigm的路线图包括超过2XX层数,以及245 TB QLC固态硬盘,预计在2026年底前出货。
公司表示正在开始量产321层QLC 2 Tb芯片,这是首个使用QLC技术实现超过300层的产品,将在2026年上半年出货。
Q&A
Q1:AIN战略是什么?包含哪些产品方向?
A:AIN(AI NAND)是SK hynix的AI NAND战略,包含三个产品开发方向:性能(AIN P)、密度(AIN D)和带宽(AIN B),分别针对不同的AI数据存储需求。
Q2:AIN P驱动器的性能表现如何?
A:AIN P驱动器设想为PCIe Gen6驱动器,具备5000万IOPS性能,比当前PCIe gen 6固态硬盘快7倍,SK hynix表示1亿IOPS型号可能在2027年推出。
Q3:AIN B技术与传统存储有什么区别?
A:AIN B使用高带宽闪存技术,将闪存芯片堆叠在中介层上连接到GPU,具有比固态硬盘更高的吞吐量,容量约达固态硬盘水平,可以增强GPU的有效内存容量。
好文章,需要你的鼓励
悉尼大学和微软研究院联合团队开发出名为Spatia的创新视频生成系统,通过维护3D点云"空间记忆"解决了AI视频生成中的长期一致性难题。该系统采用动静分离机制,将静态场景保存为持久记忆,同时生成动态内容,支持精确相机控制和交互式3D编辑,在多项基准测试中表现优异。
33年后,贝尔纳多·金特罗决定寻找改变他人生的那个人——创造马拉加病毒的匿名程序员。这个相对无害的病毒激发了金特罗对网络安全的热情,促使他创立了VirusTotal公司,该公司于2012年被谷歌收购。这次收购将谷歌的欧洲网络安全中心带到了马拉加,使这座西班牙城市转变为科技中心。通过深入研究病毒代码和媒体寻人,金特罗最终发现病毒创造者是已故的安东尼奥·恩里克·阿斯托尔加。
马里兰大学研究团队开发ThinkARM框架,首次系统分析AI推理过程。通过将思维分解为八种模式,发现AI存在三阶段推理节律,推理型与传统AI思维模式差异显著。研究揭示探索模式与正确性关联,不同效率优化方法对思维结构影响各异。这为AI系统诊断、改进提供新工具。