Mākslīgā intelekta (AI) attīstība prasa arvien jaudīgākus risinājumus datu apstrādei. Tagad ir sperts liels solis uz priekšu - pabeigta jaunā High Bandwidth Flash (HBF) atmiņas specifikācija, kas sola revolūciju AI datu centros. Iedomājieties, jaudīga un ietilpīga atmiņa, kas spēj apstrādāt milzīgus datu apjomus ātrāk nekā jebkad agrāk. Ko tas nozīmēs nākotnes tehnoloģijām?
Kas ir HBF un kā tas atšķiras no HBM?
High Bandwidth Flash (HBF) ir jauns atmiņas tips, kas izstrādāts, lai apmierinātu pieaugošās mākslīgā intelekta sistēmu vajadzības. Atšķirībā no pašreizējā High Bandwidth Memory (HBM), kas izmanto gaistošo DRAM atmiņu (kurai nepieciešama pastāvīga strāva datu saglabāšanai), HBF balstās uz negaistošo NAND-Flash tehnoloģiju. Tas nozīmē, ka HBF saglabā datus arī bez strāvas, līdzīgi kā SSD diski.
Tomēr HBF nav parasta NAND-Flash atmiņa. Tā ir īpaši pielāgota un optimizēta AI uzdevumiem, kas pieprasa ārkārtīgi lielu datu caurlaidību un ietilpību.
Milzīga jauda un ietilpība, kas mainīs spēles noteikumus
Viens no galvenajiem HBF priekšrocībām ir tā milzīgā ietilpība. Kamēr mūsdienu HBM4 atmiņas moduļi piedāvā maksimāli 48 gigabaitus (GB) uz vienu steku, HBF spēj nodrošināt pat līdz 512 GB. Tas ir vairāk nekā desmit reizes lielāks apjoms, kas būtiski atvieglo liela apjoma AI modeļu un datu bāzu glabāšanu tiešā procesora tuvumā!
Runājot par ātrumu, HBF nav nekāds lēnīgais. Pirmā specifikācija paredz datu pārraides ātrumu no 400 gigabaitiem sekundē (GB/s) līdz pat 3 terabaitiem sekundē (TB/s) uz vienu steku. Ja vienam AI paātrinātājam tiktu pievienoti četri HBF steki, kopējais ātrums varētu pārsniegt 10 TB/s, pārspējot pat HBM4 maksimālos 3,3 TB/s. Salīdzinājumam, jaunākie PCIe 6.0 SSD diski sasniedz “tikai” 28,4 GB/s, kas parāda HBF veiktspējas milzīgo lēcienu.
Kā HBF sasniedz šādus ātrumus?
Šo iespaidīgo veiktspēju HBF panāk, izmantojot augstu paralelizāciju. NAND-Flash atmiņa ir sadalīta daudzās mazās zonās, kuras var nolasīt un rakstīt vienlaicīgi. Šai pieejai ir nepieciešama sarežģīta vadības loģika un pilnīgi jauni čipi, kas ir izstrādāti tieši HBF vajadzībām. Tas nav vienkāršs risinājums, bet gan pamatīga inženiertehniskā inovācija.
Vienā HBF atmiņas modulī var būt sakrauti līdz pat 16 NAND-Flash čipiem, katrā no tiem simtiem atmiņas slāņu. Maksimālā konfigurācijā viens atmiņas steks varētu saturēt vairāk nekā 5000 atmiņas slāņus, nodrošinot nepieciešamo datu blīvumu un paralēlo apstrādi.
HBF nākotne datu centros un AI paātrinātājos
Lai gan HBF nodrošina milzīgu ietilpību un pārraides ātrumu, tam ir viens trūkums salīdzinājumā ar HBM - nedaudz augstākas latentuma vērtības (datu piekļuves laiks). Tāpēc SK Hynix iesaka HBF izmantot kā papildu atmiņas līmeni datu centros, novietojot to starp HBM un parastajiem SSD diskiem uz AI paātrinātājiem. Tādējādi AI sistēmas varētu izmantot gan HBM zemo latentumu kritiskajiem uzdevumiem, gan HBF lielo ietilpību un ātrumu lielākiem datu apjomiem.
Sandisk, savukārt, redz HBF kā jaunu “AI zelta standartu” un saskata plašas iespējas tā plašākai integrācijai, potenciāli pat kā galvenajam atmiņas tipam noteiktos AI paātrinātājos. Abas pieejas liecina par HBF daudzpusību un pielietojamību.
Ceļš līdz inovācijai: Sadarbība tehnoloģiju milžu starpā
HBF ideju pirmo reizi prezentēja Sandisk jau 2025. gada februārī. Tajā pašā gadā augustā SK Hynix pievienojās izstrādes darbiem, un 2026. gada februārī tika izveidots kopīgs konsorcijs, lai virzītu šo tehnoloģiju uz priekšu. Tam nesen pievienojušies arī tādi tehnoloģiju giganti kā Google un AI čipu jaunuzņēmums Tenstorrent, apliecinot HBF potenciālu un nozares interesi. Šis atmiņas standarts tiks savienots ar citiem čipiem, izmantojot industriālo standarta saskarni Universal Chiplet Interconnect Express (UCIe).
HBF parāda, ka nākotnes AI sistēmas būs atkarīgas ne tikai no apstrādes jaudas, bet arī no spējas efektīvi pārvaldīt un uzglabāt milzīgus datu apjomus. Šī jaunā atmiņas tehnoloģija sola jaunas iespējas mākslīgā intelekta attīstībā. Vai tu domā, ka HBF pilnībā aizstās HBM, vai arī tie darbosies kopā?
Iezīmē tekstu un spied ziņot par kļūdu.
