Kioxia GP1、1000万IOPSを達成。ただしハードウェアにはなお検証すべき点がある

KioxiaはGP1 Seriesで、毎秒1000万回の入出力操作を実演した。Google Newsの読者にとって、AIストレージが変化しつつあることを示す具体的な兆候だ。この数値は印象的だが、本番AIクラスタ内で検証された出荷製品ではなく、初期段階のデバイス実演を示すものにとどまる。

GP1は、GPUから直接かつ細粒度でアクセスできるよう設計されたSSD群、Kioxiaの広範なGP Seriesに属する。Kioxiaは2026年末までに、選定顧客へ評価用サンプルを提供する計画だ。長期目標は1億IOPS超であり、今回の実演と目指すアーキテクチャの間には大きな隔たりがある。

その隔たりこそが本題だ。Kioxiaが目指しているのは、単に高速なエンタープライズドライブを作ることではない。高価なGPUメモリの拡張としてフラッシュを機能させ、特定のAIデータにおいてDRAM中心の設計と競わせようとしている。SK hynix、Samsung、Solidigmなどのストレージサプライヤーも関連する道筋を追求しており、Nvidiaはそれらを有用にし得るシステムを定義している。

Google Newsの見出しでは、Kioxiaの二つの異なる節目が見えにくい

Kioxiaは1000万IOPSのデバイスを実演した一方、1億IOPSという数字は次世代システムの目標にとどまる。

この区別は重要だ。現在、複数のKioxiaの開示内容が一緒に流通している。そこに示される数値は、単一の検証済み仕様を持つ完成製品ではなく、同社ロードマップの異なる段階を表している。

Kioxiaは2025年の経営戦略説明会で、超高IOPS SSDを初めて概説した。同社はXL-FLASHと新たなコントローラーを用いるデバイスを説明し、2026年中に1000万IOPS超を見込むとした。また、データパスにおけるCPUの関与を減らす手段として、GPUからの直接アクセスを位置付けた。

2026年3月、KioxiaはGP Seriesの開発を正式に発表した。同社のGP Seriesリリースでは、GPUからアクセス可能なフラッシュ、512バイトのリクエスト、従来のKioxia TLCドライブよりも低い操作当たりの消費電力を説明している。この発表には、完全な商用仕様書は掲載されていない。

その後Kioxiaは、6月の投資家向けイベントで目標をさらに拡大した。同社は、将来のGP製品が1億IOPS超を必要とするAIシステムに対応すると述べた。Investor Day updateでは、XL-FLASH、専用コントローラー、Nvidia Storage-Nextへの対応と併せて、この性能を提示している。

これらの主張は、GP1の実演がすでに1億IOPSに到達したことを意味しない。より妥当な解釈は、GP1が約1000万IOPSで最初の段階を確立したというものだ。後続のGP世代とより大規模なシステム構成が、より高い目標を追求すると見込まれる。

Kioxiaは公式英語資料で「GP Series」を使用する一方、FMS 2026の一部報道では、実演された第1世代デバイスをGP1と特定している。読者は、GP1、GP Series、1億IOPSのロードマップを同義のラベルとして扱うべきではない。

これは、ニュース集約が重要な技術的文脈を平板化し得る理由の一つでもある。Google Newsの見出しは発表を捉えるが、エミュレーター、実演ハードウェア、評価用サンプル、認定済み量産ドライブの境界までは伝えない。

製品スケジュールも同様に重要だ。Kioxiaによれば、選定顧客は2026年末までにGP Seriesの評価用サンプルを受け取る見込みだ。評価用サンプルにより、システム構築者は統合、ファームウェア、ワークロード、信頼性を試験できる。ただし、広範な提供開始や大規模導入を裏付けるものではない。

つまり、購入者には通常の調達に必要な詳細のいくつかがまだ欠けている。KioxiaはGP1について、最終的な容量レンジ、耐久性仕様、持続ワークロード特性、フォームファクターのラインアップ、一般提供開始日を明らかにしていない。また、幅広い第三者ベンチマーク結果も公表していない。

ニュース自体は事実だが、その範囲は最も劇的な数字が示唆するほど広くはない。Kioxiaは、特化型フラッシュアーキテクチャが従来のエンタープライズSSDを超える性能クラスに到達し得ることを示した。だが、この技術が本番推論においてHBMやDRAMの意味ある割合を置き換えられることは、まだ示していない。

なぜAIシステムは突如として大量の小規模操作を必要とするのか

GP1は、エージェント型推論が学習や従来のファイルアクセスとは異なる形でストレージに負荷をかけるため、頻繁で小さなリクエストに最適化されている。

IOPSは、デバイスが1秒間に完了する入出力操作の数を測る指標だ。それ自体で転送データ量を測るものではない。小さなリクエストで高いIOPSを記録するドライブでも、大きな連続ブロックを移動する別のデバイスより総帯域幅が低い場合がある。

従来のエンタープライズSSDのマーケティングでは、連続スループットと4キロバイトのランダム操作が強調されることが多い。これらの指標は、データベース、仮想マシン、分析、一般的なサーバーストレージに適している。GPU主導のAIアクセスでは、はるかに高い並行性で要求される、より小さなデータ片が関与することがある。

Kioxiaの設計は512バイトのアクセス粒度を採用しており、各操作で従来の4キロバイトリクエストより小さな単位を取得できる。必要な項目がより大きなブロックの一部しか占めない場合、この違いは不要なデータ移動を減らし得る。

同社はこのアクセスパターンに、低レイテンシのストレージクラスメモリであるXL-FLASHを組み合わせている。XL-FLASHはシングルレベルセルストレージを採用し、各メモリセルに1ビットを保持する。この方式は、TLCやQLCフラッシュで得られる高密度よりも、レイテンシと耐久性を優先する。

Kioxia自身の技術解説によると、初代GPは1億回の512バイトランダムリード操作をサポートすることを想定している。また、第2世代のサンプリングは2027年としている。顧客が代表的なハードウェアを試験するまでは、これらの目標は同社の予測にとどまる。

対象ワークロードの一つは、検索拡張生成、すなわちRAGだ。この手法では、モデルが回答を構築する前に外部情報を検索する。大規模なベクトルインデックスは、特にデータベースが最もホットなデータだけをメモリに保持する場合、多数の小さく不規則な読み取りを伴う可能性がある。

別の対象は、モデルパラメーターをすべてGPUの高帯域幅メモリに常駐させられないケースだ。たとえばMixture-of-Expertsモデルでは、トークンごとにより大きなネットワークの選択された部分を有効化する。ソフトウェアがGPUの停止前に予測・取得できれば、高速ストレージには使用頻度の低い部分を置ける可能性がある。

KVキャッシュは、関連するもののより複雑な機会をもたらす。キー・バリューキャッシュは、言語モデルが会話を処理する際に生成される中間的なアテンションデータを保持する。このデータを再利用すれば以前の計算の繰り返しを避けられるが、長いプロンプトや同時セッションは相当なメモリを消費し得る。

GPUには、最もホットなキャッシュエントリーへの即時アクセスが必要だ。活動度の低いコンテキストは、HBM、ホストメモリ、ローカルSSD、共有ストレージから成る階層を移動できる。NvidiaのKV cache managerは、複数のメモリおよびストレージの場所にまたがってキャッシュブロックを調整することで、この階層型アプローチを反映している。

ただし、すべてのキャッシュワークロードが小さな読み取りに適しているわけではない。ソフトウェアは、ストレージへ移動する前に多数のトークンをより大きなブロックにまとめることができる。Samsungはinference storage studyで33メガバイトのキャッシュファイルを説明しており、この試験構成では連続帯域幅が重要となる。

このような違いにより、単一のIOPS数値からアプリケーション性能を予測することはできない。ベクトル検索、パラメーター取得、モデルロード、KVキャッシュのオフロードでは、ブロックサイズ、キュー深度、読み取りと書き込みの比率、レイテンシ要件が異なり得る。

アプリケーションは、CPUがデータパスに入るかどうかも決定する。GPU起点のアクセスはソフトウェアオーバーヘッドや不要な転送を減らせるが、ドライバー、ネットワーク、セキュリティ、オーケストレーション、ストレージファームウェアをまたぐ対応が必要となる。

したがってKioxiaは、デバイスそのものと同じくらいアーキテクチャの考え方を売り込んでいる。同社の主張は、AIサーバーには、なじみ深いCPU指向NVMeストレージの高速版ではなく、GPUのアクセスパターン向けに構築されたストレージ層が必要だというものだ。

本当の競争は、高価なメモリに対するフラッシュ拡張だ

Kioxiaは、重要なリクエストごとにアクセラレーターを待たせることなく、フラッシュがGPUからアクセス可能な容量を拡張できることを示さなければならない。

高帯域幅メモリはGPUの近くに配置され、NANDフラッシュよりはるかに低いレイテンシと大きな帯域幅を供給する。一方で容量には限りがあり、導入コストも高い。これらの特性により、HBMは稼働中のモデルデータや計算にとって価値が高いが、万能なリポジトリとして拡張するのは難しい。

DRAMは、HBMより容量が多く性能が低い別の層を加える。それでも、容量単位当たりのコストはNANDより高い。大規模推論システムはすでに、緊急度、再利用性、利用可能な空き容量に応じて情報を移動させながら、これらの層にデータを分散している。

GP1は、メモリとストレージの物理的な差をなくすものではない。デバイスが十分な数の同時リクエストを処理できることを前提に、ナノ秒ではなくマイクロ秒を許容できるデータに対してフラッシュを有用にしようとしている。

ここに、本稿の中心的な対立が生まれる。すなわち、特化型フラッシュによる拡張と、HBMおよびDRAMへの継続的な依存だ。Kioxiaが勝つのは、そのSSDが有害なレイテンシを加えることなく、各高価なGPUでより多くの有用な処理を提供できる場合に限られる。

単体で1000万IOPSを実現するドライブは、従来のエンタープライズSSDと比べれば際立って見える。しかし、比較の基準はシステムレベルで変わる。複数のGPUは膨大な総需要を生み出し得る一方、リクエストが一つ滞るだけでも高価な計算リソースがアイドル状態になり得る。

Kioxiaのカスタムコントローラーは、この主張の中心にある。コントローラーは、多数の小規模操作をスケジューリングし、GPUと効率的に通信し、ソフトウェアオーバーヘッドが新たなボトルネックにならないようXL-FLASHを管理しなければならない。AIラックはすでに厳しい電力・冷却制約に直面しているため、操作当たりの消費電力も重要だ。

Nvidia Storage-Nextは、より広範なアーキテクチャを提示する。ストレージベンダーにGPU起点のワークロード向けデバイスの構築を求め、フラッシュをGPUからアクセス可能なメモリの一部として扱う。KioxiaのGP Seriesは、孤立した独自実験ではなく、そのサプライヤー側の対応の一つだ。

この考え方は、階層型メモリシステムを通じたKVキャッシュと高帯域幅の移動に焦点を当てるNvidiaのContext Memory Storageアプローチとは異なる。KioxiaはCM Seriesを、この帯域幅指向の役割に位置付けている。一方、GP Seriesは低レイテンシ・高IOPSアクセスおよびRAGワークロード向けに確保している。

このポートフォリオの分離は示唆に富む。Kioxiaは、一つの特殊なSSDですべてのAIストレージパターンを処理できるとは主張していない。同社は、帯域幅と耐久性にはTLCドライブ、細粒度アクセスにはXL-FLASH、高容量にはQLC製品を提供する。

GP1の低い密度には経済的なトレードオフがある。SLCベースのXL-FLASHは、TLCやQLC NANDよりも、所定の容量に多くの物理フラッシュセルを割り当てる。そのため購入者は、低レイテンシから十分なアプリケーション価値を得て、その採用を正当化する必要がある。

見返りは、GPU利用率の向上、より大きなモデル容量、同時セッション数の増加、検索の高速化によって得られる可能性がある。しかし、こうした利点はドライブレベルのIOPS結果から自動的に生じるものではない。ソフトウェアは適切なデータをGP1に配置し、十分早いタイミングで要求しなければならない。

開発者は、SSDを明示的なスケジューリング要件を持つ別の階層として捉えるべきです。設計の悪いパイプラインでは、データが何度も移動し、キャッシュのスラッシングが発生し、インターコネクトが圧迫される可能性があります。こうした失敗は、より高速なメディアの価値を損ないます。

アーキテクチャの説得力が増すのは、特定可能なホット領域とウォーム領域を含む大きなワーキングセットをワークロードが持つ場合です。HBMには最もホットな情報を保持でき、GP1にはパフォーマンス感度の高いウォームデータを配置できます。大容量のTLCまたはQLCストレージには、よりコールドなデータを保持できます。

この階層構造はメモリを置き換えるものではありません。常に最も高価な層を占有しなければならないデータ量を変えるものです。この限定された提案には技術的な信頼性がありますが、購入者にはその効果を定量化するアプリケーションベンチマークが必要です。

Kioxiaは単独でカテゴリを創出しているのではなく、競争に参入している

競合各社は、異なるメディア、インターフェース、性能上の優先事項を通じて、同じストレージ機会を追求しています。

SK hynixは、きめ細かなAI推論アクセスを対象とするAIN P製品を説明しています。提案されている設計は512バイトの操作を採用し、PCIe 6.0経由で約5,000万IOPSを目標とし、その後1億IOPSへ向かうロードマップを示しています。想定される時期は2027年以降に及びます。

このロードマップはKioxiaの中心的な論旨とよく似ています。両社は、AI推論が十分な数の小規模ランダム操作を生み出し、新しい性能クラス向けに設計されたコントローラとフラッシュ構成を正当化すると見ています。

この比較は、Kioxiaによる早期の実証が重要である理由も示します。1,000万IOPSで動作するGP1デバイスがあれば、すべてのロードマップが最終目標に到達する前から、顧客はハードウェアの評価を開始できます。

ただし、これで勝負が決したわけではありません。SK hynixは、より広範なメモリポートフォリオとの統合によって競争できる可能性があります。SamsungはエンタープライズSSD、DRAM、HBM、システム検証を組み合わせられます。Solidigmは大容量ストレージと、ソフトウェア支援型のKVキャッシュまたはベクトル検索を強調してきました。

従来型のエンタープライズSSDも引き続き進化しています。SamsungはPM1753について、最大330万のランダムリードIOPSと毎秒14.5ギガバイトを掲げています。これらの数値はGP1の注目されるIOPS値を下回りますが、Samsungのデバイスには文書化されたエンタープライズ機能とワークロードテストも備わっています。

Kioxiaの既存CM7比較資料では、PCIe 5.0エンタープライズドライブの性能を140万IOPSとして記載しています。その基準と比べると、1,000万IOPSのGP1はデバイスレベルで大幅な向上を意味します。この差は、専用メディアとコントローラが注目を集めている理由の一端を説明します。

歴史的な背景からは、すでに積極的な開発が行われていないものの、もう一つの競合が浮かび上がります。Intel Optaneは3D XPointメディアを使用し、DRAMとNAND SSDの間に位置するレイテンシと耐久性を提供していました。その商業的な衰退は、技術的優位性が持続可能な市場を保証するわけではないことを示しました。

Optaneは厳しい経済性、限定的な導入、新しいメモリ階層を既存システムに組み込む難しさに直面しました。GP1はNAND製造の経験とNvidiaのアーキテクチャ面での支援という利点を得ていますが、統合と需要に関するリスクには依然として直面しています。

業界分析では、生の性能と実用的な導入も区別されています。ServeTheHomeの評価は、設計採用がNvidiaによる将来システムへのStorage-Nextの推進に大きく依存すると論じています。この依存関係により、Nvidiaは導入に対して大きな影響力を持ちます。

ソフトウェア層も競争上の境界線になり得ます。ストレージベンダーには、推論ランタイム、ベクトルデータベース、オーケストレーションシステム、GPU通信フレームワークとの互換性が必要です。大規模なカスタム作業を必要とするハードウェアは、主に最大規模の事業者にしか魅力を持たないでしょう。

オープンなソフトウェアサポートは市場を広げられます。明確なインターフェースがあれば、インフラチームはGP1を通常のNVMeアレイ、リモートメモリ、圧縮キャッシュ、再計算と比較できます。クローズドな統合は選定されたシステムで強い成果を生む一方、より広い導入を制限する可能性があります。

Kioxiaはまた、GP1がCM9ファミリーと並んでどこに位置するのかを説明する必要があります。CM9は25.6テラバイトの文書化された容量と、1日あたりドライブ容量3回分の書き込み耐久性を提供します。GP1は現在、同等に完全な公開仕様なしに、アクセス粒度とIOPSを強調しています。

この違いは、CM9が帯域幅を大量に必要とするKVキャッシュ導入におけるより近い将来の選択肢であることを示唆します。GP1は、ごく小さなリクエストとGPUメモリ拡張に向けた、より実験的な選択肢です。両製品の主張を混同すると、どちらも評価が難しくなります。

Google Newsの報道では、市場が単純なSSD速度競争のように見えるかもしれません。実際の競争には、メモリ配置、インターコネクト、ファームウェア、ソフトウェアスケジューリング、耐久性、容量、消費電力、そしてシステム全体の経済性が関わっています。

1,000万IOPSという数値が証明しないこと

デバイスの実証だけでは、本番環境でのレイテンシ、耐久性、電力効率、あるいは毎秒トークン数の向上を確立できません。

ベンチマークの数値はワークロード設定に依存します。IOPSは、リクエストサイズ、キュー深度、読み取り比率、データパターン、オーバープロビジョニング、コマンドを送信するワーカー数によって変化します。ピーク結果は、混在したAIトラフィック下での持続的な挙動を示していない可能性があります。

Kioxiaによれば、GP1は512バイトアクセスをサポートしており、4キロバイトリクエストと比べて、同じデータ量でより多くの操作を自然に生成します。購入者は総スループットについて結論を出す前に、IOPSと転送バイト数の両方を比較すべきです。

512バイトで1,000万操作を行うと、プロトコルオーバーヘッドを除いて毎秒約5.12ギガバイトのリクエストデータに相当します。この計算は、例外的なIOPS値と中程度の総帯域幅が両立し得る理由を示しています。このデバイスは、単なる大容量転送ではなく粒度に最適化されています。

レイテンシ分布も同様に重要です。平均値は時折発生する遅いリクエストを隠し得ますが、テールレイテンシは高い割合の操作における最悪の体験を測定します。多くの並列リクエストを処理するAIサービスでは、こうした外れ値が重視されることが多いです。

大半の読み取りが高速に完了していても、遅延したキャッシュフェッチは生成ステップを停止させる可能性があります。そのため購入者には、合成ランダムリードテストでの平均レイテンシだけでなく、現実的なキュー深度におけるパーセンタイルレイテンシが必要です。

耐久性も未解決の問題です。KVキャッシュシステムは、新しい状態を書き込み、期限切れのセッションを削除し、データを階層間で移動させます。組織が文書や埋め込み表現を更新すると、ベクトルインデックスも変化します。XL-FLASHは高密度NANDに対して利点を提供するはずですが、GP1には公開されたワークロード評価が必要です。

容量はデバイスの役割を決定します。小型で高速なSSDはウォームキャッシュとして機能できる一方、大容量デバイスはより多くのモデルパラメータや検索データを保持できます。最終的な容量がなければ、アーキテクトはドライブ数、ラックスペース、障害への露出を計算できません。

Kioxiaは、従来のTLC SSDと比べた際の1操作当たりの消費電力をGP1の利点の一つとして挙げています。同社は、代表的なワークロード下でデバイス全体の消費電力を比較するのに十分な公開データをまだ提供していません。冷却要件とアイドル時の挙動も導入に影響します。

GPUからの直接アクセスがデータパスを変えるため、信頼性機能は精査が必要です。運用者には依然として、エラー処理、アクセス制御、分離、テレメトリ、ファームウェア管理、電源喪失保護、デバイス障害後の予測可能な復旧が必要です。

共有インフラでは、セキュリティが特に重要になります。キャッシュされたプロンプトや取得されたエンタープライズデータには、機密情報が含まれる可能性があります。GPU指向ストレージはテナント分離を維持し、古いデータがワークロード境界を越えないようにする必要があります。

ソフトウェアのオーバーヘッドは、メディアレベルの利点の一部を打ち消す可能性があります。ドライバ、メモリ登録、アドレス変換、リクエストのバッチ処理、キャッシュ管理はいずれもリソースを消費します。ランタイムがリクエストを効率的に発行できなければ、高速SSDは役に立ちません。

システムベンチマークでは、最初のトークンまでの時間、毎秒トークン数、同時接続ユーザー数、GPU使用率、完了リクエスト当たりのエネルギーを測定すべきです。これらの指標は、ストレージの挙動をAI事業者が実際に販売するサービスへと結びつけます。

信頼できるテストでは、GP1をより多くのDRAM、従来のNVMeドライブ、再計算、リモートキャッシュシステムとも比較すべきです。各代替手段には、異なる設備投資、消費電力、容量、運用コストがあります。

最も強い証拠は、HBM容量を超え、細粒度データに繰り返しアクセスする顧客ワークロードから得られます。GP1が応答レイテンシを維持しながら有用なGPU作業を増やせるなら、Kioxiaのアーキテクチャ上の主張は裏付けを得ます。

それまでは、1,000万IOPSの実証が示すのはより限定的な点です。Kioxiaは、実証された条件下で異例に高い小ブロック操作率を実現できる専用フラッシュデバイスを構築しました。すべてのAIアプリケーションがこの製品を必要とすることを証明するものではありません。

GP1がAIインフラになるかを決める3つのシグナル

サンプル仕様、アプリケーションベンチマーク、プラットフォーム採用が、GP1が印象的なFMS実証を超えて進展するかを決定します。

最初のシグナルは、Kioxiaの評価サンプルパッケージです。同社は、選定された顧客が2026年末までにGP Seriesのサンプルを受け取ると見込んでいます。これらのデバイスは、最終的な容量、インターフェース、フォームファクタ、耐久性、電力制限、持続性能を明らかにするはずです。

遅延は現在のタイムラインを弱めます。完全な文書を伴う予定通りのサンプリングは、GP1が技術ショーケースではなく導入可能な製品になりつつあるという見方を強めます。

二つ目のシグナルは、Kioxia、Nvidia、または顧客によるエンドツーエンドのベンチマークです。最も有用な結果は、異なるメモリ階層を用いて同じモデルとサーバーを比較するものでしょう。GPU使用率、応答レイテンシ、スループット、エネルギーを報告すべきです。

ドライブレベルのIOPSチャートだけでは不十分です。中心的な約束はAIシステム効率の向上であるため、検証では管理された条件下で、より多くの推論作業が完了すること、またはより大きな実用モデルが扱えることを示す必要があります。

Kioxiaは、実証結果が1台のデバイス、複数のコントローラ、エミュレータ、あるいは完全なStorage-Nextノードのどれを使用したものかも明らかにすべきです。その背景情報は、より高いシステムレベルの目標に必要なハードウェアを購入者が見積もる助けになります。

三つ目のシグナルは、サーバーメーカー、クラウドプロバイダー、推論ソフトウェアプロジェクトによるNvidia Storage-Nextの採用です。GP1に必要なのは互換性のあるPCIeスロットだけではありません。GPUがフラッシュに保存されたデータをアドレス指定し、スケジュールし、保護し、復旧できる安定した経路が必要です。

大手サーバーベンダーからのサポートは、Kioxiaの立場を強化します。開発者は一般にすでに使っているソフトウェアを通じて新しいハードウェアを導入するため、一般的な推論ランタイムへの統合はさらに重要です。

競合のタイミングはこれらのシグナルに影響します。SK hynixが高IOPS製品を迅速にサンプル提供すれば、購入者は交渉力と比較データを得られます。従来型TLCドライブが性能差の大部分を縮めれば、専用SLCの経済性を正当化することは難しくなります。

1億IOPSという目標は、別途扱うべきです。Kioxiaはこれを次世代AIシステムの要件であり、GP Seriesの目標であると説明しています。同社は、現在出荷されている単一のGP1デバイスが今日そのレートを持続することを確立していません。

したがって、今後のGoogle Newsの更新は3つの問いに照らして読むべきです。その数値は実測値か予測値か。1台のドライブか、システム全体を示すものか。ベンチマークは実際のAIワークロードを改善するか。

開発者にとって、この動きが重要なのは、メモリ配置が推論エンジニアリングの一部になりつつあるためです。チームは、どのモデルデータ、キャッシュブロック、検索インデックスをHBM、DRAM、専用フラッシュ、通常のストレージに配置すべきかをプロファイリングする必要があるかもしれません。

エンタープライズ購入者は、容量を確保する前にワークロードトレースとアプリケーション結果を求めるべきです。また、障害時の挙動、可観測性、セキュリティ制御、ソフトウェアの移植性も検討すべきです。ピークIOPSだけでは、こうした運用上の疑問に答えられません。

ナレッジワーカーがGP1ドライブを直接購入することはないとしても、その成果を実感することはできる。メモリ利用効率の向上により、GPUメモリを比例して増やすことなく、より長時間のセッション、より多くの同時稼働エージェント、そしてより広範なリトリーバルを支えられる可能性がある。

Kioxiaは、第1世代デバイスで約1,000万IOPSを示し、さらに大きな目標へ向けた道筋を明確にしたことで注目を集めた。次の段階は派手さこそないが、より重要だ。そうした処理によってGPUが実際に生産的に稼働し続けることを証明する必要がある。

見守るべきは見出しの数字だけでなく、評価用サンプルだ。実測されたアプリケーション性能の向上、明確なシステム構成、そしてプラットフォームパートナーからのコミットメントに注目したい。こうしたシグナルが、GP1が実用的なAIメモリ階層となるのか、それとも卓越したSSDベンチマークにとどまるのかを示すことになる。