SamsungとSK hynixのPIMチップは2026年の新発表ではないが、競争はすでに次の段階へ移っている

最近浮上した見出しとは異なり、SamsungとSK hynixは2026年10月に次世代メモリ・コンピューティングチップを共同発表したわけではない。表現の背景にある検証可能な出来事は、SK hynixがISSCCでメモリ内処理技術を発表する準備をしていた2022年2月にさかのぼる。

この区別は重要だ。SamsungとSK hynixのPIMチップは現在、AIインフラを巡るはるかに広範な競争の一部となっている。両社は個別の研究発表の段階を越え、推論、データ移動、容量、エネルギー消費を中心に設計されたメモリシステムへと進んでいる。

元の話題は、処理のすべてを別個のプロセッサへ送るのではなく、一部の計算をメモリ内部で実行するprocessing-in-memory、すなわちPIMについてだった。現在の競争はより大きい。SamsungとSK hynixは今、PIM、高帯域幅メモリ、フラッシュ、パッケージング、ソフトウェアをそれぞれ異なる組み合わせで進化させている。

これは単一の実験的チップを巡るSamsung対SK hynixの争いにとどまらない。主な競争軸は、従来のGPU中心システムと、ストレージや計算をデータの近くへ移すアーキテクチャの間にある。

報じられた発表はISSCC 2022にさかのぼる

入手可能な証拠は、新たに予定された2026年10月の発表ではなく、過去のカンファレンス発表を示している。

SK hynixは2022年2月16日にGDDR6-AiMを発表した。同社はこれを、GDDR6メモリに演算機能を加えたprocessing-in-memory製品と説明した。

SK hynixは、この開発を2022 International Solid-State Circuits Conferenceで披露すると述べた。ISSCCは同年2月20日から2月24日にかけてオンラインで開催されており、2026年10月の開催ではない。

同社の発表には、再浮上した見出しと一致する複数の手掛かりがある。次世代メモリチップ、メモリ内での演算、主要な世界的半導体カンファレンスでの発表が含まれていた。

時期を表す文言も、そのカンファレンスの直前に書かれた記事と一致する。ただしSK hynixは、発表を翌月ではなく「今月末」に行うとしていた。

GDDR6-AiM announcementによると、このサンプルは毎秒16ギガビットで動作するGDDR6に演算機能を組み合わせたものだった。同社は機械学習、ハイパフォーマンス・コンピューティング、大規模データ処理向けに位置付けた。

SK hynixは、従来のDRAMをGDDR6-AiMに置き換えることで、特定の計算を16倍高速化できると主張した。また、メモリとプロセッサ間のデータ移動を抑えることで、消費電力を80%削減できるともした。

これらは選定されたワークロードに基づく同社報告の結果である。あらゆるAIモデル、サーバー、実運用環境で同等の向上が得られることを示すものではない。

同時期には、両韓国メモリメーカーがそれぞれISSCCで発表を行った。公式のISSCC press kitには、SK hynixが毎秒896ギガバイトの帯域幅を持つHBM3設計を発表したことが記載されている。

Samsungは、ピン当たり毎秒27ギガビットで動作する16ギガビットGDDR6設計を発表した。これらの発表は先進メモリ性能に関するものであり、共同PIM製品の発表ではなかった。

Samsung自身のPIMの歴史はさらに前から始まっている。2021年2月、同社は各メモリバンクにプログラマブルな処理ユニットを統合した高帯域幅メモリの一種、HBM-PIMを発表した。

Samsungはこの設計をAIトレーニング、推論、ハイパフォーマンス・コンピューティング向けとしていた。同社の論文もISSCCでの発表に選定された。

したがって一次情報源は、より正確な結論を裏付けている。SamsungとSK hynixはそれぞれ、2021年および2022年のISSCCサイクルに合わせてメモリ中心コンピューティングを進めていた。両社が共有する単一製品を発表したわけではない。

元の日付を取り除いた見出しは、この歴史的な進展を速報ニュースのように見せかねない。アグリゲーターが発行元の完全なタイムスタンプを示していない場合、読者は「来月」のような相対表現を慎重に扱うべきだ。

2026年にもProcessing in Memoryが重要である理由

PIMが今なお重要なのは、データ移動が消費する時間とエネルギーを、演算速度の向上だけでは取り戻せないためだ。

従来のアクセラレータは、モデルの重み、活性化値、中間結果をプロセッサとメモリの間で繰り返し転送する。メモリシステムが十分な速度でデータを供給できない場合、プロセッサは待機状態に陥り得る。

エンジニアはこの制約を「メモリウォール」と呼ぶ。プロセッサ性能は、大規模なデータセットをシステム内で効率的に移動させる能力よりも速く向上してきた。

実用的な観点で説明すれば、メモリ内処理は名称ほど複雑ではない。データが格納されている場所で一部の処理を行い、メモリとプロセッサを結ぶインターフェースをまたぐ往復を減らす。

この考え方は、CPUやGPUを通常のDRAMで置き換えるものではない。代わりに、メモリサブシステムの内部または近傍に配置された専用ロジックへ、適した処理を割り当てる。

この区別は重要である。汎用プロセッサは制御フローや多様な計算に引き続き適している。一方、メモリ側のコンピューティングは、大規模データセットに対して予測可能な処理を繰り返すワークロードで最も効果を発揮する。

AI推論にはそのようなワークロードが数多くある。言語モデルは各トークンを生成する間、パラメータを継続的に取得し、一時データを管理しなければならない。

より長いプロンプトは、生成中に再利用される、事前に計算済みのアテンションデータの集合であるkey-value cacheへの負荷も増大させる。この情報を利用可能な状態に保てば計算の重複を減らせるが、大きなメモリ容量と帯域幅を必要とする。

GPUの演算性能を増やしても、こうした問題が自動的に解決するわけではない。データが十分な速さでコンピュートユニットに届かなければ、追加のプロセッサは比例した性能をもたらさないまま、コストと電力を増加させる可能性がある。

PIMのアプローチは、この不均衡を抑えようとするものだ。行列計算、検索、フィルタリング、データ移動管理といった処理を、メモリのより近くで実行できる。

Samsungの初期のHBM-PIM designでは、HBMスタックのバンク内にプログラマブルな演算ユニットを配置した。HBMは、垂直接続されたDRAMダイを使い、コンパクトなパッケージ内で高帯域幅を実現する。

Samsungは、同社のプロトタイプが選定したアプリケーションでシステム性能を2倍超に高め、エネルギー使用量を70%以上削減したと報告した。これらの数値はSamsungのテストに基づくものであり、独立したベンチマークとして扱うべきではない。

SK hynixは、GDDR6-AiMで異なる初期アプローチを取った。GDDRメモリは一般にグラフィックスと結び付けられるが、その帯域幅はAIアクセラレーションにも有用だ。

同社はその後、AiMチップをAiMXと呼ばれるアクセラレータカードに組み込んだ。このパッケージングにより、メモリを中心にプロセッサ全体を再設計することなく、サーバー内でPIMをテストするより明確な道筋が提供された。

これが、最初の報道から4年を経た現在もSamsungとSK hynixのPIMチップが注目に値する理由である。AIインフラは、ピークGPUスループット以上のものにますます依存するようになっている。

事業者は現在、プラットフォームがモデルをどれほど効率的に提供できるか、長いコンテキストをどう処理するか、キャッシュデータをどう管理するか、そして電力制約の中でどう拡張できるかを評価している。メモリアーキテクチャは、これらすべての指標に影響を与え得る。

その結果、メモリはコンポーネントとして高速化する段階から、コンピューティングアーキテクチャの一部となる段階へ移行している。この変化は、従来プロセッサの背後で標準化チップを供給してきた企業の戦略的価値を高める。

Samsung対SK hynixのAIメモリは、今やシステム全体の競争となっている

競争は個々のメモリ仕様から、AIデータを移動、保存、処理するための包括的な経路へと拡大している。

SamsungはPIMの開発を継続しつつ、この技術をより幅広いメモリおよびパッケージングのポートフォリオと結び付けている。その強みは、メモリ、ロジック製造、先進パッケージングを横断して取り組める点にある。

Future of Memory and Storage 2026で、Samsungは約30種類のメモリおよびストレージ技術を展示した。そのラインアップには、HBM4E、HBM5、LPDDR5X-PIM、エンタープライズ向けストレージ製品が含まれていた。

LPDDR5X-PIMは、低消費電力DRAMに演算機能をもたらす。これにより、このアプローチは生のスループットと同じくらいエネルギー消費が重要なエッジシステムやデバイスにも適したものとなる。

Samsungはまた、プロセッサの上に高帯域幅メモリを配置する3次元アーキテクチャの提案であるzHBMを発表した。この設計は、専用の冷却構造を通じてデータ経路を短縮し、熱の制約に対処することを目指す。

このアプローチは、すべてのメモリ製品に計算ユニットを挿入する方法とは異なる。物理的距離、パッケージング、熱を、同じデータ移動問題の一部として扱う。

したがってSamsungの2026年のmemory portfolioは、短期的なHBM製品から長期的なアーキテクチャまで広がっている。一部は出荷済み製品である一方、他はサンプル、デモ、またはロードマップ上のコンセプトにとどまる。

SK hynixは、HBM、PIM、高帯域幅フラッシュ、ソフトウェアを軸に独自のスタックを構築している。同社はこの方向性を「full stack AI memory」戦略と呼んでいる。

同社のGDDR6-AiMチップは、大規模言語モデルのワークロード向けに設計されたアクセラレータカード、AiMXの基盤であり続けている。SK hynixは、この技術を単体ダイに限定せず、サーバー内のAiMXとして実演している。

2026年9月、同社はインタラクティブな言語モデルのデモを実行するAiMXサーバーを披露した。さらに、高帯域幅フラッシュとSALT-KVと呼ばれるソフトウェア技術も発表した。

高帯域幅フラッシュ、すなわちHBFは、NANDフラッシュに垂直インターコネクト技術を適用するものだ。SK hynixはこれを、高速なHBMと従来のソリッドステートストレージの間に位置する、容量重視のレイヤーとして位置付けている。

SALT-KVは、言語モデルの推論中に作成されるkey-value cacheを対象とする。同社によると、このソフトウェアはキャッシュされた情報を、その特性と再利用の可能性に応じて管理する。

SK hynixは、これらの技術が異なる推論ニーズに対応すると主張する。PIMは高速なデコーディングを対象とし、HBFは長いコンテキストを扱うワークロードにより大きな容量を提供する。

このポートフォリオは、現在のSamsung対SK hynixのAIメモリ競争を示している。両社は、通常のDRAMに代わる単一の万能な後継技術に賭けているわけではない。

Samsungは、パッケージング、メモリ、製造をまたぐ統合を重視している。SK hynixは、異なるAIサービングパターンに対応する専用メモリ階層とソフトウェアを組み合わせている。

Micronなどのメモリサプライヤーが競争圧力を加える一方、Nvidia、AMD、カスタムアクセラレータの設計企業は、どのインターフェースが商業的に重要になるかに影響を与える。技術的に優れたメモリ設計であっても、プロセッサのサポートと顧客による認定が必要だ。

クラウド事業者も、自社シリコンの設計をさらに進めている。彼らの選択は、メモリ技術が広くサポートされる標準となるか、狭いアクセラレータ構成に結び付いたままになるかを左右し得る。

これにより、ソフトウェア層の支配力はますます重要になっている。開発者には、各処理をどこで実行すべきかを理解するコンパイラ、ライブラリ、スケジューラ、監視ツールが必要だ。

大規模なアプリケーション書き換えを必要とするハードウェアは摩擦を生む。使い慣れたフレームワークを通じて利用できるハードウェアの方が、デモから本番環境へ移行できる可能性は高い。

その仕組みはデータ移動の削減にある

メモリサイド・コンピューティングを支持する最も強い根拠は、メモリがGPUになることではない。高コストなボトルネックを通過するバイト数を減らせることにある。

現代のAIサーバーには、複数の種類のメモリとストレージが搭載されている。レジスタとキャッシュは計算コアに最も近く、その次にHBMなどの接続メモリが位置する。

システムメモリは、アクセラレータから離れた場所で容量を補う。ソリッドステートドライブはさらに大規模なデータセットを保持できる一方、レイテンシーは大きくなる。

こうした階層間のデータ転送はすべてエネルギーを消費する。また、遅延を生み、インターフェース、コントローラー、パッケージングのリソースも必要とする。

PIMは、保存されたデータの近くに限定的な演算ユニットを配置することで、このワークフローを変える。これらのユニットは、より小さな結果を中央プロセッサへ戻す前に、適した処理を実行できる。

たとえば、大規模な埋め込みテーブルを検索するレコメンデーションシステムを考えてみよう。従来の設計では、最終出力が少数の候補にすぎない場合でも、大量のデータをプロセッサへ移動させることがある。

メモリサイドのロジックは、データの発生源に近い場所でフィルタリングや統合を行える。その結果、プロセッサが受け取るバイト数は減り、メモリトラフィックを待つ時間も短くなる。

言語モデルの推論も、別の例である。テキスト生成では、モデルパラメータとキャッシュされたアテンションデータへの反復的なアクセスが必要となる。

PIMは、選択された反復計算を高速化できる。大容量メモリ層は、低速なストレージから繰り返し読み込む代わりに、モデルのワーキングデータをより多くサーバー近傍に保持できる。

いずれの手法もGPUを不要にするわけではない。GPUは依然としてモデルの中核計算を担い、実行を統括する。

狙いは、より均衡の取れたシステムである。計算能力、帯域幅、容量、消費電力は、あるリソースだけが十分に活用されない状態を避けつつ、連動して拡張されるべきだ。

SK hynixは、2026年9月のAI Infra Summitでこの考えを示した。同社は、低レイテンシーのエージェントから長文コンテキストのサービスまで、従来のGPU-HBMアーキテクチャでは十分でなくなりつつあると述べた。

同社のAI memory showcaseでは、PIM、HBF、AiMX、SALT-KVが紹介された。来場者はハードウェアを確認し、AiMX搭載サーバー上で動作する言語モデルのデモを操作できた。

このデモが重要なのは、単なる理論上の性能数値以上の意味を持つからだ。メモリチップから、開発者や顧客が評価できるシステムへの道筋を示している。

ただし、カンファレンスでのデモだけで本番環境での経済性を証明することはできない。大規模フリートでの信頼性、モデル間のソフトウェア互換性、総保有コストの低減を立証するものでもない。

Samsungも同じ課題に直面している。同社のPIMおよび三次元メモリの構想は、プロセッサのロードマップ、パッケージング能力、冷却システム、顧客のソフトウェアに適合しなければならない。

この仕組みにはトレードオフもある。メモリに追加されるロジックはダイ面積と電力を消費し、設計の複雑さも増す。

ある種類の計算に最適化されたPIMユニットは、モデルアーキテクチャが変化すると有用性が低下する可能性がある。固定機能は効率をもたらすが、汎用的なプログラマビリティはコストとオーバーヘッドを増加させる。

メモリメーカーは、その境界をどこに置くかを選ばなければならない。柔軟性が低すぎれば市場は狭まり、高すぎれば従来型プロセッサの複雑さを再現することになる。

こうした緊張関係があるため、ピーク性能だけで説明されるインメモリ処理は読者を誤らせかねない。データ移動は問題だが、実用的な導入はシステム全体に依存する。

カンファレンスでの主張には依然として本番環境の証拠が必要

未解決の問いはPIMが機能するかどうかではなく、新たなハードウェアとソフトウェアのレイヤーを正当化できるほど広範に機能するかどうかである。

企業の発表は通常、新しいアーキテクチャに適合するよう選ばれたワークロードの結果を報告する。こうしたテストは技術的な可能性を示せる一方、本番環境での性能を予測するものではない。

SK hynixが当初示した、処理速度が16倍、消費電力が80％低いという主張は、特定の計算に適用されたものだった。すべてのワークロードを説明したものでも、普遍的な導入成果を開示したものでもない。

Samsungが以前に示した性能およびエネルギーに関する主張も、同様に社内評価と結び付いていた。完全な本番システム同士の独立比較ではなく、ベンダーによる測定値として読むべきだ。

最初のリスクは、ワークロードへの感度である。メモリサイド・コンピューティングは、処理が反復的かつ並列的で、データ移動によって制約される場合に最大の恩恵をもたらす。

不規則な制御フローを持つプログラムでは、効果が小さくなることがある。一部のタスクは、メモリ帯域幅ではなく、ネットワーキング、プロセッサのスケジューリング、ストレージによって制約される可能性もある。

第二の障壁はソフトウェアである。PIMチップには、どの処理をメモリ内で実行し、どの処理をアクセラレータに残すべきかを判断するツールが必要だ。

こうしたツールは、変化するモデルやフレームワークに対応しなければならない。そうでなければ、顧客はインフラコストの削減効果を相殺しかねないエンジニアリングコストを負担することになる。

第三の課題は標準化だ。AIプロセッサ、メモリデバイス、ソフトウェアスタックは、それぞれ異なるリリースサイクルを持つ別々のサプライヤーから提供されている。

プロプライエタリな実装は初期段階ではより速く進められる可能性がある。共通のプログラミングモデルはより多くの顧客に届く可能性があるが、業界全体での合意には時間がかかる。

製造も不確実性をもたらす。ロジックと高密度メモリを組み合わせることで、テスト、歩留まり管理、パッケージング、熱設計は複雑になりうる。

メモリ業界には、信頼性の高いDRAMを大規模生産してきた豊富な経験がある。しかし計算機能を追加すれば、標準化メモリを魅力的にしてきた経済性が変化する可能性がある。

Samsungの幅広い製造能力は、複数の統合手段を同社にもたらす。それでも、それらの能力を組み合わせて許容可能な歩留まりで信頼性の高いシステムを生み出せることを示す必要がある。

SK hynixは高帯域幅メモリで強い地位を持ち、より幅広いAIメモリソリューションを提示してきた。同社は、この技術的な勢いを展示会の枠を超えた再現性のある顧客導入へと変えなければならない。

ここで、Samsung対SK hynixのAIメモリは、仕様の競争ほど単純ではなくなる。異なるアーキテクチャが、市場の異なる領域で成功する可能性がある。

Samsungは、高度に統合されたパッケージや低消費電力デバイスで、より強い機会を見いだすかもしれない。SK hynixは、アクセラレータカード、特化型推論システム、または階層型メモリアーキテクチャで支持を得る可能性がある。

両社は、アクセラレータ設計を管理する顧客にも依存している。Nvidia、AMD、クラウド事業者、その他のチップ開発企業は、メモリサプライヤーが好むアーキテクチャを支持し、再構成し、あるいは回避することができる。

したがって最も強い証拠となるのは、再現可能なワークロード結果を伴う、実名の本番導入である。顧客は現実的な条件の下で、性能、エネルギー、利用率、ソフトウェアコストを開示する必要がある。

その証拠がなければ、読者は進展の三段階を区別すべきだ。研究論文は実現可能性を確立し、プロトタイプは統合を実証し、認定済みの商用製品は顧客導入への準備が整ったことを示す。

再浮上した見出しが当初説明していたのは、最初の二段階だった。それを、Samsung SK hynixのPIMチップがすでに広範な商用採用に到達していた証拠として解釈すべきではない。

PIMが市場になりつつあるかを示す3つのシグナル

顧客による認定、ソフトウェアサポート、再現可能な推論経済性が、メモリ・コンピューティング製品が特化型導入を超えて広がるかを左右する。

第一のシグナルは、PIMまたはAiMXを採用する実名の本番プラットフォームである。確認済みのサーバーまたはアクセラレータ導入は、顧客がハードウェア、ソフトウェア、信頼性に関するトレードオフを受け入れたことを示す。

その開示の質も重要だ。パイロット、覚書、展示会での提携は、顧客に提供される出荷済みシステムと同じ重みを持たない。

本番採用は、メモリサプライヤーがAI計算からより大きな価値を得られるという主張を強める。従来型HBMへの依存が続けば、アーキテクチャ転換に関する主張は弱まる。

第二のシグナルは、主流AIソフトウェア内でのサポートである。開発者は、コンパイラ統合、最適化カーネル、オープンなプログラミングインターフェース、フレームワークレベルのスケジューリングに注目すべきだ。

ソフトウェアは、アプリケーションが単一ベンダー向けに書き直されることなく、特化型ハードウェアを利用できるかを決める。また、モデル構造の変化にシステムが適応できるかも左右する。

幅広いツール群は、Samsung SK hynixのPIMチップ市場を強化するだろう。分断された、あるいはクローズドなソフトウェアは、カスタムインフラを維持できる顧客に用途を限定する。

第三のシグナルは、独立して測定された推論経済性である。有用な比較には、複数のモデル種別にわたるレイテンシー、スループット、エネルギー、メモリ容量、利用率が含まれるべきだ。

長文コンテキスト推論は、キャッシュ要件がメモリ容量に直接的な圧力をかけるため、特に注目に値する。高速な対話型エージェントも、低レイテンシーを重視するため、別の試金石となる。

PIM、HBF、または三次元メモリが、過度なソフトウェア作業を必要とせずにこれらの指標を改善できれば、メモリ中心のコンピューティングはより説得力を増す。選ばれたデモ以外で効果が消えるなら、従来のアクセラレータ設計が優位性を維持するだろう。

読者は、PIMとHBM全体の成功も区別すべきだ。HBMはすでに高性能AIアクセラレータに不可欠となっているが、それがメモリ内計算の採用を保証するわけではない。

短期的により可能性が高いのは、混在型の階層構造である。GPUは中心的な役割を維持する一方、特化型のメモリ層とストレージ層が、より大きな帯域幅、容量、ローカル処理の恩恵を受けるワークロードを担う。

SamsungとSK hynixは、それぞれ異なる技術の組み合わせで、この結果に備えている。その戦略は、将来のAIシステムが一種類のメモリに依存しないことを示唆している。

より大きな変化は概念的なものだ。メモリサプライヤーは、自社製品を受動的なストレージ部品ではなく、AIインフラの能動的な構成要素として語るようになっている。

この変化は、プロセッサ企業にとっての競争を激化させる。また、クラウド事業者に対して、データの保存、移動、処理をどこで行うかについて、より多くの選択肢を与える。

開発者と企業の購買担当者は、カンファレンスのラベルではなく導入事例を見るべきだ。重要なのは、統合コストを含めた後でも、新しいメモリアーキテクチャが現実のワークロードを改善するかどうかである。

元の報道は、歴史的な節目として今なお有用である。そこには、韓国最大のメモリメーカーが計算とストレージの従来の分離に公然と挑戦した瞬間が捉えられていた。

4年後、その考えは消えていない。PIM、HBM、高帯域幅フラッシュ、先進パッケージング、メモリ認識型ソフトウェアをめぐる競合ロードマップへと拡大している。

次に意味を持つ発表は、メモリが計算できるという新たな約束ではない。顧客がこの技術を繰り返し導入し、その利点を測定し、変化するAIワークロード全体で支えられるという証拠である。

AIインフラを評価する人にとって、それが追うべき実用的な試験基準だ。次のカンファレンスデモを市場転換とみなす前に、実名のシステム、利用可能なソフトウェア、第三者による結果を確認すべきである。