Kioxia GP1 osiąga 10 milionów IOPS, ale sprzęt wciąż musi jeszcze wiele udowodnić
Kioxia zaprezentowała dysk GP1 Series osiągający 10 milionów operacji wejścia/wyjścia na sekundę, dając czytelnikom Google News konkretny sygnał, że pamięć masowa dla AI się zmienia. Wynik robi wrażenie, ale reprezentuje wczesną demonstrację urządzenia, a nie produkt dostarczany klientom i zweryfikowany w produkcyjnych klastrach AI.
GP1 należy do szerszej serii GP firmy Kioxia, czyli rodziny dysków SSD zaprojektowanych do bezpośredniego, drobnoziarnistego dostępu z GPU. Kioxia planuje udostępnić próbki ewaluacyjne wybranym klientom do końca 2026 roku. Jej długoterminowy cel przekracza 100 milionów IOPS, co pozostawia znaczną lukę między najnowszą demonstracją a docelową architekturą.
Właśnie ta luka jest sednem historii. Kioxia nie próbuje jedynie zbudować szybszego dysku dla przedsiębiorstw. Chce, by pamięć flash stała się rozszerzeniem kosztownej pamięci GPU, konkurując z rozwiązaniami opartymi na DRAM w wybranych zastosowaniach AI. SK hynix, Samsung, Solidigm i inni dostawcy pamięci masowej podążają podobnymi ścieżkami, podczas gdy Nvidia definiuje systemy, które mogą uczynić je użytecznymi.
Nagłówki Google News pomijają dwa różne kamienie milowe Kioxia
Kioxia zademonstrowała urządzenie o wydajności 10 milionów IOPS, podczas gdy wynik 100 milionów IOPS pozostaje celem dla systemu następnej generacji.
To rozróżnienie ma znaczenie, ponieważ kilka ujawnień Kioxia krąży obecnie równocześnie. Ich liczby opisują różne etapy planu rozwoju firmy, a nie jeden ukończony produkt o jednej zweryfikowanej specyfikacji.
Kioxia po raz pierwszy zarysowała koncepcję SSD o superwysokiej wydajności IOPS podczas prezentacji strategii korporacyjnej w 2025 roku. Firma opisała urządzenie wykorzystujące XL-FLASH i nowy kontroler, od którego oczekiwano ponad 10 milionów IOPS w 2026 roku. Przedstawiła też bezpośredni dostęp GPU jako sposób na ograniczenie udziału CPU w ścieżce danych.
W marcu 2026 roku Kioxia oficjalnie ogłosiła rozwój serii GP. Jej komunikat dotyczący serii GP opisywał pamięć flash dostępną dla GPU, żądania 512-bajtowe oraz niższe zużycie energii na operację niż w przypadku konwencjonalnych dysków Kioxia TLC. Ogłoszenie nie zawierało kompletnej specyfikacji handlowej.
Następnie podczas czerwcowego wydarzenia dla inwestorów Kioxia rozszerzyła skalę ambicji. Firma poinformowała, że przyszłe produkty GP będą adresowane do systemów AI wymagających ponad 100 milionów IOPS. Jej aktualizacja Investor Day przedstawiła tę wydajność obok XL-FLASH, dedykowanego kontrolera i obsługi Nvidia Storage-Next.
Te twierdzenia nie oznaczają, że demonstracja GP1 osiągnęła już 100 milionów IOPS. Bardziej uzasadniona interpretacja jest taka, że GP1 wyznacza pierwszy etap na poziomie około 10 milionów. Późniejsze generacje GP i większe konfiguracje systemowe mają dążyć do wyższego celu.
Kioxia używa również określenia „GP Series” w oficjalnych materiałach anglojęzycznych, podczas gdy część relacji z FMS 2026 identyfikuje zademonstrowane urządzenie pierwszej generacji jako GP1. Czytelnicy nie powinni traktować GP1, GP Series i planu rozwoju do 100 milionów IOPS jako wymiennych nazw.
To jeden z powodów, dla których agregacja informacji może spłaszczać istotny kontekst techniczny. Nagłówek Google News ujmuje samo ogłoszenie, ale nie granicę między emulatorem, zademonstrowanym sprzętem, próbkami ewaluacyjnymi a kwalifikowanymi dyskami produkcyjnymi.
Równie ważny pozostaje harmonogram produktu. Kioxia twierdzi, że wybrani klienci powinni otrzymać próbki ewaluacyjne serii GP do końca 2026 roku. Próbki ewaluacyjne pozwalają twórcom systemów testować integrację, firmware, obciążenia robocze i niezawodność. Nie są dowodem szerokiej dostępności ani wdrożenia na dużą skalę.
Oznacza to, że kupującym nadal brakuje kilku standardowych szczegółów zakupowych. Kioxia nie podała ostatecznego zakresu pojemności, specyfikacji wytrzymałości, profilu obciążeń trwałych, macierzy formatów ani daty ogólnej dostępności GP1. Nie opublikowała też szerokich wyników testów porównawczych przeprowadzonych przez strony trzecie.
Wiadomość jest realna, ale jej zakres jest węższy, niż sugeruje najbardziej spektakularna liczba. Kioxia pokazała, że jej wyspecjalizowana architektura pamięci flash może wejść do klasy wydajności wykraczającej poza konwencjonalne dyski SSD dla przedsiębiorstw. Nie pokazała jeszcze, że technologia może zastąpić istotną część HBM lub DRAM w produkcyjnym wnioskowaniu.
Dlaczego systemy AI nagle potrzebują tak wielu małych operacji
GP1 jest zoptymalizowany pod kątem częstych, niewielkich żądań, ponieważ wnioskowanie agentowe obciąża pamięć masową inaczej niż trening lub konwencjonalny dostęp do plików.
IOPS mierzy, ile operacji wejścia/wyjścia urządzenie wykonuje w każdej sekundzie. Samodzielnie nie mierzy ilości przesyłanych danych. Dysk może osiągać wysokie IOPS przy małych żądaniach, a jednocześnie zapewniać niższą łączną przepustowość niż inne urządzenie przenoszące duże sekwencyjne bloki.
Tradycyjny marketing dysków SSD dla przedsiębiorstw często podkreśla sekwencyjną przepustowość i losowe operacje czterokilobajtowe. Te wskaźniki pasują do baz danych, maszyn wirtualnych, analityki i ogólnej pamięci serwerowej. Dostęp AI kierowany przez GPU może obejmować mniejsze fragmenty danych żądane przy znacznie większej współbieżności.
Projekt Kioxia wykorzystuje granulację dostępu 512 bajtów, co oznacza, że każda operacja może pobrać mniejszą jednostkę niż konwencjonalne żądanie czterokilobajtowe. Ta różnica może ograniczyć niepotrzebny transfer danych, gdy użyteczny element zajmuje jedynie część większego bloku.
Firma łączy ten wzorzec dostępu z XL-FLASH, swoją niskolatencyjną pamięcią klasy storage. XL-FLASH wykorzystuje pamięć typu single-level cell, która przechowuje jeden bit w każdej komórce pamięci. Takie podejście przedkłada opóźnienia i wytrzymałość nad większą gęstość dostępną w pamięci flash TLC lub QLC.
Własne wyjaśnienie techniczne firmy Kioxia mówi, że pierwsza generacja GP ma obsługiwać 100 milionów losowych operacji odczytu 512-bajtowego. Umieszcza także próbkowanie drugiej generacji w 2027 roku. Cele te pozostają prognozami firmy, dopóki klienci nie przetestują reprezentatywnego sprzętu.
Jednym z docelowych obciążeń jest generowanie wspomagane wyszukiwaniem, czyli RAG. Ta metoda pobiera informacje zewnętrzne, zanim model skonstruuje odpowiedź. Duże indeksy wektorowe mogą wymagać wielu małych, nieregularnych odczytów, zwłaszcza gdy bazy danych przechowują w pamięci jedynie najczęściej używane dane.
Kolejny cel obejmuje parametry modelu, które nie mogą w całości pozostawać w pamięci GPU o wysokiej przepustowości. Model mixture-of-experts na przykład aktywuje wybrane części większej sieci dla każdego tokenu. Szybka pamięć masowa mogłaby przechowywać rzadziej używane fragmenty, jeśli oprogramowanie przewidzi ich potrzebę i pobierze je, zanim GPU się zatrzyma.
KV cache stwarza powiązaną, lecz bardziej skomplikowaną możliwość. Pamięć podręczna klucz-wartość przechowuje pośrednie dane uwagi tworzone podczas przetwarzania przez model językowy rozmowy. Ponowne wykorzystanie tych danych pozwala uniknąć powtarzania wcześniejszych obliczeń, ale długie prompty i równoległe sesje mogą zużywać znaczną ilość pamięci.
GPU potrzebują natychmiastowego dostępu do najczęściej używanych wpisów cache. Mniej aktywny kontekst może przemieszczać się przez hierarchię obejmującą HBM, pamięć hosta, lokalne dyski SSD i pamięć współdzieloną. Menedżer KV cache firmy Nvidia odzwierciedla to warstwowe podejście, koordynując bloki cache między kilkoma lokalizacjami pamięci i pamięci masowej.
Nie każde obciążenie cache sprzyja jednak małym odczytom. Oprogramowanie może łączyć wiele tokenów w większe bloki przed przeniesieniem ich do pamięci masowej. Samsung opisał pliki cache o wielkości 33 megabajtów w jednym badaniu dotyczącym pamięci masowej dla wnioskowania, przez co w testowanej konfiguracji istotna była przepustowość sekwencyjna.
Ta zmienność sprawia, że jedna liczba IOPS nie może przewidzieć wydajności aplikacji. Wyszukiwanie wektorowe, pobieranie parametrów, ładowanie modeli i przenoszenie KV cache mogą generować odmienne rozmiary bloków, głębokości kolejek, proporcje odczytów do zapisów oraz wymagania dotyczące opóźnień.
Aplikacja decyduje również o tym, czy CPU znajduje się na ścieżce danych. Dostęp inicjowany przez GPU może zmniejszyć narzut programowy i niepotrzebne transfery, ale wymaga wsparcia ze strony sterowników, sieci, zabezpieczeń, orkiestracji i firmware pamięci masowej.
Kioxia sprzedaje zatem ideę architektoniczną w równym stopniu co urządzenie. Jej teza brzmi, że serwery AI potrzebują warstwy pamięci masowej zbudowanej dla wzorców dostępu GPU, a nie szybszej wersji znanej pamięci NVMe zorientowanej na CPU.
Prawdziwe starcie to rozszerzenie pamięci flash kontra kosztowna pamięć
Kioxia musi pokazać, że pamięć flash może rozszerzyć pojemność dostępną dla GPU, nie zmuszając akceleratorów do oczekiwania na każde istotne żądanie.
Pamięć o wysokiej przepustowości znajduje się blisko GPU i zapewnia znacznie niższe opóźnienia oraz znacznie większą przepustowość niż pamięć NAND flash. Jej pojemność jest również ograniczona, a wdrożenie kosztowne. Te właściwości czynią HBM wartościową dla aktywnych danych modelu i obliczeń, ale trudną do skalowania jako uniwersalne repozytorium.
DRAM dodaje kolejną warstwę o większej pojemności i niższej wydajności niż HBM. Nadal kosztuje jednak więcej na jednostkę pojemności niż NAND. Duże systemy wnioskowania już dzielą dane między te warstwy, przenosząc informacje zgodnie z pilnością, ponownym wykorzystaniem i dostępną przestrzenią.
GP1 nie eliminuje fizycznej różnicy między pamięcią a pamięcią masową. Próbuje uczynić pamięć flash użyteczną dla danych, które mogą tolerować mikrosekundy zamiast nanosekund, pod warunkiem że urządzenie obsłuży wystarczająco wiele jednoczesnych żądań.
Tworzy to główny konflikt artykułu: wyspecjalizowane rozszerzenie pamięci flash kontra dalsze poleganie na HBM i DRAM. Kioxia wygrywa tylko wtedy, gdy jej SSD pozwala systemom obsłużyć więcej użytecznej pracy z każdego kosztownego GPU bez dodawania szkodliwych opóźnień.
Pojedynczy dysk o wydajności 10 milionów IOPS może wyglądać niezwykle na tle konwencjonalnych dysków SSD dla przedsiębiorstw. Istotne porównanie zmienia się na poziomie systemu. Wiele GPU może generować ogromne łączne zapotrzebowanie, podczas gdy każde zatrzymane żądanie może pozostawiać kosztowne zasoby obliczeniowe bezczynne.
Własny kontroler Kioxia ma kluczowe znaczenie dla tej argumentacji. Kontroler musi harmonogramować wiele małych operacji, sprawnie komunikować się z GPU i zarządzać XL-FLASH bez przekształcania narzutu programowego w nowe wąskie gardło. Zużycie energii na operację również ma znaczenie, ponieważ szafy AI już teraz podlegają ścisłym ograniczeniom elektrycznym i chłodniczym.
Nvidia Storage-Next zapewnia szerszą architekturę. Zachęca dostawców pamięci masowej do budowania urządzeń dla obciążeń inicjowanych przez GPU i traktuje pamięć flash jako część pamięci dostępnej dla GPU. Seria GP firmy Kioxia jest jedną z odpowiedzi dostawców, a nie odizolowanym, własnościowym eksperymentem.
Pomysł różni się od podejścia Context Memory Storage firmy Nvidia, które koncentruje się na KV cache i transferze o wysokiej przepustowości w ramach warstwowego systemu pamięci. Kioxia pozycjonuje swoją serię CM do tej roli zorientowanej na przepustowość. Serię GP rezerwuje dla dostępu o niższych opóźnieniach i wysokim IOPS oraz obciążeń RAG.
To rozdzielenie portfolio jest wymowne. Kioxia nie twierdzi, że jeden egzotyczny dysk SSD może obsłużyć każdy wzorzec pamięci masowej AI. Oferuje dyski TLC do zastosowań wymagających przepustowości i wytrzymałości, XL-FLASH do drobnoziarnistego dostępu oraz produkty QLC do wysokiej pojemności.
Niższa gęstość GP1 tworzy kompromis ekonomiczny. XL-FLASH oparty na SLC przeznacza więcej fizycznych komórek flash na daną pojemność niż NAND TLC lub QLC. Kupujący muszą zatem uzyskać wystarczającą wartość aplikacyjną z niższych opóźnień, aby uzasadnić jego użycie.
Zwrot może wynikać z wyższego wykorzystania GPU, większej pojemności modelu, większej liczby równoległych sesji lub szybszego wyszukiwania. Żadna z tych korzyści nie wynika jednak automatycznie z wyniku IOPS na poziomie dysku. Oprogramowanie musi umieścić właściwe dane na GP1 i zażądać ich wystarczająco wcześnie.
Deweloperzy powinni traktować SSD jako kolejną warstwę z wyraźnymi wymaganiami dotyczącymi harmonogramowania. Źle zaprojektowany potok może wielokrotnie przenosić dane, powodować nadmierną rotację cache’u lub przeciążać połączenia międzykomponentowe. Takie problemy obniżyłyby wartość szybszego nośnika.
Architektura staje się bardziej przekonująca, gdy obciążenia mają duży zestaw roboczy z możliwymi do zidentyfikowania gorącymi i ciepłymi obszarami. HBM może przechowywać najczęściej używane informacje, podczas gdy GP1 utrzymuje ciepłe dane, które nadal są wrażliwe na wydajność. Pamięć TLC lub QLC o dużej pojemności może przechowywać chłodniejsze dane.
Ta hierarchia nie zastępuje pamięci. Zmienia ilość danych, które muszą w każdej chwili zajmować najdroższą warstwę. To węższe założenie jest technicznie wiarygodne, ale nabywcy potrzebują benchmarków aplikacyjnych, aby je skwantyfikować.
Kioxia Wchodzi do Wyścigu, a Nie Samodzielnie Tworzy Kategorię
Konkurenci realizują tę samą szansę w obszarze pamięci masowej, wykorzystując różne nośniki, interfejsy i priorytety wydajnościowe.
SK hynix opisał AIN P, produkt ukierunkowany na precyzyjny dostęp w inferencji AI. Proponowana konstrukcja wykorzystuje operacje 512-bajtowe i celuje w około 50 milionów IOPS przez PCIe 6.0, z dalszą ścieżką do 100 milionów. Przewidywany harmonogram sięga 2027 roku.
Ta mapa drogowa ściśle przypomina centralną tezę Kioxia. Obie firmy oczekują, że inferencja AI wygeneruje wystarczająco dużo małych, losowych operacji, aby uzasadnić stosowanie kontrolerów i konfiguracji flash zaprojektowanych dla nowej klasy wydajności.
Porównanie pokazuje również, dlaczego wczesna demonstracja Kioxia ma znaczenie. Działające urządzenie GP1 osiągające 10 milionów IOPS daje firmie sprzęt, który klienci mogą zacząć oceniać, zanim wszystkie mapy drogowe osiągną swoje ostateczne cele.
Nie rozstrzyga to jednak rywalizacji. SK hynix może konkurować dzięki integracji z szerszym portfolio pamięci. Samsung może łączyć korporacyjne SSD, DRAM, HBM i walidację systemową. Solidigm podkreślał pamięć masową o dużej pojemności oraz wspomagany programowo cache KV lub wyszukiwanie wektorowe.
Konwencjonalne korporacyjne SSD również nadal się rozwijają. Samsung podaje dla PM1753 do 3,3 miliona IOPS w losowym odczycie i 14,5 gigabajta na sekundę. Wartości te są niższe od nagłówkowej liczby IOPS GP1, lecz urządzenie Samsunga oferuje także udokumentowane funkcje korporacyjne i testy obciążeń.
Materiały porównawcze Kioxia dotyczące istniejącego CM7 wskazują 1,4 miliona IOPS dla korporacyjnego dysku PCIe 5.0. Wobec tego punktu odniesienia 10 milionów IOPS w GP1 oznacza znaczący wzrost na poziomie urządzenia. Ta różnica pomaga wyjaśnić, dlaczego uwagę przyciągają wyspecjalizowane nośniki i kontrolery.
Kontekst historyczny wprowadza kolejnego konkurenta, choć nie jest on już aktywnie rozwijany. Intel Optane wykorzystywał nośniki 3D XPoint, by zapewnić opóźnienia i wytrzymałość plasujące się między DRAM a SSD NAND. Jego komercyjny schyłek dowiódł, że przewagi techniczne nie gwarantują trwałego rynku.
Optane mierzył się z trudną ekonomiką, ograniczoną adopcją i wyzwaniem polegającym na wpasowaniu nowej warstwy pamięci w istniejące systemy. GP1 korzysta z doświadczenia w produkcji NAND i wsparcia architektonicznego Nvidia, ale nadal stoi przed ryzykiem integracyjnym i popytowym.
Analizy branżowe również oddzielają surową wydajność od użytecznych wdrożeń. Ocena ServeTheHome argumentuje, że sukcesy projektowe w dużej mierze zależą od tego, czy Nvidia będzie promować Storage-Next w przyszłych systemach. Ta zależność daje Nvidia istotny wpływ na adopcję.
Warstwa oprogramowania może stać się kolejną granicą konkurencji. Dostawcy pamięci masowej potrzebują zgodności z runtime’ami inferencyjnymi, bazami wektorowymi, systemami orkiestracji i frameworkami komunikacji GPU. Sprzęt wymagający rozległej pracy niestandardowej będzie atrakcyjny głównie dla największych operatorów.
Otwarte wsparcie programowe może poszerzyć rynek. Jasne interfejsy pozwoliłyby zespołom infrastruktury porównywać GP1 ze zwykłymi macierzami NVMe, pamięcią zdalną, skompresowanymi cache’ami lub ponownym obliczaniem. Zamknięte integracje mogłyby dawać dobre wyniki w wybranych systemach, jednocześnie ograniczając szerszą adopcję.
Kioxia musi także wyjaśnić, gdzie GP1 plasuje się obok rodziny CM9. CM9 oferuje udokumentowaną pojemność 25,6 terabajta i wytrzymałość na poziomie trzech pełnych zapisów dysku dziennie. GP1 obecnie podkreśla granularność dostępu i IOPS, nie dysponując równie kompletną specyfikacją publiczną.
Ta różnica sugeruje, że CM9 jest bliższą terminowo opcją dla wdrożeń cache’u KV wymagających wysokiej przepustowości. GP1 to bardziej eksperymentalna opcja dla bardzo małych żądań i rozszerzania pamięci GPU. Łączenie ich deklaracji utrudniłoby ocenę obu produktów.
Relacje w Google News mogą sprawiać wrażenie, że rynek jest prostym wyścigiem o szybkość SSD. Rzeczywista konkurencja obejmuje rozmieszczanie danych w pamięci, połączenia międzykomponentowe, firmware, harmonogramowanie programowe, wytrzymałość, pojemność, pobór energii i całkowitą ekonomikę systemu.
Czego Nie Dowodzi Wartość 10 Milionów IOPS
Demonstracja urządzenia nie może potwierdzić produkcyjnych opóźnień, wytrzymałości, efektywności energetycznej ani wzrostu liczby tokenów na sekundę.
Wyniki benchmarków zależą od ustawień obciążenia. IOPS zmienia się wraz z rozmiarem żądań, głębokością kolejki, udziałem odczytów, wzorcem danych, nadmiarową rezerwą pojemności i liczbą procesów roboczych wysyłających polecenia. Wynik szczytowy może nie opisywać trwałego zachowania przy mieszanym ruchu AI.
Kioxia twierdzi, że GP1 obsługuje dostęp 512-bajtowy, który naturalnie generuje więcej operacji dla danej objętości danych niż żądania czterokilobajtowe. Nabywcy powinni porównywać zarówno IOPS, jak i przesłane bajty, zanim wyciągną wnioski dotyczące całkowitej przepustowości.
Dziesięć milionów operacji po 512 bajtów oznacza około 5,12 gigabajta żądanych danych na sekundę przed uwzględnieniem narzutu protokołu. Obliczenie pokazuje, dlaczego wyjątkowa liczba IOPS może współistnieć z umiarkowaną łączną przepustowością. Urządzenie jest zoptymalizowane pod kątem granularności, a nie wyłącznie transferu masowego.
Równie istotny jest rozkład opóźnień. Średnia może ukrywać sporadyczne wolne żądania, podczas gdy opóźnienie ogonowe mierzy najgorsze doświadczenia wśród dużego odsetka operacji. Usługi AI obsługujące wiele równoległych żądań często zwracają uwagę na takie wartości odstające.
Opóźnione pobranie z cache’u może zatrzymać krok generowania, nawet jeśli większość odczytów kończy się szybko. Dlatego nabywcy potrzebują opóźnień percentylowych przy realistycznych głębokościach kolejek, a nie tylko średniego opóźnienia w syntetycznym teście losowego odczytu.
Wytrzymałość pozostaje kolejną otwartą kwestią. Systemy cache’u KV zapisują nowy stan, usuwają wygasłe sesje i przenoszą dane między warstwami. Indeksy wektorowe także się zmieniają, gdy organizacje aktualizują dokumenty lub embeddingi. XL-FLASH powinien oferować przewagi nad gęstszym NAND, ale GP1 potrzebuje opublikowanej oceny dla obciążeń.
Pojemność określi rolę urządzenia. Mały, szybki SSD może służyć jako ciepły cache, podczas gdy większe urządzenie może przechowywać więcej parametrów modelu lub danych do wyszukiwania. Bez ostatecznych pojemności architekci nie mogą obliczyć liczby dysków, miejsca w szafie rack ani ekspozycji na awarie.
Zużycie energii na operację jest jedną z deklarowanych przez Kioxia przewag nad jej konwencjonalnymi SSD TLC. Firma nie dostarczyła jeszcze wystarczających danych publicznych, aby porównać pobór mocy całego urządzenia przy reprezentatywnych obciążeniach. Wymagania dotyczące chłodzenia i zachowanie w stanie bezczynności również wpływają na wdrożenie.
Funkcje niezawodności wymagają dokładnej analizy, ponieważ bezpośredni dostęp GPU zmienia ścieżkę danych. Operatorzy nadal potrzebują obsługi błędów, kontroli dostępu, izolacji, telemetrii, zarządzania firmware, ochrony przed utratą zasilania i przewidywalnego odzyskiwania po awarii urządzenia.
Bezpieczeństwo staje się szczególnie ważne we współdzielonej infrastrukturze. Buforowane prompty lub pobrane dane przedsiębiorstwa mogą zawierać wrażliwe informacje. Pamięć masowa sterowana przez GPU musi zachować izolację tenantów i zapobiegać przenikaniu nieaktualnych danych między granicami obciążeń.
Narzut programowy może zniwelować część zysków na poziomie nośnika. Sterowniki, rejestracja pamięci, translacja adresów, grupowanie żądań i zarządzanie cache’em zużywają zasoby. Szybki SSD nie pomoże, gdy runtime nie potrafi efektywnie wysyłać żądań.
Benchmarki systemowe powinny mierzyć czas do pierwszego tokenu, liczbę tokenów na sekundę, liczbę równoczesnych użytkowników, wykorzystanie GPU oraz energię na ukończone żądanie. Te metryki łączą zachowanie pamięci masowej z usługą, którą operator AI faktycznie sprzedaje.
Wiarygodny test powinien także porównywać GP1 z większą ilością DRAM, konwencjonalnymi dyskami NVMe, ponownym obliczaniem i zdalnymi systemami cache. Każda alternatywa wiąże się z innymi kosztami kapitałowymi, energetycznymi, pojemnościowymi i operacyjnymi.
Najmocniejsze dowody pochodziłyby z obciążeń klientów przekraczających pojemność HBM i wielokrotnie odwołujących się do danych o wysokiej granularności. Jeśli GP1 zwiększy użyteczną pracę GPU przy utrzymaniu stałego opóźnienia odpowiedzi, architektoniczna deklaracja Kioxia zyska potwierdzenie.
Do tego czasu demonstracja 10 milionów IOPS dowodzi węższego punktu. Kioxia zbudowała wyspecjalizowane urządzenie flash zdolne do wyjątkowo wysokiej liczby operacji na małych blokach w zademonstrowanych warunkach. Nie dowodzi to, że każda aplikacja AI potrzebuje tego produktu.
Trzy Sygnały Zdecydują, Czy GP1 Stanie Się Infrastrukturą AI
Specyfikacje próbek, benchmarki aplikacyjne i adopcja platformy zdecydują, czy GP1 wyjdzie poza imponującą demonstrację na FMS.
Pierwszym sygnałem będzie pakiet próbek ewaluacyjnych Kioxia. Firma spodziewa się, że wybrani klienci otrzymają próbki GP Series do końca 2026 roku. Urządzenia te powinny ujawnić ostateczne pojemności, interfejsy, formaty, wytrzymałość, limity mocy i trwałą wydajność.
Opóźnienie osłabiłoby obecny harmonogram. Terminowe próbki z kompletną dokumentacją wzmocniłyby argument, że GP1 staje się produktem możliwym do wdrożenia, a nie jedynie prezentacją technologii.
Drugim sygnałem będzie benchmark end-to-end od Kioxia, Nvidia lub klienta. Najbardziej użyteczny wynik porównałby ten sam model i serwer z różnymi hierarchiami pamięci. Powinien raportować wykorzystanie GPU, opóźnienie odpowiedzi, przepustowość i zużycie energii.
Wykres IOPS na poziomie dysku nie wystarczy. Główna obietnica dotyczy lepszej efektywności systemu AI, więc walidacja musi wykazać większą liczbę ukończonych zadań inferencyjnych lub większe użyteczne modele w kontrolowanych warunkach.
Kioxia powinna także ujawnić, czy zademonstrowany wynik wykorzystuje jedno urządzenie, wiele kontrolerów, emulator czy kompletny węzeł Storage-Next. Ten kontekst pomoże nabywcom oszacować sprzęt wymagany do osiągnięcia wyższych celów na poziomie systemu.
Trzecim sygnałem będzie adopcja Nvidia Storage-Next przez producentów serwerów, dostawców chmurowych i projekty oprogramowania inferencyjnego. GP1 zależy od czegoś więcej niż zgodnego gniazda PCIe. Potrzebuje stabilnej ścieżki, która umożliwi GPU adresowanie, harmonogramowanie, zabezpieczanie i odzyskiwanie danych przechowywanych na flash.
Wsparcie dużego dostawcy serwerów wzmocniłoby pozycję Kioxia. Integracja z popularnymi runtime’ami inferencyjnymi miałaby jeszcze większe znaczenie, ponieważ deweloperzy zazwyczaj wdrażają nowy sprzęt za pośrednictwem oprogramowania, którego już używają.
Termin działań konkurentów wpłynie na te sygnały. Jeśli SK hynix szybko udostępni próbki swoich produktów o wysokim IOPS, nabywcy zyskają siłę negocjacyjną i dane porównawcze. Jeśli konwencjonalne dyski TLC zniwelują znaczną część luki wydajnościowej, ekonomika wyspecjalizowanego SLC będzie trudniejsza do obrony.
Cel 100 milionów IOPS zasługuje na osobne omówienie. Kioxia opisuje go jako wymaganie dla systemów AI następnej generacji i cel GP Series. Firma nie wykazała, że pojedyncze, dostarczane obecnie urządzenie GP1 utrzymuje taką wartość.
Przyszłe aktualizacje Google News należy więc odczytywać przez pryzmat trzech pytań. Czy liczba została zmierzona czy jest prognozowana? Czy opisuje jeden dysk czy system? Czy benchmark poprawia wyniki rzeczywistego obciążenia AI?
Dla deweloperów ta zmiana ma znaczenie, ponieważ rozmieszczanie danych w pamięci staje się częścią inżynierii inferencji. Zespoły mogą potrzebować profilować, które dane modelu, bloki cache’u i indeksy wyszukiwania zasługują na HBM, DRAM, wyspecjalizowany flash lub zwykłą pamięć masową.
Nabywcy korporacyjni powinni prosić o ślady obciążeń i wyniki aplikacyjne przed zarezerwowaniem pojemności. Powinni również analizować zachowanie przy awariach, obserwowalność, mechanizmy bezpieczeństwa i przenośność oprogramowania. Same szczytowe IOPS nie odpowiedzą na te pytania operacyjne.
Pracownicy wiedzy nie będą kupować dysków GP1 bezpośrednio, ale nadal mogą odczuć ich efekty. Lepsze wykorzystanie pamięci może wspierać dłuższe sesje, większą liczbę jednocześnie działających agentów i szersze wyszukiwanie bez konieczności proporcjonalnego zwiększania pamięci GPU.
Kioxia zwróciła na siebie uwagę, prezentując urządzenie pierwszej generacji osiągające około 10 milionów IOPS oraz przedstawiając drogę do znacznie wyższego celu. Kolejny krok jest mniej spektakularny, lecz ważniejszy: udowodnienie, że te operacje pozwalają GPU pracować wydajnie.
Obserwuj próbki ewaluacyjne, a nie tylko nagłówki. Szukaj zmierzonych korzyści dla aplikacji, jasno opisanych konfiguracji systemowych oraz zobowiązań partnerów platformowych. Te sygnały pokażą, czy GP1 stanie się praktyczną warstwą pamięci dla AI, czy pozostanie wyjątkowym wynikiem w benchmarkach SSD.
