SK hynix 3D FeNAND zmienia NAND w silnik obliczeniowy AI, ale teraz nadchodzi test sprzętowy

SK hynix przedstawił projekt 3D FeNAND, który wykracza poza zastosowanie NAND jako pamięci masowej, osiągając do 16 razy wyższą przepustowość obliczeniową niż konwencjonalne macierze 2D. Firma raportuje także do 4 950 razy wyższą efektywność energetyczną w ocenianych warunkach. Liczby te sprawiają, że SK hynix 3D FeNAND jest wyjątkowo ambitną odpowiedzią na problem przemieszczania danych w AI.

Badania nie zmieniają zwykłego dysku SSD w zamiennik GPU. Proponują analogową architekturę compute-in-memory, czyli A-CiM, która wykonuje wybrane operacje matematyczne tam, gdzie przechowywane są wagi modelu. Taka konstrukcja ogranicza powtarzające się transfery między pamięcią a oddzielnym sprzętem przetwarzającym.

Główna rywalizacja ma więc charakter architektoniczny, a nie wyłącznie komercyjny. Konwencjonalne systemy AI rozdzielają pamięć masową, pamięć operacyjną i procesory, podczas gdy SK hynix chce, by jedna struktura pamięci o wysokiej gęstości przechowywała wagi i je przetwarzała. Wyniki przedstawione podczas 2025 IEEE International Electron Devices Meeting pokazują, dlaczego pomysł zasługuje na uwagę. Nie rozstrzygają jeszcze, czy może przekształcić się w niezawodny sprzęt AI nadający się do produkcji.

SK hynix 3D FeNAND łączy trzy wcześniej odrębne optymalizacje

Istotną zmianą nie jest pojedyncza ulepszona komórka pamięci, lecz architektura koordynująca komórkę, jej układy wspierające i mapowanie obciążeń.

SK hynix zaprezentował tę pracę w artykule zatytułowanym “Co-Optimizing Cell, Non-Cell, and Page Schemes for Energy Efficient Analog Computing in 3D FeNAND.” Artykuł przedstawiono podczas IEDM 2025, które odbyło się w grudniu 2025 roku. SK hynix opublikował szczegółowe publiczne omówienie 14 października 2026 roku.

Firmowe badania nad 3D FeNAND opisują trzy powiązane obszary optymalizacji. Schemat komórki określa, w jaki sposób komórki pamięci reprezentują wartości analogowe. Schemat niekomórkowy dotyczy linii słów i innych struktur wybierających oraz obsługujących te komórki. Schemat strony kontroluje rozmieszczenie danych i obliczeń sieci neuronowej.

Rozróżnienie to jest istotne, ponieważ obliczenia analogowe wymagają czegoś więcej niż zapisania zera lub jedynki. Komórka musi reprezentować kilka poziomów przewodności lub prądu, wystarczająco rozdzielonych, aby kodować użyteczne wagi. Poziomy te muszą pozostać możliwe do odczytu mimo rezystancji, zmienności elektrycznej i interakcji w pionowym łańcuchu NAND.

SK hynix podaje, że dostroił algorytm zapisu za pomocą modulacji liczby impulsów. Metoda ta dostosowuje komórkę poprzez kontrolowaną serię impulsów elektrycznych. Jej celem jest uzyskanie większej liczby użytecznych poziomów w warunkach niskiego prądu, gdzie istotne stają się spadki napięcia wzdłuż długiego łańcucha NAND.

Druga zmiana dotyczy przełączeń linii słów. Linia słów przenosi napięcie wykorzystywane do wyboru i sterowania komórkami. Wielokrotne przełączanie tych linii zużywa energię, nawet gdy same komórki pamięci pracują wydajnie.

Badacze zaproponowali metodę aktywacji dwóch linii słów. Zmniejsza ona liczbę przełączeń wymaganych podczas przepływu danych przez macierz. Ta niekomórkowa optymalizacja ogranicza narzut poza elementem pamięci, który wyidealizowane benchmarki pamięci mogą pomijać.

Trzecia zmiana reorganizuje obliczenia poprzez potokowanie wewnątrz strony i dzielenie stron. Potokowanie wewnątrz strony mapuje wiele warstw sieci neuronowej i powielone operacje w obrębie strony. Dzielenie stron wybiera mniejsze jednostki operacyjne, gdy pełna strona prowadziłaby do marnowania pracy.

Według firmowego podsumowania technicznego, połączony projekt zapewnił 20,4 razy więcej TOPS niż wcześniejsza architektura 3D FeNAND. TOPS oznacza biliony operacji na sekundę. Zapewnił także 7,17 razy więcej TOPS na wat, co jest powszechną miarą efektywności energetycznej obliczeń.

Porównania te różnią się od większych wyników względem konwencjonalnych macierzy pamięci 2D. SK hynix raportuje do 16 razy wyższą przepustowość i 4 950 razy wyższą efektywność energetyczną względem tych alternatyw 2D. Rozdzielenie punktów odniesienia jest niezbędne. Jedno porównanie mierzy postęp względem wcześniejszych prac nad FeNAND, a drugie przewagę gęstości nad macierzami planarnymi.

Badania zmieniają dyskusję wokół NAND, ponieważ sama gęstość nie jest już ostatecznym celem. Macierz musi udostępniać tę gęstość użytecznym obliczeniom bez utraty oszczędności przez układy sterujące lub nieefektywne mapowanie danych.

Ściana pamięci w AI daje NAND nowe zadanie

SK hynix celuje w energię zużywaną na przenoszenie wag modelu, a nie próbuje sprawić, by komórki NAND przewyższały procesory ogólnego przeznaczenia w każdym zadaniu.

Współczesne akceleratory wielokrotnie przemieszczają dane między pamięcią masową, pamięcią operacyjną, pamięciami podręcznymi i jednostkami obliczeniowymi. Ruch ten zużywa energię i zwiększa opóźnienia. Problem staje się poważniejszy, gdy model zawiera więcej wag, niż może pomieścić pobliska macierz pamięci.

Często cytowany przegląd obliczeń w pamięci wskazuje ruch danych jako istotny koszt czasowy i energetyczny. Compute-in-memory ogranicza ten koszt, wykonując wybrane operacje wewnątrz macierzy pamięci lub bardzo blisko niej.

Analogowe compute-in-memory wykorzystuje właściwości elektryczne do równoległego obliczania wielu mnożeń i dodawań. Operacja multiply-and-accumulate mnoży wejścia przez wagi i sumuje wyniki. Sieci neuronowe wielokrotnie wykonują te operacje podczas inferencji i trenowania.

Takie obciążenie daje pamięci o wysokiej gęstości strategiczną przewagę. Jeśli macierz przechowuje więcej wag, system rzadziej je ponownie ładuje. Mniejsza liczba przeładowań może ograniczyć transfery, zapisy i okresy bezczynności wokół samych obliczeń.

Konwencjonalne macierze compute-in-memory 2D mogą oferować operacje równoległe, lecz ich planarny układ ogranicza pojemność przy stałej powierzchni układu. Duży model musi podzielić swoje wagi między wiele macierzy albo wielokrotnie ładować nowe grupy. Oba rozwiązania wprowadzają narzut.

Trójwymiarowa pamięć NAND rozwiązuje już pokrewny problem pamięci masowej, układając komórki pamięci pionowo. SK hynix sprawdza, czy ta pionowa gęstość może wspierać również obliczenia analogowe. FeNAND zastępuje konwencjonalne sterowanie oparte na ładunku mechanizmem ferroelektrycznym, odpowiednim dla wielu programowalnych stanów.

Materiał ferroelektryczny zachowuje wewnętrzną polaryzację po zaniku zewnętrznego pola elektrycznego. Zmiana tej polaryzacji modyfikuje stan elektryczny wykorzystywany do przechowywania danych i sterowania prądem komórki. Teoretycznie takie zachowanie wspiera nieulotne, wielopoziomowe przechowywanie wag.

Komercyjna pamięć 3D NAND zazwyczaj wykorzystuje azotek z pułapkami ładunkowymi, czyli CTN. Struktura ta przechowuje informacje poprzez wychwytywanie i uwalnianie elektronów w warstwie izolacyjnej. Dobrze sprawdza się w gęstej pamięci cyfrowej, ale precyzyjne analogowe sterowanie prądem stawia inne wymagania.

SK hynix twierdzi, że FeNAND oferuje lepszą kontrolę nad wieloma poziomami prądu przy niższym poborze energii. Cecha ta sprawia, że pamięć staje się istotna dla operacji macierzowych, a nie tylko dla przechowywania plików. Pionowa struktura może też umieścić duży zestaw wag na ograniczonej powierzchni.

Presja dotyczy architektur zależnych od ciągłego przenoszenia wag. GPU i inne akceleratory cyfrowe pozostają bardziej elastyczne i dojrzałe. Ich hierarchia pamięci pomocniczej musi jednak stale zasilać wysoce równoległe jednostki obliczeniowe.

SK hynix nie proponuje natychmiastowego zastąpienia HBM, DRAM ani GPU. Szersze portfolio firmy obejmuje wszystkie trzy główne kategorie pamięci. FeNAND dodaje natomiast kolejną możliwą warstwę, zoptymalizowaną pod kątem przechowywania wag o wysokiej gęstości i wybranych operacji analogowych.

Ten podział zadań ma znaczenie. Trenowanie często wymaga wysokiej precyzji numerycznej, częstych aktualizacji wag i elastycznego wykonywania. Inferencja może wykorzystywać stabilne wagi do powtarzalnych operacji, przez co nieulotne compute-in-memory jest bardziej prawdopodobnym początkowym zastosowaniem.

Najbliższa szansa leży zatem w wyspecjalizowanych akceleratorach. Systemy brzegowe, silniki wyszukiwania i duże obciążenia inferencyjne mogą skorzystać, gdy przenoszenie wag dominuje w zużyciu energii. Dokładny rynek zależy od tego, czy FeNAND utrzyma użyteczną dokładność poza warunkami badawczymi.

Jak SK hynix 3D FeNAND zamienia gęstość w przepustowość

Deklarowane zyski projektu wynikają z utrzymywania większej liczby wag na miejscu i usuwania otaczających je wąskich gardeł, a nie z jednego szybszego tranzystora.

Architektura zaczyna się od podstawowej przewagi fizycznej. Pionowy FeNAND układa komórki jedna nad drugą, umożliwiając przechowywanie większej liczby wag na danej powierzchni. Wyższa lokalna pojemność ogranicza potrzebę wymiany wag z pamięcią zewnętrzną.

Pojemność nie przekłada się automatycznie na przepustowość obliczeniową. Długie pionowe łańcuchy wprowadzają rezystancję, która powoduje spadek IR podczas przepływu prądu. Spadek IR to utrata napięcia spowodowana przepływem prądu przez rezystancję.

Ta strata może zawężać użyteczny zakres prądu. Gdy stany prądowe zbliżają się do siebie, systemowi trudniej odróżnić jedną wagę analogową od drugiej. Słabe rozdzielenie zwiększa prawdopodobieństwo błędów obliczeniowych.

Optymalizacja komórki SK hynix wykorzystuje modulację liczby impulsów do dostrajania programowanych stanów. Zamiast polegać na jednym zgrubnym działaniu zapisu, algorytm stosuje kontrolowane impulsy. Firma twierdzi, że wybrany schemat poprawił zachowanie wielopoziomowe w warunkach niskiego prądu, uwzględniających spadek IR.

Kolejne wąskie gardło znajduje się poza komórką. Linie słów muszą aktywować części łańcucha NAND podczas obliczeń. Wielokrotne przechodzenie między wybieranymi liniami zwiększa energię przełączania i opóźnia sekwencję operacji.

Badania wykorzystują aktywację dwóch linii słów, aby ograniczyć obciążenie związane z przejściami. Dwie linie słów uczestniczą w skoordynowanej operacji, zmniejszając niepotrzebne przełączanie. Podejście to traktuje zachowanie układów peryferyjnych jako część silnika obliczeniowego, a nie pasywne okablowanie.

Organizacja stron tworzy trzecią warstwę. NAND odczytuje i obsługuje grupy komórek zorganizowane w strony. Strona zbyt duża dla danego obciążenia może aktywować niewykorzystane dane i układy. Zbyt mała strona może wymagać dodatkowych operacji.

SK hynix ocenił dzielenie stron, aby zrównoważyć te koszty. Jego publiczne podsumowanie porównuje stronę 16-kilobajtową z układem 4-kilobajtowym. Mniejszy podział może poprawiać równoległość, gdy lepiej odpowiada przypisanemu obciążeniu.

Potokowanie wewnątrz strony dodatkowo zmienia sposób, w jaki macierz obsługuje warstwy sieci neuronowej. Metoda mapuje więcej niż jedną warstwę i powiela wybrane struktury sieci w obrębie strony. Według badaczy ogranicza to operacje forward i przełączenia linii słów.

Program IEDM opisuje wynik jako całościową kooptymalizację. To sformułowanie jest ważne. Naprawienie komórki bez zmiany mapowania stron pozostawiłoby nienaruszony narzut na poziomie systemu.

Mechanizm wyjaśnia również dużą różnicę między zyskami przepustowości a efektywności energetycznej. Unikanie ponownego ładowania wag oszczędza więcej niż czas obliczeń. Może wyeliminować powtarzalne transfery i operacje zapisu, zapewniając znacznie większą poprawę liczby operacji na wat.

Jednak raportowana wartość 4 950 razy jest porównaniem benchmarkowym, a nie obietnicą dotyczącą całego serwera produkcyjnego. Porównuje oceniane podejście FeNAND z wybranymi macierzami pamięci 2D przy założeniach dotyczących ograniczonej powierzchni układu. Elektronika pomocnicza, konwersja danych i komunikacja systemowa nadal zużywają energię.

Wyniki analogowe zazwyczaj wymagają konwersji na wartości cyfrowe, które mogą wykorzystać inne układy. Przetworniki analogowo-cyfrowe mogą zajmować powierzchnię i zużywać znaczną ilość energii. Sumowanie wyników częściowych między macierzami może również przywrócić część transferów danych.

Badania pozostają istotne, ponieważ uwzględniają kilka z tych zależności, zanim ogłoszą sukces. Zachowanie komórek, narzut sterowania i efektywność mapowania pojawiają się w jednej analizie. To bardziej miarodajne niż demonstracja ograniczona wyłącznie do komórek.

Wskazują również na potrzebę współprojektowania sprzętu i oprogramowania. Kompilatory oraz narzędzia do mapowania modeli muszą znać dostępne strony, precyzję i poziomy prądu. Użyteczny akcelerator FeNAND wymagałby oprogramowania, które rozmieszcza operacje modelu zgodnie z mocnymi stronami sprzętu.

Konkurencja Dotyczy Przenoszenia Wag i Obliczeń Tam, Gdzie Są Przechowywane

SK hynix 3D FeNAND podważa konwencjonalną hierarchię pamięci, ale konkuruje także z kilkoma innymi technologiami obliczeń w pamięci.

Głównym konkurentem jest utrwalony podział między procesorami a pamięcią. Taka architektura zapewnia elastyczność, precyzję i dojrzałe oprogramowanie. Jej słabością jest wielokrotne przemieszczanie danych przez hierarchię zużywającą energię na każdej granicy.

HBM ogranicza tę słabość, dostarczając bardzo wysoką przepustowość blisko akceleratora. Stało się centralnym elementem systemów AI, ponieważ zasila GPU znacznie szybciej niż konwencjonalna pamięć. HBM nadal jednak przenosi dane, podczas gdy obliczenia w pamięci próbują uniknąć wybranych transferów.

Obie technologie mogą współistnieć. HBM może obsługiwać często zmieniające się aktywacje i ogólny ruch akceleratora. Gęsta macierz FeNAND mogłaby przechowywać większy zbiór stałych wag i wykonywać odpowiednie operacje macierzowe.

Obliczenia w pamięci oparte na SRAM oferują inną drogę. SRAM jest szybka i kompatybilna z logiką cyfrową, lecz jej komórki zajmują więcej powierzchni i tracą dane bez zasilania. Ograniczona gęstość może ograniczać pojemność modelu dostępnego w akceleratorze.

Rezystancyjna pamięć RAM, czyli RRAM, wykorzystuje programowalną rezystancję do obliczeń analogowych. Krzyżowe macierze RRAM stały się ważną platformą badawczą, ponieważ efektywnie wykonują operacje macierz-wektor. Ich praktyczne wyzwania obejmują zmienność urządzeń, trwałość, narzut konwersji i skalowanie dużych macierzy.

Pamięć fazowej zmiany i pamięć magnetyczna oferują inne nieulotne opcje. Każda technologia inaczej równoważy gęstość, energię programowania, trwałość, szybkość i złożoność produkcji. Żadne pojedyncze urządzenie nie wyeliminowało wszystkich kompromisów na poziomie systemu.

Proponowaną przewagą FeNAND jest połączenie pionowej gęstości i programowalności analogowej. Trójwymiarowy łańcuch przechowuje znacznie więcej wag niż porównywalna macierz planarna. Ta gęstość staje się wartościowa, gdy model w przeciwnym razie wymaga częstego ponownego ładowania.

To podejście konkuruje również z cyfrowym przetwarzaniem blisko pamięci. Systemy te umieszczają konwencjonalną logikę obok pamięci, zamiast polegać na analogowych stanach prądowych. Obliczenia cyfrowe zwykle oferują bardziej przewidywalną precyzję, choć mogą zapewniać mniejsze zyski wydajności.

IEDM 2025 zilustrowało tę szerszą konkurencję. Macronix zaprezentował architekturę obliczeń w pamięci masowej w trybie mieszanym, opartą na 3D NAND, przeznaczoną dla dużych modeli językowych. W studium przypadku wykorzystano Qwen 2.5 Math 7B i oceniono błędy obliczeniowe na MATH500.

Sąsiednie prace pokazują, że obliczenia oparte na NAND nie ograniczają się do jednej firmy ani jednego materiału. Badacze analizują konstrukcje analogowe, mieszane i realizowane w pamięci masowej. Wspólną motywacją jest ograniczenie transferów między dużymi magazynami wag a oddzielnymi procesorami.

SK hynix ma również wcześniejsze doświadczenie w tym kierunku badań. Przegląd IEEE dotyczący FeNAND opisał wcześniejsze urządzenie SK hynix z co najmniej 256 poziomami przewodności na komórkę. W pracy tej odnotowano stabilne operacje mnożenia i akumulacji oraz dokładność 87,8 procent w ocenianym zadaniu.

Nowa publikacja przechodzi od demonstracji gęstych obliczeń analogowych do optymalizacji otaczającej je architektury. Ten postęp ma znaczenie, ponieważ wiarygodny produkt wymaga czegoś więcej niż korzystnego urządzenia. Potrzebuje powtarzalnego programowania, możliwych do opanowania kosztów układów peryferyjnych oraz rozmieszczania danych uwzględniającego charakter obciążeń.

Pytanie konkurencyjne nie brzmi, czy FeNAND może wykonać jedną operację macierzową. Chodzi o to, czy pełny system może zachować jego przewagi w zakresie gęstości i energii. Każdy projekt, który dodaje zbyt dużo sprzętu do konwersji, korekcji lub sterowania, osłabia główny argument.

Twierdzenia o Wydajności Nadal Muszą Przejść Testy Dokładności i Produkcji

Nierozstrzygnięte pozostaje pytanie, czy SK hynix zdoła zachować zgłaszane przewagi, gdy zmienność, precyzja, trwałość i narzut pełnego systemu zostaną uwzględnione w tym samym pomiarze.

Obliczenia analogowe wymieniają część cyfrowej pewności na fizyczną równoległość. Prądy naturalnie sumują się w macierzy, pozwalając wykonywać wiele operacji jednocześnie. Jednak szum elektryczny i zmienność urządzeń mogą przesunąć wynik.

Przegląd dokładności analogowej z 2026 roku wskazuje szum, zmienność urządzeń, efekty obwodowe i narzut konwersji jako utrzymujące się ograniczenia. Metody korekcji mogą poprawiać precyzję, ale zużywają powierzchnię, czas lub energię.

FeNAND mierzy się z tymi ogólnymi wyzwaniami obliczeń analogowych, a także z zachowaniem długiego pionowego łańcucha. Rezystancja rośnie, gdy sygnały przechodzą przez strukturę. Komórki mogą wpływać na sąsiednie operacje, a różnice procesowe mogą zmieniać progi przełączania.

Materiały ferroelektryczne wprowadzają własne pytania dotyczące niezawodności. Powtarzane programowanie może z czasem zmieniać zachowanie urządzenia. Retencja, trwałość, wrażliwość na temperaturę i zmienność muszą pozostawać akceptowalne w dużych, produkowanych macierzach.

Magazynowanie wielopoziomowe dodatkowo zwiększa trudność. Większa liczba poziomów zwiększa ilość informacji przechowywanej w komórce. Zmniejsza również margines elektryczny między sąsiednimi stanami, przez co szum i dryft mają większe znaczenie.

Optymalizacja zapisu SK hynix dotyczy rozdzielenia poziomów prądu w modelowanych warunkach rezystancji. To użyteczny dowód, lecz nie odpowiada na wszystkie pytania produktowe. Materiały publiczne nie opisują komercyjnego układu, harmonogramu produkcji ani programu kwalifikacji klientów.

Granice benchmarków również zasługują na uwagę. Nawet 16-krotnie wyższa przepustowość i 4 950-krotnie wyższa efektywność energetyczna nie są uniwersalnymi mnożnikami. Porównują określone architektury, ograniczenia powierzchni układu i założenia dotyczące obciążenia.

Poprawa TOPS o 20,4 raza oraz wzrost TOPS na wat o 7,17 raza wykorzystują wcześniejszy projekt 3D FeNAND jako punkt odniesienia. Te wartości lepiej izolują znaczenie współoptymalizacji. Nadal jednak stanowią ocenę badawczą, a nie niezależnie odtworzone pomiary produktu.

Wydajność na poziomie systemu będzie zależeć od komponentów poza macierzą pamięci. Dostarczanie wejść, konwersja danych, obsługa błędów, harmonogramowanie i komunikacja z procesorem hosta — wszystkie mają znaczenie. Chłodzenie i dostarczanie zasilania również wpływają na możliwą do wdrożenia efektywność.

Dopasowanie do obciążenia tworzy kolejne ograniczenie. Wnioskowanie intensywnie wykorzystujące macierze naturalnie odwzorowuje się na analogowych operacjach mnożenia i akumulacji. Kod z rozgałęzieniami, zmieniające się wagi, zadania wymagające wysokiej precyzji i ogólne oprogramowanie nie odwzorowują się równie łatwo.

Architektura modelu może zmieniać się szybciej niż produkcja półprzewodników. Układ zoptymalizowany pod kątem jednego układu stron lub precyzji może napotkać nowe mechanizmy uwagi, wzorce rzadkości albo formaty kwantyzacji. Programowalność określi, jak dobrze projekt przetrwa te zmiany.

Oprogramowanie pozostaje kluczową brakującą warstwą w publicznym opisie. Deweloperzy potrzebują kompilatorów, narzędzi do mapowania, procedur kalibracji i modeli wydajności. Bez tego stosu nawet wydajny sprzęt pozostaje trudny do konsekwentnego wykorzystania.

Integracja produkcyjna stanowi największy długoterminowy test. Badacze muszą umieścić materiały ferroelektryczne w gęstym procesie NAND bez pogorszenia uzysku lub niezawodności. Powstałe urządzenie musi również konkurować ekonomicznie z ugruntowaną produkcją pamięci.

Żadne z tych ograniczeń nie unieważnia pracy. Wyjaśniają one, co publikacja faktycznie ustala. SK hynix przedstawił bardziej zintegrowaną ścieżkę dla obliczeń FeNAND, popartą dużymi zyskami benchmarkowymi na poziomie architektury.

Nadal nieudowodniona pozostaje komercjalizacja. Firma nie ogłosiła daty produkcji, nazwanego akceleratora ani dostawcy systemowego wdrażającego tę architekturę. Czytelnicy powinni traktować wyniki jako kamień milowy w badaniach, a nie specyfikację gotowego produktu.

Trzy Sygnały Pokażą, Czy FeNAND Może Opuścić Laboratorium

Kolejne dowody muszą połączyć wyniki na poziomie macierzy z działającym sprzętem, powtarzalną dokładnością i realistyczną ścieżką produkcyjną.

Pierwszym sygnałem będzie wyprodukowany, współoptymalizowany układ testowy z niezależnie możliwymi do zbadania pomiarami systemowymi. Taka demonstracja powinna obejmować przetworniki, obwody peryferyjne, logikę harmonogramowania i komunikację z hostem. Jeśli przewaga efektywności pozostanie duża po uwzględnieniu tych komponentów, argument architektoniczny SK hynix stanie się znacznie silniejszy.

Ten sam test powinien raportować dokładność modelu obok TOPS i TOPS na wat. Szybki wynik ma ograniczoną wartość, jeśli błędy analogowe istotnie pogarszają jakość wyjścia. Pomiary w różnych temperaturach i na wielu układach pokazałyby, czy projekt pozostaje stabilny poza jedną korzystną próbką.

Drugim sygnałem będzie walidacja obciążeń na współczesnych modelach AI. Badacze powinni ujawnić rozmiar modelu, precyzję numeryczną, zachowanie aktualizacji wag, mapowanie stron i częstotliwość ponownego ładowania. Testy wnioskowania transformatorowego pokazałyby, czy pionowa gęstość ogranicza transfer danych w obciążeniu, które nabywcy rzeczywiście planują wdrażać.

Porównania muszą również stosować spójne granice systemu. FeNAND, RRAM, SRAM, GPU wspierane przez HBM i cyfrowe projekty przetwarzania blisko pamięci powinny uwzględniać porównywalne koszty układów peryferyjnych. Przejrzysty benchmark albo wzmocniłby twierdzenia SK hynix, albo zawęził ich praktyczne znaczenie.

Trzecim sygnałem będzie mapa drogowa produkcji i oprogramowania. Warto obserwować informacje o integracji procesu, dane dotyczące trwałości, narzędzia dla deweloperów i partnerstwa z projektantami akceleratorów. Nazwana platforma pilotażowa lub ewaluacyjna wskazywałaby przejście od badań nad urządzeniem do inżynierii produktu.

Mapa drogowa powinna wyjaśniać, gdzie FeNAND znajduje się obok działalności SK hynix w zakresie HBM, DRAM i NAND. Jeśli uzupełnia te produkty, pierwszym wdrożeniem może być wyspecjalizowana warstwa wnioskowania. Jeśli wymaga nowego przepływu produkcyjnego, adopcja będzie zależeć od uzysku i popytu klientów.

Dla deweloperów i nabywców korporacyjnych natychmiastowym działaniem jest obserwacja, a nie zakup. Śledź granicę systemu stojącą za każdą wartością wydajności. Pytaj, które operacje pozostają wewnątrz pamięci, a które wracają do konwencjonalnego procesora.

Zespoły śledzące tę zmianę powinny przechowywać publikacje, definicje benchmarków i notatki implementacyjne w przeszukiwalnej bazie wiedzy inżynierskiej. Decydujące dowody pojawią się w publikacjach dotyczących urządzeń, ujawnieniach architektonicznych i wydaniach oprogramowania.

SK hynix 3D FeNAND już przedstawił wiarygodny argument badawczy za traktowaniem NAND jako czegoś więcej niż pasywnej pamięci masowej. Teraz rozpoczyna się trudniejszy test: utrzymanie tej przewagi, gdy dokładność analogowa, sprzęt peryferyjny, oprogramowanie i produkcja masowa spotkają się w jednym systemie.