Os Chips PIM da Samsung e da SK hynix Não Foram uma Nova Revelação de 2026, mas a Corrida Avançou
Samsung e SK hynix não anunciaram o lançamento conjunto de um chip de computação em memória de próxima geração para outubro de 2026, apesar de uma manchete que ressurgiu recentemente sugerir o contrário. O evento verificável por trás dessa formulação remonta a fevereiro de 2022, quando a SK hynix se preparava para apresentar tecnologia de processamento em memória na ISSCC.
Essa distinção importa porque os chips PIM da Samsung e da SK hynix agora fazem parte de uma disputa muito mais ampla pela infraestrutura de IA. As duas empresas foram além de anúncios isolados de pesquisa e passaram a desenvolver sistemas de memória voltados à inferência, à movimentação de dados, à capacidade e ao consumo de energia.
A história original era sobre processamento em memória, ou PIM, que realiza cálculos selecionados dentro da memória em vez de enviar cada operação a um processador separado. A competição atual é maior. Samsung e SK hynix agora avançam com diferentes combinações de PIM, memória de alta largura de banda, flash, empacotamento e software.
Não se trata simplesmente de Samsung contra SK hynix por um chip experimental. A principal disputa ocorre entre sistemas convencionais centrados em GPUs e arquiteturas que aproximam o armazenamento ou a computação dos dados.
A Revelação Divulgada Remonta à ISSCC 2022
As evidências disponíveis apontam para um anúncio antigo de conferência, não para uma nova apresentação programada para outubro de 2026.
A SK hynix anunciou o GDDR6-AiM em 16 de fevereiro de 2022. A empresa o descreveu como um produto de processamento em memória que adicionava funções computacionais à memória GDDR6.
A SK hynix disse que apresentaria o desenvolvimento na International Solid-State Circuits Conference de 2022. A ISSCC ocorreu virtualmente de 20 a 24 de fevereiro daquele ano, não em outubro de 2026.
O anúncio da empresa fornece vários indícios que correspondem à manchete ressurgida. Envolvia um chip de memória de próxima geração, computação dentro da memória e uma apresentação em uma importante conferência global de semicondutores.
A linguagem sobre o momento também corresponde a uma matéria escrita pouco antes daquela conferência. No entanto, a SK hynix afirmou que a apresentação aconteceria “no fim deste mês”, e não no mês seguinte.
Segundo o anúncio do GDDR6-AiM, a amostra combinava funções computacionais com GDDR6 operando a 16 gigabits por segundo. A empresa a posicionou para aprendizado de máquina, computação de alto desempenho e processamento de dados em larga escala.
A SK hynix afirmou que substituir a DRAM convencional pelo GDDR6-AiM poderia tornar certos cálculos 16 vezes mais rápidos. Também alegou uma redução de 80% no consumo de energia ao limitar a movimentação entre memória e processadores.
Esses eram resultados reportados pela empresa, vinculados a cargas de trabalho selecionadas. Eles não estabeleceram ganhos comparáveis em todos os modelos de IA, servidores ou ambientes de produção.
O mesmo período incluiu apresentações separadas na ISSCC de ambas as fabricantes coreanas de memória. O kit de imprensa oficial da ISSCC listava a SK hynix apresentando um design HBM3 com 896 gigabytes por segundo de largura de banda.
A Samsung apresentou um design GDDR6 de 16 gigabits operando a 27 gigabits por segundo por pino. Essas apresentações tratavam de desempenho avançado de memória, embora não fossem um anúncio conjunto de produto PIM.
A própria história da Samsung com PIM começou antes. Em fevereiro de 2021, ela apresentou o HBM-PIM, uma versão de memória de alta largura de banda com unidades de processamento programáveis integradas a cada banco de memória.
A Samsung afirmou que o design era voltado ao treinamento e à inferência de IA, além da computação de alto desempenho. Seu artigo também foi selecionado para apresentação na ISSCC.
As fontes primárias, portanto, sustentam uma conclusão mais precisa. Samsung e SK hynix avançavam separadamente com computação centrada em memória em torno do ciclo da ISSCC de 2021 e 2022. Elas não apresentavam um produto compartilhado.
Uma manchete que remove a data original pode transformar esse desenvolvimento histórico em uma aparente notícia urgente. Os leitores devem tratar com cautela expressões relativas como “no próximo mês” quando um agregador não exibe o horário completo de publicação.
Por Que o Processamento em Memória Ainda Importa em 2026
O PIM continua relevante porque movimentar dados hoje consome tempo e energia que uma aritmética mais rápida, por si só, não consegue recuperar.
Um acelerador convencional transfere repetidamente pesos de modelos, ativações e resultados intermediários entre processadores e memória. O processador pode ficar ocioso quando o sistema de memória não consegue fornecer dados com rapidez suficiente.
Os engenheiros chamam essa limitação de parede da memória. O desempenho dos processadores melhorou mais rapidamente do que a capacidade de mover grandes conjuntos de dados de forma eficiente por um sistema.
O processamento em memória, explicado em termos práticos, é menos complicado do que seu nome sugere. Operações selecionadas ocorrem onde os dados são armazenados, reduzindo viagens pela interface que conecta a memória ao processador.
A ideia não substitui uma CPU ou GPU por DRAM comum. Em vez disso, atribui operações adequadas à lógica especializada instalada dentro ou próxima do subsistema de memória.
Essa distinção é importante. Processadores de uso geral continuam mais adequados para fluxo de controle e cálculos variados. A computação do lado da memória funciona melhor quando uma carga de trabalho realiza repetidamente operações previsíveis em grandes conjuntos de dados.
A inferência de IA cria muitas dessas cargas de trabalho. Um modelo de linguagem precisa recuperar continuamente parâmetros e gerenciar dados temporários enquanto gera cada token.
Prompts mais longos também aumentam a pressão sobre o cache de chave-valor, uma coleção de dados de atenção calculados anteriormente e reutilizados durante a geração. Manter essas informações disponíveis pode reduzir cálculos repetidos, mas exige capacidade e largura de banda substanciais de memória.
Adicionar mais capacidade aritmética de GPU não resolve automaticamente esses problemas. Se os dados não conseguem chegar às unidades de computação com rapidez suficiente, processadores adicionais podem aumentar custo e consumo de energia sem oferecer desempenho proporcional.
As abordagens PIM tentam reduzir esse desequilíbrio. Elas podem executar operações como cálculos matriciais, buscas, filtragem ou gerenciamento de movimentação de dados mais perto da memória.
O design original HBM-PIM da Samsung instalava unidades de computação programáveis dentro dos bancos de uma pilha HBM. A HBM usa matrizes de DRAM conectadas verticalmente para fornecer alta largura de banda em um pacote compacto.
A Samsung reportou que seu protótipo mais do que dobrou o desempenho do sistema, reduzindo o consumo de energia em mais de 70% em aplicações selecionadas. Esses números vieram dos testes da Samsung e não devem ser tratados como benchmarks independentes.
A SK hynix adotou uma rota inicial diferente com o GDDR6-AiM. A memória GDDR é normalmente associada a gráficos, mas sua largura de banda também a torna útil para aceleração de IA.
Mais tarde, a empresa combinou chips AiM em uma placa aceleradora chamada AiMX. Esse empacotamento ofereceu um caminho mais claro para testar PIM dentro de servidores sem redesenhar um processador inteiro em torno da memória.
É por isso que os chips PIM da Samsung e da SK hynix ainda merecem atenção quatro anos após os relatos originais. A infraestrutura de IA depende cada vez mais de algo além do pico de throughput de GPU.
Os operadores agora avaliam a eficiência com que uma plataforma atende modelos, lida com contextos longos, gerencia dados de cache e escala dentro dos limites de energia. A arquitetura de memória pode afetar cada uma dessas métricas.
O resultado é uma mudança de memória mais rápida como componente para memória como parte da arquitetura de computação. Essa alteração eleva o valor estratégico de empresas que antes forneciam chips padronizados por trás do processador.
A Memória de IA da Samsung vs SK hynix Agora É uma Disputa de Sistemas
A concorrência se expandiu de especificações individuais de memória para caminhos completos de movimentação, armazenamento e processamento de dados de IA.
A Samsung continuou desenvolvendo PIM enquanto vinculava a tecnologia ao seu portfólio mais amplo de memória e empacotamento. Sua vantagem é a capacidade de atuar em memória, fabricação de lógica e empacotamento avançado.
No Future of Memory and Storage 2026, a Samsung exibiu cerca de 30 tecnologias de memória e armazenamento. A linha incluiu HBM4E, HBM5, LPDDR5X-PIM e produtos de armazenamento corporativo.
O LPDDR5X-PIM leva funções computacionais à DRAM de baixo consumo. Isso torna a abordagem relevante para sistemas de borda e dispositivos nos quais o consumo de energia importa tanto quanto o throughput bruto.
A Samsung também apresentou o zHBM, uma arquitetura tridimensional proposta que posiciona memória de alta largura de banda sobre um processador. O design busca encurtar caminhos de dados e lidar com limites térmicos por meio de uma estrutura dedicada de resfriamento.
Essa abordagem difere de inserir unidades de cálculo em todos os produtos de memória. Ela trata distância física, empacotamento e calor como partes do mesmo problema de movimentação de dados.
O portfólio de memória de 2026 da Samsung, portanto, se estende de produtos HBM de curto prazo a arquiteturas de prazo mais longo. Algumas entradas são produtos comercializados, enquanto outras continuam sendo amostras, demonstrações ou conceitos de roteiro.
A SK hynix está construindo sua própria pilha em torno de HBM, PIM, flash de alta largura de banda e software. A empresa chamou essa direção de estratégia de “full stack AI memory”.
Seu chip GDDR6-AiM continua sendo a base do AiMX, a placa aceleradora projetada para cargas de trabalho de modelos de linguagem de grande porte. A SK hynix demonstrou o AiMX dentro de um servidor, em vez de limitar a tecnologia a uma matriz independente.
Em setembro de 2026, a empresa mostrou um servidor AiMX executando uma demonstração interativa de modelo de linguagem. Também apresentou flash de alta largura de banda e uma técnica de software chamada SALT-KV.
O flash de alta largura de banda, ou HBF, aplica tecnologia de interconexão vertical à memória flash NAND. A SK hynix o posiciona como uma camada voltada à capacidade entre a HBM rápida e o armazenamento convencional de estado sólido.
O SALT-KV aborda o cache de chave-valor criado durante a inferência de modelos de linguagem. A empresa diz que seu software gerencia informações armazenadas em cache de acordo com suas características e potencial de reutilização.
A SK hynix argumenta que essas tecnologias atendem a diferentes necessidades de inferência. O PIM é voltado à decodificação rápida, enquanto o HBF fornece mais capacidade para cargas de trabalho de contexto longo.
Esse portfólio ilustra a atual disputa pela memória de IA entre Samsung e SK hynix. As empresas não apostam em um único sucessor universal da DRAM comum.
A Samsung enfatiza a integração entre empacotamento, memória e fabricação. A SK hynix reúne níveis especializados de memória e software em torno de padrões distintos de fornecimento de IA.
A Micron e outros fornecedores de memória acrescentam pressão competitiva, enquanto Nvidia, AMD e projetistas de aceleradores personalizados influenciam quais interfaces se tornam comercialmente importantes. Um design de memória tecnicamente impressionante ainda precisa de suporte de processador e qualificação de clientes.
Operadores de nuvem também projetam uma parcela maior de seu próprio silício. Suas escolhas podem determinar se uma tecnologia de memória se torna um padrão amplamente suportado ou permanece vinculada a uma configuração restrita de acelerador.
Isso torna o controle sobre a camada de software cada vez mais importante. Os desenvolvedores precisam de compiladores, bibliotecas, agendadores e ferramentas de monitoramento que entendam onde cada operação deve ser executada.
Hardware que exige reescritas extensas de aplicações cria atrito. Hardware que aparece por meio de frameworks familiares tem maior chance de passar de uma demonstração para a produção.
O Mecanismo É a Redução da Movimentação de Dados
O argumento mais forte a favor da computação junto à memória não é que a memória se transforme numa GPU, mas que menos bytes precisem atravessar gargalos dispendiosos.
Um servidor moderno de IA contém várias formas de memória e armazenamento. Registos e caches encontram-se mais próximos dos núcleos de computação, seguidos por HBM ou outra memória diretamente ligada.
A memória do sistema acrescenta capacidade mais longe do acelerador. As unidades de estado sólido armazenam conjuntos de dados muito maiores, mas apresentam maior latência.
Cada transferência entre estas camadas consome energia. Também introduz atrasos e exige interfaces, controladores e recursos de encapsulamento.
A PIM altera o fluxo de trabalho ao colocar unidades de computação limitadas junto dos dados armazenados. Essas unidades podem processar operações adequadas antes de enviar resultados menores de volta ao processador central.
Considere um sistema de recomendação que pesquisa grandes tabelas de embeddings. Uma arquitetura convencional pode transferir quantidades substanciais de dados para um processador, mesmo quando a saída final é um pequeno conjunto de candidatos.
A lógica do lado da memória pode filtrar ou combinar dados perto da sua origem. O processador recebe então menos bytes e passa menos tempo à espera do tráfego de memória.
A inferência de modelos de linguagem apresenta outro caso. A geração de texto exige acesso repetido aos parâmetros do modelo e aos dados de atenção em cache.
A PIM pode acelerar determinados cálculos repetitivos. Camadas de memória de elevada capacidade podem manter mais dados de trabalho do modelo junto do servidor, em vez de os carregar repetidamente a partir de armazenamento mais lento.
Nenhum dos métodos elimina a GPU. A GPU continua a executar os cálculos centrais do modelo e a coordenar a execução.
O benefício pretendido é um sistema mais equilibrado. Computação, largura de banda, capacidade e energia devem escalar em conjunto, em vez de deixar um recurso subutilizado.
A SK hynix apresentou este argumento na sua apresentação no AI Infra Summit de setembro de 2026. A empresa afirmou que a arquitetura convencional GPU-HBM estava a tornar-se insuficiente para cargas de trabalho que vão de agentes de baixa latência a serviços de contexto longo.
A sua mostra de memória para IA incluiu PIM, HBF, AiMX e SALT-KV. Os visitantes puderam examinar hardware e interagir com uma demonstração de modelo de linguagem em execução num servidor equipado com AiMX.
Essa demonstração é mais importante do que mais um número teórico de desempenho. Mostra um caminho desde um chip de memória até um sistema que programadores e clientes podem avaliar.
No entanto, uma demonstração em conferência não comprova a viabilidade económica em produção. Não consegue estabelecer fiabilidade à escala de uma frota, compatibilidade de software entre modelos ou um menor custo total de propriedade.
A Samsung enfrenta o mesmo desafio. Os seus conceitos de PIM e memória tridimensional precisam de se ajustar aos roteiros dos processadores, à capacidade de encapsulamento, aos sistemas de arrefecimento e ao software dos clientes.
O mecanismo também introduz compromissos. A lógica adicionada à memória consome área do chip e energia, ao mesmo tempo que aumenta a complexidade do projeto.
Uma unidade PIM otimizada para uma classe de cálculo pode tornar-se menos útil quando as arquiteturas dos modelos mudam. Funções fixas oferecem eficiência, mas a programabilidade geral aumenta o custo e a sobrecarga.
Os fabricantes de memória precisam de decidir onde estabelecer essa fronteira. Pouca flexibilidade reduz o mercado, enquanto flexibilidade excessiva recria a complexidade de um processador convencional.
Estas tensões explicam por que a computação na memória, explicada apenas pelo desempenho de pico, pode induzir os leitores em erro. O movimento de dados é o problema, mas uma implementação útil depende do sistema completo.
As Alegações de Conferências Ainda Precisam de Provas em Produção
A questão não resolvida não é se a PIM funciona, mas se funciona de forma suficientemente ampla para justificar uma nova camada de hardware e software.
Os anúncios das empresas normalmente apresentam resultados de cargas de trabalho selecionadas para corresponder a uma nova arquitetura. Esses testes podem estabelecer potencial técnico sem prever o desempenho em produção.
As alegações iniciais da SK hynix de processamento 16 vezes mais rápido e consumo energético 80 por cento menor aplicavam-se a determinados cálculos. Não descreviam todas as cargas de trabalho nem divulgavam um resultado universal de implementação.
As alegações anteriores de desempenho e energia da Samsung foram igualmente associadas a avaliações internas. Devem ser interpretadas como medições do fornecedor, e não como comparações independentes entre sistemas completos em produção.
A sensibilidade à carga de trabalho apresenta o primeiro risco. A computação do lado da memória oferece o maior benefício quando as operações são repetitivas, paralelas e limitadas pela movimentação de dados.
Programas com fluxo de controlo irregular podem beneficiar menos. Algumas tarefas também podem passar a ser limitadas por rede, agendamento do processador ou armazenamento, em vez da largura de banda da memória.
O software representa uma segunda barreira. Um chip PIM necessita de ferramentas que determinem quais operações devem ser executadas dentro da memória e quais devem permanecer no acelerador.
Essas ferramentas precisam de funcionar com modelos e frameworks em evolução. Caso contrário, os clientes enfrentam custos de engenharia que podem eliminar as poupanças de infraestrutura.
As normas criam um terceiro desafio. Processadores de IA, dispositivos de memória e pilhas de software vêm de fornecedores diferentes, com ciclos de lançamento separados.
Uma implementação proprietária pode avançar mais depressa no início. Um modelo de programação comum pode alcançar mais clientes, mas o consenso em toda uma indústria leva tempo.
A fabricação introduz outra incerteza. Combinar lógica e memória densa pode complicar testes, gestão de rendimento, encapsulamento e projeto térmico.
A indústria da memória tem vasta experiência na produção de DRAM fiável à escala. Adicionar computação pode alterar a economia que torna a memória padronizada atrativa.
A amplitude de fabricação da Samsung oferece-lhe várias opções de integração. Ainda assim, precisa demonstrar que a combinação dessas capacidades produz sistemas fiáveis com rendimentos aceitáveis.
A SK hynix ocupa uma posição forte em memória de elevada largura de banda e apresentou uma gama mais ampla de soluções de memória para IA. Precisa transformar esse impulso técnico em implementações repetíveis junto de clientes, para além de exposições.
É aqui que a memória de IA Samsung vs SK hynix se torna menos direta do que uma disputa de especificações. Arquiteturas diferentes podem ter sucesso em diferentes partes do mercado.
A Samsung pode encontrar oportunidades mais fortes em encapsulamentos fortemente integrados ou dispositivos de baixo consumo. A SK hynix pode ganhar tração com placas aceleradoras, sistemas de inferência especializados ou arquiteturas de memória em camadas.
Ambas as empresas também dependem de clientes que controlam os projetos dos aceleradores. Nvidia, AMD, fornecedores de cloud e outros desenvolvedores de chips podem apoiar, reformular ou contornar a arquitetura preferida de um fornecedor de memória.
A evidência mais forte seria, portanto, uma implementação em produção identificada, com resultados de carga de trabalho repetíveis. Os clientes precisariam divulgar desempenho, energia, utilização e custos de software em condições realistas.
Sem essa evidência, os leitores devem distinguir três fases de progresso. Um artigo de investigação estabelece a viabilidade, um protótipo demonstra a integração e um produto comercial qualificado estabelece a preparação para clientes.
A manchete que ressurgiu descrevia originalmente as duas primeiras fases. Não deve ser interpretada como evidência de que os chips PIM da Samsung e da SK hynix já tinham alcançado ampla adoção comercial.
Três Sinais Mostrarão se a PIM Está a Tornar-se um Mercado
A qualificação por clientes, o suporte de software e uma economia de inferência repetível determinarão se os produtos de computação na memória avançam além de implementações especializadas.
O primeiro sinal é uma plataforma de produção identificada que adote PIM ou AiMX. Uma implementação confirmada num servidor ou acelerador mostraria que um cliente aceitou os compromissos de hardware, software e fiabilidade.
A qualidade dessa divulgação importa. Um piloto, memorando ou parceria de exposição não tem o mesmo peso de um sistema comercializado e disponível para clientes.
Uma adoção em produção fortaleceria o argumento de que os fornecedores de memória podem capturar mais valor da computação de IA. A dependência contínua da HBM convencional enfraqueceria as alegações de uma transição arquitetural.
O segundo sinal é o suporte dentro do software de IA convencional. Os programadores devem acompanhar a integração com compiladores, kernels otimizados, interfaces de programação abertas e agendamento ao nível dos frameworks.
O software determina se as aplicações podem usar hardware especializado sem serem reescritas em torno de um único fornecedor. Também determina se o sistema se adapta à medida que as estruturas dos modelos mudam.
Ferramentas amplamente disponíveis fortaleceriam o mercado dos chips PIM Samsung SK hynix. Software fragmentado ou fechado limitá-los-ia a clientes capazes de manter infraestrutura personalizada.
O terceiro sinal é a economia de inferência medida de forma independente. Comparações úteis devem incluir latência, débito, energia, capacidade de memória e utilização em vários tipos de modelos.
A inferência de contexto longo merece atenção especial porque os seus requisitos de cache criam pressão direta sobre a capacidade de memória. Agentes interativos rápidos fornecem outro teste, pois enfatizam a baixa latência.
Se a PIM, HBF ou memória tridimensional melhorar estas métricas sem exigir trabalho excessivo de software, a computação centrada na memória tornar-se-á mais convincente. Se os ganhos desaparecerem fora de demonstrações selecionadas, os projetos convencionais de aceleradores manterão a sua vantagem.
Os leitores também devem separar a PIM do sucesso mais amplo da HBM. A HBM já se tornou essencial para aceleradores de IA de elevado desempenho, mas isso não garante a adoção de computação dentro da memória.
O resultado mais provável a curto prazo é uma hierarquia mista. As GPUs continuarão centrais, enquanto camadas especializadas de memória e armazenamento tratarão cargas de trabalho que beneficiam de maior largura de banda, capacidade ou processamento local.
Samsung e SK hynix estão a preparar-se para esse resultado com combinações diferentes de tecnologias. As suas estratégias sugerem que os futuros sistemas de IA não dependerão de um único tipo de memória.
A mudança maior é conceptual. Os fornecedores de memória descrevem cada vez mais os seus produtos como partes ativas da infraestrutura de IA, em vez de componentes passivos de armazenamento.
Essa mudança aumenta as exigências para as empresas de processadores. Também dá aos operadores de cloud mais opções sobre onde os dados são armazenados, movimentados e processados.
Programadores e compradores empresariais devem acompanhar implementações, e não rótulos de conferências. A questão importante é se uma nova arquitetura de memória melhora uma carga de trabalho real depois de contabilizados os custos de integração.
O relatório original continua útil como marco histórico. Captou o momento em que os maiores fabricantes de memória da Coreia desafiaram publicamente a separação tradicional entre computação e armazenamento.
Quatro anos depois, a ideia não desapareceu. Expandiu-se para roteiros concorrentes de PIM, HBM, flash de elevada largura de banda, encapsulamento avançado e software consciente da memória.
O próximo anúncio significativo não será mais uma promessa de que a memória pode computar. Será a evidência de que os clientes conseguem implementar a tecnologia repetidamente, medir os seus benefícios e suportá-la perante cargas de trabalho de IA em evolução.
Para qualquer pessoa a avaliar infraestrutura de IA, este é o teste prático a acompanhar. Procure sistemas identificados, software acessível e resultados de terceiros antes de tratar a próxima demonstração em conferência como uma transição de mercado.
