Sandisk e SK hynix lançam uma especificação HBF aberta, mas o teste de hardware vem a seguir

Sandisk e SK hynix lançaram a primeira especificação aberta de High Bandwidth Flash em 4 de agosto, apenas seis meses após criar seu grupo de padronização. O anúncio chegou ao Google News com uma promessa excepcionalmente concreta para uma tecnologia de memória emergente: capacidades de até 512 GB e largura de banda de até 3 TB/s.

Essa combinação mira uma lacuna crescente dentro dos sistemas de IA. A High Bandwidth Memory, ou HBM, oferece velocidade perto dos processadores, mas continua limitada em capacidade. Unidades de estado sólido oferecem muito mais capacidade, mas ficam longe demais do processador para muitas tarefas de inferência sensíveis à latência.

A High Bandwidth Flash, conhecida como HBF, foi projetada para ocupar a camada entre as duas. Sandisk e SK hynix não propõem que a flash NAND substitua todas as pilhas de HBM. Elas querem que os sistemas usem HBM para os dados mais acessados e HBF para conjuntos de trabalho maiores que ainda exigem acesso rápido.

A especificação facilita a avaliação dessa arquitetura por projetistas de processadores. Ela não comprova que a HBF possa entregar o desempenho anunciado em hardware de produção. Portanto, a verdadeira disputa não é Sandisk contra SK hynix. É a especificação aberta contra o trabalho de engenharia e adoção que ainda será necessário.

A especificação HBF transforma uma ideia de memória em um objetivo compartilhado

O lançamento oferece às equipes de processadores, encapsulamento e software um objetivo comum de projeto para HBF, mas não entrega um produto finalizado.

A SK hynix anunciou a especificação junto à Sandisk na FMS 2026, em Santa Clara, Califórnia. O evento ocorre de 4 a 6 de agosto e se concentra em tecnologia de memória e armazenamento.

As empresas publicaram o trabalho por meio do Open Compute Project, ou OCP, uma organização do setor voltada à infraestrutura aberta de data centers. Essa escolha importa porque a HBF precisa de participação além de dois fornecedores de memória.

Segundo o anúncio da especificação HBF, o projeto inicial oferece suporte a duas configurações físicas. Uma pilha de oito dies oferece uma opção, enquanto uma pilha de 16 dies suporta a maior capacidade anunciada.

A especificação abrange capacidade de até 512 GB. Ela também define três níveis de desempenho, com largura de banda de aproximadamente 0,4 TB/s a 3 TB/s.

Esses níveis permitem que projetistas de sistemas adaptem implementações de HBF a diferentes exigências de carga de trabalho e custo. Um nível inferior poderia suportar tarefas de inferência menos exigentes sem obrigar todos os projetos a adotar o encapsulamento mais complexo.

O lançamento também aborda características elétricas, confiabilidade do encapsulamento, conexões com processadores e diretrizes de entrada e saída de software. Esses detalhes levam a HBF além de um conceito de apresentação e em direção a algo que equipes de engenharia podem analisar.

A conexão com o processador usa Universal Chiplet Interconnect Express, ou UCIe. UCIe é uma interface aberta em nível de encapsulamento que conecta dies semicondutores separados dentro de um sistema.

As especificações oficiais do UCIe abrangem conexões físicas, protocolos, comportamento de software e testes de conformidade. O uso dessa interface reduz a necessidade de a HBF depender da conexão proprietária de um único fornecedor de processadores.

Isso também cria um caminho para a HBF se conectar a CPUs, GPUs e outros aceleradores. Essa flexibilidade é central para o argumento do padrão aberto, porque a infraestrutura de IA inclui mais de uma arquitetura de processador.

No entanto, um padrão de interface não cria interoperabilidade automaticamente. Os fornecedores ainda precisam de controladores, métodos de encapsulamento, firmware, drivers, políticas de gerenciamento de memória e testes de conformidade que funcionem em conjunto.

Essa distinção é fácil de perder em uma manchete curta do Google News. Sandisk e SK hynix lançaram uma especificação, não módulos HBF amplamente disponíveis nem servidores de IA de produção.

A velocidade delas ainda é notável. Sandisk e SK hynix anunciaram sua parceria original de padronização em agosto de 2025. Elas iniciaram o grupo de trabalho do OCP em fevereiro de 2026 e produziram esta primeira especificação cerca de seis meses depois.

Google e a desenvolvedora de processadores de IA Tenstorrent agora participam do consórcio, segundo a SK hynix. A presença delas fornece ao projeto contribuições valiosas tanto do lado das cargas de trabalho quanto do lado dos processadores.

Nenhuma das empresas anunciou um sistema de produção qualificado que use a especificação. Nenhum benchmark independente estabeleceu ainda o desempenho de largura de banda, latência, durabilidade ou eficiência energética de um dispositivo comercial em conformidade.

Portanto, o documento aberto muda o que o setor pode discutir. Em vez de debater uma categoria de memória indefinida, engenheiros podem examinar tamanhos de pilha, níveis de largura de banda, interfaces, expectativas de encapsulamento e requisitos de software.

Esse é o evento imediato. A questão maior é por que a inferência de IA precisa de outra camada de memória.

Por que a inferência de IA está pressionando HBM e SSDs

A HBF existe porque a inferência precisa cada vez mais de acesso semelhante ao HBM para conjuntos de dados grandes demais para permanecer inteiramente no HBM.

O treinamento de IA recebe grande parte da atenção em infraestrutura, mas a inferência cria um problema de memória diferente. O treinamento constrói um modelo. A inferência executa repetidamente esse modelo para responder a solicitações, gerar mídia, usar ferramentas ou operar um agente.

Um serviço implantado pode precisar de pesos do modelo, dados de atenção, tokens em cache, índices de recuperação e contexto da aplicação. Manter todos os conjuntos de dados ativos na memória mais rápida se torna difícil à medida que os modelos e as cargas de trabalho simultâneas crescem.

A HBM posiciona pilhas de DRAM perto de um processador e as conecta por meio de uma interface ampla. Esse projeto oferece alta largura de banda para aceleradores que precisam movimentar grandes quantidades de dados rapidamente.

Seus pontos fortes não eliminam restrições físicas. Espaço no encapsulamento, complexidade de fabricação, energia, capacidade e oferta influenciam a quantidade de HBM que pode ficar ao lado de cada processador.

SSDs corporativos resolvem um problema diferente. Eles armazenam muito mais informações a um custo menor por bit, e a flash NAND retém dados sem alimentação contínua. Seu caminho convencional de armazenamento adiciona latência e sobrecarga de software.

Isso deixa uma lacuna arquitetural. Alguns dados de inferência não exigem a menor latência possível da HBM, mas precisam de acesso mais rápido e direto do que o fornecido por um caminho convencional de SSD.

A SK hynix descreve a HBF como uma camada de suporte, enquanto a HBM continua a lidar com o trabalho de maior largura de banda. Esse modelo de memória em camadas atribui dados a diferentes tecnologias de acordo com a frequência de acesso e as necessidades de desempenho.

Um modelo grande oferece um cenário útil. As partes usadas com frequência poderiam permanecer na HBM, enquanto pesos menos ativos ficariam na HBF. Um SSD poderia armazenar dados de que o sistema precisa com menor frequência.

O sistema então moveria informações entre as camadas conforme as condições da carga de trabalho mudassem. Essa abordagem se assemelha a hierarquias de cache estabelecidas, mas as capacidades, exigências de largura de banda e desafios de encapsulamento são muito maiores.

O benefício depende das decisões de posicionamento. Se o software buscar repetidamente os dados errados em uma camada mais lenta, os núcleos do processador podem esperar e o desempenho geral pode cair.

Portanto, a HBF precisa se tornar mais do que flash densa ao lado de um acelerador. O sistema ao redor precisa de controladores e software que prevejam quais dados pertencem a cada camada de memória.

A IA agêntica reforça essa pressão. Um agente pode manter históricos mais longos, consultar conhecimento externo, chamar ferramentas de software e coordenar várias operações de modelo para uma solicitação de usuário.

Esses fluxos de trabalho criam conjuntos de trabalho maiores e menos previsíveis. Eles também podem manter a infraestrutura de inferência ocupada por períodos mais longos do que uma única solicitação e resposta.

Para desenvolvedores, a questão não é se toda aplicação precisa de HBF. A questão é se os futuros sistemas de inferência precisam de uma camada intermediária que reduza a capacidade cara de HBM sem recorrer ao armazenamento comum.

Para compradores corporativos, a arquitetura de memória pode afetar a utilização do servidor, o tempo de resposta, o consumo de energia e o número de modelos que cabem em um sistema. Esses fatores moldam os custos operacionais, mesmo quando os usuários nunca veem os componentes subjacentes.

Profissionais do conhecimento também têm um interesse indireto. Contexto local maior e agentes mais persistentes exigem infraestrutura capaz de reter e recuperar dados de trabalho com eficiência.

Uma base de conhecimento pesquisável enfrenta um problema de posicionamento semelhante no nível da aplicação. O material relevante precisa chegar rapidamente ao modelo sem carregar todos os documentos na camada de contexto mais rápida.

A HBF aborda o lado do hardware desse desafio mais amplo. Ela tenta manter mais dados relacionados ao modelo próximos o suficiente da computação para uma inferência prática, sem tratar cada bit como dados HBM premium.

Isso pressiona fornecedores de processadores, operadores de nuvem e fornecedores de memória. Cada grupo precisa decidir se outra camada melhora o sistema o suficiente para justificar a complexidade adicional de encapsulamento e software.

A atenção do Google News esconde a verdadeira disputa: especificação versus silício

A especificação é suficientemente crível para atrair parceiros, mas apenas silício funcional pode provar que a HBF deve ficar ao lado de processadores de IA.

A Sandisk apresentou inicialmente a HBF como uma arquitetura de memória baseada em NAND voltada à inferência. Seu plano original previa as primeiras amostras de HBF durante a segunda metade de 2026.

A empresa também esperava amostras dos primeiros dispositivos de inferência que incorporassem HBF no início de 2027. Essas metas foram incluídas em seu comunicado de parceria de 2025.

A especificação de agosto de 2026 não confirma que esses marcos de amostras tenham sido concluídos. Ela estabelece a estrutura técnica que produtos potenciais devem seguir.

O conceito de primeira geração da Sandisk visa 1,6 TB/s de largura de banda de leitura e 512 GB em uma pilha de 16 dies. Projeta-se que gerações posteriores ultrapassem 2 TB/s e, por fim, alcancem 3,2 TB/s.

Esses números vêm do próprio resumo técnico de HBF da Sandisk. Eles continuam sendo metas da empresa, e não medições independentes de sistemas comerciais.

O resumo também afirma que uma configuração HBF simulada teve desempenho dentro de 2,2% de um modelo HBM de capacidade ilimitada em um teste específico. A carga de trabalho usou pesos de oito bits do modelo Llama 3.1 405B.

Esse resultado exige interpretação cuidadosa. A Sandisk baseou-o em testes internos e simulação, e a comparação pressupunha capacidade HBM ilimitada. Produtos reais enfrentarão capacidade finita, limites térmicos, comportamento de software e tráfego de dados concorrente.

A NAND também se comporta de forma diferente da DRAM. Ela oferece densidade e não volatilidade, mas em geral apresenta maior latência de acesso e considerações mais rigorosas de durabilidade.

O tamanho de página maior da HBF pode complicar cargas de trabalho que solicitam pequenas partes dispersas de dados. Mover bytes desnecessários consome largura de banda e energia, mesmo quando a taxa de transferência anunciada parece forte.

A inferência de modelos com predominância de leitura é um ponto de partida plausível, porque os pesos treinados mudam menos frequentemente do que muitas outras estruturas de dados. Usos mais intensivos em gravação exerceriam maior pressão sobre o gerenciamento de durabilidade.

O encapsulamento apresenta outro teste. Uma pilha de 16 dies exige fabricação consistente, controle térmico, integridade de sinal e rendimento de produção aceitável.

Um projeto pode funcionar em simulação e, ainda assim, tornar-se caro quando montado em escala. Defeitos em um componente podem afetar a economia de todo um pacote avançado.

O número de 512GB é, portanto, importante, mas a capacidade utilizável é apenas uma parte do produto. Os compradores analisarão a distribuição de latência, a largura de banda sustentada, o gerenciamento de erros, a temperatura, a vida útil e o comportamento sob cargas de trabalho mistas.

As três classes de largura de banda também levantam questões de implementação. A especificação identifica metas, mas os fornecedores precisam mostrar quais processadores e pacotes conseguem sustentar cada classe.

O UCIe fornece uma base de interface aberta, não uma garantia de que qualquer stack HBF se conectará a qualquer acelerador. Programas de conformidade e projetos de referência determinarão quanto de interoperabilidade o mercado realmente obterá.

É aqui que Google e Tenstorrent importam. O Google traz experiência na operação de grandes serviços de IA e no projeto de aceleradores personalizados. A Tenstorrent pode testar se a interface funciona além do modelo dominante de GPU.

A participação delas no consórcio é um sinal positivo de adoção. Não equivale a um compromisso de compra, anúncio de produto ou implantação.

A ausência de um processador de lançamento identificado continua sendo a principal lacuna de verificação. O HBF precisa de pelo menos uma plataforma de acelerador com controlador, projeto de pacote, pilha de software e benefício documentado para cargas de trabalho.

Sem essa integração, o padrão corre o risco de se tornar tecnicamente interessante, mas comercialmente periférico. A indústria de semicondutores contém muitas especificações que nunca alcançaram uso amplo em produção.

Sandisk e SK hynix melhoram as chances porque suas capacidades são complementares. A Sandisk contribui com projeto de NAND e arquitetura de flash, enquanto a SK hynix abrange NAND, DRAM, HBM, encapsulamento e produção em massa.

A parceria também reduz a impressão de que o HBF é apenas uma tentativa proprietária de proteger um único fornecedor. A publicação pela OCP convida a uma análise mais ampla e à potencial participação de outros atores.

Ainda assim, a abertura pode desacelerar decisões quando as empresas discordam sobre detalhes de implementação. Um ecossistema ganha alcance ao aceitar mais participantes, mas o trabalho de consenso e conformidade leva tempo.

A especificação superou o primeiro obstáculo institucional. A validação em silício é a próxima etapa, seguida por validação de sistema, suporte de software, qualificação de clientes e economia de produção.

Uma manchete pode tratar a publicação como conclusão. Os mercados de hardware a tratam como o começo de um teste mais longo.

HBF Complementa HBM, e Esse Trade-off Define Seu Mercado

O HBF só vence se a capacidade adicional compensar seus custos de latência e integração sem enfraquecer as cargas de trabalho que pretende suportar.

Chamar o HBF de substituto do HBM cria a comparação errada. A SK hynix o posiciona explicitamente entre HBM e SSDs, com o HBM mantendo a responsabilidade pela faixa mais exigente de largura de banda.

Essa distinção protege a arquitetura de um padrão irrealista. O HBF baseado em NAND não precisa superar a DRAM em todas as operações. Precisa tornar útil um pool de memória maior com desempenho aceitável.

A Sandisk afirmou anteriormente que o HBF poderia oferecer de oito a 16 vezes a capacidade do HBM a um custo semelhante. A atual especificação aberta é mais contida, definindo configurações e classes de desempenho em vez de comprovar essa alegação econômica.

A comparação de capacidade também mudará ao longo do tempo. Fornecedores de HBM continuam aumentando a capacidade e a largura de banda das pilhas, de modo que o HBF compete com uma referência em transformação.

O HBM se beneficia de suporte consolidado de aceleradores e da demanda de produção. Roteiros de processadores, investimentos em encapsulamento, controladores de memória e ferramentas de software já giram em torno dele.

O HBF começa sem essa base instalada. Sua vantagem proposta é a densidade, não a maturidade.

Os SSDs exercem pressão pelo outro lado. Eles não conseguem igualar uma camada de memória no pacote, mas melhorias de software e interconexão podem tornar o armazenamento mais útil para cargas de trabalho de IA.

Os projetistas de sistemas podem decidir que um cache SSD aprimorado oferece desempenho suficiente com menor risco de integração. Outros podem reservar pools maiores de HBM para cargas de trabalho premium, em vez de adicionar uma terceira camada.

O HBF precisa superar essas alternativas no nível do sistema completo. Um custo favorável por bit não ajuda se controladores adicionais, área de pacote, refrigeração ou software eliminarem a economia.

As alegações de energia exigem cautela semelhante. O NAND retém informações sem energia de atualização, o que lhe dá uma vantagem estrutural para dados armazenados.

No entanto, o uso de energia também inclui movimentação de dados, correção de erros, controladores e gerenciamento térmico. A métrica relevante é a energia por inferência concluída, não a característica de potência isolada de um componente.

A camada de gerenciamento de memória torna-se decisiva. O software deve identificar dados usados com frequência, posicioná-los adequadamente e movê-los antes que o processador fique parado.

Esse requisito cria oportunidades para fornecedores de aceleradores e operadores de nuvem. Eles controlam o agendamento, o comportamento do compilador, o serving de modelos e a telemetria que podem orientar o posicionamento.

Também cria risco de lock-in. Uma interface física aberta não garante que o software de nível superior permaneça portável entre processadores e fornecedores de memória.

Os desenvolvedores precisarão de ferramentas que exponham o comportamento do HBF sem forçar cada equipe de modelos a gerenciar páginas manualmente. Caso contrário, apenas os maiores operadores de infraestrutura poderão obter ganhos consistentes.

As primeiras cargas de trabalho atraentes provavelmente compartilharão várias características. Serão intensivas em leitura, limitadas por capacidade, tolerantes a alguma latência adicional e importantes o suficiente para justificar hardware especializado.

O serving de modelos grandes se encaixa nesse perfil. Sistemas de recuperação, modelos de recomendação e algumas aplicações multimodais também poderiam se beneficiar quando os dados ativos ultrapassam a capacidade prática de HBM.

Nem toda tarefa de IA se encaixa nisso. Modelos pequenos que cabem confortavelmente na memória existente ganham pouco com outra camada. Aplicações sensíveis à latência com padrões irregulares de acesso podem preferir HBM, apesar de suas limitações de capacidade.

O treinamento apresenta um caso mais difícil porque lê e grava repetidamente grandes estruturas de dados. A narrativa inicial do HBF se concentra em inferência por um bom motivo.

Esse trade-off mantém o anúncio ancorado na realidade. O HBF não elimina a hierarquia de memória. Ele adiciona outro nível e pede aos projetistas de sistemas que gerenciem essa hierarquia de forma mais inteligente.

A estratégia mais ampla da SK hynix reforça essa visão. A empresa promove um portfólio que abrange HBM, DRAM convencional, NAND, SSDs empresariais e camadas de memória emergentes.

Esse portfólio pode reduzir a concorrência interna entre HBM e HBF. A SK hynix pode apoiar qualquer combinação que os clientes selecionem, embora a economia de produtos individuais ainda influencie suas prioridades.

A Sandisk tem um incentivo diferente. Sua concentração em flash torna a inferência de IA uma oportunidade para aproximar o NAND da computação de alto valor.

A parceria alinha esses incentivos em torno de um padrão comum. Ela não elimina a concorrência da Samsung, Micron, Kioxia, fornecedores de processadores ou arquiteturas alternativas de memória.

A participação de concorrentes fortaleceria o HBF como categoria da indústria. Também poderia enfraquecer a capacidade da Sandisk e da SK hynix de diferenciar seus produtos.

Essa é uma tensão saudável para um padrão aberto. A adoção ampla normalmente exige que os fornecedores abram mão de algum controle em troca de um mercado maior.

Três Sinais Mostrarão se o HBF Vai Além da Manchete

As próximas evidências precisam vir de amostras, compromissos de processadores e cargas de trabalho medidas, e não de outra apresentação de especificação.

O primeiro sinal é silício HBF funcional vinculado à nova especificação. O roteiro anterior da Sandisk previa amostras iniciais no segundo semestre de 2026, deixando uma janela limitada para execução.

Um anúncio útil de amostras deve identificar capacidade, classe de largura de banda, configuração do pacote e status de testes. Também deve distinguir amostras internas de engenharia de hardware disponível para clientes.

Testes independentes ou realizados por clientes fortaleceriam ainda mais o caso. Latência medida, largura de banda sustentada, potência, resistência e temperatura importam mais do que um valor de pico de transferência.

Se amostras em conformidade aparecerem no cronograma, a especificação ganhará credibilidade como base de produto. Um atraso sugeriria que encapsulamento, comportamento do NAND, controladores ou fabricação continuam sem solução.

O segundo sinal é um processador ou plataforma de nuvem identificada. Google e Tenstorrent participam do consórcio, mas nem a participação nem aparições em painéis confirmam adoção comercial.

Um compromisso sério ligaria o HBF a um roteiro de processador, pacote de referência, placa de desenvolvimento ou implantação em nuvem. Também identificaria como o software distribui os dados entre HBM e HBF.

Observe o suporte de controlador e as ferramentas para desenvolvedores junto ao hardware. Um dispositivo de memória sem software de agendamento, perfilamento e posicionamento não consegue entregar todo o benefício do sistema.

Uma plataforma comprometida não garantiria um padrão da indústria. Ela estabeleceria que um projetista de processadores vê valor suficiente para absorver o custo de integração.

Vários participantes de processadores ou nuvem sustentariam a tese do ecossistema aberto. Uma única implementação proprietária restringiria o papel do HBF e aumentaria a dependência de um cliente.

O terceiro sinal é evidência de cargas de trabalho sob restrições realistas. A simulação da Sandisk oferece uma hipótese inicial, mas sistemas de produção precisam lidar com HBM finito, solicitações mistas, limites térmicos e padrões de acesso em mudança.

Os benchmarks devem comparar configurações completas, não componentes isolados. Um sistema HBF precisa demonstrar throughput, latência, energia e custo frente a pools maiores de HBM ou alternativas baseadas em SSD.

Os testes mais informativos cobrirão inferência de modelos grandes com vários usuários simultâneos. Eles também devem explicar a precisão do modelo, o tamanho do lote, o comprimento do contexto, a política de cache e a utilização do processador.

Um resultado favorável mostraria que o HBF mantém unidades de computação caras ocupadas enquanto suporta modelos ativos maiores. Isso reforçaria o argumento da memória em camadas à medida que a inferência escala.

Resultados fracos exporiam o custo da latência do NAND ou da movimentação de dados. Eles poderiam limitar o HBF a usos mais restritos, nos quais a capacidade importa mais do que o tempo de resposta.

A divulgação da especificação pela OCP dá a pesquisadores e potenciais adotantes uma base comum para essas avaliações. O lançamento do grupo de trabalho aberto também mostra que as empresas pretendem recrutar um ecossistema, em vez de manter o HBF fechado.

Leitores que acompanham a história pelo Google News devem distinguir cada futuro marco. Um membro do consórcio, uma amostra, um dispositivo integrado e uma implantação em produção representam níveis de evidência muito diferentes.

Sandisk e SK hynix concluíram a primeira dessas etapas. Elas definiram uma arquitetura aberta com metas claras de capacidade, largura de banda, interface, encapsulamento e software.

Agora, o ônus passa do documento de padrões para as equipes de engenharia. Elas precisam mostrar que o HBF pode ser fabricado de forma confiável, conectado entre processadores e gerenciado sem criar um novo gargalo caro.

Esse resultado importa para além de duas empresas de memória. Hardware HBF bem-sucedido daria aos projetistas de sistemas de IA outra forma de equilibrar capacidade, largura de banda, energia e custo.

O fracasso ainda ofereceria uma lição útil. Mostraria que a lacuna entre HBM e SSDs não pode ser fechada simplesmente ao encapsular NAND denso mais perto da computação.

A próxima manchete no Google News que vale abrir deve, portanto, conter mais do que outra parceria. Procure silício mensurável, um processador identificado e um resultado de carga de trabalho que outra organização possa examinar.

Até que esses sinais cheguem, o HBF é uma proposta excepcionalmente detalhada com patrocinadores confiáveis. Ainda não é uma camada comprovada na infraestrutura de IA em produção.

Acompanhe as amostras, integrações e benchmarks, em vez da contagem de anúncios. Qual fornecedor de processadores será o primeiro a mostrar que o HBF aberto pode melhorar um sistema real de inferência?