در رویداد معتبر هات چیپس ۲۰۲۶ (Hot Chips 2026)، شرکت پردازش گرافیکی اووامآیکیو لبز (OXMIQ Labs) ارزیابیهای چالشی جدیدی را درباره فناوری حافظه فلش پهنای باند بالا (HBF) مطرح کرد. این فناوری که نخستین بار توسط سندیسک (SanDisk) در اوایل سال ۲۰۲۵ معرفی شد، وعده داده بود که شتابدهندههای هوش مصنوعی را به ترابایتها حافظه نسبتاً ارزانقیمت مجهز کند و نیاز به حافظههای سنتی اچبیام (HBM) را کاهش دهد. با این حال، تحلیلهای جدید نشان میدهند که HBF نمیتواند جایگزین مناسبی برای HBM در اکثر وظایف پردازشی باشد و کاربرد آن بسیار محدودتر از انتظارات اولیه است.
مشخصات فنی اولیه مشخصات HBF شامل سه رتبه عملکردی مختلف است. رتبه اول از یک پشته ۳D NAND با ظرفیت ۲۵۶ گیگابایت، رابط UCIe با نرخ ۸ گیگاترانزکشن بر ثانیه و پهنای باند ۳۸۴ گیگابایت بر ثانیه استفاده میکند. رتبههای دوم و سوم با ظرفیت ۵۱۲ گیگابایت و نرخهای انتقال بالاتر، به ترتیب به پهنای باندهای ۱.۵۳۶ و ۳.۰۷۲ ترابایت بر ثانیه دست مییابند. ویژگی اصلی این فناوری، ارائه ظرفیت حافظه ۸ تا ۱۶ برابری نسبت به HBM با هزینهای تقریبا مشابه است، اما از نظر پهنای باند در مقایسه با استانداردهای مدرن مانند HBM4E چالشهایی دارد.
در زمینه پیشینه این تکنولوژی، توسعه حافظههای ترکیبی و تلاش برای پر کردن شکاف میان سرعت بالا و ظرفیت زیاد همواره از دغدغههای اصلی صنعت نیمههادی بوده است. شرکتهایی مانند سامبانوا (SambaNova) پیشتر از معماریهای چندلایهای مانند ساختار حافظه پنهان SRAM، سپس HBM و در نهایت حافظه سیستم DDR استفاده کرده بودند. ورود HBF تلاشی برای ایجاد تعادل میان تراشههای بسیار سریع اما گرانقیمت HBM و حافظههای کندتر NAND بود تا چالش هزینهبر بودن توکنها در پردازش مدلهای زبانی بزرگ تا حدی مدیریت شود.
تحلیلهای عملکردی نشان میدهند که اگرچه یک پیکربندی مبتنی بر HBF میتواند ظرفیت حافظه یک رک سرور را تا ۱۴ برابر افزایش دهد و اجرای مدلهای غولپیکر را روی تعداد کمتری از پردازندههای گرافیکی ممکن سازد، اما با افت پهنای باند مواجه خواهد شد. هنگامی که تقاضا برای تولید توکن و تعداد کاربران همزمان افزایش یابد، پهنای باند کمتر HBF به گلوگاه تبدیل میشود. بنابراین، کارشناسان معتقدند این فناوری برای مدلهای ترکیبی کارشناسان (MoE) و کش کردن کانتکستهای طولانی مناسبتر است، زیرا این بخشها دادههای کمتر خوانده شده دارند.
با این وجود، پیادهسازی نرمافزاری HBF بسیار پیچیده است و نیازمند همکاری نزدیک میان سازندگان سختافزار مانند انویدیا (Nvidia) و ایامدی (AMD) با توسعهدهندگان فریمورکهای استنتاج مانند vLLM است. سیستمعاملها و نرمافزارهای هوش مصنوعی باید بازنویسی شوند تا بتوانند تخصیص حافظه، مدیریت استقامت نوشتن فلش و جابجایی هوشمند دادهها بین HBM و HBF را بهینه کنند. در نهایت، به نظر میرسد HBF یک راهکار تخصصی برای کاربردهای خاص خواهد بود و جایگزینی فراگیر برای تمام زیرساختهای هوش مصنوعی نخواهد شد.