Samsung: jön a 400 réteg feletti V10 BV-NAND és a zHBM koncepció

A Samsung Electronics 2026. augusztus 5-én, a kaliforniai Santa Clarában zajló Future of Memory and Storage 2026 rendezvényen mutatta be legújabb AI memóriás fejlesztéseit. A vállalat zHBM és zNAND-O koncepciómodelleket, 400 réteg feletti V10 BV-NAND architektúrát és AI adatközpontokhoz szánt tárolási megoldásokat ismertetett.
- A Samsung az FMS 2026-on mutatta be zHBM és zNAND-O koncepciómodelljeit.
- A zHBM a HBM-et közvetlenül az AI gyorsító fölé helyezné, csökkentve az adatút hosszát.
- A V10 BV-NAND több mint 400 réteget használ, és a Samsung szerint 58 százalékkal nagyobb memóriasűrűséget ad a V9-hez képest.
- A zNAND-O négy- és nyolcrétegű változatban készül, edge AI környezetekhez optimalizálva.
- A Samsung HBM4E, HBM5, LPDDR5X-PIM, PM1763 és BM1773 megoldásokat is bemutatott AI adatközpontokhoz.
Új 3D memóriaarchitektúrák az AI infrastruktúrához
A Samsung az FMS 2026-on a jövő AI infrastruktúrájához kapcsolódó memóriaútitervét mutatta be. A vállalat közlése szerint a portfólió DRAM, NAND, vállalati tároló és fejlett félvezető-technológiai elemekre épül, a standján pedig nagyjából 30 memória- és tárolótechnológia látható.
A nyitó előadást Jin-Yub Lee, a Flash Product & Technology vezetője és ügyvezető alelnöke, valamint Kyungryun Kim, a DRAM Design Team alelnöke és projektvezetője tartotta. Az előadás címe a Samsung megfogalmazása szerint „Driving the Wave of AI Revolution: 3D Innovations in Memory & Storage Architecture” volt, és a következő generációs 3D struktúrákra, valamint az AI rendszerek teljesítményének és energiahatékonyságának javítására fókuszált.
A bejelentések középpontjában két koncepciómodell állt: a zHBM és a zNAND-O. A Samsung ezeket az iparág első ilyen koncepciómodelljeiként mutatta be, kifejezetten a fejlett AI számítási feladatok és az adatintenzív környezetek igényeire célozva.
zHBM: memória az AI gyorsító fölött
A zHBM a Samsung leírása szerint olyan új memóriaarchitektúra, amelyben a HBM függőlegesen, közvetlenül az AI gyorsító fölé kerül. Ez eltér a hagyományos kialakítástól, ahol a HBM a processzor mellett helyezkedik el. A cél az, hogy rövidebb legyen az adat útja az AI processzor és a memória között.
A vállalat szerint ez nagyobb sávszélességet és jobb energiahatékonyságot tehet lehetővé, ami a nagy léptékű AI tanításhoz és következtetéshez szükséges gyors adatfeldolgozásnál lehet fontos. A Samsung azt állítja, hogy egy zHBM-et használó következő generációs interfészrendszer körülbelül nyolcszoros teljesítményt érhet el a HBM5-höz képest.
A következő generációs wafer bonding technológiával a zHBM a Samsung szerint több mint tízszeres memóriasűrűséget érhet el a HBM5-höz viszonyítva. A cég emellett háromszoros energiahatékonysági javulást és több mint felére csökkentett hőellenállást említ. A zHBM ügyfélspecifikus kialakításokat is támogathat, így egyedi IP integrálható a memória és az AI gyorsító közötti köztes rétegbe.
V10 BV-NAND: 400 réteg feletti NAND wafer bondinggal
A Samsung bemutatta a V10 BV-NAND technológiát is, amely az új Bonding V-NAND architektúrára épül. A közlemény szerint ez az első iparági bemutatása a megoldásnak, amelyet új wafer bonding technológia tesz lehetővé.
A vállalat emlékeztetett arra, hogy 13 évvel korábban, a 2013-as Flash Memory Summiton mutatta be az iparág első V-NAND technológiáját. A V10 BV-NAND több mint 400 réteget használ, és a Samsung szerint nagyobb teljesítményt, jobb energiahatékonyságot és jelentősen nagyobb tárolási sűrűséget kínál.
A cég állítása alapján a wafer bonding alkalmazása, vagyis a memóriacellák ilyen módon történő egymásra helyezése körülbelül 58 százalékkal növeli a memóriasűrűséget az előző generációhoz, a V9-hez képest. A V10 BV-NAND az olvasási, írási és I/O teljesítményt is javítja az előző generációhoz mérten, a jövőbeli AI rendszerekhez és alkalmazásokhoz szánt nagy teljesítményű, nagy kapacitású NAND támogatására.
zNAND-O, HBM4E, HBM5 és vállalati tárolók
A zNAND-O a Samsung következő generációs, nagy teljesítményű NAND megoldása, amely a vállalat V-NAND technológiájára épül. A fejlesztés négy- és nyolcrétegű változatokban készül. A Samsung szerint a megoldás a helytakarékosságot, a jobb I/O teljesítményt és az alacsony késleltetést kombinálja, ezért edge AI környezetekhez optimalizált, ahol valós idejű, adatintenzív AI alkalmazások futnak.
A vállalat AI memória- és tárolási portfóliójában a HBM4E, a HBM5, az LPDDR5X-PIM és a PM1763 is szerepelt. A Samsung közlése szerint februárban elsőként indította el a HBM4 tömeggyártását 1c DRAM és 4 nanométeres base die technológiákkal, májusban pedig elsőként kezdte meg a HBM4E minták szállítását globális ügyfeleknek.
Az LPDDR5X-PIM-et a Samsung az iparág első olyan LPDDR memóriájaként mutatta be, amely processing-in-memory technológiát használ. A megoldás célja, hogy az adatfeldolgozás a memórián belül történjen, ezzel javítva az adatmozgatás és az energiafelhasználás hatékonyságát. A kiállításon a PM1763 és a BM1773 vállalati tárolási megoldások is szerepeltek, amelyeket a Samsung az AI adatközpontok növekvő tárolási igényeihez kapcsolt.
Mit jelenthet ez az ügyfeleknek és az AI piacnak
A Samsung a bejelentéseket egy teljes körű, úgynevezett one-stop turnkey stratégia részeként mutatta be. A vállalat saját meghatározása szerint olyan integrált eszközgyártó, amely memóriában, foundry területen és fejlett tokozásban is rendelkezik képességekkel, így a terméktervezéstől a tömeggyártásig kínál fejlesztési és gyártási szolgáltatásokat.
A közlemény alapján az ügyfelek számára a fő ígéret a fejlesztési ciklusok rövidítése, valamint a teljesítmény és az energiahatékonyság optimalizálása. A Samsung szerint ez segítheti, hogy a partnerek gyorsabban vigyenek piacra differenciált AI félvezető-megoldásokat.
A bemutatott technológiák közös iránya, hogy az AI rendszerekben egyre szorosabb kapcsolat alakuljon ki a számítási egységek és a memória között. A zHBM a processzor és a memória távolságának csökkentésével, a zNAND-O az edge AI igényeihez igazított késleltetéssel és I/O teljesítménnyel, a V10 BV-NAND pedig nagyobb tárolási sűrűséggel célozza ugyanazt a problémát: az AI infrastruktúra növekvő adatigényét.


