SK hynix memperkenalkan pengembangan arsitektur kontroler SSD baru yang menggunakan prosesor khusus bernama Hynix Transaction Processing Unit atau H-TPU. Teknologi yang dipaparkan dalam konferensi ISOCC 2026 ini dirancang untuk meningkatkan efisiensi pemrosesan data pada perangkat penyimpanan generasi berikutnya, terutama ketika menghadapi tuntutan infrastruktur kecerdasan buatan. Berbeda dari akselerator yang menjalankan model AI, H-TPU berfokus pada pengelolaan transaksi penyimpanan, termasuk perintah baca dan tulis serta pengaturan metadata. Inovasi tersebut diharapkan membantu SSD enterprise menangani arus data lebih besar dengan konsumsi daya yang lebih terkendali, sekaligus mendukung perkembangan pusat data AI.
Inovasi SK hynix untuk Meningkatkan Efisiensi Penyimpanan Data
Kemajuan TEKNOLOGI kecerdasan buatan meningkatkan kebutuhan terhadap infrastruktur pengelolaan data yang efisien. Dalam lingkungan pusat data, SSD memiliki peranan penting dalam mengelola informasi yang dibutuhkan oleh CPU dan GPU. Walaupun begitu, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menghadirkan tekanan terhadap kemampuan kontroler SSD. Menanggapi tantangan tersebut, SK hynix merancang Hynix Transaction Processing Unit atau H-TPU. Arsitektur pemrosesan tersebut bertujuan untuk memproses pekerjaan kontrol penyimpanan yang memiliki pola operasi rutin. Melalui pendekatan ini, beban pemrosesan dapat didistribusikan dari CPU utama menuju sejumlah unit khusus yang lebih ringkas.
Pengembangan H-TPU dipaparkan oleh Koo In-jae, pejabat yang menangani desain system-on-chip di SK hynix, dalam International SoC Design Conference atau ISOCC 2026 di Incheon, Korea Selatan. Berdasarkan penjelasan teknis yang dilaporkan, perusahaan menjelaskan keterbatasan pendekatan tradisional yang bertumpu pada CPU serbaguna untuk memproses banyak pekerjaan internal SSD. Ketika kapasitas meningkat, CPU pengendali perlu mengelola semakin banyak permintaan dalam waktu singkat. Menambahkan inti CPU biasa memang mungkin memperbesar kemampuan pemrosesan, tetapi juga menimbulkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Karena itu, SK hynix menyiapkan pendekatan pemrosesan terdistribusi untuk meningkatkan efisiensi kontroler generasi mendatang.
Arsitektur Pemrosesan Paralel pada Kontroler SSD SK hynix
Dalam perangkat penyimpanan masa kini, kontroler bertugas mengendalikan komunikasi antara sistem komputer dan chip memori NAND. Berbagai pekerjaan memerlukan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Di samping itu, kontroler juga perlu mengelola pemulihan kesalahan dan kebijakan penyimpanan. Jika menggunakan desain lama, sebagian besar pekerjaan tersebut diproses menggunakan inti CPU serbaguna. Sementara itu, sejumlah operasi rutin diserahkan kepada H-TPU yang menggunakan struktur pemrosesan sederhana. Strategi pemisahan tugas ini bertujuan untuk mengurangi beban CPU utama sekaligus memungkinkan pemrosesan banyak transaksi secara paralel.
Bagian dari ciri penting H-TPU adalah penggunaan arsitektur pemrosesan yang tidak serumit CPU umum. Berdasarkan paparan teknis, unit tersebut menerapkan pipeline empat tahap dengan pola eksekusi berurutan. Pendekatan arsitektur itu menghindari mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Dalam pendekatan ini, H-TPU memfokuskan sumber daya pada tugas transaksi penyimpanan yang sudah ditentukan. Melalui pembagian kerja tersebut, CPU utama dapat lebih berfokus pada pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Meskipun begitu, kemampuan arsitektur baru tetap memerlukan pengujian menyeluruh sebelum manfaatnya dinyatakan konsisten dalam produk komersial.
H-TPU Diklaim Menggunakan Daya dan Area Chip Lebih Kecil
Tidak hanya membagi tugas pemrosesan, SK hynix juga mengutamakan efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Berdasarkan informasi yang dilaporkan, satu inti H-TPU menempati area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Di sisi lain, kebutuhan dayanya disebut mencapai kurang lebih 2,5 persen dari daya inti CPU pembanding. Klaim efisiensi tersebut menunjukkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Meskipun demikian, persentase tersebut tidak dapat langsung diartikan sebagai seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Efisiensi pada tingkat produk tetap ditentukan oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Oleh sebab itu, hasil tersebut lebih tepat dipahami sebagai karakteristik desain inti H-TPU.
Strategi penggunaan unit ringan termasuk penting ketika kontroler menggunakan banyak prosesor khusus sekaligus. Dalam pengembangan yang dilaporkan, SK hynix memecah pekerjaan ke dalam puluhan kelompok unit H-TPU, dengan kemungkinan penggunaan jumlah inti yang lebih besar sesuai kebutuhan. Selain itu, unit yang sedang tidak digunakan dapat ditempatkan ke kondisi hemat daya. Melalui pengaturan aktivitas ini, sistem diharapkan mampu membatasi penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Kemampuan tersebut penting bagi pusat data yang menjalankan banyak SSD secara bersamaan. Walaupun begitu, efisiensi aktual pada lingkungan server membutuhkan pengujian melalui benchmark yang mempertimbangkan kinerja, daya, dan karakteristik beban kerja.
Penyimpanan Berbasis AI Membutuhkan Pengolahan Data yang Lebih Efisien
Perkembangan penggunaan kecerdasan buatan menciptakan kebutuhan baru dalam penyimpanan data pusat komputasi. Dalam proses pelatihan model, sistem harus memproses dataset berukuran besar secara berkelanjutan. Pada tahap inferensi, aplikasi AI sering mengandalkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Kondisi tersebut memberikan tekanan besar terhadap SSD, terutama ketika banyak permintaan datang secara bersamaan. Berkat pengembangan H-TPU, SK hynix mencoba kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Fokus utamanya bukan untuk menghitung model AI seperti GPU, melainkan meningkatkan jalur pengelolaan data yang mendukung pekerjaan AI.
Dalam penggunaan AI, pola akses penyimpanan sering tidak sama dibandingkan beban kerja komputer biasa. Sebagian aplikasi inferensi, data lebih sedikit mengalami penulisan tetapi digunakan untuk banyak permintaan. Karakteristik ini dapat dikategorikan sebagai write once, read many atau WORM. Dalam contoh karakteristik beban yang dilaporkan, perbandingan operasi baca terhadap tulis pada skenario tertentu bahkan disebut dapat menyentuh 300.000 banding satu. Rasio tersebut merupakan contoh pola khusus, bukan seluruh aplikasi AI. Untuk kebutuhan demikian, kemampuan mengatur buffer dan permintaan baca secara efisien merupakan faktor penting. Walaupun begitu, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih bergantung pada implementasi nyata dan pengukuran sistem.
SK hynix Menyiapkan Integrasi H-TPU dengan HBF dan AI-NAND
Di samping penerapan SSD enterprise, arsitektur H-TPU juga dipersiapkan untuk mendukung konsep High Bandwidth Flash atau HBF. Konsep memori tersebut dirancang untuk memadukan karakteristik kapasitas besar NAND dengan kebutuhan bandwidth tinggi dalam sistem AI. Dalam pusat data kecerdasan buatan, terdapat kesenjangan antara memori berkecepatan tinggi yang mahal dan penyimpanan berkapasitas besar yang memiliki latensi lebih tinggi. HBF ditargetkan menempati lapisan memori di antara kategori tersebut. Menurut arah pengembangan SK hynix, kontroler dapat menggunakan informasi mengenai kebutuhan data berikutnya untuk mengatur prefetch dan pengelolaan buffer. Sasaran pengembangan tersebut adalah menekan waktu tunggu ketika komponen komputasi mengakses informasi dari penyimpanan.
Pengembangan H-TPU juga berkaitan dengan strategi produk AI-NAND atau AIN Family dari SK hynix. Dalam portofolio tersebut, perusahaan menyiapkan beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. Kategori AIN P dikembangkan guna kebutuhan pemrosesan data yang membutuhkan performa besar pada pekerjaan AI. Adapun, AIN B berfokus pada bandwidth, sedangkan AIN D ditujukan bagi kapasitas penyimpanan. Melalui pembagian kategori ini, SK hynix mencoba menghadirkan solusi yang dapat disesuaikan dengan karakteristik penggunaan. Walaupun begitu, penerapan H-TPU pada produk tertentu, jadwal distribusi, serta peningkatan kinerja komersial masih perlu mengikuti pengumuman dan pengujian lanjutan. Dengan pertimbangan tersebut, rancangan ini sebaiknya dipahami sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.
Inovasi SK hynix Membuka Peluang Penyimpanan AI Lebih Efisien
Pengenalan H-TPU oleh SK hynix menjadi langkah menarik dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Berkat penerapan unit pemrosesan khusus, perusahaan menargetkan pengelolaan transaksi SSD yang semakin optimal dibandingkan pendekatan yang terlalu bergantung pada CPU umum. Klaim efisiensi mengenai area chip dan konsumsi daya menunjukkan potensi penggunaan banyak unit ringan dalam satu arsitektur kontroler. Di samping itu, rencana pemanfaatannya pada SSD enterprise dan HBF mencerminkan pentingnya pengembangan sistem penyimpanan untuk memfasilitasi infrastruktur AI. Walaupun begitu, peningkatan performa dan efisiensi keseluruhan perangkat tetap perlu dibuktikan melalui implementasi serta pengujian pada produk nyata. Ke depannya, inovasi seperti H-TPU diharapkan mampu mendorong pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Bagaimana menurut Anda, apakah penggunaan prosesor khusus dalam kontroler SSD dapat menghadirkan solusi penting bagi penyimpanan era AI? Sampaikan pandangan Anda mengenai masa depan infrastruktur AI.
