Kioxia представила SSD GP1 для ИИ-систем: 100 млн IOPS обещаны в будущих версиях

Kioxia представила новый корпоративный SSD GP1, который должен изменить подход к хранению данных в системах искусственного интеллекта. По замыслу компании, этот накопитель станет не просто устройством для хранения, а дополнительным уровнем памяти для GPU, дополняющим дорогостоящую HBM-память.

В основе GP1 лежит второе поколение флеш-памяти XL-Flash, относящейся к классу SCM (Storage Class Memory). Этот тип памяти занимает промежуточное положение между оперативной памятью и обычными NAND SSD. Накопитель поддерживает доступ блоками по 512 байт, что позволяет эффективно работать с небольшими объёмами данных, не сталкиваясь с ограничениями, типичными для традиционных SSD.

Интерфейс устройства — PCIe 6.0, протокол — NVMe 2.2. Накопитель выпускается в серверных форматах EDSFF E1.S и E3.S. Некоторые версии могут использовать прямое охлаждение через холодную пластину. Первая версия GP1 обеспечивает около 10 миллионов операций случайного чтения в секунду (IOPS). В компании отмечают, что будущие поколения смогут масштабироваться до 100 миллионов IOPS, но этот показатель не относится к текущей модели.

Заявленная выносливость достигает 50 DWPD — это означает, что накопитель может выдерживать до 50 полных перезаписей всего объёма в сутки. Такой показатель значительно выше, чем у обычных SSD, которые чаще всего рассчитаны на преимущественно операции чтения.

Kioxia рассчитывает применять GP1 в инфраструктуре ИИ, где объёмы данных постоянно растут, и размещение всей информации в HBM становится слишком дорогим. Более «холодные» данные можно будет хранить на SSD, а высокоскоростную память GPU использовать для активно обрабатываемой информации.

Образцы накопителей должны появиться в конце 2026 года. Компания пока не раскрыла ёмкость, задержки, устойчивую скорость передачи данных, энергопотребление и стоимость. Появление GP1 отражает попытку изменить роль флеш-памяти в ИИ-системах: она становится не просто хранилищем, а частью иерархии памяти рядом с GPU, HBM и оперативной памятью. Эффективность такого подхода будет зависеть от программного обеспечения, которое сможет правильно распределять данные между разными уровнями памяти.