Nejzajímavějším konceptem je zHBM. Samsung u něj počítá s tím, že se vysokorychlostní paměť HBM přesune z pozice vedle AI akcelerátoru přímo nad něj. Společnost tak naznačuje další krok ve vývoji 3D integrace pamětí a výpočetních čipů.

Paměť přímo nad akcelerátorem

Dnešní AI akcelerátory, například GPU používané v datacentrech, využívají HBM jako velmi rychlou lokální paměť. HBM čipy jsou přitom prostřednictvím pokročilého pouzdření umístěny v těsné blízkosti výpočetního čipu. Přesto mezi nimi stále existuje určitě fyzická vzdálenost, která představuje jeden z limitů dalšího zvyšování výkonu a energetické efektivity.

Koncept zHBM jde ještě dál. Samsung chce paměťové vrstvy umístit vertikálně přímo nad AI akcelerátor. Kratší cesta mezi výpočetní logikou a pamětí by měla znamenat vyšší propustnost, nižší spotřebu a současně lepší využití prostoru v pouzdře.

Samsung hovoří o možném přibližně osminásobném zvýšení výkonu rozhraní oproti budoucí HBM5. Díky nové technologii spojování waferů má být zároveň možné dosáhnout více než desetinásobné paměťové hustoty. Významným parametrem je také tepelný management – Samsung uvádí trojnásobné zlepšení energetické efektivity a snížení tepelného odporu o více než polovinu.

Zatím jde však (bohužel) pouze o raný technologický koncept, jež nám naznačuje, kam se může vývoj pamětí a pokročilého pouzdření v dalších letech posunout.

Proč je paměť pro AI tak důležitá

Velké jazykové modely a další generativní AI aplikace pracují s obrovským množstvím dat a jejich výkon je do značné míry závislý na tom, jak rychle lze data přesouvat mezi výpočetními jednotkami a pamětí.

Právě proto se HBM stala jednou z nejdůležitějších technologií současných AI akcelerátorů. Její výhodou je vysoká propustnost při relativně kompaktních rozměrech. S růstem modelů a počtu parametrů však roste nejen požadovaná propustnost, ale také kapacita paměti.

Budoucí generace AI systémů proto pravděpodobně nebudou řešit pouze otázku „jak rychlý je akcelerátor“, ale stále více také „jak rychle a efektivně dokáže získávat data z paměti“.

HBM4E a výhled k HBM5

Vedle konceptu zHBM Samsung na FMS 2026 prezentoval také konkrétnější vývojové směry v oblasti HBM. Patří mezi ně HBM4E a HBM5.

Samsung přitom zdůraznil, že jeho vývoj nesměřuje pouze ke zvyšování propustnosti. Důležitými parametry jsou také energetická efektivita, kapacita, tepelný management a možnost přizpůsobit paměť konkrétnímu AI akcelerátoru.

Právě kombinace těchto vlastností bude pro datacentra stále důležitější. Vyšší výkon totiž automaticky neznamená lepší systém, pokud současně výrazně vzroste spotřeba energie nebo nároky na chlazení.

Nová NAND pro AI infrastrukturu

Samsung se na FMS 2026 nezaměřoval pouze na HBM. Druhou významnou oblastí je NAND a technologie V10 BV-NAND. Konkrétně jde o další generaci V-NAND, která využívá více než 400 vrstev. Samsung přitom používá nový způsob spojování waferů označovaný jako Bonding V-NAND. Podle společnosti se díky němu podařilo zvýšit paměťovou hustotu přibližně o 58 % ve srovnání s předchozí generací V9.

Vyšší hustota je důležitá především v datacentrech. AI systémy totiž negenerují pouze nároky na výpočetní výkon a operační paměť, ale také obrovské objemy dat, které je nutné ukládat. Budoucí úložiště proto musí nabídnout nejen vysokou kapacitu, ale také vysoký počet I/O operací a nízkou latenci.

zNAND-O míří na AI na okraji sítě

Zajímavou novinkou je rovněž zNAND-O, které Samsung vyvíjí ve čtyř- a osmivrstvých konfiguracích. Na rozdíl od klasického důrazu na maximální kapacitu NAND je zde prioritou kombinace výkonu, prostorové efektivity a nízké latence. Technologie je proto zaměřena především na prostředí edge AI, kde může být nutné zpracovávat data přímo v místě jejich vzniku.

To je důležitý trend. Ne všechny AI výpočty se budou odehrávat v obřích cloudových datacentrech. Kamery, průmyslové systémy, autonomní zařízení nebo další edge infrastruktura budou stále častěji využívat vlastní AI akceleraci. V těchto scénářích může být nízká latence důležitější než maximální kapacita úložiště.

Paměť, která zároveň počítá

Samsung dále prezentoval LPDDR5X-PIM, tedy paměť využívající koncept Processing-in-Memory (PIM). Principem PIM je přesun části výpočtů přímo do paměťového subsystému. Místo toho, aby se všechna data musela neustále přesouvat mezi pamětí a procesorem, může se část operací provést přímo v paměti.

To může snížit množství přenášených dat a tím i energetickou náročnost. U AI je tento přístup zajímavý zejména proto, že některé algoritmy pracují s obrovským množstvím relativně jednoduchých operací nad rozsáhlými datovými strukturami.

LPDDR5X-PIM tak představuje další možný směr, jak překonat takzvanou „memory wall“ – situaci, kdy další růst výpočetního výkonu naráží na omezení způsobená rychlostí a energetickou náročností přesunu dat.

Úložiště pro rostoucí AI datacentra

Samsung na konferenci prezentoval také podniková SSD řešení PM1763 a BM1773. Jejich význam je třeba vnímat v širším kontextu rychle rostoucích datových nároků AI.

Datacentrum budoucnosti nebude tvořit pouze několik výkonných GPU a jejich HBM. Potřebuje širokou škálu pamětí a úložišť – od extrémně rychlé HBM přes DRAM a rychlá SSD až po vysokokapacitní úložiště.

Právě propojení těchto vrstev bude jedním z klíčových faktorů celkového výkonu AI infrastruktury. Čím větší modely budou vznikat, tím méně bude možné vnímat paměť a úložiště jako pouhé „příslušenství“ procesoru.

Samsung sází na vertikální integraci

Zajímavá je také širší strategie Samsungu. Společnost nechce být pouze dodavatelem jednotlivých paměťových čipů. Díky kombinaci výroby DRAM a NAND, foundry služeb a pokročilého pouzdření může nabídnout zákazníkům integrované řešení od návrhu až po výrobu.

Právě pokročilé pouzdření přitom získává v AI éře stále větší význam. Tradiční přístup, kdy jsou jednotlivé čipy vyráběny a následně propojeny na úrovni základní desky, přestává pro nejvýkonnější systémy stačit. Cesta vede k jejich stále těsnější integraci – od 2,5D pouzdření až k plnohodnotným 3D strukturám.

zHBM je z tohoto pohledu možná ještě důležitější jako demonstrace směru než jako konkrétní produkt. Ukazuje, že další vývoj AI akcelerátorů nebude probíhat pouze prostřednictvím stále výkonnějších výpočetních jader. Stejně důležité bude rozhodnutí, kde a jakým způsobem budou uložena data, s nimiž tato jádra pracují.