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.
SK hynix Hadirkan Arsitektur Kontroler SSD Khusus untuk Kebutuhan AI
Kemajuan TEKNOLOGI kecerdasan buatan mendorong kebutuhan terhadap perangkat penyimpanan dengan kemampuan pemrosesan besar. Ketika menjalankan aplikasi AI berskala besar, SSD memegang peranan penting dalam menyalurkan informasi yang diperlukan oleh CPU dan GPU. Walaupun begitu, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menimbulkan tekanan terhadap kemampuan kontroler SSD. Sejalan dengan perkembangan industri, SK hynix merancang Hynix Transaction Processing Unit atau H-TPU. Arsitektur pemrosesan tersebut bertujuan untuk memproses pekerjaan kontrol penyimpanan yang berulang. Melalui pendekatan ini, beban pemrosesan dapat dialihkan dari CPU utama menuju sejumlah unit khusus yang lebih ringkas.
Pengenalan 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 menyoroti keterbatasan pendekatan tradisional yang mengandalkan CPU serbaguna untuk mengatur banyak pekerjaan internal SSD. Saat kebutuhan transfer data bertambah, CPU pengendali perlu mengelola semakin banyak permintaan dalam waktu singkat. Meningkatkan jumlah inti CPU biasa memang berpotensi meningkatkan kemampuan pemrosesan, tetapi juga menimbulkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Oleh sebab itu, SK hynix memilih pendekatan pemrosesan terdistribusi untuk meningkatkan efisiensi kontroler generasi mendatang.
Arsitektur Pemrosesan Paralel pada Kontroler SSD SK hynix
Ketika sebuah SSD bekerja, kontroler berfungsi mengendalikan komunikasi antara sistem komputer dan chip memori NAND. Sejumlah proses internal melibatkan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Di samping itu, kontroler juga harus menangani pemulihan kesalahan dan kebijakan penyimpanan. Dalam pendekatan kontroler tradisional, sebagian besar pekerjaan tersebut diproses menggunakan inti CPU serbaguna. Sebaliknya, sejumlah operasi rutin diserahkan kepada H-TPU yang dioptimalkan untuk fungsi tertentu. Strategi pemisahan tugas ini dimaksudkan untuk mengurangi beban CPU utama sekaligus membantu pemrosesan banyak transaksi secara paralel.
Salah satu keunggulan desain H-TPU adalah penggunaan arsitektur pemrosesan yang lebih sederhana. Menurut informasi pengembangan, unit tersebut memanfaatkan pipeline empat tahap dengan pola eksekusi berurutan. Struktur pemrosesan tersebut tidak mengandalkan mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Untuk menggantikan kompleksitas tersebut, H-TPU memfokuskan sumber daya pada tugas transaksi penyimpanan yang sudah ditentukan. Dengan demikian, CPU utama dapat lebih berfokus pada pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Namun demikian, kemampuan arsitektur baru tetap memerlukan pengujian menyeluruh sebelum manfaatnya terbukti pada berbagai kondisi dalam produk komersial.
H-TPU Diklaim Menggunakan Daya dan Area Chip Lebih Kecil
Selain memisahkan tugas pemrosesan, SK hynix juga mengutamakan efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Dalam paparan teknisnya, satu inti H-TPU menggunakan area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Sementara itu, kebutuhan dayanya dilaporkan setara dengan 2,5 persen dari daya inti CPU pembanding. Perbandingan ini menggambarkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Walaupun begitu, persentase tersebut bukan bukti bahwa seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Konsumsi energi keseluruhan SSD tetap ditentukan oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Karena itu, hasil tersebut perlu dilihat sebagai karakteristik desain inti H-TPU.
Pendekatan hemat daya termasuk penting ketika kontroler mengintegrasikan banyak prosesor khusus sekaligus. Menurut rancangan yang dipaparkan, SK hynix memecah pekerjaan ke dalam puluhan kelompok unit H-TPU, dengan kemungkinan penggunaan jumlah inti yang lebih besar sesuai kebutuhan. Tidak kalah penting, unit yang sedang tidak digunakan direncanakan berada ke kondisi hemat daya. Dengan mekanisme tersebut, sistem berupaya menghindari penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Kemampuan tersebut bermanfaat bagi pusat data yang mengoperasikan banyak SSD secara bersamaan. Walaupun begitu, efisiensi aktual pada lingkungan server membutuhkan pengujian melalui benchmark yang mengukur kinerja, daya, dan karakteristik beban kerja.
Penyimpanan Berbasis AI Membutuhkan Pengolahan Data yang Lebih Efisien
Peningkatan penggunaan kecerdasan buatan mendorong kebutuhan baru dalam pemrosesan data pusat komputasi. Dalam proses pelatihan model, sistem perlu membaca dataset berukuran besar secara berulang. Sementara itu, aplikasi AI sering memerlukan akses cepat terhadap parameter model, cache, dan informasi pendukung. Pola penggunaan ini menghadirkan tekanan besar terhadap SSD, terutama ketika banyak permintaan diproses secara bersamaan. Melalui rancangan H-TPU, SK hynix menargetkan kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Tujuannya bukan untuk menjalankan model AI seperti GPU, melainkan mengoptimalkan jalur pengelolaan data yang digunakan dalam pekerjaan AI.
Pada infrastruktur inferensi, pola akses penyimpanan sering tidak sama dibandingkan beban kerja komputer biasa. Sebagian aplikasi inferensi, data ditulis relatif jarang tetapi dibaca sangat sering. Karakteristik ini sering disebut write once, read many atau WORM. Menurut penjelasan teknis pengembangan, 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. Pada kondisi tersebut, kemampuan menjadwalkan buffer dan permintaan baca secara efisien merupakan faktor penting. Meskipun demikian, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih memerlukan pembuktian melalui implementasi nyata dan pengukuran sistem.
Hubungan Kontroler SSD Generasi Baru dengan High Bandwidth Flash
Selain penggunaan SSD enterprise, arsitektur H-TPU juga dipertimbangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Konsep memori tersebut diarahkan untuk menggabungkan 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 diharapkan menempati lapisan memori di antara kategori tersebut. Menurut arah pengembangan SK hynix, kontroler dapat memanfaatkan informasi mengenai kebutuhan data berikutnya untuk mengatur prefetch dan pengelolaan buffer. Manfaat yang ditargetkan adalah membatasi 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 difokuskan pada kebutuhan pemrosesan data yang membutuhkan performa besar pada pekerjaan AI. Sementara itu, AIN B berfokus pada bandwidth, sedangkan AIN D ditujukan bagi kapasitas penyimpanan. Melalui pembagian kategori ini, SK hynix menargetkan pengembangan solusi yang semakin relevan dengan karakteristik penggunaan. Walaupun begitu, penerapan H-TPU pada produk tertentu, jadwal distribusi, serta peningkatan kinerja komersial memerlukan konfirmasi melalui pengumuman dan pengujian lanjutan. Dengan pertimbangan tersebut, rancangan ini lebih tepat dilihat sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.
Inovasi SK hynix Membuka Peluang Penyimpanan AI Lebih Efisien
Perancangan H-TPU oleh SK hynix menghadirkan langkah menarik dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Berkat penerapan unit pemrosesan khusus, perusahaan berupaya pengelolaan transaksi SSD yang lebih efisien dibandingkan pendekatan yang terlalu bergantung pada CPU umum. Data teknis yang dipaparkan mengenai area chip dan konsumsi daya menggambarkan potensi penggunaan banyak unit ringan dalam satu arsitektur kontroler. Selain itu, rencana pemanfaatannya pada SSD enterprise dan HBF menunjukkan pentingnya pengembangan sistem penyimpanan untuk mendukung infrastruktur AI. Namun demikian, peningkatan performa dan efisiensi keseluruhan perangkat tetap membutuhkan validasi melalui implementasi serta pengujian pada produk nyata. Dalam perkembangan selanjutnya, inovasi seperti H-TPU diharapkan mampu mendukung pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Apa pendapat Anda, apakah penggunaan prosesor khusus dalam kontroler SSD akan menjadi solusi penting bagi penyimpanan era AI? Sampaikan pandangan Anda mengenai inovasi SSD SK hynix.
