سامسونگ در کنفرانس Future of Memory and Storage 2026 از مجموعه‌ای از فناوری‌های جدید حافظه و ذخیره‌سازی با تمرکز بر هوش مصنوعی رونمایی کرد. در میان مهم‌ترین دستاوردهای این شرکت می‌توان به V10 BV-NAND با بیش از ۴۰۰ لایه، معماری مفهومی zHBM و فناوری zNAND-O اشاره کرد که برای افزایش سرعت پردازش، ظرفیت حافظه و بهره‌وری انرژی در سامانه‌های هوش مصنوعی طراحی شده‌اند.
سامسونگ معتقد است توسعه مدل‌های هوش مصنوعی و افزایش استفاده از پردازش بلادرنگ، نیاز به حافظه‌هایی با ظرفیت بیشتر، تأخیر کمتر و مصرف انرژی پایین‌تر را افزایش داده است. فناوری‌های جدید این شرکت نیز با هدف پاسخ به همین نیازها توسعه یافته‌اند.
V10 BV-NAND با بیش از ۴۰۰ لایه معرفی شد
یکی از مهم‌ترین فناوری‌های معرفی‌شده، V10 BV-NAND است که از معماری جدیدی موسوم به Bonding V-NAND استفاده می‌کند.
این حافظه بیش از ۴۰۰ لایه دارد و با استفاده از فناوری اتصال ویفرها، سلول‌های حافظه را به شکل سه‌بعدی روی یکدیگر قرار می‌دهد. سامسونگ می‌گوید چگالی حافظه در V10 BV-NAND حدود ۵۸ درصد بیشتر از نسل V9 شده است.
این افزایش چگالی تنها مزیت نسل جدید نیست. سامسونگ اعلام کرده عملکرد خواندن، نوشتن و ورودی/خروجی (I/O) نیز نسبت به نسل قبلی بهبود پیدا کرده است.
در نتیجه، V10 BV-NAND می‌تواند برای سامانه‌هایی که به ذخیره‌سازی حجیم و پرسرعت نیاز دارند، به‌خصوص زیرساخت‌های هوش مصنوعی، اهمیت زیادی داشته باشد.
zHBM حافظه را مستقیماً روی شتاب‌دهنده هوش مصنوعی قرار می‌دهد
سامسونگ در کنار V10 BV-NAND، از یک معماری مفهومی جدید با نام zHBM نیز رونمایی کرد.
در معماری‌های HBM مرسوم، حافظه در کنار پردازنده یا شتاب‌دهنده هوش مصنوعی قرار می‌گیرد؛ اما zHBM رویکرد متفاوتی دارد و حافظه را به‌صورت عمودی مستقیماً روی شتاب‌دهنده هوش مصنوعی قرار می‌دهد.
هدف این طراحی، کوتاه‌تر کردن مسیر حرکت داده میان حافظه و پردازنده است. هرچه این فاصله کمتر باشد، امکان افزایش پهنای باند و کاهش انرژی مورد نیاز برای جابه‌جایی داده فراهم می‌شود.
سامسونگ می‌گوید یک سیستم رابط نسل بعدی مبتنی بر zHBM می‌تواند به حدود ۸ برابر عملکرد HBM5 برسد. این شرکت همچنین مدعی است فناوری اتصال ویفر در این معماری می‌تواند چگالی حافظه را به بیش از ۱۰ برابر HBM5 برساند.
از نظر بهره‌وری انرژی نیز سامسونگ افزایش سه‌برابری را مطرح کرده و می‌گوید مقاومت حرارتی می‌تواند بیش از نصف کاهش پیدا کند. این اعداد فعلاً ادعاهای سامسونگ درباره یک معماری در حال توسعه هستند و نباید آن‌ها را با نتایج بنچمارک یک محصول تجاری نهایی اشتباه گرفت.
zNAND-O برای هوش مصنوعی لبه‌ای ساخته می‌شود
فناوری دیگر سامسونگ zNAND-O نام دارد که یک راهکار NAND پرسرعت برای کاربردهای هوش مصنوعی است.
این فناوری بر پایه معماری V-NAND توسعه داده می‌شود و در نمونه‌های چهار و هشت لایه‌ای به نمایش درآمده است. هدف zNAND-O افزایش بهره‌وری فضایی، سرعت I/O و کاهش تأخیر است.
سامسونگ این معماری را به‌طور ویژه برای Edge AI در نظر گرفته است؛ حوزه‌ای که در آن داده‌ها باید تا حد امکان نزدیک به محل تولید و بدون اتکا به مراکز داده ابری پردازش شوند.
برای نمونه، سیستم‌های رباتیک، خودروهای هوشمند، تجهیزات صنعتی و دستگاه‌های هوشمند می‌توانند به حافظه‌ای نیاز داشته باشند که بتواند حجم زیادی از داده را با تأخیر بسیار پایین در اختیار پردازنده قرار دهد.
سامسونگ روی HBM4E و HBM5 هم تمرکز دارد
نمایشگاه FMS 2026 تنها به فناوری‌های مفهومی محدود نبود. سامسونگ نمونه‌های HBM4E و مدل HBM5 خود را نیز به نمایش گذاشت.
این شرکت اعلام کرده در فوریه تولید انبوه HBM4 را با فناوری 1c DRAM و دای پایه ۴ نانومتری آغاز کرده و در ماه مه نیز ارسال نمونه‌های HBM4E برای مشتریان جهانی را شروع کرده است.
سامسونگ همچنین فناوری LPDDR5X-PIM را معرفی کرد که از مفهوم پردازش درون حافظه (Processing-in-Memory) استفاده می‌کند.
در این معماری، بخشی از پردازش داده داخل خود حافظه انجام می‌شود. به این ترتیب، نیاز به جابه‌جایی مداوم داده بین حافظه و پردازنده کاهش می‌یابد و در سناریوهای سازگار می‌توان به مصرف انرژی کمتر و بهره‌وری بالاتر دست پیدا کرد.
حافظه‌های سازمانی برای دیتاسنترهای هوش مصنوعی
سامسونگ در بخش ذخیره‌سازی سازمانی نیز محصولاتی مانند PM1763 و BM1773 را به نمایش گذاشت.
این محصولات برای پاسخ به رشد نیازهای ذخیره‌سازی در دیتاسنترهای هوش مصنوعی طراحی شده‌اند؛ دیتاسنترهایی که باید حجم عظیمی از داده‌های آموزشی، مدل‌ها و اطلاعات مورد نیاز برای استنتاج را ذخیره و با سرعت بالا در اختیار سیستم پردازشی قرار دهند.
به این ترتیب، سامسونگ تلاش دارد فقط روی یک نوع حافظه تمرکز نکند و طیف کاملی از فناوری‌های DRAM، NAND، HBM و ذخیره‌سازی سازمانی را برای زیرساخت هوش مصنوعی توسعه دهد.
چرا سامسونگ به سراغ معماری سه‌بعدی رفته است؟
رشد مدل‌های هوش مصنوعی باعث شده سرعت پردازنده‌ها به‌تنهایی تعیین‌کننده عملکرد سیستم نباشد. پردازنده‌های قدرتمند برای اجرای مدل‌های بزرگ باید حجم بسیار زیادی از داده را به‌سرعت از حافظه دریافت کنند.
اگر حافظه نتواند با سرعت پردازنده هماهنگ شود، بخشی از توان پردازشی تراشه عملاً بلااستفاده باقی می‌ماند.
به همین دلیل، شرکت‌هایی مانند سامسونگ به سمت حافظه‌های سه‌بعدی، اتصال مستقیم‌تر حافظه به پردازنده و پردازش نزدیک به حافظه حرکت کرده‌اند. zHBM دقیقاً با همین رویکرد طراحی شده است؛ در حالی که V10 BV-NAND و zNAND-O بیشتر بر افزایش ظرفیت، سرعت و بهره‌وری ذخیره‌سازی تمرکز دارند.
سامسونگ به دنبال ارائه راهکار کامل برای هوش مصنوعی است
سامسونگ در FMS 2026 تلاش کرد خود را به‌عنوان شرکتی معرفی کند که می‌تواند بخش‌های مختلف زیرساخت سخت‌افزاری هوش مصنوعی را پوشش دهد.
این شرکت علاوه بر حافظه، قابلیت‌های Foundry و بسته‌بندی پیشرفته تراشه را نیز در اختیار دارد و از ترکیب این بخش‌ها برای ارائه راهکارهای یکپارچه استفاده می‌کند.
هدف سامسونگ این است که مشتریان بتوانند از مرحله طراحی محصول تا تولید انبوه، بخش بیشتری از فرایند توسعه سخت‌افزارهای هوش مصنوعی را از یک مجموعه دریافت کنند.
مهم‌ترین فناوری‌های معرفی‌شده سامسونگ
- V10 BV-NAND: بیش از ۴۰۰ لایه و افزایش حدود ۵۸ درصدی چگالی نسبت به V9
- zHBM: قرارگیری عمودی HBM روی شتاب‌دهنده هوش مصنوعی
- zNAND-O: حافظه NAND پرسرعت برای Edge AI
- HBM4E و HBM5: نسل‌های بعدی حافظه پرپهنای‌باند
- LPDDR5X-PIM: پردازش داده درون حافظه
- PM1763 و BM1773: راهکارهای ذخیره‌سازی سازمانی برای دیتاسنترها
منابع:
- Samsung Newsroom
- Reuters
- StorageReview
