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.
Mengenal Teknologi H-TPU dalam Pengembangan SSD Generasi Baru
Kemajuan TEKNOLOGI kecerdasan buatan meningkatkan kebutuhan terhadap perangkat penyimpanan dengan kemampuan pemrosesan besar. Dalam lingkungan pusat data, SSD memegang peranan penting dalam menyalurkan informasi yang digunakan oleh CPU dan GPU. Walaupun begitu, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menghadirkan tekanan terhadap kemampuan kontroler SSD. Sejalan dengan perkembangan industri, SK hynix mengembangkan Hynix Transaction Processing Unit atau H-TPU. Arsitektur pemrosesan tersebut dikembangkan untuk memproses pekerjaan kontrol penyimpanan yang sering dijalankan. Dengan rancangan tersebut, beban pemrosesan dapat didistribusikan dari CPU utama menuju sejumlah unit khusus yang dirancang untuk tugas tertentu.
Pengembangan H-TPU dipresentasikan oleh Koo In-jae, pejabat yang membidangi 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 menggunakan CPU serbaguna untuk menjalankan banyak pekerjaan internal SSD. Ketika kapasitas meningkat, CPU pengendali dituntut memproses 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 mengembangkan pendekatan pemrosesan terdistribusi untuk menjaga efisiensi kontroler generasi mendatang.
Arsitektur Pemrosesan Paralel pada Kontroler SSD SK hynix
Ketika sebuah SSD bekerja, kontroler berfungsi mengatur komunikasi antara sistem komputer dan chip memori NAND. Banyak operasi penyimpanan memerlukan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Tidak hanya itu, kontroler juga perlu mengelola pemulihan kesalahan dan kebijakan penyimpanan. Pada rancangan konvensional, sebagian besar pekerjaan tersebut diproses menggunakan inti CPU serbaguna. Dalam rancangan yang dikembangkan SK hynix, sejumlah operasi rutin diserahkan kepada H-TPU yang menggunakan struktur pemrosesan sederhana. Pendekatan tersebut dimaksudkan untuk membatasi beban CPU utama sekaligus mendukung pemrosesan banyak transaksi secara paralel.
Di antara ciri penting H-TPU adalah penggunaan arsitektur pemrosesan yang tidak serumit CPU umum. Menurut informasi pengembangan, unit tersebut menerapkan pipeline empat tahap dengan pola eksekusi berurutan. Pendekatan arsitektur itu mengurangi kebutuhan terhadap mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Dalam pendekatan ini, H-TPU memusatkan 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 harus melalui pengujian menyeluruh sebelum manfaatnya terbukti pada berbagai kondisi dalam produk komersial.
H-TPU Diklaim Menggunakan Daya dan Area Chip Lebih Kecil
Di samping mendistribusikan tugas pemrosesan, SK hynix juga menekankan efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Menurut penjelasan perusahaan, satu inti H-TPU memerlukan area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Di sisi lain, kebutuhan dayanya diklaim sekitar 2,5 persen dari daya inti CPU pembanding. Perbandingan ini mengindikasikan potensi penghematan sumber daya pada tingkat unit pemrosesan. Meskipun demikian, persentase tersebut tidak berarti seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Efisiensi pada tingkat produk tetap bergantung pada 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 menjadi penting ketika kontroler memanfaatkan banyak prosesor khusus sekaligus. Pada konsep arsitektur tersebut, SK hynix membagi 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. Dengan mekanisme tersebut, sistem berupaya menghindari penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Hal ini relevan bagi pusat data yang mengoperasikan banyak SSD secara bersamaan. Meskipun demikian, efisiensi aktual pada lingkungan server membutuhkan pengujian melalui benchmark yang mengukur kinerja, daya, dan karakteristik beban kerja.
Kontroler Baru SK hynix Ditujukan untuk Beban Kerja AI
Perkembangan penggunaan kecerdasan buatan mendorong kebutuhan baru dalam pemrosesan data pusat komputasi. Pada pengembangan model kecerdasan buatan, sistem perlu membaca dataset berukuran besar secara berulang. Sementara itu, aplikasi AI sering mengandalkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Pola penggunaan ini menghadirkan tekanan besar terhadap SSD, terutama ketika banyak permintaan datang secara bersamaan. Melalui rancangan H-TPU, SK hynix menargetkan kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Tujuannya bukan untuk menghitung model AI seperti GPU, melainkan meningkatkan jalur pengelolaan data yang mendukung pekerjaan AI.
Pada infrastruktur inferensi, pola akses penyimpanan memiliki karakteristik berbeda dibandingkan beban kerja komputer biasa. Sebagian aplikasi inferensi, data lebih sedikit mengalami penulisan tetapi digunakan untuk banyak permintaan. Pendekatan penyimpanan demikian 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. Angka tersebut mewakili contoh pola khusus, bukan seluruh aplikasi AI. Dalam skenario tersebut, kemampuan mengelola buffer dan permintaan baca secara efisien merupakan faktor penting. Namun demikian, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih harus dinilai berdasarkan implementasi nyata dan pengukuran sistem.
Strategi SK hynix Mengembangkan Penyimpanan untuk Infrastruktur AI
Selain penggunaan SSD enterprise, arsitektur H-TPU juga dipertimbangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Teknologi tersebut diarahkan untuk menyeimbangkan karakteristik kapasitas besar NAND dengan kebutuhan bandwidth tinggi dalam sistem AI. Pada arsitektur komputasi modern, terdapat kesenjangan antara memori berkecepatan tinggi yang mahal dan penyimpanan berkapasitas besar yang memiliki latensi lebih tinggi. HBF ditargetkan membantu mengisi lapisan memori di antara kategori tersebut. Dalam rancangan yang dibahas, kontroler dapat mengolah informasi mengenai kebutuhan data berikutnya untuk mengatur prefetch dan pengelolaan buffer. Tujuan pendekatan ini adalah menekan waktu tunggu ketika komponen komputasi memerlukan informasi dari penyimpanan.
Pengembangan H-TPU juga mendukung arah strategi produk AI-NAND atau AIN Family dari SK hynix. Melalui strategi penyimpanan ini, perusahaan mengembangkan beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. AIN P dikembangkan guna kebutuhan pemrosesan data yang membutuhkan performa besar pada pekerjaan AI. Sementara itu, AIN B mengutamakan bandwidth, sedangkan AIN D mengutamakan kapasitas penyimpanan. Berkat strategi tersebut, SK hynix menargetkan pengembangan solusi yang dapat disesuaikan dengan karakteristik penggunaan. Namun demikian, penerapan H-TPU pada produk tertentu, jadwal distribusi, serta peningkatan kinerja komersial masih perlu mengikuti pengumuman dan pengujian lanjutan. Oleh sebab itu, 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 merupakan langkah menjanjikan dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Dengan memanfaatkan unit pemrosesan khusus, perusahaan berupaya pengelolaan transaksi SSD yang lebih efisien dibandingkan pendekatan yang terlalu bergantung pada CPU umum. Klaim efisiensi 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 mencerminkan pentingnya pengembangan sistem penyimpanan untuk menunjang infrastruktur AI. Walaupun begitu, 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 membantu pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Menurut pandangan Anda, apakah penggunaan prosesor khusus dalam kontroler SSD berpotensi berkembang sebagai solusi penting bagi penyimpanan era AI? Bagikan pandangan Anda mengenai efisiensi penyimpanan data.
