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
Pertumbuhan TEKNOLOGI kecerdasan buatan memperbesar kebutuhan terhadap infrastruktur pengelolaan data yang efisien. Ketika menjalankan aplikasi AI berskala besar, SSD memegang peranan penting dalam menyediakan informasi yang digunakan oleh CPU dan GPU. Namun demikian, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menghadirkan tekanan terhadap kemampuan kontroler SSD. Untuk menghadapi kebutuhan baru ini, SK hynix merancang Hynix Transaction Processing Unit atau H-TPU. Komponen tersebut dikembangkan untuk memproses pekerjaan kontrol penyimpanan yang sering dijalankan. Melalui pendekatan ini, beban pemrosesan dapat dibagi dari CPU utama menuju sejumlah unit khusus yang dirancang untuk tugas tertentu.
Pengembangan H-TPU dijelaskan 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. Dalam paparannya, perusahaan menjelaskan keterbatasan pendekatan tradisional yang bertumpu pada CPU serbaguna untuk menjalankan banyak pekerjaan internal SSD. Seiring pertumbuhan beban penyimpanan, CPU pengendali perlu mengelola semakin banyak permintaan dalam waktu singkat. Meningkatkan jumlah inti CPU biasa memang mungkin memperbesar kemampuan pemrosesan, tetapi juga menghadirkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Dengan mempertimbangkan kondisi tersebut, SK hynix memilih pendekatan pemrosesan terdistribusi untuk menjaga efisiensi kontroler generasi mendatang.
Cara Kerja H-TPU dalam Mengelola Transaksi SSD
Dalam perangkat penyimpanan masa kini, kontroler berfungsi mengelola komunikasi antara sistem komputer dan chip memori NAND. Sejumlah proses internal memerlukan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Tidak hanya itu, kontroler juga harus menangani pemulihan kesalahan dan kebijakan penyimpanan. Jika menggunakan desain lama, sebagian besar pekerjaan tersebut diproses menggunakan inti CPU serbaguna. Sebaliknya, sejumlah operasi rutin diserahkan kepada H-TPU yang menggunakan struktur pemrosesan sederhana. Pendekatan tersebut bertujuan untuk mengurangi beban CPU utama sekaligus membantu pemrosesan banyak transaksi secara paralel.
Bagian dari keunggulan desain H-TPU adalah penggunaan arsitektur pemrosesan yang tidak serumit CPU umum. Dalam rincian rancangan yang dilaporkan, unit tersebut memanfaatkan pipeline empat tahap dengan pola eksekusi berurutan. Rancangan ini tidak mengandalkan mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Untuk menggantikan kompleksitas tersebut, H-TPU memusatkan sumber daya pada tugas transaksi penyimpanan yang sudah ditentukan. Dengan demikian, CPU utama memiliki ruang lebih besar untuk menangani pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Meskipun begitu, kemampuan arsitektur baru tetap memerlukan pengujian menyeluruh sebelum manfaatnya dinyatakan konsisten dalam produk komersial.
Efisiensi Prosesor H-TPU Dibandingkan Inti CPU Konvensional
Tidak hanya membagi tugas pemrosesan, SK hynix juga mengutamakan efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Dalam paparan teknisnya, satu inti H-TPU memerlukan 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. Angka tersebut menggambarkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Meskipun demikian, persentase tersebut bukan bukti bahwa seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Performa total perangkat tetap dipengaruhi oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Oleh sebab itu, hasil tersebut perlu dilihat sebagai karakteristik desain inti H-TPU.
Rancangan berorientasi efisiensi menjadi penting ketika kontroler menggunakan banyak prosesor khusus sekaligus. Pada konsep arsitektur tersebut, SK hynix memecah 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. Melalui pengaturan aktivitas ini, sistem dirancang untuk mengurangi penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Rancangan tersebut relevan bagi pusat data yang menggunakan banyak SSD secara bersamaan. Walaupun begitu, efisiensi aktual pada lingkungan server masih perlu dibandingkan melalui benchmark yang memeriksa 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. Di sisi lain, aplikasi AI sering membutuhkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Karakteristik beban kerja tersebut memberikan tekanan besar terhadap SSD, terutama ketika banyak permintaan diproses secara bersamaan. Dengan menggunakan H-TPU, SK hynix berupaya kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Fokus utamanya bukan untuk memproses langsung model AI seperti GPU, melainkan meningkatkan jalur pengelolaan data yang mendukung pekerjaan AI.
Pada infrastruktur inferensi, pola akses penyimpanan dapat berbeda dibandingkan beban kerja komputer biasa. Dalam skenario pembacaan model, data tidak terlalu sering diperbarui tetapi diakses berulang kali. Pola tersebut sering disebut write once, read many atau WORM. Menurut penjelasan teknis pengembangan, perbandingan operasi baca terhadap tulis pada skenario tertentu bahkan dilaporkan sekitar 300.000 banding satu. Perbandingan ini menggambarkan contoh pola khusus, bukan seluruh aplikasi AI. Pada kondisi tersebut, kemampuan mengatur buffer dan permintaan baca secara efisien merupakan faktor penting. Meskipun 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
Tidak hanya untuk kebutuhan SSD enterprise, arsitektur H-TPU juga dikembangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Pendekatan penyimpanan ini dirancang 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. Konsep memori berbasis flash ini diharapkan membantu mengisi lapisan memori di antara kategori tersebut. Menurut arah pengembangan SK hynix, kontroler dapat mengolah informasi mengenai kebutuhan data berikutnya untuk mengatur prefetch dan pengelolaan buffer. Sasaran pengembangan tersebut adalah menekan waktu tunggu ketika komponen komputasi membutuhkan informasi dari penyimpanan.
Pengembangan H-TPU juga sejalan dengan strategi produk AI-NAND atau AIN Family dari SK hynix. Melalui strategi penyimpanan ini, perusahaan merancang beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. AIN P dikembangkan guna kebutuhan pemrosesan data yang intensif pada pekerjaan AI. Adapun, AIN B mengutamakan bandwidth, sedangkan AIN D memprioritaskan kapasitas penyimpanan. Berkat strategi tersebut, SK hynix menargetkan pengembangan solusi yang dapat disesuaikan dengan karakteristik penggunaan. Meskipun demikian, penerapan H-TPU pada produk tertentu, jadwal distribusi, serta peningkatan kinerja komersial memerlukan konfirmasi melalui pengumuman dan pengujian lanjutan. Oleh sebab itu, rancangan ini lebih tepat dilihat sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.
Kesimpulan tentang Teknologi Kontroler SSD H-TPU dari SK hynix
Pengenalan H-TPU oleh SK hynix menghadirkan langkah penting dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Dengan memanfaatkan unit pemrosesan khusus, perusahaan menargetkan pengelolaan transaksi SSD yang lebih efisien dibandingkan pendekatan yang terlalu bergantung pada CPU umum. Hasil perbandingan desain mengenai area chip dan konsumsi daya menunjukkan potensi penggunaan banyak unit ringan dalam satu arsitektur kontroler. Di samping itu, rencana pemanfaatannya pada SSD enterprise dan HBF menunjukkan pentingnya pengembangan sistem penyimpanan untuk memfasilitasi infrastruktur AI. Walaupun begitu, peningkatan performa dan efisiensi keseluruhan perangkat tetap membutuhkan validasi melalui implementasi serta pengujian pada produk nyata. Seiring meningkatnya kebutuhan komputasi, inovasi seperti H-TPU diharapkan mampu mendukung pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Bagaimana menurut Anda, apakah penggunaan prosesor khusus dalam kontroler SSD dapat menghadirkan solusi penting bagi penyimpanan era AI? Tuliskan pandangan Anda mengenai masa depan infrastruktur AI.
