AI推論瓶頸的突圍:從算力瓶頸轉向儲存階層的革新
摘要
隨著LLM與長文本KV Cache持續膨脹,運算瓶頸由算力轉向記憶體架構。高頻寬快閃記憶體(HBF)可望透過開放運算計畫(OCP)與UCIe標準化加速普及,透過模型架構創新結合HBF高容量與平行讀取的能力,填補高頻寬記憶體(HBM)與固態硬碟之間的落差;與此同時,記憶體廠商藉由先進封裝環節,試圖重組AI運算架構中的產業階序,但「軟體定義硬體」的生態也由運算延伸至儲存與I/O層與之抗衡。
一. 推理時代下記憶體的位階轉變與HBF標準化
二. HBF的通用性設計與AI推論之記憶體需求
三. 拓墣觀點
圖一 軟體與架構層優化說明
圖二 單次推理資料流示意
圖三 大模型對HBM的影響說明
圖四 Google的CAG商業模式說明
圖五 「Storage-Next計畫」與「cuFile+ SCADA框架」說明
表一 HBF技術標準說明
表二 Samsung次世代3D記憶體技術藍圖
表三 RAG與CAG差異對照說明
表四 Engram、CAG、RAG模型架構比較說明
