Ketika enkripsi, kompresi, indeks, memori, dan layanan konteks mendekati media, batas nilai SSD, DRAM, HBM, dan HBF akan ditata ulang.
AI Agent sedang mengubah komputer dari "menyelesaikan satu panggilan model setelah menerima pertanyaan", menjadi sistem operasi yang terus-menerus mengamati, bernalar, memanggil alat, memodifikasi lingkungan, dan mempertahankan status.
Satu tugas dapat secara berurutan mengakses model, memori, indeks vektor, basis data bisnis, penyimpanan objek, dan layanan jaringan, juga terus menulis kembali hasil alat, jejak eksekusi, preferensi pengguna, konteks sementara, dan catatan audit. Semakin lama Agent berjalan, nilainya semakin bergantung pada apakah data dapat disimpan dengan aman, diambil dengan benar, diperbarui tepat waktu, dan digunakan kembali dengan biaya rendah [1].
Ini berarti penyimpanan tidak lagi hanya menjadi titik akhir tempat data ditulis setelah Agent menyelesaikan pekerjaan, tetapi akan secara bertahap masuk ke dalam siklus persepsi, memori, dan pengambilan keputusan Agent. AI SSD telah menunjukkan arah pertama: menyimpan model dan Adapter, menampung KV Cache yang dikeluarkan dari memori, memperpendek waktu start dingin, memperluas kapasitas model yang dapat diterapkan. Melangkah lebih jauh, SSD juga dapat melakukan enkripsi, kompresi, deduplikasi, penandaan, pengindeksan, pemeliharaan versi, dan tata kelola siklus hidup saat data ditulis ke disk, serta menyediakan kapasitas jangka panjang untuk Agent Memory.
Perubahan ini tidak muncul begitu saja. SSD yang mampu mengenkripsi sendiri sudah dapat melakukan enkripsi dan dekripsi data secara transparan di dalam kontroler; standar penyimpanan komputasi mencantumkan kompresi, enkripsi, filter reguler, dan kode penghapusan sebagai fungsi yang dapat dieksekusi di sisi penyimpanan; produk seperti Samsung SmartSSD juga pernah memindahkan pemindaian basis data dan pemrosesan video ke sisi disk [4][5][7]. Inovasi di era Agent adalah kemampuan-kemampuan ini tidak lagi hanya melayani pemrosesan data umum, tetapi mulai dikombinasikan ulang di sekitar identitas agen cerdas, konteks, memori, jejak alat, dan biaya Token.
Di pasar masa depan, mungkin muncul nama-nama seperti "SSD Keamanan", "SSD Kompresi", "SSD Pencarian", "SSD Memori", atau "SSD Konteks". Namun, mungkin juga tidak akan terbentuk kategori perangkat keras yang terpisah-pisah, melainkan bergabung menjadi SSD fungsional yang dapat diprogram: bentuk dasarnya tetap kompatibel dengan penyimpanan standar, dan perangkat lunak tingkat atas menemukan dan memanggil fungsi perangkat sesuai dengan skenario.
NVMe sudah membentuk seperangkat perintah Computational Programs dan Subsystem Local Memory, yang menyediakan jalur standar untuk penemuan, konfigurasi, dan eksekusi program di sisi perangkat [6]. Masalah industri yang sebenarnya bukan hanya apakah kita bisa menempatkan prosesor di dalam disk, tetapi siapa yang mendefinisikan semantik data, batas fungsi, dan hasil ujung ke ujung.
Agent Bukan Sekali Panggilan
Tetapi Rantai Data yang Terus-Menerus Ditulis
Objek persisten utama dari chatbot tradisional adalah catatan percakapan, sedangkan Agent akan menciptakan grafik data yang lebih kompleks. Ia perlu menyimpan hasil observasi, keluaran alat, rencana dan refleksi, status menengah tugas, profil pengguna, cuplikan lingkungan, bukti pencarian, dan log eksekusi; di sisi model juga akan dihasilkan KV Cache, Prefix Cache, Adapter, bobot ahli, dan Checkpoint. Waktu pembaruan, cakupan penggunaan kembali, dan tingkat keamanan objek-objek ini berbeda, namun bersama-sama menentukan apakah inferensi selanjutnya dapat dilanjutkan.
Agent Memory juga tidak sama dengan memasukkan semua riwayat percakapan ke dalam basis data vektor. Studi sistematis terbaru tentang Agent Memory dari perspektif manajemen data membaginya menjadi empat modul: representasi dan penyimpanan, ekstraksi informasi, pencarian dan perutean, serta pemeliharaan, dan menunjukkan bahwa tidak ada satu arsitektur pun yang unggul di semua beban kerja [9].
Sistem seperti Mem0 juga menekankan untuk mengubah percakapan mentah menjadi memori jangka panjang yang lebih ringkas dan dapat digunakan kembali, guna mengurangi beban Token input dan pencarian dalam sesi panjang [10]. Ini berarti lapisan penyimpanan di masa depan tidak hanya harus menyimpan konten, tetapi juga bagaimana konten diorganisasi, diperbarui, dan dilupakan.
Oleh karena itu, penulisan data Agent ke disk memerlukan kontrak yang lebih kaya daripada sekadar "tulis berhasil". Sebuah objek memori harus memiliki identitas pengguna atau Agent, penyewa, sumber, waktu, versi, izin, kepercayaan, masa retensi, dan kemampuan penghapusan; konteks model juga perlu mengikat versi model, Tokenizer, penyandian posisi, dan Adapter. Hanya ketika ruang nama dan siklus hidup didefinisikan dengan jelas, kompresi, pengindeksan, caching, dan berbagi selanjutnya tidak akan merusak batasan semantik.
Peran SSD fungsional yang tepat dalam rantai data ini bukan untuk menilai sendiri apakah suatu pengalaman layak diingat, melainkan untuk menjalankan pekerjaan deterministik yang dekat dengan data setelah Runtime memberikan objek dan strategi. Misalnya, memilih kunci enkripsi sesuai penyewa, menempatkan data sesuai siklus hidup, mengompresi dan mendeduplikasi objek yang dapat diperkecil, memelihara halaman indeks dan metadata, memprioritaskan pemuatan ulang yang akan segera digunakan untuk inferensi, serta memberikan umpan balik tentang latensi ekor, amplifikasi tulis, dan kesehatan media ke lapisan atas. Keputusan semantik tetap pada Agent dan Runtime, sedangkan eksekusi data sedapat mungkin dekat dengan media.
Gambar 1. Spektrum kemampuan SSD Fungsional di Era Agent. Keamanan, pengurangan konten, indeks, memori, konteks inferensi, dan fungsi tata kelola dapat dipadatkan dalam perangkat, atau diselesaikan bersama oleh program yang dapat diunduh, Runtime, dan node penyimpanan. Gambar adalah penjelasan mekanisme industri. Batas kemampuan komputasi penyimpanan dan keamanan mengacu pada spesifikasi SNIA dan NVMe [4][5][6].
Penilaian inti: Peningkatan SSD di era Agent bukan sekadar menambah daya komputasi di dalam disk, tetapi menggabungkan perangkat blok standar, fungsi dekat data yang dapat ditemukan, semantik objek, dan tata kelola siklus hidup. Fungsi yang semakin dekat dengan media harus semakin deterministik, dapat diaudit, dan dapat diisolasi; keputusan yang semakin dekat dengan model perlu dipertahankan di Runtime.
Enkripsi Otomatis Sudah Ada, Perubahan Terletak pada Strategi yang Mulai Mengikuti Agent
"Enkripsi otomatis saat data ditulis ke disk" bukanlah konsep masa depan. SSD yang mampu mengenkripsi sendiri akan mengenkripsi data yang ditulis dan mendekripsi data yang dibaca oleh perangkat keras khusus di dalam kontroler, serta melindungi data saat diam secara transparan melalui manajemen kunci dan kontrol kebijakan [5].
Untuk sistem Agent, persyaratan baru adalah granularitas enkripsi dari seluruh disk atau ruang nama tunggal, menjadi lebih detail hingga ke pengguna, Agent, tugas, dan objek: memori pribadi dan cache aplikasi di perangkat sisi klien yang sama tidak boleh saling melewati wewenang; konteks berbagi multi-penyewa Agent di sisi awan juga harus jelas tentang bagian mana yang dapat digunakan kembali dan mana yang hanya dapat dibaca dalam satu domain izin.
Spesifikasi NVMe telah memperkenalkan kemampuan granularitas yang lebih halus seperti kunci yang dikelola host dan Key Per I/O [6], yang menjadi dasar untuk membawa konteks keamanan berbeda di setiap I/O. SSD Keamanan di masa depan mungkin juga menggabungkan sumber data, stempel waktu, catatan akses, pemeriksaan integritas, dan penghapusan tepercaya, sehingga Agent tidak hanya dapat menjawab "apa yang saya ingat", tetapi juga "dari mana ingatan ini berasal, apakah telah dimodifikasi, siapa yang membacanya, dan kapan harus dihapus". Untuk keuangan, kesehatan, basis pengetahuan perusahaan, dan AI pribadi, rantai bukti mungkin sama pentingnya dengan kecepatan pencarian.
Enkripsi juga akan mengubah urutan fungsi dekat data lainnya. Aliran byte terenkripsi biasanya sulit dikompresi dan dideduplikasi secara efektif, oleh karena itu pengurangan konten umumnya harus dilakukan sebelum enkripsi [5]; pengindeksan perlu membedakan batas antara fitur teks biasa, metadata terlindungi, dan teks terenkripsi yang dapat dicari. Daya saing SSD fungsional bukan hanya memiliki berapa banyak fungsi, tetapi apakah dapat mengorganisir alur kerja kompresi, indeks, enkripsi, penulisan ke disk, dan penghapusan dengan benar menggunakan pipeline yang dapat diverifikasi, sekaligus menghindari perluasan area serangan di setiap tahap.
Kompresi, Indeks, dan Pemeliharaan Memori, Mungkin Menjadi Fungsi SSD Berikutnya
Kompresi adalah salah satu fungsi yang paling mudah membentuk siklus komersial tertutup. Agent akan berulang kali menulis teks, JSON, log, vektor, Checkpoint, dan hasil antara multimedia, yang sebagian besarnya memiliki struktur berulang. Jika kompresi dilakukan sebelum data masuk ke jaringan atau NAND, dapat mengurangi transmisi, penulisan fisik, dan penggunaan kapasitas, serta secara tidak langsung menurunkan konsumsi energi dan keausan media. Namun rasio kompresi, latensi tambahan, penghematan CPU, dan amplifikasi tulis harus dipertimbangkan bersama; untuk bobot model yang sudah terkuantisasi atau terkompresi tinggi, kompresi lebih lanjut mungkin memberikan manfaat terbatas.
Fungsi indeks lebih langsung berhubungan dengan Agent, karena memori hanya bernilai jika dapat diambil dengan benar. KIOXIA AiSAQ menempatkan vektor dan struktur indeks pada SSD, menggunakan pengelompokan dan pencarian grafik yang ramah SSD untuk mengurangi penggunaan DRAM, dan telah mendemonstrasikan pencarian vektor miliaran skala di satu server [8]. Yang perlu dibedakan dengan ketat adalah, AiSAQ pertama-tama adalah serangkaian teknologi perangkat lunak dengan SSD sebagai pembawa indeks utama, tidak berarti SSD biasa akan secara otomatis menghasilkan Embedding atau memahami semantik. Jalur industri yang lebih mungkin adalah GPU, NPU, atau CPU bertanggung jawab untuk menghasilkan representasi, sedangkan SSD dan program dekat data bertanggung jawab untuk mengorganisir indeks, menyaring kandidat, dan mengembalikan kumpulan hasil yang lebih kecil.
Pemeliharaan memori lebih kompleks daripada indeks. Agent Memory jangka panjang akan mengalami penambahan, penggabungan, konflik, revisi, penurunan prioritas, kedaluwarsa, dan pelupaan; fakta yang sama mungkin juga ada dalam representasi catatan asli, ringkasan, vektor, dan grafik pengetahuan secara bersamaan [9]. "SSD Memori" di masa depan dapat menyediakan pembaruan atom, log, TTL, penempatan panas-dingin, dan penghapusan aman untuk versi-versi ini, tetapi tidak dapat menentukan apa itu memori nyata hanya berdasarkan kesamaan. Kualitas memori masih bergantung pada ekstraksi, perutean, penanganan konflik, dan evaluasi di lapisan atas.
Dari sudut pandang produk, fungsi-fungsi ini tidak selalu memerlukan model kompleks yang berjalan di setiap disk. Kompresi, enkripsi, hash, filter, pemeliharaan halaman indeks, dan siklus hidup objek cocok untuk sirkuit khusus deterministik atau program ringan; sedangkan Embedding, pengurutan ulang, ringkasan, dan penggabungan memori mungkin diselesaikan oleh host atau akselerator independen.
Kunci dari SSD fungsional adalah menghubungkan kedua jenis pekerjaan ini dengan ID objek yang seragam dan antarmuka yang dapat diamati, sehingga memindahkan lebih sedikit data, bukan memaksakan semua komputasi AI ke dalam disk.
Sisi Klien: SSD Dapat Menjadi Lapisan Status Jangka Panjang untuk Agent Pribadi
Agent sisi klien akan terus-menerus bersentuhan dengan dokumen pribadi, foto, email, jadwal, status aplikasi, riwayat penjelajahan, dan data sensor perangkat. Memori terpadu hanya cocok untuk menyimpan kumpulan kerja saat ini, sedangkan SSD dapat menyimpan pustaka model lokal yang lebih besar, Adapter, indeks vektor, memori pribadi, dan jejak alat. Selama mempertahankan bentuk NVMe standar, SSD fungsional pertama-tama masih dapat dipasang langsung sebagai disk sistem biasa di AI PC dan workstation, kemudian secara bertahap mengaktifkan kemampuan keamanan, indeks, dan konteks melalui driver, Runtime, dan firmware.
Nilai bagi konsumen bukanlah "harddisk bisa berpikir", tetapi AI lokal dapat mengingat lebih lama, terus bekerja dalam jaringan lemah, dan mengurangi data mentah serta Token input yang diunggah ke cloud setiap tugas. Agent rapat dapat menyimpan audio, ringkasan, dan status tugas; Agent pemrograman dapat memelihara indeks repositori dan riwayat modifikasi; Agent rumah tangga dapat berbagi foto, dokumen, dan status perangkat yang telah diotorisasi di seluruh perangkat. SSD menyimpan status ini di dekat perangkat, dan Router kemudian memutuskan apakah akan diproses secara lokal atau memanggil cloud berdasarkan kualitas, privasi, konsumsi daya, dan jaringan.
Pasar sisi klien juga dapat berkembang dari satu disk menjadi node penyimpanan kecil. AI PC, server rumah, atau kotak edge toko dapat menyediakan citra model lokal, memori pribadi, pustaka vektor, dan arsip terenkripsi untuk ponsel, tablet, robot, dan kamera, menghindari setiap perangkat menyimpan ulang set data yang sama. Model bisnis akan meluas dari peningkatan kapasitas menjadi premium AI PC, langganan Agent lokal, manajemen model dan paket keterampilan, serta node AI pribadi untuk rumah tangga dan usaha kecil.
Penyimpanan lokal tidak otomatis sama dengan privasi. Jika aplikasi dapat membaca memori secara sembarangan, indeks tidak dapat menghapus versi lama, kunci dan identitas perangkat terputus, semakin banyak fungsi justru berarti area serangan yang lebih besar. SSD fungsional sisi klien harus menganggap isolasi aplikasi, persetujuan pengguna, masa retensi, penghapusan yang dapat diverifikasi, dan pencabutan kunci setelah kehilangan perangkat sebagai kemampuan produk, bukan hanya menggunakan privasi sebagai slogan pemasaran.
Sisi Awan: SSD akan Bergerak dari Perangkat Menjadi Node Penyimpanan Agent
Skala status Agent sisi awan lebih besar dan lebih membutuhkan berbagi. Satu permintaan kompleks akan menghubungkan beberapa panggilan model, eksekusi alat, akses memori, dan transmisi jaringan; kolaborasi multi-Agent juga akan menghasilkan rencana, pesan, bukti, dan log eksekusi yang dibagikan [1]. SSD lokal di node dapat menyimpan model, Checkpoint, dan indeks frekuensi tinggi; lapisan Flash tingkat rak atau POD dapat menampung KV, Prefix, Adapter, dan memori bersama yang digunakan ulang di berbagai GPU; sedangkan penyimpanan objek umum terus menyimpan data dingin dan sumber fakta jangka panjang.
Mooncake telah mengatur CPU, DRAM, SSD, dan RDMA/NIC menjadi kolam KV Cache terdistribusi, dan memungkinkan penjadwal menentukan jalur permintaan berdasarkan lokasi cache dan target TTFT, TBT [3]. NVIDIA CMX membangun lapisan konteks Flash tingkat POD yang berorientasi pada KV Cache antara HBM, memori host, dan penyimpanan bersama umum, menempatkan node penyimpanan bersama ke dalam jalur data inferensi [2]. Keuntungan ujung ke ujung dari sistem-sistem ini tidak dapat diatribusikan ke satu SSD saja, tetapi menunjukkan bahwa "node penyimpanan berpartisipasi dalam produksi Token" sedang bergerak dari konsep menjadi produk infrastruktur.
Node penyimpanan Agent generasi berikutnya mungkin secara bersamaan menyediakan layanan konteks, memori, dan tata kelola. Ia dapat memelihara direktori Prefix dan KV bersama, memanaskan model dan Adapter, menyimpan indeks vektor dan grafik, mengompresi dan mengenkripsi data sesuai penyewa, mencatat panggilan alat dan rantai bukti, serta mengekspos tingkat pukulan, P99, amplifikasi tulis, konsumsi energi, dan kesehatan media ke penjadwal. Yang dibeli pelanggan bukan hanya kapasitas dan bandwidth disk, tetapi utilisasi GPU, SLO goodput, Token/$, Token/W, QPS/$, dan kecepatan respons audit.
Ini juga akan mengubah model bisnis. Disk tunggal masih dapat dijual berdasarkan kapasitas, ketahanan, dan kinerja; node penyimpanan mungkin membentuk pendapatan kombinasi sebagai Appliance multi-disk, control plane, lisensi Runtime, dukungan jangka panjang, dan SLA; di lapisan yang lebih tinggi, mungkin juga muncul layanan yang ditagih berdasarkan kapasitas konteks efektif, jumlah objek memori, throughput pencarian, atau Token efektif. Begitu SSD fungsional bertanggung jawab atas hasil ujung ke ujung, batas nilainya berkembang dari perangkat semikonduktor menjadi infrastruktur data.
Gambar 2. Pembagian kerja khas penyimpanan Agent sisi klien dan awan. Sisi klien menekankan data pribadi, model lokal, kemampuan offline, dan kontrol privasi; sisi awan menekankan konteks bersama, tata kelola multi-penyewa, utilisasi GPU, dan ekonomi Token. Gambar adalah penjelasan bentuk produk, referensi sisi klaster dari Mooncake dan CMX [2][3].
Batas Nilai HBM, HBF, DRAM, dan SSD akan Ditata Ulang
Restrukturisasi penyimpanan yang dibawa Agent tidak boleh dipahami sebagai SSD menggantikan memori. Gagasan Tiered Memory yang diusulkan SK hynix di FMS 2026 adalah menghubungkan HBM, DRAM, NAND/HBF, dan SSD berdasarkan kecepatan, kapasitas, dan biaya, dengan fokus mengurangi pergerakan data [11]. Hal ini tepat sesuai dengan realitas sistem Agent: data yang harus digunakan untuk Token saat ini, data yang akan digunakan dalam beberapa milidetik ke depan, data yang mungkin digunakan ulang di berbagai sesi, dan data yang diarsipkan untuk jangka panjang, memerlukan media yang berbeda untuk menampungnya.
HBM tetap menjadi lapisan inti yang paling dekat dengan komputasi GPU, membawa bobot saat ini, aktivasi, KV panas, dan status menengah operator, dengan indikator Token/s, bandwidth, dan utilisasi komputasi. Agent menambah konteks panjang dan kolaborasi multi-model, yang akan semakin mendorong permintaan HBM, bukan melemahkan nilainya. Kendala HBM adalah biaya kapasitas dan pasokan, sehingga sistem perlu memindahkan data yang tidak perlu segera diakses ke lapisan biaya lebih rendah, dan melakukan pemanasan yang akurat sebelum digunakan.
HBF, yaitu High Bandwidth Flash, adalah lapisan baru yang terbentuk cepat sejak 2025. Spesifikasi terbuka pertama yang diumumkan SK hynix dan Sandisk pada Agustus 2026 mencakup kapasitas hingga 512GB, bandwidth dibagi menjadi sekitar 0,4TB/s hingga 3,0TB/s dalam tiga tingkat, dan menggunakan koneksi UCIe ke prosesor [12]. HBF menggunakan NAND untuk mendapatkan kapasitas lebih besar daripada HBM, dengan tujuan menampung kumpulan kerja inferensi besar yang intensif baca antara HBM dan SSD. Ia masih berada di tahap awal standarisasi dan produksi, spesifikasi resmi tidak sama dengan kinerja produksi massal yang luas, dan juga tidak dapat menghilangkan batasan NAND pada latensi, ketahanan tulis, dan akses status yang bervariasi.
Penelitian H3 memberikan pembagian kerja yang lebih jelas: menempatkan data hanya-baca di HBF, dan mempertahankan data lain di HBM, untuk membangun sistem inferensi hibrida dengan keunggulan keduanya [13]. Untuk Agent, HBF lebih cocok untuk bobot model, ahli MoE, dan kumpulan kerja besar yang didominasi pembacaan; KV, aktivasi, dan status berjalan yang sering diperbarui masih lebih cocok untuk HBM atau DRAM. Jika HBF matang, dapat mengurangi kebutuhan untuk menambah GPU/HBM demi kapasitas, tetapi kemungkinan besar akan menjadi pelengkap, bukan pengganti.
DRAM dan CXL berada di wilayah tengah antara status yang dapat berubah dan kapasitas bersama. Host KV, indeks kumpulan panas, buffer prefetch, dan status berjalan Agent memerlukan latensi rendah dan sering dimodifikasi; ekspansi, pooling, dan berbagi CXL dapat mengurangi pulau memori dan menyediakan kapasitas yang lebih fleksibel untuk beberapa host [14]. SK hynix di FMS 2026 juga menunjukkan CXL pooled memory dan skema hibrida DRAM-SSD untuk berbagi KV, prediksi, dan prefetch, tetapi ini adalah hasil demonstrasi spesifik yang perlu divalidasi di lebih banyak platform [11].
SSD fungsional menangani objek suam-dingin yang lebih besar, lebih persisten, dan lebih membutuhkan tata kelola: model, Adapter, KV/Prefix, indeks vektor, Agent Memory, log, dan Checkpoint. Dibandingkan dengan HBF, SSD lebih jauh dari komputasi, tetapi memiliki bentuk standar, ekosistem matang, keunggulan kapasitas dan biaya, dan lebih cocok untuk berbagi tingkat node. Persaingan masa depan tidak hanya berkisar pada bandwidth media, tetapi pada siapa yang dapat memberikan objek yang benar dalam tenggat waktu yang tepat, dan bertanggung jawab atas Token efektif, throughput pencarian, dan tata kelola data.
Gambar 3. Pembagian kerja ulang HBM, HBF, DRAM/CXL, SSD fungsional, dan penyimpanan bersama di Era Agent. Spesifikasi HBF menggunakan interpretasi spesifikasi standar terbuka pertama yang diumumkan SK hynix dan Sandisk pada Agustus 2026 [12]; logika penjenjangan mengacu pada Tiered Memory FMS 2026, H3, dan materi CXL [11][13][14].
AI SSD adalah Sampel Industri Pertama SSD Fungsional
AI SSD yang ada saat ini pada dasarnya memasuki tren ini dari dua sisi. Satu sisi adalah SSD kelas perusahaan yang diperkuat untuk beban AI, melalui latensi rendah, IOPS tinggi, bandwidth berkelanjutan, ketahanan, dan densitas kapasitas, menyediakan dasar media untuk cache model, Checkpoint, dan indeks vektor. Yingren Dongting N3X dan Huawei OceanDisk LC 560 termasuk dalam perwakilan jenis ini [19][20]. Mereka pertama-tama memecahkan masalah apakah data AI dapat dibawa secara stabil, ditulis secara berkelanjutan, dan diambil kembali tepat waktu, tidak secara otomatis memiliki Agent Memory, indeks, atau semantik konteks hanya karena ditujukan untuk AI. Sisi lain mulai secara aktif berpartisipasi dalam jalur data inferensi: SSD tidak lagi hanya menerima permintaan blok umum dari sistem operasi, tetapi secara bertahap mengidentifikasi objek AI seperti bobot model, ahli, KV Cache, dan jendela prefetch melalui middleware, Runtime, atau kemampuan pemrosesan sisi penyimpanan. Phison, Longsys, dan Yipu—Maxio adalah tiga organisasi penelitian dan pengembangan yang representatif dalam arah ini.
aiDAPTIV Phison menggunakan pendekatan "kemampuan SSD matang + middleware + rangkaian alat lengkap". aiDAPTIVLink bertanggung jawab atas manajemen memori antara memori grafis GPU dan Flash, runtime mengiris bobot model, mempertahankan bobot aktif di VRAM, membongkar bobot tidak aktif ke SSD cache aiDAPTIV, dan dapat menyimpan KV Cache yang dikeluarkan, menghindari penghitungan ulang setelah konteks dieliminasi [15]. Nilai komersial dari jalur ini terletak pada penggabungan SSD, lisensi perangkat lunak, alat penyebaran, dan dukungan sistem menjadi solusi yang dapat dikirimkan: pelanggan tidak perlu mendesain ulang chip komputasi untuk memperluas kapasitas model dan konteks yang dapat digunakan di workstation atau server lokal. Fokus teknisnya adalah kompatibilitas dengan ekosistem GPU dan perangkat lunak AI yang ada, serta mengandalkan kontroler, firmware, desain ketahanan, dan kerja sama platform yang matang untuk mengubah Flash secara stabil menjadi lapisan kapasitas di luar memori grafis.
SPU+iSA Longsys lebih mendekati kombinasi "lapisan eksekusi penyimpanan + lapisan keputusan perangkat lunak". SPU menangani kompresi tanpa kerugian, cache tingkat lanjut HLC, dan penjadwalan data antara media NAND yang berbeda di sisi perangkat; iSA membuat keputusan seputar pembongkaran ahli MoE, siklus hidup KV Cache, dan Device Smart Prefetch, mengubah karakteristik beban AI menjadi tindakan prefetch, pengisian ulang, kompresi, dan migrasi panas-dingin [16]. Oleh karena itu, yang menjadi perhatiannya bukan hanya memasukkan lebih banyak data ke SSD, tetapi mengurangi penggunaan DRAM, meningkatkan kapasitas efektif, dan mencocokkan pemrosesan sisi penyimpanan dengan ritme inferensi sisi klien. Jalur ini menunjukkan bahwa ketika area di sekitar kontroler memiliki kemampuan eksekusi yang lebih kuat, SSD dapat berkembang dari perangkat blok menjadi node pemrosesan dekat data yang mampu menangani kompresi, caching, dan penjadwalan objek.
Yipu—Maxio mengambil pendekatan yang didefinisikan bersama oleh komputasi dan penyimpanan. Yipu memulai dari struktur model, Runtime, sistem operasi, koordinasi CPU/GPU/DRAM, dan desain referensi mesin lengkap, mengamati aktivasi ahli, siklus hidup KV, presisi data, dan jendela komputasi; Maxio kemudian memetakan kebutuhan ini ke kontroler SSD, firmware, partisi cache, antrian, adaptasi NAND, dan sistem produksi massal [17][18]. Hal ini memungkinkan definisi produk untuk memperkirakan mundur kapan data harus masuk ke SSD, disimpan dengan granularitas apa, bagaimana prefetch dilakukan, dan operasi mana yang cocok untuk diturunkan ke dekat kontroler dari latensi Token, kapasitas model, dan SLO mesin lengkap, bukan hanya melakukan optimasi lokal pada I/O blok yang sudah ada. Dibandingkan dengan dua jalur sebelumnya, kerja sama lintas komputasi-penyimpanan ini membutuhkan sinergi sistem yang lebih dalam, tetapi juga memiliki peluang lebih besar untuk mengantisipasi masalah jalur data baru dan membentuk antarmuka perangkat baru saat arsitektur model dan Infra inferensi terus berubah.
Tiga jalur ini tidak saling mengecualikan. Keunggulan Phison terletak pada kemampuan untuk dengan cepat mengemas kemampuan menjadi solusi yang dapat diterapkan dengan kontroler matang, produk SSD, dan rangkaian alat perangkat lunak; Longsys mencoba menempatkan lebih banyak pemrosesan dan penjadwalan di sisi penyimpanan dengan SPU dan iSA; sedangkan Yipu—Maxio mendefinisikan perangkat secara terbalik dari perbatasan antara semantik komputasi dan eksekusi penyimpanan. Mereka bersama-sama menunjukkan bahwa inovasi inti AI SSD telah bergeser dari "mengganti disk dengan yang lebih cepat untuk AI" menjadi "menata ulang tanggung jawab antara Runtime, hierarki memori, kontroler, dan Flash". Ini juga alasan mengapa AI SSD dapat menjadi produk perintis SSD fungsional: begitu perangkat lunak dapat mengomunikasikan tipe objek, prioritas, siklus hidup, dan periode layanan ke perangkat, SSD memiliki dasar untuk membawa lebih banyak fungsi deterministik.
Pemikiran penelitian dan pengembangan serupa sepenuhnya dapat ditransfer ke SSD fungsional generasi berikutnya. Mengikuti jalur Phison, produsen dapat menambahkan modul layanan enkripsi, kompresi, indeks, dan memori yang dikelola per Agent atau penyewa dalam kombinasi SSD dan middleware, untuk menurunkan ambang penerapan dengan kompatibilitas perangkat lunak dan alat pengiriman; mengikuti jalur Longsys, kompresi, penjadwalan panas-dingin, pemindaian indeks, atau pengaturan data dapat dieksekusi oleh unit pemrosesan penyimpanan, kemudian dikirimkan strategi oleh penjadwal pintar lapisan atas; mengikuti jalur Yipu—Maxio, kita dapat memulai dari kebutuhan Runtime Agent terhadap memori jangka panjang, izin, TTL, SLO pencarian, dan biaya Token, kemudian bersama-sama mendefinisikan perintah kontroler, metadata objek, antrian firmware, dan tata letak media. Dua jalur pertama masing-masing unggul dalam produkisasi dan eksekusi sisi perangkat, sedangkan jalur terakhir, karena sekaligus memahami bagaimana sistem komputasi mengonsumsi data dan bagaimana sistem penyimpanan mengorganisir data, memiliki ruang desain yang lebih besar ketika mengeksplorasi fungsi baru yang belum membentuk standar.
Signifikansi latar belakang silang ini akan semakin besar di era Agent. Banyak fungsi penyimpanan di masa depan bukan hanya algoritma dalam disk: enkripsi perlu memahami batas izin Agent, pengguna, dan tugas; kompresi perlu mengetahui kapan data akan digunakan kembali untuk komputasi; indeks perlu bekerja sama dengan Embedding, Retriever, dan Model Router; Agent Memory juga melibatkan penulisan, penggabungan, pelupaan, versi, dan rantai bukti. Jika hanya dimulai dari sisi media, masalah mudah menyempit menjadi bandwidth, kapasitas, atau operator tunggal; jika hanya dimulai dari sisi model, mungkin mengabaikan FTL, amplifikasi tulis, latensi ekor, perlindungan kehilangan daya, dan kendala produksi massal. Metode penelitian dan pengembangan gabungan lintas komputasi dan penyimpanan seperti Yipu—Maxio ini justru dapat mencari antarmuka yang dapat diterapkan di antara kedua jenis kendala, sehingga memiliki potensi untuk membentuk jalur teknologi yang berbeda ketika mengembangkan SSD fungsional baru, node penyimpanan AI, dan bahkan infrastruktur data Agent.
Dari perspektif SSD fungsional, pentingnya skema-skema ini tidak hanya terletak pada apakah mereka dapat memperluas model tertentu, tetapi pada mereka membangun saluran pertukaran informasi antara perangkat lunak dan media. Hari ini yang dikomunikasikan adalah layer model, ahli, blok KV, dan petunjuk prefetch; di masa depan dapat diperluas ke identitas Agent, objek memori, versi, TTL, kebijakan akses, petunjuk indeks, dan batas waktu penyelesaian terakhir. Siapa pun yang dapat membuat fungsi menjadi antarmuka stabil, bukan hanya jalur sekali pakai yang disesuaikan untuk satu model, memiliki peluang lebih besar untuk melampaui generasi model, dan memperluas pendapatan per disk menjadi lisensi Runtime, node penyimpanan, layanan konteks, dan layanan data yang ditagih per Token efektif.
Peringatan yang sama juga diperlukan terhadap ekspansi konsep. Kompresi otomatis tidak sama dengan semua data dapat menghemat kapasitas yang sama; indeks di atas disk tidak sama dengan SSD memahami semantik; Agent Memory juga tidak sama dengan memindahkan pustaka vektor ke dalam firmware. Setiap fungsi harus dibuktikan dengan indikator ujung ke ujung, termasuk rasio kompresi dan latensi tambahan, tingkat pengambilan kembali dan QPS/$, P99 dan SLO, amplifikasi tulis dan ketahanan, isolasi kunci dan verifikasi penghapusan, serta akhirnya Token/$ dan Token/W.
Gambar 4. Produk perwakilan SSD kelas perusahaan yang diperkuat untuk beban AI: Yingren Dongting N3X dan Huawei OceanDisk LC 560. Menggunakan gambar asli, materi produk lihat [19][20].
Gambar 5. Eksplorasi AI SSD yang berpartisipasi dalam inferensi: aiDAPTIV Phison, SPU+iSA Longsys, serta skema AI SSD Yipu—Maxio. Menggunakan gambar asli, materi jalur lihat [15][16][17][18].
Gambar 6. Peran AI SSD dalam jalur inferensi LLM, serta jalur teknologi utama produsen yang dirangkum dalam naskah asli. Menggunakan gambar asli; perspektif enkripsi, kompresi, indeks, Agent Memory, HBF, dan penyimpanan berjenjang yang ditambahkan dalam artikel ini adalah perluasan industri berdasarkan ini, tidak mengubah logika yang ada dalam gambar.
Industri Masa Depan Mungkin Berkembang di Tiga Arah Secara Bersamaan
Arah pertama adalah fungsionalisasi SSD. Disk umum terus ada, tetapi kemampuan seperti keamanan, kompresi, pencarian, memori, dan konteks akan masuk ke produk sebagai fungsi tetap, program yang dapat diunduh, atau konfigurasi yang ditentukan perangkat lunak. Pasar akhir mungkin tidak memerlukan lima SSD yang berbeda, tetapi lebih memerlukan kerangka kerja fungsi yang dapat ditemukan, digabungkan, dan diisolasi, kemudian produk kelas konsumen, perusahaan, dan layanan awan memilih kombinasi kemampuan yang berbeda.
Arah kedua adalah nodalisasi penyimpanan. Disk tunggal menyelesaikan kapasitas mesin lokal dan pemrosesan dekat data, sedangkan node penyimpanan AI menggabungkan multi-disk, jaringan, direktori objek, kunci, indeks, layanan konteks, dan observabilitas, bertanggung jawab atas SLO ujung ke ujung. Node sisi klien melayani pribadi dan formasi perangkat, node sisi awan melayani kluster GPU dan sistem multi-Agent. Unit persaingan akan berkembang dari "setiap disk" menjadi "berapa banyak Token efektif dan permintaan pencarian yang dapat disampaikan setiap situs, rak, atau POD".
Arah ketiga adalah penggabungan ulang hierarki memori. HBM terus mengejar bandwidth tertinggi, HBF mencoba menyediakan kapasitas baca intensif yang lebih besar di dekat kemasan menggunakan NAND, DRAM dan CXL menangani status yang dapat berubah, ekspansi, dan pooling, SSD fungsional menyediakan objek persisten dan layanan dekat data, penyimpanan bersama menyimpan sumber fakta global dalam keadaan dingin. Kemampuan sistem yang paling berharga di masa depan adalah memungkinkan Router dan Runtime sekaligus melihat daya komputasi, lokasi data, izin, tenggat waktu, dan status media, melakukan koordinasi di antara beberapa tingkatan, bukan terus menumpuk satu media.
Ini akan menata ulang hambatan industri. Produsen media menguasai kapasitas, bandwidth, dan efisiensi energi; produsen kontroler dan firmware menentukan apakah fungsi dapat diterapkan dengan stabil; Runtime dan platform Agent menguasai semantik objek dan penjadwalan; OEM, penyedia awan, dan integrator sistem menentukan bagaimana fungsi masuk ke produk nyata. Perusahaan yang dapat melintasi batas-batas ini, membangun antarmuka standar, dan membuktikan hasil pelanggan dengan ekonomi Token, memiliki peluang lebih besar untuk mendorong SSD dari wadah data menjadi lapisan data dasar di era Agent.
Kesimpulan: Penyimpanan akan Menjadi Bagian dari Kemampuan Agent
AI Agent memperluas nilai penyimpanan dari "menyimpan masa lalu" menjadi "mendukung tindakan berikutnya". Model memerlukan bobot, inferensi memerlukan konteks, Agent memerlukan memori jangka panjang dan bukti tepercaya, perusahaan juga memerlukan keamanan, kepatuhan, audit, dan kontrol biaya. Semakin dekat enkripsi, kompresi, indeks, pemeliharaan memori, dan layanan konteks dengan data, semakin besar peluang untuk mengurangi pemindahan, penghitungan ulang, dan penggunaan DRAM, tetapi juga semakin perlu menentukan batas izin, semantik, dan tanggung jawab dengan jelas.
Oleh karena itu, AI SSD hanyalah titik awal. Di masa depan, mungkin akan muncul lebih banyak SSD dengan fungsi tertentu, atau mungkin terbentuk SSD fungsional yang dapat diprogram secara seragam dan node penyimpanan Agent. Di saat yang sama, HBM, HBF, DRAM, CXL, dan SSD tidak akan berevolusi menurut satu rantai penggantian sederhana, tetapi akan membagi kembali kerja di sekitar panas, variabilitas, cakupan berbagi, dan periode akses. Peluang industri yang sebenarnya terletak pada mengubah keunggulan setiap media menjadi biaya Token yang lebih rendah, kelangsungan Agent yang lebih tinggi, dan siklus hidup data yang lebih tepercaya.
Referensi:
[1] NVIDIA, "Scaling Agentic AI Factories Through Extreme Co-Design with NVIDIA BlueField," 2026.https://developer.nvidia.com/blog/scaling-agentic-ai-factories-through-extreme-co-design-with-nvidia-bluefield/
[2] NVIDIA, "Introducing NVIDIA BlueField-4-Powered CMX Context Memory Storage Platform for the Next Frontier of AI," 2026.https://developer.nvidia.com/blog/introducing-nvidia-bluefield-4-powered-inference-context-memory-storage-platform-for-the-next-frontier-of-ai/
[3] R. Qin et al., "Mooncake: Trading More Storage for Less Computation—A KVCache-centric Architecture for Serving LLM Chatbot," USENIX FAST '25, 2025.https://www.usenix.org/conference/fast25/presentation/qin
[4] SNIA, "Computational Storage Architecture and Programming Model, Version 1.0," 2022.https://www.snia.org/sites/default/files/technical-work/computational/release/SNIA-Computational-Storage-Architecture-and-Programming-Model-1.0.pdf
[5] SNIA, "Storage Security: Encryption and Key Management," 2023.https://www.snia.org/sites/default/files/technical-work/whitepapers/SNIA-Encryption-KM-WP-2023-09-05.pdf
[6] NVM Express, "NVM Express Releases Specifications to Unify AI, Cloud, Client and Enterprise Storage," 2024.https://nvmexpress.org/nvm-express-releases-nvm-express-specifications-to-unify-ai-cloud-client-and-enterprise-storage/
[7] Samsung Electronics, "Samsung Electronics Develops Second-Generation SmartSSD Computational Storage Drive," 2022.https://news.samsung.com/global/samsung-electronics-develops-second-generation-smartssd-computational-storage-drive-with-upgraded-processing-functionality
[8] KIOXIA, "AiSAQ Achieves 4.8 Billion High-Dimensional Vector Search Database on a Single Server," 2026.https://americas.kioxia.com/en-us/business/news/2026/ssd-20260316-2.html
[9] Y. Wang et al., "Are We Ready for an Agent-Native Memory System?," arXiv:2606.24775, 2026.https://arxiv.org/abs/2606.24775
[10] P. Chhikara et al., "Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory," arXiv:2504.19413, 2025.https://arxiv.org/abs/2504.19413
[11] SK hynix, "The Next-Generation Memory Architecture in the AI Era? SK hynix Charts the Direction at FMS 2026," 2026.https://news.skhynix.com/en/fms-2026/
[12] SK hynix, "SK hynix Unveils First HBF Standard Specifications with Sandisk," 2026.https://news.skhynix.com/en/hbf-at-fms-2026/
[13] M. Ha, E. Kim, and H. Kim, "H3: Hybrid Architecture Using High Bandwidth Memory and High Bandwidth Flash for Cost-Efficient LLM Inference," IEEE Computer Architecture Letters, 2026.https://ieeexplore.ieee.org/document/11371745
[14] Compute Express Link Consortium, "Overcoming the AI Memory Wall: How CXL Memory Pooling Powers Scalable AI Computing," 2025.https://computeexpresslink.org/blog/overcoming-the-ai-memory-wall-how-cxl-memory-pooling-powers-the-next-leap-in-scalable-ai-computing-4267/
[15] Phison Electronics, "How aiDAPTIV+ Works," official product documentation.https://phisonaidaptiv.com/zh-tw/how-aidaptiv-works/
[16] Longsys, "SPU dan iSA," 2026.https://cn.longsys.com/about/news/13353.html
[17] Maxio Technology, "CFMS 2026|AI Inference Era, Nilai Lompatan Chip Kontroler Penyimpanan," 2026.https://www.maxio-tech.com/news/11645/13048.html
[18] Economic Observer, "Yipu Computing Bersama AMD Meluncurkan Infplane Mini AI Workstation: Hilbert," 2025.https://www.eeo.com.cn/2025/1222/774317.shtml
[19] Yingren Technology, "Dari N3X ke Gen6: Bagaimana Yingren Technology Menggunakan Tiga Faktor Utama untuk Menciptakan AI SSD Lokal," 2026.https://www.yingren.cn/news/%E4%BB%8En3x%E5%88%B0gen6%EF%BC%9A%E8%8B%B1%E9%9F%A7%E7%A7%91%E6%8A%80%E5%A6%82%E4%BD%95%E7%94%A8%E4%B8%89%E5%A4%A7%E8%A6%81%E7%B4%A0%E6%89%93%E9%80%A0%E5%9B%BD%E4%BA%A7ai-ssd/
[20] Huawei, "Huawei OceanDisk LC 560 SSD Data Sheet," 2025.https://e.huawei.com/en/documents/products/storage/97dc7a1dc98f4d3d90b268db03235cf7
Artikel ini berasal dari akun WeChat publik "新智元", penulis: ASI启示录, editor: Solomon
