Когда шифрование, сжатие, индексация, управление памятью и сервисы контекста приближаются к среде хранения, ценностные границы между SSD, DRAM, HBM и HBF будут пересмотрены.
AI Agent превращает компьютер из системы, которая «выполняет один вызов модели после получения задачи», в работающую систему, которая непрерывно наблюдает, рассуждает, вызывает инструменты, изменяет окружение и сохраняет состояние.
Одна задача может последовательно обращаться к модели, памяти, векторному индексу, бизнес-базе данных, объектному хранилищу и сетевым сервисам, а также постоянно записывать обратно результаты работы инструментов, траектории выполнения, предпочтения пользователя, временный контекст и записи аудита. Чем дольше работает Agent, тем больше его ценность зависит от того, могут ли данные быть безопасно сохранены, корректно найдены, своевременно обновлены и дешево повторно использованы[1].
Это означает, что хранилище больше не является лишь конечной точкой сохранения данных после работы Agent, а постепенно входит в цикл восприятия, памяти и принятия решений Agent. AI SSD уже показал первые направления: сохранение моделей и Adapter'ов, прием вытесненного из памяти KV Cache, сокращение времени холодного запуска, увеличение емкости развертываемых моделей. Следующим шагом, SSD также могут выполнять шифрование, сжатие, дедупликацию, маркировку, индексацию, управление версиями и жизненным циклом при сохранении данных, а также предоставлять долгосрочную емкость для Agent Memory.
Это изменение возникло не на пустом месте. Самошифрующиеся накопители уже могут прозрачно выполнять шифрование и дешифрование данных внутри контроллера; стандарты вычислительного хранения определяют такие функции, как сжатие, шифрование, регулярная фильтрация и коды коррекции ошибок, которые могут выполняться на стороне хранилища; такие продукты, как Samsung SmartSSD, также перемещали сканирование баз данных и обработку видео на сторону накопителя[4][5][7]. Новизна эпохи Agent заключается в том, что эти возможности больше не служат только общей обработке данных, а начинают перекомпоновываться вокруг идентичности агента, контекста, памяти, траекторий инструментов и стоимости токенов.
На будущем рынке могут появиться накопители с разными названиями, такие как «безопасный SSD», «компрессионный SSD», «поисковый SSD», «память-ориентированный SSD» или «контекстный SSD», но также возможно, что не сформируются отдельные аппаратные категории, а они сольются в программируемые функциональные SSD: базовая форма остается совместимой со стандартным хранилищем, а верхнеуровневое программное обеспечение обнаруживает и вызывает функции устройства в зависимости от сценария.
NVMe уже сформировала наборы команд, такие как Computational Programs и Subsystem Local Memory, предоставляя стандартизированные пути для обнаружения, настройки и выполнения программ на стороне устройства[6]. Подлинная отраслевая проблема заключается не только в том, можно ли разместить процессор внутри накопителя, а в том, кто будет определять семантику данных, границы функций и сквозной результат.
Agent — это не единичный вызов
а непрерывная цепочка записи данных
Основным сохраняемым объектом для традиционных чат-ботов была история диалогов, в то время как Agent создает более сложный граф данных. Ему нужно сохранять результаты наблюдений, выводы инструментов, планы и рефлексию, промежуточные состояния задач, профили пользователей, снимки окружения, доказательства поиска и логи выполнения; на стороне модели также генерируются KV Cache, Prefix Cache, Adapter'ы, веса экспертов и контрольные точки (Checkpoint). Время обновления, область повторного использования и уровень безопасности этих разных объектов различаются, но все они вместе определяют, сможет ли продолжиться последующее рассуждение.
Память Agent также не означает загрузку всей истории диалогов в векторную базу данных. Недавние системные исследования памяти Agent с точки зрения управления данными разделили ее на модули представления и хранения, извлечения информации, поиска и маршрутизации, поддержки и указали, что ни одна архитектура не является оптимальной для всех рабочих нагрузок[9].
Системы, такие как Mem0, также подчеркивают преобразование исходных диалогов в более компактную, пригодную для повторного использования долговременную память, чтобы снизить нагрузку на входные токены и поиск в длинных сессиях[10]. Это означает, что в будущем уровень хранения должен будет не только хранить контент, но и то, как этот контент организован, обновляется и забывается.
Следовательно, сохранение данных Agent на диск требует более богатого контракта, чем просто «успешная запись». Объект памяти должен содержать идентификатор пользователя или агента, арендатора, источник, время, версию, права доступа, достоверность, срок хранения и возможность удаления; контекст модели также должен быть привязан к версии модели, токенизатору, позиционному кодированию и Adapter'у. Только когда пространство имен и жизненный цикл четко определены, последующее сжатие, индексация, кэширование и совместное использование не нарушат семантические границы.
Разумная роль функционального SSD в этой цепочке данных заключается не в самостоятельном определении, стоит ли запоминать тот или иной опыт, а в выполнении детерминированной работы вблизи данных после того, как среда выполнения (Runtime) уже предоставила объекты и стратегии. Например: выбор ключа в зависимости от арендатора, размещение данных в соответствии с жизненным циклом, сжатие и дедупликация объектов, которые можно сократить, обслуживание индексных страниц и метаданных, приоритетная загрузка данных, которые скоро понадобятся для вывода, и предоставление верхнему уровню обратной связи о задержках хвоста, усилении записи и состоянии носителя. Семантические решения остаются за Agent и Runtime, а выполнение операций с данными максимально приближается к среде хранения.
Рис.1 Спектр возможностей функциональных SSD в эпоху Agent. Функции безопасности, сокращения контента, индексации, управления памятью, контекста вывода и управления могут быть закреплены в устройстве, а также могут выполняться совместно загружаемыми программами, средой выполнения и узлами хранения. Рисунок представляет собой отраслевую механику; границы вычислительного хранения и безопасности приведены в соответствии со спецификациями SNIA и NVMe[4][5][6].
Ключевое суждение: Модернизация SSD в эпоху Agent — это не просто добавление вычислительной мощности внутри накопителя, а комбинация стандартного блочного устройства, обнаруживаемых функций вблизи данных, объектной семантики и управления жизненным циклом. Чем ближе функция к среде хранения, тем более детерминированной, поддающейся аудиту и изолируемой она должна быть; решения, которые ближе к модели, должны оставаться в Runtime.
Автоматическое шифрование уже существует, изменение заключается в том, что политики начинают следовать за Agent
«Автоматическое шифрование данных при сохранении на диск» — это не концепция будущего. Самошифрующиеся накопители используют специализированное аппаратное обеспечение в контроллере для шифрования записываемых данных и дешифрования считываемых данных, обеспечивая прозрачную защиту данных при хранении через управление ключами и политиками[5].
Для систем Agent новое требование заключается в том, чтобы гранулярность шифрования была уточнена с уровня всего диска или одного пространства имен до уровня пользователя, агента, задачи и объекта: личная память и кэш приложений на одном и том же конечном устройстве не должны иметь взаимного превышения прав, а общий контекст многопользовательского Agent на стороне облака также должен четко определять, какие данные можно повторно использовать, а какие можно читать только в рамках одного домена прав.
Спецификация NVMe уже ввела более детализированные возможности, такие как управление ключами хостом и Key Per I/O[6], что закладывает основу для передачи различного контекста безопасности с каждым вводом-выводом. Будущие безопасные SSD также могут комбинировать источник данных, временную метку, записи доступа, проверку целостности и доверенное удаление, позволяя Agent не только отвечать на вопрос «Что я помню?», но и «Откуда взялось это воспоминание, было ли оно изменено, кто его читал, когда его необходимо удалить?». Для финансовой, медицинской, корпоративной базы знаний и личного AI цепочка доказательств может быть столь же важна, как и скорость поиска.
Шифрование также изменит порядок других функций вблизи данных. Зашифрованный поток байтов обычно плохо поддается эффективному сжатию и дедупликации, поэтому сокращение контента, как правило, должно предшествовать шифрованию[5]; индексация требует разграничения признаков открытого текста, защищенных метаданных и границ поиска в зашифрованном тексте. Конкурентоспособность функционального SSD заключается не только в количестве функций, но и в возможности организовать сжатие, индексацию, шифрование, сохранение и удаление с помощью проверяемого конвейера, одновременно избегая расширения поверхности атаки на любом этапе.
Сжатие, индексация и управление памятью могут стать следующей партией функций SSD
Сжатие — одна из функций, для которой легче всего сформировать коммерческую ценность. Agent постоянно записывает текст, JSON, логи, векторы, контрольные точки и промежуточные мультимедийные результаты, значительная часть которых имеет структурные повторения. Если сжатие выполняется до того, как данные попадают в сеть или NAND, это может сократить передачу, физическую запись и занимаемую емкость, а также косвенно снизить энергопотребление и износ носителя. Однако необходимо совместно оценивать коэффициент сжатия, дополнительную задержку, экономию ресурсов ЦП и усиление записи; для уже квантованных или сильно сжатых весов моделей дальнейшее сжатие может принести ограниченную выгоду.
Функция индексации более прямо связана с Agent, поскольку память имеет ценность только при правильном извлечении. KIOXIA AiSAQ размещает векторы и индексные структуры на SSD, используя кластеризацию и графовый поиск, оптимизированные для SSD, для снижения использования DRAM, и уже продемонстрировала поиск по десяткам миллиардов векторов на одном сервере[8]. Важно строго различать: AiSAQ, прежде всего, является набором программных технологий, где SSD является основным носителем индекса, и это не означает, что обычный SSD автоматически генерирует эмбеддинги или понимает семантику. Более вероятный отраслевой путь заключается в том, что GPU, NPU или ЦП отвечают за генерацию представлений, а SSD и программы, работающие вблизи данных, отвечают за организацию индексов, фильтрацию кандидатов и возврат меньшего набора результатов.
Управление памятью сложнее, чем индексация. Долговременная память Agent претерпевает добавления, слияния, конфликты, исправления, понижение приоритета, истечение срока действия и забывание; один и тот же факт может одновременно существовать в виде исходной записи, резюме, векторного представления и представления в графе знаний[9]. Будущие «память-ориентированные SSD» могут обеспечивать для этих версий атомарные обновления, логирование, TTL (время жизни), размещение по температуре данных и безопасное удаление, но не могут решать, что является реальной памятью, основываясь только на сходстве. Качество памяти по-прежнему зависит от извлечения, маршрутизации, обработки конфликтов и оценки на верхнем уровне.
С точки зрения продукта, этим функциям не обязательно требуется, чтобы каждая модель диска выполняла сложные модели. Сжатие, шифрование, хэширование, фильтрация, обслуживание индексных страниц и управление жизненным циклом объектов хорошо подходят для детерминированных специализированных схем или легковесных программ; генерация эмбеддингов, переранжирование, суммаризация и слияние памяти, вероятно, будут выполняться хостом или независимыми ускорителями.
Ключ функционального SSD заключается в соединении этих двух типов работы через единый идентификатор объекта и наблюдаемый интерфейс, чтобы перемещать меньше данных, а не в том, чтобы запихнуть все вычисления ИИ внутрь диска.
На стороне клиента: SSD может стать уровнем долгосрочного состояния для персонального Agent
Клиентский Agent постоянно взаимодействует с личными документами, фотографиями, электронной почтой, расписаниями, состоянием приложений, историей просмотров и данными датчиков устройства. Единая память подходит только для хранения текущего рабочего набора, в то время как SSD может сохранять более обширные локальные библиотеки моделей, Adapter'ы, векторные индексы, личную память и траектории работы инструментов. При сохранении стандартной формы NVMe функциональный SSD, прежде всего, может быть установлен как обычный системный диск на AI PC и рабочие станции, а затем через драйверы, среду выполнения и прошивку постепенно активировать функции безопасности, индексации и работы с контекстом.
Его ценность для потребителя заключается не в том, что «жесткий диск умеет думать», а в том, что локальный AI может помнить дольше, продолжать работать при слабом соединении и сокращать объем необработанных данных и входных токенов, загружаемых в облако для каждой задачи. Agent для встреч может сохранять аудио, резюме и состояние задач, Agent для программирования может поддерживать индекс репозитория и историю изменений, домашний Agent может делиться авторизованными фотографиями, документами и состоянием устройств между устройствами. SSD оставляет эти состояния рядом с устройством, а маршрутизатор затем решает, обрабатывать ли локально или вызывать облако, основываясь на качестве, конфиденциальности, энергопотреблении и сети.
Рынок конечных устройств также может расшириться от одного диска до небольших узлов хранения. AI PC, домашний сервер или коробка для периферийных вычислений в магазине могут предоставлять локальные образы моделей, личную память, векторные базы и зашифрованные архивы для телефонов, планшетов, роботов и камер, избегая дублирования сохранения одного и того же набора данных на каждом устройстве. Бизнес-модель расширится от обновления емкости до премии за AI PC, подписки на локальные Agent, управления моделями и пакетами навыков, а также частных узлов AI для дома и малого бизнеса.
Локальное хранилище автоматически не означает конфиденциальность. Если приложения могут произвольно читать память, индексы не могут удалять старые версии, а ключи оторваны от идентификатора устройства, то больше функций означает большую поверхность для атак. Клиентские функциональные SSD должны включать в возможности продукта изоляцию приложений, согласие пользователя, сроки хранения, проверяемое удаление и отзыв ключей при утере устройства, а не использовать конфиденциальность только как маркетинговый слоган.
На стороне облака: SSD перейдет от устройства к узлам хранения для Agent
Масштаб состояния облачного Agent больше, и потребность в совместном использовании выше. Сложный запрос объединяет несколько вызовов моделей, выполнений инструментов, обращений к памяти и сетевых передач; взаимодействие нескольких Agent также создает общие планы, сообщения, доказательства и логи выполнения[1]. Локальные SSD на узле могут хранить модели, контрольные точки и часто используемые индексы, уровень Flash в пределах стойки или POD может принимать KV, Prefix, Adapter'ы и общую память, используемые несколькими GPU, а универсальное объектное хранилище продолжит хранить холодные данные и долгосрочные источники фактов.
Mooncake уже организовала ЦП, DRAM, SSD и RDMA/NIC в распределенный пул KV Cache и позволяет планировщику решать путь запроса на основе расположения кэша и целей TTFT, TBT[3]. NVIDIA CMX, в свою очередь, создает уровень Flash контекста на уровне POD между HBM, памятью хоста и общим хранилищем, помещая узлы общего хранилища в путь данных вывода[2]. Сквозная выгода этих систем не может быть приписана одному SSD, но они показывают, что «участие узлов хранения в генерации токенов» переходит от концепции к инфраструктурным продуктам.
Следующее поколение узлов хранения для Agent может одновременно предоставлять сервисы контекста, памяти и управления. Он может обслуживать общие Prefix и KV директории, выполнять прогрев моделей и Adapter'ов, сохранять векторные и графовые индексы, сжимать и шифровать данные по арендаторам, записывать вызовы инструментов и цепочки доказательств, а также предоставлять планировщику показатели попадания в кэш, P99, усиления записи, энергопотребления и состояния носителя. Клиенты будут покупать не только емкость и пропускную способность диска, а использование GPU, SLO goodput, Token/$, Token/Вт, QPS/$ и скорость реагирования на аудит.
Это также изменит бизнес-модель. Отдельные диски по-прежнему можно продавать по емкости, долговечности и производительности; узлы хранения могут формировать комбинированный доход в виде аппаратных комплексов (appliance) с несколькими дисками, плоскости управления, лицензий на среду выполнения, долгосрочной поддержки и SLA; на еще более высоком уровне могут появиться сервисы с оплатой за эффективную емкость контекста, количество объектов памяти, пропускную способность поиска или эффективные токены. Как только функциональный SSD становится ответственным за сквозной результат, его ценностная граница расширяется от полупроводникового компонента до инфраструктуры данных.
Рис.2 Типичное разделение труда между хранилищем Agent на стороне клиента и облака. Сторона клиента делает акцент на личных данных, локальных моделях, автономной работе и контроле конфиденциальности; сторона облака — на общем контексте, управлении множеством арендаторов, использовании GPU и экономике токенов. Рисунок представляет собой прогноз форм продуктов; кластерная сторона основывается на Mooncake и CMX[2][3].
Ценностные границы HBM, HBF, DRAM и SSD будут пересмотрены
Переосмысление хранения, вызванное Agent, не следует понимать как замену памяти на SSD. Подход к многоуровневой памяти (Tiered Memory), предложенный SK hynix на FMS 2026, заключается в соединении HBM, DRAM, NAND/HBF и SSD по скорости, емкости и стоимости, с акцентом на сокращение перемещения данных[11]. Это как раз соответствует реалиям систем Agent: данные, которые необходимо использовать для текущего токена, данные, которые понадобятся через несколько миллисекунд, данные, которые могут быть повторно использованы между сессиями, и данные для долгосрочного архивирования должны размещаться на разных носителях.
HBM остается ядром, ближайшим к вычислениям GPU, неся текущие веса, активации, горячий KV и промежуточные состояния операторов, с показателями Token/s, пропускной способностью и использованием вычислений. Agent, увеличивая длину контекста и совместную работу нескольких моделей, будет дополнительно повышать спрос на HBM, а не снижать его ценность. Ограничением HBM является стоимость емкости и поставки, поэтому системе необходимо перемещать данные, не требующие немедленного доступа, на более дешевый уровень и точно выполнять их прогрев перед использованием.
HBF, то есть High Bandwidth Flash, — это новый уровень, быстро сформировавшийся с 2025 года. Первые открытые спецификации, анонсированные SK hynix и Sandisk в августе 2026 года, охватывают емкость до 512 ГБ, полосу пропускания трех уровней (около 0.4 ТБ/с до 3.0 ТБ/с) и используют соединение UCIe с процессором[12]. HBF использует NAND для получения большей емкости, чем HBM, и нацелен на размещение больших рабочих наборов для вывода с преобладанием чтения между HBM и SSD. Он все еще находится на ранней стадии стандартизации и производства, официальные спецификации не равны широко доступной производительности и не устраняют ограничения NAND по задержке, устойчивости к записи и доступу к переменным состояниям.
Исследование H3 предлагает более четкое разделение труда: размещать данные только для чтения на HBF, а остальные данные оставлять в HBM, создавая гибридную систему вывода, используя преимущества обоих[13]. Для Agent HBF больше подходит для весов моделей, экспертов MoE и больших рабочих наборов с преобладанием чтения; часто обновляемые KV, активации и состояния выполнения по-прежнему лучше подходят для HBM или DRAM. Если HBF созреет, это может сократить потребность в увеличении количества GPU/HBM ради емкости, но, скорее всего, он будет дополнением, а не заменой.
DRAM и CXL находятся в промежуточной зоне для изменяемых состояний и общей емкости. KV хоста, горячие наборы индексов, буферы предварительной выборки и состояния выполнения Agent требуют низкой задержки и частого изменения; расширение, пулинг и совместное использование CXL могут уменьшить изолированность памяти и предоставить нескольким хостам более гибкую емкость[14]. SK hynix на FMS 2026 также продемонстрировала пулированную память CXL и гибридную схему DRAM-SSD для совместного использования, прогнозирования и предварительной выборки KV, но это результаты конкретной демонстрации, которые требуют проверки на большем количестве платформ[11].
Функциональные SSD берут на себя более крупные, более долговечные, более нуждающиеся в управлении теплые и холодные объекты: модели, Adapter'ы, KV/Prefix, векторные индексы, память Agent, логи и контрольные точки. По сравнению с HBF, SSD находится дальше от вычислений, но обладает стандартной формой, зрелой экосистемой, преимуществами в емкости и стоимости и больше подходит для совместного использования на уровне узла. Будущая конкуренция будет разворачиваться не только вокруг полосы пропускания носителя, а вокруг того, кто сможет доставить правильный объект в правильный срок и нести ответственность за эффективные токены, пропускную способность поиска и управление данными.
Рис.3 Пересмотренное разделение труда между HBM, HBF, DRAM/CXL, функциональными SSD и общим хранилищем в эпоху Agent. Спецификации HBF приведены по данным первых открытых стандартов, объявленных SK hynix и Sandisk в августе 2026 года[12]; логика многоуровневости основывается на материалах Tiered Memory с FMS 2026, H3 и CXL[11][13][14].
AI SSD являются первыми отраслевыми образцами функциональных SSD
Существующие AI SSD в основном входят в этот тренд с двух сторон. С одной стороны — это корпоративные SSD, усиленные для нагрузки ИИ, которые через низкую задержку, высокий IOPS, стабильную пропускную способность, долговечность и плотность емкости предоставляют базовую среду для кэша моделей, контрольных точек и векторных индексов. Яньжэнь (Ingenic) Дунтин (Dongting) N3X и Huawei OceanDisk LC 560 являются представителями этого типа[19][20]. Они в первую очередь решают проблему, могут ли данные ИИ быть стабильно размещены, непрерывно записаны и своевременно извлечены, и не обладают автоматически памятью Agent, индексацией или семантикой контекста только потому, что ориентированы на ИИ. С другой стороны, начинается активное участие в пути данных вывода: SSD больше не только получает общие блочные запросы от операционной системы, а через промежуточное ПО, среду выполнения или возможности обработки на стороне хранилища постепенно начинает распознавать объекты ИИ, такие как веса моделей, эксперты, KV Cache и окна предварительной выборки. Файсон (Phison), Цзянболун (Longsys) и Иньпу-Ляньюнь (Inpro-Union Memory) — это три репрезентативных подхода к организации НИОКР в данном направлении.
Подход Файсон aiDAPTIV — это «зрелые возможности SSD + промежуточное ПО + полный набор инструментов». aiDAPTIVLink отвечает за управление памятью между видеопамятью GPU и Flash, во время выполнения разрезает веса моделей, приоритетно сохраняет активные веса в VRAM, выгружает неактивные веса в кэш aiDAPTIVCache на SSD и может сохранять вытесненный KV Cache, избегая повторного вычисления после сброса контекста[15]. Коммерческая ценность этого подхода заключается в объединении SSD, лицензии на ПО, инструментов развертывания и поддержки системы в готовое решение: клиентам не нужно заново проектировать вычислительные чипы, чтобы увеличить емкость используемых моделей и контекста на рабочих станциях или локальных серверах. Его технологический фокус — совместимость с существующей экосистемой GPU и ПО для ИИ, а также использование зрелых контроллеров, прошивок, проектирования на долговечность и партнерств с платформами, чтобы превратить Flash в емкостный уровень помимо видеопамяти.
Подход Цзянболун SPU+iSA ближе к комбинации «исполнительный уровень хранилища + уровень принятия решений в ПО». SPU на стороне устройства выполняет сжатие без потерь, расширенное кэширование HLC (High-Level Cache) и планирование данных между различными носителями NAND; iSA, в свою очередь, принимает решения относительно выгрузки экспертов MoE, жизненного цикла KV Cache и интеллектуальной предварительной выборки устройств, преобразуя характеристики нагрузки ИИ в действия предварительной выборки, обратной загрузки, сжатия и миграции горячих/холодных данных[16]. Таким образом, он ориентирован не только на размещение большего объема данных в SSD, а на сокращение использования DRAM, увеличение эффективной емкости и согласование обработки на стороне хранилища с ритмом вывода на стороне клиента. Этот путь показывает, что когда вблизи контроллера появляются более мощные исполнительные возможности, SSD может превратиться из блочного устройства в узел обработки вблизи данных, способный выполнять сжатие, кэширование и планирование объектов.
Подход Иньпу-Ляньюнь — это путь совместного определения со стороны вычислений и хранения. Иньпу, исходя из структуры моделей, среды выполнения, операционной системы, взаимодействия ЦП/GPU/DRAM и эталонного проектирования целых систем, исследует активацию экспертов, жизненный цикл KV, точность данных и вычислительные окна; Ляньюнь, в свою очередь, проецирует эти требования на контроллер SSD, прошивку, разделы кэша, очереди, адаптацию к NAND и систему массового производства[17][18]. Это позволяет определению продукта исходить из задержки токенов, емкости модели и SLO всей системы, чтобы определить, когда данные должны попадать в SSD, с какой гранулярностью сохраняться, как выполнять предварительную выборку и какие операции подходят для перемещения вблизи контроллера, а не просто оптимизировать существующий блочный ввод-вывод. По сравнению с первыми двумя подходами, такое сотрудничество между вычислениями и хранением требует более глубокой системной интеграции, но также дает больше возможностей заранее обнаруживать новые проблемы путей данных и формировать новые интерфейсы устройств по мере постоянного изменения архитектуры моделей и инфраструктуры вывода.
Три подхода не исключают друг друга. Преимущество Файсон заключается в быстрой упаковке возможностей в готовое к развертыванию решение через зрелые контроллеры, продукты SSD и набор инструментов ПО; Цзянболун пытается разместить больше обработки и планирования на стороне хранилища с помощью SPU и iSA; Иньпу-Ляньюнь определяет устройство, исходя из стыка вычислительной семантики и исполнения хранилища. Вместе они показывают, что основное новшество AI SSD сместилось с «замены диска на более быстрый для ИИ» к «пересмотру обязанностей между Runtime, уровнями памяти, контроллером и Flash». Это также причина, по которой AI SSD могут стать пилотным продуктом для функциональных SSD: как только ПО сможет выражать типы объектов, приоритеты, жизненный цикл и сроки обслуживания устройству, SSD получит основу для размещения большего количества детерминированных функций.
Подобные подходы к НИОКР вполне могут быть перенесены на следующее поколение функциональных SSD. По пути Файсон производители могут добавлять в комбинацию SSD и промежуточного ПО модули сервисов шифрования, сжатия, индексации и памяти, управляемых по Agent или арендаторам, снижая порог развертывания за счет совместимости ПО и инструментов поставки. По пути Цзянболун сжатие, планирование горячих/холодных данных, сканирование индексов или организация данных могут выполняться процессором обработки хранилища (SPU), с последующей передачей стратегий интеллектуальным планировщикам верхнего уровня. По пути Иньпу-Ляньюнь можно сначала исходить из потребностей среды выполнения Agent в долговременной памяти, правах доступа, TTL, SLO поиска и стоимости токенов, а затем совместно определять команды контроллера, метаданные объектов, очереди прошивки и размещение на носителе. Первые два подхода сильны в продуктовой реализации и исполнении на стороне устройства соответственно; последний подход, благодаря пониманию того, как вычислительная система потребляет данные, а система хранения организует их, может обладать большим пространством для проектирования при исследовании новых функций, еще не ставших стандартом.
Значение такого пересекающегося контекста в эпоху Agent будет возрастать. Многие будущие функции хранения — не просто алгоритмы внутри диска: шифрование требует понимания границ прав Agent, пользователей и задач, сжатие требует знания, когда данные снова будут использоваться в вычислениях, индексация требует сотрудничества с Embedding, Retriever и Model Router, а память Agent также включает запись, слияние, забывание, версионирование и цепочку доказательств. Если исходить только со стороны носителя, проблема легко сводится к пропускной способности, емкости или отдельному оператору; если исходить только со стороны модели, можно упустить FTL, усиление записи, задержки хвоста, защиту от отключения питания и ограничения производства. Совместный подход к НИОКР, охватывающий и вычисления, и хранение, как у Иньпу-Ляньюнь, как раз способен найти реализуемые интерфейсы между этими двумя типами ограничений, поэтому при разработке новых типов функциональных SSD, узлов хранения для ИИ и даже инфраструктуры данных для Agent обладает потенциалом для формирования дифференцированных технологических путей.
С точки зрения функциональных SSD важность этих решений заключается не только в том, могут ли они расширить какую-либо модель, а в том, что они создают каналы обмена информацией между ПО и носителем. Сегодня передаются слои моделей, эксперты, блоки KV и подсказки предварительной выборки; в будущем это может расшириться до идентификатора Agent, объектов памяти, версий, TTL, политик доступа, подсказок индексации и крайних сроков выполнения. Тот, кто сможет превратить функции в стабильные интерфейсы, а не настраивать разовые пути для одной модели, получит больше шансов преодолеть смену поколений моделей и расширить доход от продажи отдельных дисков до лицензий на среду выполнения, узлов хранения, сервисов контекста и сервисов данных с оплатой за эффективные токены.
Также необходимо остерегаться раздувания концепций. Автоматическое сжатие не означает, что все данные можно сократить на одинаковый объем, индекс на диске не означает, что SSD понимает семантику, память Agent не означает перенос векторной базы в прошивку. Каждая функция должна подтверждаться сквозными метриками, включая коэффициент сжатия и дополнительную задержку, полноту извлечения и QPS/$, P99 и SLO, усиление записи и долговечность, изоляцию ключей и проверку удаления, а также итоговые Token/$ и Token/Вт.
Рис.4 Репрезентативные продукты корпоративных SSD, усиленных для нагрузки ИИ: Yingren Technology Dongting N3X и Huawei OceanDisk LC 560. Использованы оригинальные иллюстрации; информация о продуктах приведена в [19][20].
Рис.5 Исследования AI SSD, участвующих в выводе: Phison aiDAPTIV, Longsys SPU+iSA, а также подход Inpro-Union Memory к AI SSD. Использованы оригинальные иллюстрации; информация о подходах приведена в [15][16][17][18].
Рис.6 Роль AI SSD в пути вывода LLM и основные технологические подходы производителей, проанализированные в оригинале. Использованы оригинальные иллюстрации; перспективы шифрования, сжатия, индексации, памяти Agent, HBF и многоуровневого хранения, добавленные в данной статье, являются отраслевым продолжением и не меняют исходную логику рисунка.
Будущая отрасль может развиваться одновременно по трем направлениям
Первое направление — функционализация SSD. Универсальные диски продолжат существовать, но возможности безопасности, сжатия, поиска, памяти и контекста войдут в продукты в виде фиксированных функций, загружаемых программ или программно-определяемых конфигураций. В конечном итоге рынку, возможно, не потребуется пять разных SSD, скорее, потребуется единая структура функций, которые можно обнаруживать, комбинировать и изолировать, а затем потребительские, корпоративные и облачные сервисные продукты будут выбирать разные комбинации возможностей.
Второе направление — узловая организация хранилища. Отдельный диск решает локальную емкость и обработку вблизи данных, а узел хранения для ИИ объединяет несколько дисков, сеть, объектные каталоги, ключи, индексы, сервисы контекста и наблюдаемость, неся ответственность за сквозное SLO. Узлы на стороне клиента обслуживают личные устройства и группы устройств, узлы на стороне облака — кластеры GPU и системы с несколькими Agent. Единицей конкуренции станет не «каждый диск», а «сколько эффективных токенов и поисковых запросов может поставить каждый сайт, стойка или POD».
Третье направление — перегруппировка уровней памяти. HBM продолжит стремиться к максимальной пропускной способности, HBF попытается предоставить большую емкость для интенсивного чтения с помощью NAND вблизи корпусирования, DRAM и CXL возьмут на себя изменяемые состояния, расширение и пулинг, функциональные SSD обеспечат постоянные объекты и сервисы вблизи данных, общее хранилище сохранит глобальные холодные источники фактов. Наиболее ценной системной возможностью будущего станет способность Router и Runtime одновременно видеть вычислительные мощности, расположение данных, права доступа, сроки и состояние носителей, выполняя координацию между несколькими уровнями, а не постоянно наращивать один тип носителя.
Это перераспределит отраслевые барьеры. Производители носителей владеют емкостью, пропускной способностью и энергоэффективностью; производители контроллеров и прошивок определяют, могут ли функции быть стабильно реализованы; платформы Runtime и Agent владеют семантикой объектов и планированием; OEM, облачные провайдеры и системные интеграторы определяют, как функции войдут в реальные продукты. Предприятия, способные преодолевать эти границы, устанавливать стандартные интерфейсы и доказывать результат для клиента с помощью экономики токенов, с большей вероятностью смогут превратить SSD из контейнера данных в фундаментальный уровень данных эпохи Agent.
Заключение: Хранилище станет частью возможностей Agent
AI Agent расширяет ценность хранения от «сохранения прошлого» до «поддержки следующего действия». Модели нуждаются в весах, вывод — в контексте, Agent — в долговременной памяти и достоверных доказательствах, а предприятия также нуждаются в безопасности, соответствии, аудите и контроле затрат. Чем ближе к данным находятся шифрование, сжатие, индексация, управление памятью и сервисы контекста, тем больше возможностей сократить перемещение, перевычисления и использование DRAM, но тем более четко необходимо определять границы прав, семантики и ответственности.
Поэтому AI SSD — это только начало. В будущем может появиться больше SSD с определенными функциями, а также могут сформироваться унифицированные программируемые функциональные SSD и узлы хранения для Agent. В то же время HBM, HBF, DRAM, CXL и SSD не будут развиваться по простой цепи замены, а перераспределят обязанности вокруг частоты обращения, изменчивости, области совместного использования и срока доступа. Подлинная отраслевая возможность заключается в преобразовании преимуществ каждого типа носителя в более низкую стоимость токена, более высокую непрерывность работы Agent и более надежный жизненный цикл данных.
Источники:
[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 и iSA», 2026. https://cn.longsys.com/about/news/13353.html
[17] Union Memory Technology, «CFMS 2026|AI推理时代,存储主控芯片价值跃迁», 2026. https://www.maxio-tech.com/news/11645/13048.html
[18] Economic Observer Network, «寅谱计算携手AMD发布Infplane Mini AI工作站:Hilbert», 2025. https://www.eeo.com.cn/2025/1222/774317.shtml
[19] Ingenic Semiconductor, «从N3X到Gen6:英韧科技如何用三大要素打造国产AI SSD», 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
Эта статья из официального аккаунта WeChat «Синьчжиюань» (新智元), автор: ASI启示录, редактор: Сулейман
