RAM ในยุค AI: SK hynix ชูระบบที่มีหน่วยความจำเป็นศูนย์กลาง

เมื่อพูดถึง RAM หลายคนเริ่มจากคำถามว่า “ต้องใส่กี่ GB” แต่ในเซิร์ฟเวอร์ AI คำถามขยายไปถึงว่า ข้อมูลอยู่ใกล้หน่วยประมวลผลแค่ไหน และหลายเครื่องใช้ข้อมูลเดิมร่วมกันได้อย่างไร รายงานของ SK hynix วันที่ 16 ตุลาคม 2026 จากงาน OCP Global Summit 2026 แสดงทิศทางที่บริษัทเรียกว่า memory-centric: ออกแบบระบบโดยให้หน่วยความจำเป็นส่วนสำคัญในการลดคอขวดการเคลื่อนย้ายข้อมูล

งานจัดที่ San Jose วันที่ 12–15 ตุลาคม สิ่งที่นำมาแสดงมีทั้งโมดูล DDR5, HBM, หน่วยความจำ CXL และการสาธิตระบบร่วมกับพันธมิตร ข่าวนี้จึงเป็นภาพรวมเทคโนโลยีเซิร์ฟเวอร์และสถานะการสาธิต ไม่ใช่ประกาศว่า RAM ทุกแบบพร้อมซื้อไปใส่พีซีได้ทันที

DDR5, HBM และ SSD ทำงานคนละหน้าที่

การมีความจุเท่ากันไม่ได้ทำให้โมดูลเหล่านี้ใช้แทนกันได้ และคำว่า DDR5 อย่างเดียวก็ยังไม่พอจะยืนยันว่าใส่แทน RAM เดิมของคอมพิวเตอร์ได้ ต้องดูชนิดโมดูล ซีพียู เมนบอร์ด และรายการรองรับของระบบนั้น

กราฟวาดใหม่จากความจุ DDR5 RDIMM สามแบบที่ SK hynix ระบุในรายงาน หน่วยเป็น GB ต่อโมดูลตามต้นทาง ตัวเลขนี้เป็นสเปกความจุ ไม่ใช่ผลวัดความเร็ว ราคา หรือประสิทธิภาพ AI; ReefSight ไม่ได้ทดสอบโมดูลเหล่านี้

เหตุใดการนำ KV cache กลับมาใช้จึงสำคัญ

เวลาระบบ AI สร้างข้อความ มันมีข้อมูลกลางจากการคำนวณที่เรียกว่า KV cache การเก็บและใช้ข้อมูลส่วนนี้ซ้ำช่วยลดงานที่ต้องทำใหม่ได้ แต่ระบบที่มีหลายเซิร์ฟเวอร์ต้องจัดการด้วยว่าข้อมูลอยู่ที่ใด และจะส่งต่ออย่างไร

ในงานนี้ SK hynix แสดง CMM-DDR5 รุ่นที่สอง ความจุ 256 GB บน CXL 3.2 บริษัทระบุแบนด์วิดท์ 80 GB/s และประสิทธิภาพพลังงานดีขึ้นประมาณ 30% เทียบรุ่นก่อน ตัวเลขเหล่านี้เป็นข้อมูลที่ผู้ผลิตรายงาน โดยบทความต้นทางไม่ได้ให้รายละเอียดเงื่อนไขทดสอบครบพอสำหรับใช้คาดการณ์ผลกับทุก workload

ส่วน MARS หรือ Memory Centric AI Rack System เป็นการรวมโซลูชันระดับแร็ก บริษัทและพันธมิตรสาธิตการใช้ pooled memory เพื่อส่งต่อหรือใช้ KV cache ซ้ำ อีกชุดสาธิตใช้ DRAM ร่วมกับ SSD เก็บข้อมูลทั้งหมดและเตรียมส่วนที่คาดว่าจะใช้เข้า DRAM ล่วงหน้า จุดสำคัญคือการจัดวางข้อมูลให้เหมาะกับงาน ไม่ใช่เพิ่มความจุ RAM อย่างเดียว

รายงานยังกล่าวถึงการตรวจแนวคิดร่วมกับ NAVER Cloud ในระดับ PoC และการสาธิตกับพันธมิตรหลายราย จึงควรแยก “แสดงว่าระบบแนวคิดทำงานได้” ออกจาก “พร้อมใช้กับบริการของเราแล้ว” การนำไปใช้จริงต้องตรวจแพลตฟอร์มที่รองรับ ซอฟต์แวร์ และผลกับข้อมูลของระบบนั้นอีกครั้ง

HBM ซ้อนชิป ส่วน HBF ใช้ flash

ภาพตัดขวางสร้างด้วย AI เพื่ออธิบายแนวคิด DRAM หลายชั้นและตัวเชื่อมแนวตั้ง TSV เท่านั้น ไม่ใช่ภาพถ่ายผลิตภัณฑ์ SK hynix และไม่ระบุจำนวนชั้นหรือสัดส่วนจริงของ HBM4/HBM4E

รายงานอธิบายว่า HBM ใช้ DRAM ซ้อนกันและเชื่อมผ่านซิลิคอนด้วย TSV ในงานมีทั้งตัวอย่างผลิตภัณฑ์และโมเดลขยายให้เห็นโครงสร้าง ส่วน HBF ย้ายแนวคิดการเชื่อมซ้อนแนวตั้งมาใช้กับ NAND เพื่อรองรับความจุสูงและแบนด์วิดท์ที่เหมาะกับงาน inference บางแบบ

จึงไม่ควรอ่านว่า HBF จะมาแทน HBM ทุกกรณี บริษัทเสนอจุดเด่นคนละด้าน: HBM สำหรับงานที่ต้องตอบสนองรวดเร็ว และ HBF สำหรับบริบทที่ต้องรองรับข้อมูลหรือผู้ใช้จำนวนมาก โดยกราฟบางส่วนในงานมาจากการจำลองภายใน ไม่ใช่ผลทดสอบอิสระของ ReefSight

คนซื้อ RAM และคนดูแล AI ควรนำอะไรกลับไปใช้

สำหรับผู้ใช้คอมพิวเตอร์ทั่วไป ข่าวนี้ช่วยอธิบายว่าคำว่า “หน่วยความจำ” ในข่าว AI อาจหมายถึงอุปกรณ์และสถาปัตยกรรมหลายแบบ หากกำลังซื้อ RAM ให้ยึดรุ่นที่เครื่องรองรับ ความจุที่งานต้องใช้ และเงื่อนไขการรับประกัน ข่าวนี้ไม่มีข้อมูลราคา RAM ผู้บริโภคหรือกำหนดขายปลีก จึงใช้สรุปแนวโน้มราคาหน้าร้านไม่ได้

สำหรับทีมที่ให้บริการ AI คำถามที่น่าสำรวจคือคอขวดปัจจุบันเกิดจากความจุ การส่งข้อมูล หรือการคำนวณ และมีโอกาสใช้ KV cache ซ้ำมากเพียงใด ก่อนเปลี่ยนสถาปัตยกรรมควรทดสอบด้วย workload ของทีม วัดเวลาเริ่มตอบและเวลารวม การใช้หน่วยความจำ พลังงาน ต้นทุน และผลเมื่อบริการขัดข้อง ภายใต้เงื่อนไขที่เทียบกันได้

สารของงาน OCP รอบนี้คือหน่วยความจำกำลังถูกออกแบบเป็นส่วนหนึ่งของระบบ AI ทั้งแร็ก ไม่ได้จบที่สเปกชิปอย่างเดียว แต่การเลือกใช้ยังต้องแยกผลิตภัณฑ์ สาธิต PoC และผลจำลองให้ชัด บทความนี้สรุปจากรายงานผู้ผลิต ณ 17 ตุลาคม 2026 ไม่มีผลทดสอบฮาร์ดแวร์จริงหรือการยืนยันความพร้อมใช้งานในทุกประเทศ

ภาพปกเป็นภาพประกอบระบบหน่วยความจำเซิร์ฟเวอร์ที่สร้างด้วย AI ไม่ใช่ภาพสินค้าหรือภาพถ่ายจากงาน