Kioxia entwickelt SSD der neuen Generation für KI: bis zu 10 Millionen IOPS und minimale Latenzzeiten

Das Unternehmen Kioxia hat die Entwicklung eines neuen Solid-State-Laufwerks auf Basis von XL-Flash angekündigt, das bei der Verarbeitung kleiner Datenblöcke mehr als 10 Millionen Ein-/Ausgabevorgänge pro Sekunde (IOPS) erreichen kann. Das ist etwa dreimal schneller als die derzeit besten SSDs auf dem Markt.

Die Ankündigung erfolgte auf einer strategischen Unternehmenssitzung, bei der ein besonderer Schwerpunkt auf die Beseitigung einer der wichtigsten Leistungsbeschränkungen von KI-Servern gelegt wurde – die langsame Datenübertragung zwischen Speicher und GPU über den Zentralprozessor.

Architektur für maximale GPU-Auslastung

Die neue SSD wird Single-Level-XL-Flash (SLC) verwenden, das minimale Reaktionszeiten von 3 bis 5 Mikrosekunden bietet, während Standard-3D-NAND-Speicher mit Verzögerungen im Bereich von 40 bis 100 µs arbeiten.

Das Besondere an dieser Architektur ist die Verwendung eines speziellen Controllers, der auf maximale Leistung bei zufälligen Zugriffen ausgelegt ist. Dadurch können Grafikprozessoren nahezu ohne Ausfallzeiten mit Daten versorgt werden, was besonders für moderne LLM- und RAG-Systeme wichtig ist.

Kleine Blöcke und Peer-to-Peer-Übertragung: für generative KI-Aufgaben

Die AI-SSD von Kioxia ist für die Arbeit mit kleinen Datenblöcken von bis zu 512 Byte optimiert, was ideal zu den Zugriffsmustern großer Sprachmodelle passt, bei denen häufige zufällige Zugriffe auf die Parameterdatenbank vorherrschen.

Darüber hinaus wird das Laufwerk Peer-to-Peer-Übertragungen zwischen GPU und SSD ohne Beteiligung der CPU unterstützen. Dies wird die Latenzzeiten erheblich reduzieren und die Durchsatzrate in Konfigurationen mit mehreren Karten erhöhen, insbesondere bei der Verarbeitung umfangreicher Anfragen im Inferenzmodus.

Wann ist mit der Markteinführung zu rechnen?

Die offizielle Veröffentlichung der neuen Generation der Kioxia AI SSD wird für die zweite Hälfte des Jahres 2026 erwartet. Sie richtet sich in erster Linie an Rechenzentren, die KI-Workloads nutzen, und wird wahrscheinlich ein wichtiger Bestandteil der Infrastruktur für die Arbeit mit LLM, multimodalen Modellen und Unternehmens-RAG-Plattformen werden.