I en tidsalder med kunstig intelligens har vi længe fokuseret på computerkraft, kapacitet og hastighed.Vi tilføjer mere DRAM, stabler HBM og udvider 3D NAND for at understøtte større modeller og hurtigere inferens.Men en stille, farlig krise er ved at dukke op: data kan ikke længere opbevares pålideligt.
Da AI udvikler sig fra generativ AI til autonom Agentic AI, kræver systemer vedvarende tilstand, langtidshukommelse og kontinuerlig beslutningstagning.De kan ikke længere tolerere midlertidige eller ustabile data.Samtidig er ubarmhjertig skalering af DRAM og NAND for at opnå højere tæthed alvorligt undergravende dataopbevaring og fejlmargin.
Kerneudfordringen med opbevaring har ændret sig: fra "kan vi gemme det?"til "kan vi opbevare det korrekt?"
Kernetrend: AI gør lagerpålidelighed kritisk
AI-systemer er ikke længere engangsdatabehandlingsopgaver.Modern Agentic AI er afhængig af:
- Langtidshukommelse
- Vedvarende systemtilstand
- Autonom, kontinuerlig beslutningstagning
Det betyder, at opbevaring skal vedligeholdes nøjagtige data over tid, ikke kun arbejde i en kort periode.Pålidelighed er blevet en make-or-break-faktor for AI-infrastrukturstabilitet.
Grundårsag: Skalering sænker pålideligheden
Densitetsforbedringer skader direkte stabiliteten.Dette er en uundgåelig afvejning.
Til NAND Flash
- Krympede XY-mål
- Forøgede 3D-stablingslag
- Resultat: lavere fejlmargen, lettere opladningstab
Til DRAM
- Overgang til 3D DRAM
- Mindre cellestørrelse
- Resultat: kortere retentionstid, lavere støjtolerance
Regel: Højere tæthed = Lavere pålidelighed
NANDs væsentlige problem: Opladningstab
NAND-fejl koger ned til opladningstab, hvilket sker på to hovedmåder:
- Lodret ladningslækage – ladningen slipper ud i kanalen
- Lateral ladningsdiffusion – ladning spredes mellem ordlinjer
Kortsigtet vs langsigtet tilbageholdelsesfejl
- Kort sigt: Lavvandede fælder, initial voltage shift (IVS), ændringer opstår hurtigt
- Langsigtet: Dybe fælder, kombinerede mekanismer (TAT / DT / TE), problemer bliver mere komplekse over tid
DRAMs skjulte svaghed: Den kan heller ikke "holde" data
DRAM er ikke sikkert mod tilbageholdelsesfejl.Det lider af flere lækageveje:
- Kondensator lækage
- Direkte tunnelkørsel
- Undertærskellækage & GIDL
- Junction lækage
Det grundlæggende skift i opbevaring
Fortid: Lager = kapacitet + hastighed, Fejl rettet med ECC
Nu: Opbevaring = langsigtet pålidelighed + tilstandskonsistens, Opbevaring er grundlaget for systemstabilitet
Konklusion
Den virkelige krise i AI-æraen er ikke utilstrækkelig computerkraft – det er den upålidelig dataopbevaring.
Når 3D NAND og DRAM skaleres til mindre geometrier og højere tæthed, forværres ladningstab og lækage.AI's krav om vedvarende hukommelse forstærker disse fejl.
For at bygge stabile AI-systemer i virksomhedskvalitet skal industrien flytte fokus fra hastighed og kapacitet til fastholdelse, ladningskontrol og langsigtet pålidelighed.