Silicon Motion przygotowuje pamięć masową na agentyczną AI z PerformaShape

Co przedstawił Silicon Motion

Silicon Motion ogłosił PerformaShape — technologię zarządzania obciążeniem dla enterprise SSD służących jako warstwa pamięci trwałej w infrastrukturze agentycznej AI. Przedstawił ją jako MonTitan SSD reference design kit (RDK), kit referencyjny dla producentów pamięci masowej.

Technologia wprowadza ulepszoną architekturę hardware do wielowymiarowego kształtowania obciążenia SSD, umożliwiając precyzyjniejszą kontrolę nad tym, jak pamięć masowa rozdziela zasoby. Centralna idea jest prosta, ale ważna: SSD może przestać być rurą, przez którą płyną dane, i stać się aktywnym menedżerem QoS — czyli przewidywalnej jakości usługi.

Dlaczego agentyczna AI wymaga innej pamięci masowej

Agenci AI różnią się od konwencjonalnych modeli inferencji. Nie tylko przetwarzają wejście i zwracają wyjście. Gromadzą kontekst w trakcie rozmowy, wykonują wiele kroków rozumowania, odpytują zewnętrzne narzędzia i generują bardzo zróżnicowane wzorce dostępu. Wszystko to tworzy odmienne łańcuchy danych — jedne przewidywalne, inne nie.

Najbardziej konkretnym wąskim gardłem jest KV cache, magazyn kluczy i wartości, którego transformery używają do przyspieszenia inferencji wraz ze wzrostem kontekstu. Im większy model i okno kontekstu, tym większy KV cache. W pewnym momencie cache nie mieści się w pamięci serwera i musi wylać się na pamięć masową. Konwencjonalny SSD może serwować dane, ale nie gwarantuje spójnej latencji — a tego wymaga rozmowa w czasie rzeczywistym.

PerformaShape dodaje zintegrowany monitoring wydajności i wsparcie dla API NVMe TP4176, standardu pozwalającego SSD i oprogramowaniu aplikacyjnemu komunikować się o oczekiwanej versus osiąganej wydajności. W środowiskach multi-tenant, gdzie wielu agentów i obciążeń konkuruje o tę samą pamięć, ta komunikacja jest kluczowa.

Implementacja techniczna

Silicon Motion wbudował PerformaShape w dwa kontrolery: SM8366 dla PCIe 5.0 i SM8466 dla PCIe 6.0. Oba tworzą serce MonTitan SSD RDK. Producenci pamięci masowej mogą użyć tego kitu referencyjnego do rozwoju produktów bez wynajdywania koła na nowo w zarządzaniu obciążeniem i monitoringu.

Kit upraszcza rozwój SSD zoptymalizowanych pod serwery AI, zmniejszając nakład inżynieryjny i przyspieszając wejście na rynek. Jego wartość leży jednak mniej w inżynierii, a bardziej w intencji: uznaje, że pamięć masowa to nie tylko szczytowa prędkość, lecz spójne zachowanie w warunkach, które zmieniają się ciągle.

Zmiana perspektywy na pamięć masową

Ogłoszenie odzwierciedla głębszą zmianę. Przez lata enterprise storage mierzono w szczytowych IOPS, średniej latencji i pojemności. Te liczby nadal się liczą, ale w infrastrukturze agentycznej AI nie wystarczają. Szczyt wydajności, który co piętnaście sekund spada z klifu, jest gorszy niż niższa wydajność utrzymana. Pamięć, która nie może powiedzieć oprogramowaniu, co się dzieje, to czarna skrzynka. SSD, który nie może priorytetyzować ruchu agenta nad tłem, to ukryte wąskie gardło.

PerformaShape nie rozwiązuje fizyki półprzewodników, ale porządkuje rozdział tej pracy między wiele równoczesnych żądań. To ogniwo łańcucha, które pozwala agentowi AI wiedzieć, czego oczekiwać od pamięci masowej — a pamięci wiedzieć, czego potrzebuje agent.

Połączenie z agentyczną AI na edge

W bitbitbla orkiestrujemy agentyczną AI na mikrokontrolerach, dając im inteligencję konwersacyjną i zdolność rozumowania. Luka między tą rzeczywistością a ogłoszeniem Silicon Motion jest jasna: tam mówią o serwerze, tu o urządzeniu. Ale wzorzec jest ten sam.

Agentyczna AI na edge też potrzebuje persystencji, skumulowanego kontekstu, rozumowania wieloetapowego. Też zarządza ograniczonymi zasobami i musi je dzielić między kilka ciągle zmieniających się żądań. Skala jest mniejsza, hardware inny, ale fundamentalne pytanie identyczne: jak sprawić, by system agentyczny działał przewidywalnie, gdy zasoby są skończone, a obciążenie zróżnicowane.

Silicon Motion myśli o problemie na serwerze. My myślimy o nim na urządzeniu. Oba miejsca potrzebują, by pamięć masowa — lub pamięć, albo obie — przestały być bezwładnymi rurami i stały się aktywnymi partnerami inteligencji działającej na hardware.

Źródło: Embedded.com.