SK Hynix、HBFアーキテクチャを発表 — AIチップのワット当たり性能を2.69倍に向上

SK Hynix、H3アーキテクチャとHBF技術でAIメモリの展望を再定義

人工知能の経済性を塗り替える画期的な発表として、SK Hynixは、標準的な高帯域メモリ（High Bandwidth Memory：HBM）と、高帯域フラッシュ（High Bandwidth Flash：HBF） と呼ばれる斬新な技術を統合したハイブリッドメモリ設計、革命的な H3アーキテクチャ を公開しました。2026年2月12日、権威ある電気電子学会（IEEE）の会議で発表されたこのブレイクスルーは、特に急増するAI推論のボトルネックを標的としており、既存のソリューションと比較して ワットあたりのパフォーマンス（Performance-per-watt）において2.69倍の向上 を実現したと報告されています。

生成系 AI（Generative AI）モデルのパラメータ数とコンテキストウィンドウの長さが拡大し続ける中、業界は帯域幅だけでなく、容量とエネルギー効率においても「メモリの壁」に直面しています。 SK Hynix によるHBFの導入は、DRAM中心の設計から、NANDフラッシュの高密度とリアルタイム処理に必要な速度を両立させた階層型メモリ構造への重要な転換点となります。

H3の誕生：速度と容量の融合

核心となる革新は H3アーキテクチャ にあり、これはAIアクセラレータの物理的なレイアウトを根本から変えるものです。NVIDIAのBlackwellやRubinプラットフォームなどの従来の高性能AIチップは、データスループットを最大化するために、揮発性のHBMスタックをGPUダイの直近に配置するのが一般的です。これにより圧倒的な速度が保証される一方で、HBMは高価で消費電力が大きく、容量に制限があります。これは、会話中に「KVキャッシュ」（キー・バリューキャッシュ）を保存するために膨大なメモリを必要とする現代の大規模言語モデル（LLM）にとって重大な制約となっています。

H3アーキテクチャは、ヘテロジニアス（異種混合）なアプローチを導入しています。これは、貫通電極（TSV）を用いて複数の NANDフラッシュ（NAND Flash）ダイを積層する技術である HBF を、同一インターポーザ上の標準的なHBMスタックと並んで配置します。

SK Hynixのシミュレーションデータによると、このハイブリッド構成により、GPUはレイテンシにそれほど敏感でない膨大なデータチャンク（ KVキャッシュなど）を高密度のHBFにオフロードし、超高速なHBMを直近の計算ニーズのために予約することが可能になります。

技術解説：HBF vs. 従来のアーキテクチャ

この飛躍の大きさを理解するには、H3アーキテクチャを現在の業界標準であるHBM専用設計と比較することが不可欠です。NVIDIA B200 GPUに8基のHBM3Eスタックと8基のHBFスタックを組み合わせたSK Hynixの内部シミュレーションでは、驚異的な効率向上が得られました。

メモリアーキテクチャの比較分析

特徴	従来のHBM専用アーキテクチャ	SK Hynix H3（HBM + HBF）アーキテクチャ
メモリ構成	DRAMベースのHBMスタックに排他的に依存。	HBM（DRAM）とHBF（NAND）のハイブリッド統合。
主な機能	ロジック、重み、キャッシュのすべてを無差別に処理。	階層型システム：アクティブな計算にHBM、膨大なKVキャッシュの保存にHBF。
ワットあたりのパフォーマンス	基準標準。	最大2.69倍の向上。
バッチ処理	HBM容量により制限（バッチサイズが小さい）。	同時クエリ容量が 18.8倍に増加。
ハードウェア設置面積	大規模モデルには巨大なGPUクラスター（例：32ユニット）が必要。	大幅に少ないユニット数（例：2ユニット）で同等のスループットを達成。

上の表は、単に「余裕のあるスペース」を確保することで解放される劇的な効率性を示しています。バルクデータをHBFに移動させることで、システムはGPUと外部SSDまたはメインメモリ間（これらは桁違いに低速です）のデータスワップの頻度を減らします。

KVキャッシュのボトルネックを解決する

HBFイノベーションの主な推進力は、 AI推論（AI Inference） 特有の需要です。モデルを構築するために大規模な並列計算を必要とする「トレーニング」フェーズとは異なり、「推論」はモデルがユーザーへの回答を生成するプロセスです。

LLMが長い会話の文脈を「記憶」するためには、過去のやり取りの一時的なログである KVキャッシュ を生成します。コンテキストウィンドウが数千トークンから数百万トークンへと拡大するにつれ、このキャッシュは指数関数的に増大し、しばしばHBMの容量を超えてしまいます。

「GPUがAI推論を実行するには、HBMからKVキャッシュと呼ばれる変数データを読み取る必要があります。その後、これを解釈して一文字ずつ出力します。HBFは、内容ははるかに多いがアクセスが遅い図書館のように機能し、HBMは迅速な学習のための本棚として機能します。」
— キム・ジョンホ博士、KAIST（階層型メモリに関する比喩）

H3アーキテクチャでは、HBFはこのプロセッサのすぐ隣に位置する「図書館」として機能します。単一のHBFユニットで 512GB もの容量に達することができ（HBM3Eモジュールの約36GBという制限をはるかに上回ります）、システムは膨大なコンテキストウィンドウをローカルに保存できます。SK Hynixのシミュレーションでは、NANDフラッシュに通常伴う深刻なレイテンシのペナルティなしに、最大 1,000万トークン のKVキャッシュを処理できる能力が実証されました。

パフォーマンス指標と効率の向上

SK Hynixが発表した数値は、急進的な効率性の向上を物語っています。同社のテストシナリオでは：

スループットの急増： 同時クエリを処理するシステムの能力（バッチサイズ）が 18.8倍 に上昇しました。これは、単一のサーバーで以前の約19倍の同時ユーザーを処理できることを意味します。
インフラストラクチャの集約： 許容可能なレイテンシを維持するために以前は 32基のGPU クラスターを必要としていたワークロードが、HBFを搭載したわずか 2基のGPU で実行可能になりました。
エネルギー節約： ワットあたりのパフォーマンスの2.69倍の向上 は、データセンターにおいてギガワット規模の電力制約と戦っているハイパースケーラー（Google、AWS、Microsoftなど）にとって極めて重要な指標です。

業界への戦略的影響

この発表は、SK Hynixおよび半導体業界全体にとって、より広範な戦略的転換を予感させます。

1. トレーニングから推論へ

ここ数年、「AIゴールドラッシュ」はトレーニング用チップによって定義されてきました。市場が成熟するにつれ、焦点は 推論コスト へと移っています。サービスプロバイダーは、ビジネスを成立させるためにモデルをより安く、より速く実行する必要があります。HBFは、AI展開のユニットエコノミクス（1単位あたりの採算性）に直接応えるものです。

2. 「AI-NAND」の台頭

HBFは、しばしば「AI-NAND」と呼ばれる新しいカテゴリーを象徴しています。SK HynixはHBM市場を支配していますが、この動きは彼らが世界的リーダーでもあるNANDフラッシュの専門知識を活用し、第二の戦線を切り開くものです。 SanDisk などのパートナーとの協力も、この技術を異なるGPUプラットフォームで広く採用できるようにするための「HBF標準」の確立に向けて進行中であると伝えられています。

3. 競争環境

競合他社も静観しているわけではありません。 サムスン電子 も同様の階層型メモリソリューションを示唆しており、標準化された「HBM4」以降を目指す競争には、より多くのロジックと多様なメモリタイプをパッケージ上に直接統合することが含まれています。しかし、SK HynixのH3のプレゼンテーションは、特定の「ハイブリッドHBM+NAND」実装において同社を最前線に位置づけています。

今後の展望

HBF技術の導入は、「AIチップ」の定義が進化していることを示唆しています。もはや単に生のFLOPS（1秒あたりの浮動小数点演算数）の問題ではなく、メモリ階層の効率性 が重要になっています。

SK HynixはHBFの商業化を加速させる計画であり、早ければ年内にも検証のためにアルファ版が主要パートナーに届く可能性があります。シミュレーションによる向上が実際の生産環境でも維持されるならば、H3アーキテクチャは次世代のAIデータセンターの青写真となり、モデルサイズと指数関数的なコスト増加を効果的に切り離すことができるでしょう。

業界がIEEE会議でのこれらの知見を精査する中、一つのことは明らかです。AIの未来は単に速く考えることだけでなく、より少ないエネルギーで、より多くを記憶することにあるのです。Creati.aiは、H3アーキテクチャの展開と、主要なGPUベンダーによるその採用状況を引き続き監視していきます。