铠侠FMS 2026发布AI时代NAND闪存战略与XL-FLASH路线图

铠侠（Kioxia）9月3日在美国举行的内存与存储技术领域最大规模国际展会“FMS 2026（The Future of Memory and Storage 2026）”上召开技术说明会，详细介绍了面向AI时代的NAND闪存战略。铠侠表示，将从低延迟、高耐久性的XL-FLASH，到适合大容量化的QLC进行组合，围绕DRAM容量扩展、大规模数据摄取、模型训练与推理、GPU近存储等AI用例，分门别类地提供最合适的SSD产品。铠侠存储器事业部存储器应用技术统括部部长松寺克树与SSD事业部SSD应用技术统括部部长滨田诚分别进行了说明。

生成式AI驱动需求分化

生成式AI正在从由有限用户生成文本的阶段，经由支持图像、语音和视频的多模态化，走向多个AI互相协作执行任务的智能体AI（Agentic AI）阶段。伴随AI生成、处理和存储的数据量持续增加，铠侠预计，到2026年每颗芯片的最大容量在DRAM侧将达到32Gbit，在NAND闪存侧将达到2Tbit——这为NAND在AI系统中打开更大应用空间。

AI基础设施对NAND的要求也并非单一：长期保存更看重容量与成本，大规模数据摄取要求容量和读取性能，训练与推理要求带宽和耐久性，向GPU直接供数据则需要低延迟和细粒度访问。针对这些差异，铠侠计划以低延迟高耐久性的XL-FLASH、性能与容量平衡的TLC、适合大容量化的QLC分别应对，并从NAND、控制器到SSD进行垂直整合开发，按使用场景提供产品。

用XL-FLASH扩展DRAM容量

AI系统中的数据并非都以相同频率被访问。铠侠引用典型的“20／80”分布：全部数据的约20%承载了约80%的访问，其余数据的访问频率较低。如果让DRAM去容纳这些低频数据，高企的DRAM价格会让缓存成本不断上升；但直接放入SSD，需要时再读回DRAM又会导致系统性能下降。这正是既有AI系统面临的困境。

XL-FLASH的目标是填补这一空档。它比DRAM慢，但远比SSD快，位于DRAM和SSD之间的中间层，也就是存储级内存（SCM）。把高频数据留在DRAM，将低频数据放进XL-FLASH，可在控制成本的同时避免性能出现明显滑坡。承载该方案的产品，是搭载第二代XL-FLASH的CXL内存扩展模块“KIOXIA XL1系列”。

第二代XL-FLASH基于第5代BiCS FLASH开发，基本构成采用MLC，也可作为SLC使用。SLC工作时的读延迟在5微秒以下，写入寿命为15万至25万次。NAND依靠单元电压状态来区分数据：SLC需要区分0/1两档，MLC需要区分00/01/10/11四档，TLC则需要区分000至111八档。单元存储的数值越多，容量越大，但电压判断也更耗时，因此读取延迟会变长。第二代XL-FLASH以MLC方式运行时，读取延迟会比SLC慢2至3微秒。

即使单独读取再快，如果在写入或擦除过程中接到读请求，等待时间仍可能超过100微秒。这种尾部延迟也是把NAND用作内存扩展时必须突破的障碍。XL1系列通过专用控制器隐藏写入／擦除造成的等待，让CPU能够以内存语义直接访问，从而稳定实现10微秒以下的读延迟。铠侠称，仿真结果显示这种方式可将延迟相比传统方式减少90%以上。

在仿真器验证中，把DRAM中的33%数据转移到XL1系列后，148GB DRAM加77GB XL-FLASH的配置相比225GB纯DRAM配置，仍能保持95%以上的性能；若用相近成本重新优化配置，等效内存容量可扩大1倍，并因减少容量不足而向SSD换页的频率，使应用性能提升到1.3倍。XL1系列接下来将尽快在包括超大规模云厂商在内的客户和合作伙伴系统中做评估；量产时间将根据客户评价与认证进度决定，未来计划导入第三代XL-FLASH。

第三代XL-FLASH：借力CBA技术继续提速

第三代XL-FLASH仍以第5代BiCS FLASH为基础，但引入了第9代、第10代BiCS FLASH中采用的CBA技术和高速接口技术。CBA把存储单元阵列和CMOS逻辑电路分别制作在两块晶圆上，再整片贴合，因此两侧可按需独立优化，在不牺牲存储单元可靠性的前提下提升数据传输速率和功耗效率。

第三代XL-FLASH的数据速率为4.8Gbps，目标是将读取性能提高到第二代的200%、写入性能提高到150%，读取功耗效率提升40%、写入功耗效率提升80%。铠侠表示，后续开发仍会将低延迟放在最优先位置，继续使用SLC，并让MLC也实现性能改善，同时考虑提升容量。TLC和QLC目前的延迟改善尚未达到可用水平，即使未来能够用于此类场景，可能也是相当久远的事情。

AI市场分成四个演进方向

AI市场的投资重心正在从模型训练转向以服务形式交付模型的推理。处理图像、语音和文本时，AI需要先把数据切分为更小单位并完成token化，再添加表示特征的数值信息和索引。铠侠指出，这一流程可能让AI处理的数据集膨胀到原始数据的100倍至1000倍。铠侠将AI催生的SSD需求归为四个方向：归档、大规模数据摄取、训练与推理、NVIDIA Storage-Next。归档方向推出基于大容量QLC的nearline SSD；数据摄取方向使用“KIOXIA LC系列”；训练推理与上下文缓存方向使用“KIOXIA CM系列”；面向GPU近旁细粒度存储访问的是“KIOXIA GP系列”。

归档与数据摄取：LC9系列最高245.76TB

对归档场景，HDD容量仍在增长，但单位容量的性能提升跟不上，导致每TB性能密度不断下降。铠侠认为，从占地、功耗和读取性能等总拥有成本角度衡量，大容量SSD将获得替代近线HDD的机会。面向大规模数据摄取的“KIOXIA LC9系列”已经量产出货。该系列采用将32枚第8代BiCS FLASH 2Tbit QLC芯片堆叠在一起的封装，在2.5英寸和E3.L规格下最高可实现245.76TB容量。在Dell PowerEdge R7725xd上部署时，2U空间可提供9.8PB存储容量，适合AI数据摄取、对象存储、数据湖和向量数据库等应用。

训练与推理：CM10系列与上下文缓存

面向训练和推理，铠侠已向限定客户提供PCIe 6.0企业级SSD“KIOXIA CM10系列”样品。CM10采用第10代BiCS FLASH，顺序读取性能比上代CM9最大提高约92%，随机读取性能最大提高约85%；除风冷外，还支持直接液冷，可适应NVIDIA Vera Rubin等以液冷为前提的AI系统。

上下文缓存是AI推理中备受关注的一种SSD用途。GPU将之前算出的token结果存入SSD，遇到相同处理时直接复用而不用重新计算，这样GPU便可集中算力生成新token，从而提高利用效率。铠侠测算显示，在HBM+DRAM基础之上增加基于SSD的KV缓存后，成本只增加约10%，功耗增加2%至3%，每秒生成的token数却可以提高约5倍。这意味着原本需要5台GPU完成的“token工厂”工作，现在1台GPU即可完成，铠侠认为这将成为改变游戏规则的一步。

为配合NVIDIA CMX的上下文缓存场景，铠侠已将支持直接液冷的CM9系列产品化。CM9采用第8代BiCS FLASH，最大容量25.6TB，耐久性为3 DWPD，支持风冷和直接液冷。后续PCIe 6.0版CM10也将进入这一应用领域，铠侠计划在2027年启动量产。

GPU近存储：GP1系列冲刺1000万IOPS

在更低延迟的GPU近存储领域，铠侠正在开发Super High IOPS SSD“KIOXIA GP1系列”。GP1采用第二代XL-FLASH、PCIe 6.0和NVMe 2.2，在512字节粒度的随机读取中可实现最高1000万IOPS。其应用路径是让GPU通过NVIDIA在Storage-Next框架下推进的SCADA机制直接访问SSD。需要说明的是，GP系列并非用来替代HBM，而是把HBM/DRAM装不下的大规模数据放到SSD中，在GPU需要时按需供数，从而减少因内存容量限制造成的GPU等待时间。

在FMS 2026期间，铠侠开展前约一周确认了演示机可以运行，于是临时在会场追加了1000万IOPS真机演示。该系列也因此获得FMS 2026特别存储（Specialized Storage）类别的Best of Show Award。GP1系列首批将提供800GB SLC与1600GB MLC两个版本，采用E1.S和E3.S外形，功耗低于25W。面向限定客户的评估样品计划在2026年底前出货，量产时间将根据客户和适用用例的确认结果再定。此外，铠侠还在开发搭载第三代XL-FLASH与PCIe 7.0的下一代GP系列，目标超过1亿IOPS，实现时间将配合NVIDIA平台及SCADA部署规划，暂定2028年。

NAND功耗效率：决定SSD性能上限

SSD性能提升不仅看PCIe带宽，还受到不同外形规格功耗上限的制约。NAND在SSD总功耗中的占比通常超过一半，所以即使PCIe代际升级，顺序写入也很难占满接口带宽；到PCIe 7.0时代，AI应用看重的随机读取性能也可能先被功耗限制卡住。

铠侠正以第10代BiCS FLASH缓解这一问题。其1Tbit TLC产品通过332层堆叠和平面方向的高密度化，使位密度比第8代提升59%；单颗NAND读取功耗效率改善40%，写入功耗效率改善30%。配合改良的接口芯片，封装最大可实现每颗4TB容量，读取功耗效率比第8代基准封装方案提升100%，写入功耗效率提升40%。铠侠的目标是在SSD功耗预算内增加NAND并行数量，从而让PCIe 7.0的随机读取性能趋于饱和。

结语

铠侠的整体策略并不是把NAND统一推向大容量、低成本，而是根据AI系统内部数据放置与访问方式，按需组合容量、低延迟、细粒度访问、带宽、耐久性和功耗效率。支撑该策略的是XL-FLASH、TLC和QLC三种技术。在不同市场上，铠侠也会选择不同代际的BiCS FLASH：面向需要高速、中等容量的AI PC和智能手机使用第9代BiCS FLASH；面向重视大容量与功耗效率的AI数据中心使用第10代BiCS FLASH，以平衡制造投资与市场需要。

除CMX和SCADA外，铠侠与NVIDIA还在AI PC、物理AI（Physical AI）等未来存储需求上推进讨论。随着AI数据量持续增长，铠侠希望建立一套高效向CPU/GPU供给所需数据的闪存存储体系。截至2026年9月，其面向AI数据中心的SSD解决方案已覆盖上述归档、摄取、训练推理与GPU近存储等多个方向。