Análise da TradingKey explica como memórias e SSDs se complementam na infraestrutura de inteligência artificial.
A expansão dos servidores de inteligência artificial está elevando a demanda por HBM, DRAM, memória NAND e SSDs corporativos. Em análise publicada em 24 de setembro de 2026, a TradingKey afirma que essas tecnologias atendem a etapas distintas do processamento e do armazenamento de dados em data centers.
Segundo a publicação, um servidor de IA costuma usar os quatro tipos de memória ao mesmo tempo: os dados ficam inicialmente em SSDs baseados em NAND, seguem para a memória do sistema quando o processamento começa e chegam à HBM próxima às GPUs ou aceleradores. A combinação é necessária porque treinamento, inferência, agentes de IA e aplicações de contexto longo exigem velocidade e capacidade de armazenamento.
O papel de cada tipo de memória
A HBM é usada nas operações de maior desempenho, junto às GPUs e aos aceleradores de IA. Ela oferece alta largura de banda e baixa latência, mas tem custo elevado, capacidade limitada e encapsulamento complexo, de acordo com a TradingKey.
Já a NAND é a base dos SSDs corporativos e preserva os dados mesmo depois que o equipamento é desligado. Esse armazenamento atende dados de treinamento, checkpoints de modelos, bancos de dados vetoriais, registros e caches persistentes, com maior capacidade e custo unitário menor do que a HBM.
A DRAM, por sua vez, atua como memória de sistema entre o armazenamento e o processamento. A TradingKey compara a estrutura a um fluxo em que a NAND funciona como armazém, a DDR como centro de trânsito e a HBM como uma bancada de trabalho ao lado da GPU.
Treinamento e inferência aumentam demandas diferentes
No treinamento de modelos, as GPUs precisam acessar repetidamente parâmetros e resultados intermediários. Por isso, a demanda por HBM se torna mais sensível à largura de banda, à capacidade e ao consumo de energia. Atualizações como HBM3E e HBM4 permitem que um acelerador trabalhe com modelos maiores e reduza a espera pela transferência de dados, segundo a análise.
Na inferência, a NAND e os SSDs ganham peso. O uso simultâneo de modelos por muitos usuários gera caches KV, dados vetoriais e registros de interação; guardar todo esse conteúdo em HBM elevaria os custos, afirma a TradingKey.
Empresas atuam em segmentos distintos
A Micron atua em HBM, DRAM, NAND e SSDs para data centers, combinando memória de alta velocidade e armazenamento. A empresa direciona a HBM para computações frequentes dos modelos e caches KV de acesso intenso, enquanto os SSDs empresariais ficam com caches persistentes e data lakes.
A SK Hynix lidera o segmento de HBM e também amplia sua presença em SSDs. A companhia desenvolve a solução SALT-KV, que distribui caches entre HBM, DRAM e SSDs conforme a frequência de acesso, além da High-Bandwidth Flash, ou HBF, planejada como uma camada entre HBM e SSDs tradicionais.
A SanDisk concentra sua atuação em flash NAND e SSDs, com oportunidades ligadas à inferência e à expansão dos data centers. A análise conclui que HBM e NAND não substituem uma à outra: o avanço da IA amplia a procura pelos dois segmentos e pela memória de sistema.
Com informações de tradingkey.com.
Foto de capa: Thingreenline4546/Wikimedia Commons (CC BY-SA 4.0)
