SK hynix Luncurkan HBM4 dengan Kecepatan Transfer 10 GT/s

SK hynix resmi melangkah lebih jauh di pasar memori kelas atas dengan menyelesaikan pengembangan HBM4, generasi terbaru high bandwidth memory yang ditujukan untuk server dan akselerator AI. Perusahaan asal Korea Selatan itu mengklaim HBM4 garapannya mampu mencapai kecepatan transfer hingga 10 GT/s, atau sekitar 25 persen di atas standar JEDEC untuk HBM4. Di tengah persaingan yang makin ketat, capaian ini menjadi sinyal bahwa perang performa di segmen memori AI belum akan mereda.

HBM4 SK hynix menekan batas baru

Kecepatan 10 GT/s menempatkan HBM4 SK hynix di jajaran produk yang agresif mengejar kebutuhan komputasi modern, terutama untuk beban kerja AI yang menuntut bandwidth besar dan latensi rendah. Langkah ini sejalan dengan arah industri, karena Micron dan Rambus juga sama-sama memilih jalur kecepatan tinggi untuk solusi HBM4 mereka. Namun, SK hynix menegaskan bahwa pendekatan mereka bukan sekadar mengejar angka, melainkan juga menjaga efisiensi dan kualitas produksi.

Fokus pada efisiensi produksi dan pembuangan panas

Dalam penjelasannya, SK hynix menyebut teknologi proses yang dipakai dirancang untuk menggabungkan performa tinggi dengan tingkat cacat yang rendah. Perusahaan ini juga masih mengandalkan metode Advanced Mass Reflow Molded Underfill atau MR-MUF dalam produksi HBM4. Teknik tersebut memungkinkan susunan memori tetap berada pada konfigurasi 12-Hi sekaligus membantu pembuangan panas agar lebih optimal, dua faktor penting untuk perangkat yang bekerja dalam beban berat dan terus-menerus.

Masih simpan detail teknis, pasar sudah menunggu

Meski belum mengungkap jumlah lapisan DRAM maupun kapasitas HBM4 yang dikembangkan, pengumuman ini tetap menjadi perhatian besar. Nama-nama besar seperti NVIDIA, AMD, dan Broadcom disebut diperkirakan akan menggunakan HBM4 pada produk server dan akselerator AI mereka pada 2026. Dengan posisi itu, langkah SK hynix bukan hanya soal peluncuran produk baru, tetapi juga tentang siapa yang lebih siap memasok jantung memori untuk generasi berikutnya dari infrastruktur AI.

Artikel ini disusun ulang berdasarkan informasi dari sumber yang telah dipublikasikan sebelumnya.