雖然三星的 HBM4 還沒有通過英偉達(dá)的驗(yàn)證，但就在上周五（9 月 19 日），三星的 12 層 HBM3E 終于通過了英偉達(dá)的測試認(rèn)證，也意味著即將成為英偉達(dá) GPU 的 HBM 供應(yīng)商之一。

一石激起千層浪。

AI 的火熱不只是讓人們爭相討論大模型和算力芯片，也徹底點(diǎn)燃了對內(nèi)存的需求。過去幾年，HBM（高帶寬內(nèi)存）成為了這場浪潮里最受追捧的「隱形明星」。沒有它，就沒有英偉達(dá) A100、H200 以及其他 AI 芯片的爆火，也也不會有無數(shù)大模型在短時間內(nèi)跑出來并且迅速迭代。

正因如此，HBM 供不應(yīng)求，幾乎成了半導(dǎo)體行業(yè)的「硬通貨」，也讓 HBM 主要廠商 SK 海力士一舉超越三星，成為全球最大存儲芯片制造商。

收入榜，圖片來源：TrendForce

但問題隨之而來，HBM 的速度沒問題，帶寬夠快，延遲夠低，可容量依然有限，成本居高不下。AI 模型越大，對內(nèi)存的胃口越夸張，單靠 HBM 很難滿足未來幾年全球 AI 推理的龐大需求。尤其以 DeepSeek 為開端，MoE 模型（專家混合模型）減小了對算力的要求，內(nèi)存墻的問題變得更加突出。

而在本月早些時候，被稱為「HBM 之父」的韓國科學(xué)與技術(shù)研究院教授金正浩表示，未來決定內(nèi)存行業(yè)勝負(fù)的將會是 HBF（High Bandwidth Flash，高帶寬閃存）。

這并非空穴來風(fēng)。作為 HBM 的最大玩家，SK 海力士已經(jīng)和閃存領(lǐng)域的代表閃迪走到了一起，公開宣布聯(lián)合開發(fā) HBF 技術(shù)，并推動行業(yè)標(biāo)準(zhǔn)化。但 HBF 到底是什么？當(dāng) HBM 不再夠用，HBF 能否成為下一個接力棒？

圖片來源：閃迪

內(nèi)存堆疊換閃存堆疊，HBF如何做到的？

在解釋 HBF 之前，先得把 HBM 擺在桌面上。HBM，全稱高帶寬內(nèi)存，可以理解為「GPU 專用的豪華內(nèi)存」。它的特點(diǎn)是把多層 DRAM 芯片像「積木」一樣堆疊在一起，然后通過超寬的接口直接連到 GPU 上。這樣一來，數(shù)據(jù)進(jìn)出的通道變寬了，傳輸速度自然暴漲。比如英偉達(dá) H200 搭載的 HBM3e，單卡內(nèi)存帶寬達(dá)到 4.8 TB/s，比普通 DDR 內(nèi)存快幾十倍。

問題在于，HBM 像跑車一樣速度驚人，但油箱太小。它的容量往往停留在幾十 GB 級別，即便 SK 海力士即將量產(chǎn)的 HBM4 單殼最高也只能做到 36GB（未來可達(dá) 64GB），而大模型的參數(shù)動輒上千億。更現(xiàn)實(shí)的問題是，HBM 的成本極高，良率低、產(chǎn)能有限，直接導(dǎo)致一塊 GPU 動輒數(shù)萬美元，成為 AI 行業(yè)的瓶頸。

HBF（高帶寬閃存）正是在這種背景下備受關(guān)注。簡單理解，HBF 就是把 NAND 閃存堆疊起來，用類似 HBM 的封裝方式，讓它既能像內(nèi)存一樣高速讀數(shù)據(jù)，又能像硬盤一樣存更多內(nèi)容。它的目標(biāo)并不是完全取代 HBM，而是作為「容量補(bǔ)位」：

HBM 繼續(xù)承擔(dān)最關(guān)鍵、延遲最敏感的工作，而 HBF 則用來裝下超大模型的權(quán)重、KV Cache 等「吃容量」的部分。

HBF 結(jié)構(gòu)圖，圖片來源：閃迪

換句話說，HBM 是短跑冠軍，HBF 是長途卡車，兩者搭配，才能既快又大。這也是「HBM 之父」看好 HBF 的核心理由。

韓國科學(xué)技術(shù)院（KAIST）教授金正浩，被譽(yù)為「HBM 之父」，他正是當(dāng)年提出把內(nèi)存芯片豎著堆疊的關(guān)鍵人物。在 9 月初的演講中，他認(rèn)為內(nèi)存行業(yè)未來的勝負(fù)手將會是 HBF，邏輯并不復(fù)雜，AI 的趨勢已經(jīng)從算力中心轉(zhuǎn)向內(nèi)存為中心，算力的增長再快，如果數(shù)據(jù)塞不進(jìn)去、模型放不下，都會卡住脖子。

而 HBF 剛好能補(bǔ)上 HBM 的容量短板，讓系統(tǒng)既保持高帶寬，又能擁有更大的可用空間和更低的成本。

這番話并不只是他的個人看法。在 8 月舉行的 FMS 未來存儲峰會上，閃迪透露了近兩年開發(fā)的 HBF，并且宣布與 SK 海力士推動 HBF 的技術(shù)標(biāo)準(zhǔn)化。SK 海力士的優(yōu)勢在于封裝和堆疊工藝——這正是 HBM 成功的關(guān)鍵；閃迪則是 NAND 閃存領(lǐng)域的長期玩家，擁有獨(dú)特的直鍵合工藝。

更關(guān)鍵的是，HBF 在設(shè)計(jì)之初就針對 AI 推理的特點(diǎn)：讀多寫少、批量順序訪問。AI 模型在推理時，幾乎不改動權(quán)重，主要是高速讀??；這讓 NAND 的「寫入短板」不再是致命問題，而它的高密度、低成本、穩(wěn)定性則被發(fā)揮到極致。

不斷拉長的上下文長度，也在吞噬存儲，圖片來源：閃迪

因此，金正浩的判斷、SK 海力士的布局、閃迪的押注，其實(shí)都在指向一個共同邏輯：AI 的未來需要的不僅僅是更快的存儲，還需要更大的存儲池。HBM 已經(jīng)把速度推到極致，但如果沒有 HBF，AI 的發(fā)展遲早會撞上天花板。

從這個角度看，HBF 不僅是一個新技術(shù)點(diǎn)，更可能是整個 AI 硬件架構(gòu)變革的核心動力。

HBF徹底改變AI存儲：從數(shù)據(jù)中心到消費(fèi)終端

HBF 的落地并不是遙不可及的未來。按照閃迪和 SK 海力士的路線規(guī)劃，2026 年下半年就會有首批 HBF 樣品出現(xiàn)，2027 年初預(yù)計(jì)會有搭載 HBF 的 AI 推理設(shè)備面世。這意味著，它最快會在兩年內(nèi)走出實(shí)驗(yàn)室，成為真實(shí)的硬件產(chǎn)品。

那么，這些首批設(shè)備會是什么？最有可能的，是 GPU 廠商和服務(wù)器廠商率先嘗鮮。以英偉達(dá) H200 為例，是全球首款使用業(yè)內(nèi)最先進(jìn) HBM3e 顯存的 GPU，配備了 141 GB 的 HBM3e，成本極高。而 HBF 就像是為 GPU 接上了一個「外掛油箱」，不僅能讓更多模型一次性裝進(jìn)來，還能大幅減少頻繁從 SSD 調(diào)數(shù)據(jù)的延遲。

但 HBF 的意義并不止于數(shù)據(jù)中心。在邊緣設(shè)備和個人計(jì)算領(lǐng)域，它同樣可能帶來巨大的改變。

今天我們看到 AI PC、AI 手機(jī)都在強(qiáng)調(diào)設(shè)備端運(yùn)行大模型，可現(xiàn)實(shí)是，終端設(shè)備的內(nèi)存遠(yuǎn)遠(yuǎn)不夠支撐上百億參數(shù)的模型。HBF 如果能以小型化模組、甚至與處理器一體封裝的方式進(jìn)入終端，就有機(jī)會讓用戶在本地調(diào)用更大的 AI 模型，帶來更流暢的語音助手、更聰明的生產(chǎn)力工具，甚至真正可離線運(yùn)行的 AI 應(yīng)用。

圖/微軟

更重要的是，HBF 的成本和功耗優(yōu)勢，使它天然適合在終端場景擴(kuò)展。HBM 成本高昂、功耗居高不下，而 HBF 基于 NAND 閃存，密度更高，單位容量價格更低。對于筆記本電腦、智能手機(jī)甚至 XR 設(shè)備來說，如何在有限的空間和電池里提供更強(qiáng)的 AI 能力？HBF 給出了一個現(xiàn)實(shí)的答案：

在云端，它緩解 GPU 內(nèi)存瓶頸，讓超大模型能夠跑得更高效；在終端，它可能成為 AI 普及化的關(guān)鍵一步。

當(dāng)然，短期內(nèi)我們還很難看到 HBF 落地在邊緣終端或者個人計(jì)算平臺上，但通過 AI 數(shù)據(jù)中心的大規(guī)模更新，HBF 仍然會在未來幾年改變 AI 的推理，進(jìn)而改變我們的 AI 體驗(yàn)。

寫在最后

從 HBM 的爆發(fā)，到 HBF 的登場，我們其實(shí)看到的是同一個趨勢：AI 已經(jīng)把內(nèi)存和存儲推到了舞臺中央。沒有 HBM，就沒有今天的算力繁榮；而如果沒有更大、更便宜、更低功耗的存儲介質(zhì)，AI 的未來也可能被「卡脖子」。

HBF 之所以值得期待，不是因?yàn)樗嫒〈?HBM，而是它補(bǔ)上了一個關(guān)鍵缺口——容量。它讓 GPU 不再像背著小油箱的跑車那樣捉襟見肘，也給未來的 AI PC、邊緣計(jì)算帶來了想象空間。當(dāng)速度與容量形成合力，AI 的運(yùn)行方式很可能會被徹底改寫。

但問題也隨之而來：

- HBF 真能像 HBM 一樣，從技術(shù)概念變成行業(yè)標(biāo)配嗎？
- 在數(shù)據(jù)中心率先落地之后，它能否順利走向個人計(jì)算終端？
- 當(dāng)存儲不再是瓶頸時，下一個掣肘 AI 的環(huán)節(jié)，又會是什么？

這些問題的答案，或許要等到 2027 年 HBF 首批設(shè)備面世后才能揭曉。但可以肯定的是，定義 AI 的邊界，不只是算力，還在于儲存。而這場比賽，才剛剛開始。