卷王驾到！AI内存“内卷”新王炸：HBF是下一个“硬通货”？

TL;DR：

HBM是AI芯片的豪华跑车，速度快但油箱小，快被大模型“吃”垮了；HBF就像是AI的超级卡车，容量大还省钱。这两兄弟联手，有望解决AI“吃内存”的世纪难题，让大模型跑得更欢，未来甚至能塞进你手机里！

最近，AI圈又爆了个大瓜：三星的12层HBM3E终于通过了英伟达的“严苛考核”，这意味着它也拿到了给英伟达高端GPU供货的入场券。¹ 一时间，半导体圈的“吃瓜群众”们又沸腾了。

AI这波浪潮，不光让大家把大模型和算力芯片聊得天花乱坠，更是彻底点燃了对内存的需求。过去几年，HBM（高带宽内存）简直就是这场“算力军备竞赛”里的**“隐形明星”。没有它，英伟达的A100、H200这些AI神兽就跑不起来，更别提无数大模型像“开挂”一样迭代升级了。正因为HBM这么重要，它直接成了半导体行业的“硬通货”**，甚至让SK海力士这个“内存大佬”一举超越三星，坐上了全球最大存储芯片制造商的宝座。

卷到飞起！AI这辆“超跑”，为啥HBM快带不动了？

HBM到底是个啥？简单来说，它就是“GPU专用的豪华内存”。想象一下，它把很多层DRAM芯片像搭“积木”一样堆叠起来，再通过超宽的接口直接连到GPU上。这么一来，数据进出的通道瞬间变宽了几十倍，传输速度自然像坐上了火箭。比如英伟达H200上的HBM3e，单卡内存带宽就能飙到4.8 TB/s，简直是内存界的“布加迪威龙”。¹

但问题来了，HBM这辆“跑车”虽然快到飞起，可它的**“油箱”也太小了**！容量通常只有几十GB，就算SK海力士即将量产的HBM4，单颗最高也只能做到36GB（未来有望64GB），而那些动辄上千亿参数的大模型，对内存的胃口简直是**“饕餮巨兽”。更要命的是，HBM不仅造价不菲，良品率也低，产能还有限，这直接导致一块搭载HBM的GPU动辄数万美元，成了卡住AI行业脖子的“内存墙”**。尤其是DeepSeek这类MoE模型（专家混合模型）兴起后，它们虽然降低了对算力的要求，但对内存的需求反而更加饥渴。¹

就像“HBM之父”——韩国科学与技术研究院的金正浩教授说的，未来决定内存行业胜负的，很可能就是HBF（High Bandwidth Flash，高带宽闪存）。² 他的这番话可不是空穴来风，因为HBM的最大玩家SK海力士，已经跟闪存巨头闪迪**“喜结连理”，公开宣布要一起开发HBF技术，并推动行业标准化了。这波操作，简直就是半导体界的“官宣恋情”**！

HBF横空出世：闪存版“记忆神童”，容量直接拉满？

那么，HBF究竟是何方神圣？把它简单理解成“闪存版的HBM”就行了。它也是把NAND闪存芯片堆叠起来，用类似HBM的封装方式，这样就能让闪存既能像内存一样高速读数据，又能像硬盘一样存下海量内容。它的目标可不是来“抢HBM的饭碗”，而是给HBM当**“容量补位”**的。

你可以这样理解：

• HBM：负责最紧急、延迟最敏感的“短跑冲刺任务”。
• HBF：则用来装下那些超大模型权重、KV Cache等“吃容量大户”的“长途运输任务”。

金正浩教授认为，HBM是“短跑冠军”，HBF是“长途卡车”，两者搭档，才能做到既快又大。他之所以这么看好HBF，核心逻辑在于：AI的趋势已经从“算力为王”转向了**“内存为中心”。算力增长得再快，如果数据塞不进去，模型放不下，那一切都免谈，AI的发展就会被“卡死”**。¹³

而HBF正好能补上HBM的容量短板，让整个系统既能保持高带宽，又能拥有更大的存储空间和更低的成本。更**“心机”的是，HBF在设计之初就瞄准了AI推理的特点：读多写少、批量顺序访问。AI模型在推理时，权重基本不动，主要是高速读取数据。这一下子就巧妙地避开了NAND闪存“写入性能不佳”**的固有短板，反而把它的高密度、低成本、高稳定性等优势发挥到了极致。¹

这种“扬长避短”的策略，加上SK海力士在封装堆叠上的**“祖传手艺”**和闪迪在NAND闪存领域的深厚积累，让HBF的未来充满想象空间。

“HBM7通过集成LPDDR-HBM与高带宽闪存(HBF)，构建起‘内存-存储’一体化网络，支持128GB/s的HBF链路与CXL接口，实现了从内存到存储的无缝数据流转。”⁴ 啧啧，这意思就是HBM和HBF未来可能要**“手牵手”，实现数据在它们之间丝滑切换，听起来就很有“搞头”**！

不止数据中心！AI未来要进你口袋，HBF是“秘密武器”？

HBF可不是“画大饼”，它的落地时间表已经出来了：闪迪和SK海力士计划在2026年下半年推出首批HBF样品，预计2027年初就能看到搭载HBF的AI推理设备面世。这意味着，最快两年内，它就能走出实验室，**“真刀真枪”**地出现在我们面前了。¹

首批尝鲜的，多半会是GPU和服务器厂商。想想看，英伟达H200这种“吞金兽”，搭载141GB HBM3e，成本高到离谱。如果有了HBF这个**“外挂油箱”，不仅能一次性装下更多模型，还能大大减少从SSD调数据的延迟，简直是为GPU“减负续航”**的神器。¹

但HBF的野心远不止数据中心。在边缘设备和个人计算领域，它同样可能掀起一场**“内存革命”。我们现在看到的AI PC、AI手机都在大张旗鼓地宣传设备端运行大模型，可现实是，这些终端设备的内存根本“喂不饱”**上百亿参数的模型。如果HBF能以小型化模组，甚至和处理器“一体封装”的方式进入终端设备，那用户就能在本地调用更大的AI模型，享受到更流畅的语音助手、更智能的生产力工具，甚至真正离线运行的AI应用。¹⁴

最重要的是，HBF凭借其**“出身”——基于NAND闪存，天然具有成本和功耗优势。HBM虽然速度快，但价格昂贵、功耗感人。而HBF密度更高，单位容量价格更低，对于电量有限、空间寸土寸金的笔记本、智能手机、XR设备来说，简直就是“救星”**般的存在。

一句话总结：

• 在云端，HBF能缓解GPU的内存瓶颈，让超大模型跑得更高效。
• 在终端，它可能成为AI普及化的**“临门一脚”**。

当然，短期内HBF要大规模落地在手机、PC这些边缘终端，可能还需要点时间“发育”。但它在AI数据中心的大规模更新，无疑会从底层改变AI的推理方式，进而改变我们的AI体验。

写在最后

从HBM的**“闪耀登场”，到HBF的“蓄势待发”，我们看到的其实是一个清晰的趋势：AI已经把内存和存储推到了舞台的“C位”。没有HBM，就没有今天的算力繁荣；而如果没有更大、更便宜、更低功耗的存储介质，AI的未来也可能被“卡脖子”**。

HBF之所以值得期待，不是因为它要“全面碾压”HBM，而是它巧妙地补上了一个关键缺口——容量。它让GPU不再像背着小油箱的跑车那样**“捉襟见肘”，也给未来的AI PC、边缘计算带来了无限的想象空间。当速度与容量形成合力，AI的运行方式很可能会被彻底改写，未来的AI世界，或许真的会“内存中心化”**。¹

但问题也随之而来：

• HBF真的能像HBM一样，从技术概念变成行业**“标配”**吗？
• 在数据中心率先落地之后，它能否顺利走向个人计算终端，实现**“全民普及”**？
• 当存储不再是瓶颈时，下一个**“掣肘”**AI发展的环节，又会是什么？

这些问题的答案，或许要等到2027年HBF首批设备面世后才能揭晓。但可以肯定的是，定义AI的边界，不只是算力，还在于储存。而这场关于**“记忆力”**的比赛，才刚刚开始！

引用

• HBF
• HBM
• AI内存
• 闪存堆叠
• SK海力士
• 算力瓶颈