HBF：AI存储的下一个革命，高带宽闪存引领未来

尽管三星的HBM4尚未获得英伟达的官方认可，但在上周五（9月19日），其12层HBM3E内存成功通过了英伟达的严格测试与认证，这意味着三星即将加入英伟达GPU的HBM供应商行列。

这一消息犹如投石入水，激起了层层涟漪。

人工智能的热潮不仅推动了大模型与算力芯片的广泛讨论，更彻底引爆了对内存需求的爆炸性增长。近年来，HBM（高带宽内存）已成为这场技术浪潮中备受瞩目的“隐形冠军”。如果没有HBM，英伟达A100、H200等AI芯片的辉煌就难以实现，众多大模型也无法在短时间内快速涌现并持续迭代。

正因如此，HBM变得供不应求，几乎成为半导体行业的“硬通货”，这也让主要生产商SK海力士超越三星，跃升为全球最大的存储芯片制造商。

收入榜单，数据来源：TrendForce

然而，挑战也随之浮现。HBM在速度、带宽和延迟方面表现卓越，但容量仍然有限，且成本持续高企。随着AI模型规模不断扩大，对内存的需求日益膨胀，仅依赖HBM难以满足未来全球AI推理的巨大需求。特别是以DeepSeek为代表的MoE模型（专家混合模型）降低了对算力的依赖，使得内存瓶颈问题更加凸显。

本月早些时候，被誉为“HBM之父”的韩国科学技术研究院教授金正浩指出，未来内存行业的竞争焦点将转向HBF（高带宽闪存）。

这一观点并非无的放矢。作为HBM领域的主导者，SK海力士已与闪存巨头闪迪携手，公开宣布共同开发HBF技术，并推动其行业标准化。那么，HBF究竟是什么？当HBM无法满足需求时，HBF能否接过下一棒？

内存堆叠换闪存堆叠，HBF如何做到的？

在深入探讨HBF之前，有必要先理解HBM的核心价值。HBM，全称为高带宽内存，可被视为“GPU专属的顶级内存”。其技术特点在于将多层DRAM芯片像搭积木一样垂直堆叠，并通过超宽接口直接连接至GPU。这种方式大幅拓宽了数据通道，使得传输速度急剧提升。例如，英伟达H200搭载的HBM3e，单卡内存带宽高达4.8 TB/s，比普通DDR内存快出数十倍。

但问题在于，HBM如同性能超跑的引擎，速度惊人却续航有限。其容量通常停留在几十GB级别，即使SK海力士即将量产的HBM4单封装最高仅能达到36GB（未来可能提升至64GB），而大模型的参数量往往以千亿计。更现实的是，HBM成本极高、良率偏低、产能受限，直接导致单块GPU价格攀升至数万美元，成为AI发展的关键瓶颈。

在此背景下，HBF（高带宽闪存）备受关注。简而言之，HBF是将NAND闪存进行堆叠，采用类似HBM的封装工艺，使其既能像内存一样高速读取数据，又能如硬盘般存储海量内容。其目标并非完全取代HBM，而是充当“容量补充者”：

HBM继续处理最关键、对延迟最敏感的任务，而HBF则用于承载超大模型的权重、KV缓存等“容量消耗型”部分。

HBF架构示意图，图片来源：闪迪

换言之，HBM是短跑健将，HBF是长途货运车，两者协同工作，才能实现速度与容量的双重优势。这也正是“HBM之父”看好HBF的根本原因。

韩国科学技术院（KAIST）教授金正浩，作为提出内存芯片垂直堆叠理念的关键人物，在9月初的演讲中强调，内存行业未来的决胜点在于HBF。其逻辑清晰明了：AI的发展趋势正从算力中心转向内存中心，算力增长再迅猛，若数据无法高效存储、模型无处安放，整个进程仍将受阻。

而HBF恰好弥补了HBM的容量短板，使系统在保持高带宽的同时，获得更大的存储空间和更低的成本效益。

持续延长的上下文长度正不断吞噬存储资源，图片来源：闪迪

因此，金正浩的研判、SK海力士的布局以及闪迪的投入，共同指向一个核心逻辑：AI的未来不仅需要更快的存储速度，还需要更庞大的存储池。HBM已将速度推向顶峰，但若缺乏HBF，AI的发展终将触及天花板。

从这个视角看，HBF不只是一项技术创新，更可能成为AI硬件架构变革的核心驱动力。

HBF彻底改变AI存储：从数据中心到消费终端

HBF的商用化并非遥不可及。按照闪迪和SK海力士的规划，2026年下半年将推出首批HBF样品，2027年初预计会有搭载HBF的AI推理设备上市。这意味着，最快两年内，HBF将从实验室走向实际应用。

那么，首批设备将是什么形态？最有可能的是GPU厂商和服务器制造商率先集成。以英伟达H200为例，作为全球首款采用先进HBM3e显存的GPU，它配备了141GB的HBM3e，成本极其高昂。HBF则如同为GPU加装“外部储能舱”，不仅能一次性容纳更多模型，还可显著降低从SSD频繁调取数据的延迟。

但HBF的影响力远不止于数据中心。在边缘设备与个人计算领域，它同样可能引发深远变革。

当前，AI PC和AI手机都强调在设备端运行大模型，然而终端设备的内存容量远不足以支撑百亿参数模型。如果HBF能以小型化模块或与处理器集成封装的形式进入终端，用户将有机会在本地调用更庞大的AI模型，享受更流畅的语音助手、更智能的生产力工具，甚至真正实现离线AI应用。

图示：微软相关技术，图片来源：微软

更重要的是，HBF在成本与功耗方面的优势，使其天然适合终端场景扩展。HBM成本高、功耗大，而HBF基于NAND闪存，密度更高，单位容量价格更低。对于笔记本电脑、智能手机乃至XR设备，如何在有限空间与电池续航下提供更强AI能力？HBF提供了一个现实解决方案：

在云端，它缓解GPU内存瓶颈，助力超大模型高效运行；在终端，它可能成为AI普及的关键推手。

当然，短期内HBF在边缘终端或个人计算平台的大规模应用仍面临挑战，但通过AI数据中心的率先迭代，HBF必将在未来几年重塑AI推理模式，进而深度影响我们的AI体验。

写在最后

从HBM的爆发到HBF的兴起，我们见证着同一趋势：AI已将内存与存储推向舞台中心。没有HBM，就没有今天的算力繁荣；而若缺乏更大、更经济、更低功耗的存储介质，AI的未来仍可能受制于“存储瓶颈”。

HBF之所以备受期待，并非因为它旨在全面替代HBM，而是它填补了关键容量缺口。它让GPU摆脱“小油箱”的束缚，也为未来AI PC与边缘计算开辟了想象空间。当速度与容量协同发力，AI的运行范式很可能被彻底重塑。

但新的问题也随之浮现：

- HBF能否像HBM一样，从技术概念演进为行业标准？

- 在数据中心率先应用后，它能否成功拓展至个人计算终端？

- 当存储不再受限时，下一个制约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首批设备问世后才能明晰。但可以肯定的是，定义AI的边界，不止于算力，更在于存储。而这场竞赛，此刻才刚拉开序幕。