HBM之父金正浩：AI核心在内存，存储重塑算力格局

在人工智能迅猛发展的浪潮中，行业长期以来将GPU奉为算力的绝对核心。然而，随着AI技术从训练阶段跨越至推理及智能体（Agentic AI）时代，一场关于计算架构的深刻变革正在悄然上演。

7月6日传来消息，被尊称为“HBM之父”的韩国科学技术院（KAIST）电气系教授金正浩在近期受访时强调，AI的核心竞争力正由GPU向内存转移。他断言，AI的本质在于内存，在当下的AI推理环节，GPU真正用于计算的时间仅占10%到30%。这一观点不仅揭示了当前AI硬件的底层瓶颈，更预示着未来存储芯片在AI应用领域将掀起颠覆性的变革。

算力重心的迁移：从“计算主导”转向“内存中心”

往昔，AI的发展高度倚重大模型训练，GPU凭借卓越的并行计算能力成为性能的决定性要素。然而，放眼当下与未来，AI正全面迈入推理时代。在此阶段，AI系统需处理海量多模态数据，执行复杂的多步骤任务。

金正浩指出，AI每次输出结果，皆须先从HBM（高带宽内存）读取数据、传输至GPU进行计算，再将结果回写至内存。这种传统的冯·诺依曼架构引发了严重的数据搬运瓶颈。即便部署百万块GPU，其大部分时间仍停留在等待数据的状态。

因此，决定AI性能上限的已非单纯计算速度，而是“单次能处理多少数据、能以多快速度处理数据”，内存能力已直接铸就了AI的性能天花板。

HBF的崛起：突破容量天花板的“数字图书馆”

为破解内存容量与带宽的瓶颈，HBM（高带宽内存）应运而生，它通过垂直堆叠DRAM芯片，将传统内存的“8车道高速公路”拓宽至1024乃至2048车道。

然而，随着多模态AI和Agentic AI的涌现，AI需24小时不间断运行，保存视频、文档、长期记忆等海量冷数据，内存需求将较当前激增千倍。仅凭HBM已难以满足此需求。

在此背景下，HBF（High Bandwidth Flash，高带宽闪存）成为下一代技术路线的必然选择。HBF将NAND闪存仿效HBM进行垂直堆叠。若将HBM比作置于桌旁供快速查阅的“参考书”，HBF则是容量庞大的“图书馆书架”。NAND闪存虽速度不及DRAM，但容量巨大、可长期保存数据，在推理场景中足以满足“冷数据”的存储诉求。

金正浩预测，十年后，HBF的市场需求将超越HBM。目前，SK海力士、三星、闪迪等企业正加速布局，HBF工程样片预计于2027年问世，并有望在2028年被英伟达、谷歌等行业巨头采纳。

终极形态：HBS与百层3D复合架构

在HBM与HBF之后，存储技术的演进并未止步。金正浩提出了更为前瞻的HBS（High Bandwidth SRAM）概念。SRAM的读写速度比DRAM快约千倍，但传统上因密度低、成本高，仅作为芯片内的小容量缓存。HBS的构想是将整张12英寸晶圆全部制成SRAM，并垂直堆叠12至16层，从而将容量扩展至1600GB，实现极致的高速数据处理。

基于这些技术，金正浩描绘了未来AI计算机的终极形态——一栋“100层3D大楼”。

在这座宏大的三维建筑中，GPU被置于顶层负责散热与计算；HBM充当“商场”，提供高速数据吞吐；HBF作为“住宅区”，提供海量长期存储；HBS则承担极速缓存功能。

各类形态的存储芯片组合在一起，形成复合体，源源不断地向GPU供给数据。这种内存中心化（Memory-Centric）的架构，将彻底颠覆传统以CPU/GPU为核心的计算范式，GPU最终可能沦为嵌入内存系统中的普通零部件。

不过，百层“3D大楼”结构存储芯片的产业化之路并非坦途。这条技术路线最大的工程挑战不在于计算，而在于供电与散热。要为GPU和堆叠内存供应数千安培的电流，电力供应网络的设计将成为最难的技术壁垒，也将成为企业间真正的核心竞争力。

责编：Jimmy

THE END