内存要取代GPU？HBM之父警告：以英伟达GPU为核心的架构要被颠覆

电子发烧友网报道（文/梁浩斌）“主板插显卡上”，是PC


DIY


玩家对高性能显卡体积越来越大的调侃，随着显卡功率越来越高，硕大的散热模组让显卡投影面积甚至已经大于ITX规格的主板，在PC里显卡取代了主板和


CPU


成为了主角。




而最近“HBM之父”金正浩教授也语出惊人，提出未来内存将成为主角：“


GPU


和CPU将会被集成到内存（HBM和HBF）里，沦为内存中的一个组件”。





倒反天罡，在内存里装GPU？





目前


AI


计算的架构以GPU为主导，核心计算单元是配备HBM的GPU，比如


英伟达


的Bl


ac


kwell架构GPU，配备HBM3e内存，通过NVLink、NVSwitch等实现GPU间高速


通信


，形成比如NVL72等的机架级计算系统。




不过英伟达在Vera Rubin平台中，也展现出强烈的异构计算趋势，AI计算不再单纯依赖GPU，而是通过多芯片协同工作实现更高效的计算。Vera Rubin平台中，除了Rubin GPU之外，还有Vera CPU、Groq 3 LPU、NVLink 6 Switch、ConnectX-9 SuperNIC、BlueField-4 DPU等多种处理单元协同工作。




但异构计算或许也不是未来？金正浩预言，AI时代的最终赢家不是GPU，而是内存，目前以英伟达GPU为


中心


的AI计算架构，将会完全转向以内存为中心的架构。




“现在GPU或CPU是计算的中心。但今后，拥有庞大容量的HBM和HBF将成为中心，反而是GPU被装进其中的‘内存中心计算（Memory-Centric Compu


ti


ng）’时代将会到来。GPU和CPU沦为零部件的那个时刻，要想引领这一范式，HBF必须成为其基础。”他解释称，当前AI面临的幻觉问题，本质上是硬件瓶颈造成的。




当前业界正在从生成式AI转向代理式AI（Agentic AI），这个过程中内存瓶颈正在成为最大的难题。海量上下文需要同样大规模的内存，要真正实现快速、准确处理代理式AI的超长上下文数据，内存带宽和容量都需要比现在增加1000倍以上。同时，金正浩认为大模型的幻觉本质上也是内存问题，因为内存不足，只能根据已知内容回答，才会产生幻觉。




HBM在最近几年AI芯片热潮中已经成为了焦点，这是为了解决内存带宽瓶颈而诞生的一种


DRAM


技术，核心原理是将多个DRAM芯片进行垂直堆叠，通过TSV技术进行互连，带宽可以是传统内存的数十倍。




而HBF就较为陌生了，金正浩认为，仅靠HBM难以满足代理式AI的需求，HBM是为了快速回答而堆放在书桌旁的浅薄参考书，即短期记忆。而下一代的替代方案则是HBF高带宽闪存，HBF是用NAND闪存代替DRAM进行堆叠，大幅提升容量的巨大书架，即长期记忆。



GPU-HBM-HBF架构 图源：KAIST


Te


rra Lab




具体来说，HBF核心思路是用HBM的封装技术来对NAND FLASH进行改造，包括3D堆叠、TSV、高并行


接口


等。根据目前业界多家厂商给出的技术指标，HBF的带宽可高达1.6TB/s，是传统PCIe4.0 S


SD


的200倍以上，基本达到了HBM3的带宽水平，但低于HBM4。




在容量上，HBF单堆栈能达到512GB，8 堆栈可至4TB，可支撑万亿参数模型本地加载，相比不HBM有显著的优势。当然，缺点是写入和耐久性都不如HBM，因此HBF主要适用于读取密集型AI推理任务；另外延迟也相比HBM更高，HBF的延迟约5μs，而HBM仅为100ns。




所以综合来看，HBF的定位可以看做是解决HBM容量不足和SSD速度太慢的存储产品，适用于储存模型权重、长文本、特征库等“温/冷数据”，而HBM则专注于频繁读写的“热数据”。




金正浩是是韩国科学技术院（KAIST）


电气


及电子工程系教授，同时是TERALAB负责人，被业界广泛誉为“HBM之父”。研究领域专注于专注于


信号


完整性、


电源


完整性、


电磁兼容


、3D/2.5D


集成电路


封装、TSV、硅中介层等先进封装技术，以及AI


半导体


内存架构。




其负责的TERALAB在HBM设计技术领域全球领先超过20年，自2010年起直接参与HBM的商业化设计，与


三星


电子、SK海力士、Google、NVIDIA、Apple、Tesla等全球巨头有深度合作。他主导了HBM从概念到实际产品的关键技术突破，包括TSV、互连优化、信号/电源设计等。





SK海力士、闪迪推动HBF标准化，2026推首批样品





得益于AI算力需求的爆发增长，HBF的产业化进程非常快，从学术提出到标准化启动，仅用了不到两年时间。在2025年6月，KAIST TERALab在HBM路线图Ver 1.7研讨会上首次系统介绍HBF架构，提出“HBM-HBF-存储网络”分层设计。




2025年底至2026年初，金教授多次在媒体和研讨会上发布HBF路线图和工作负载分析，强调HBF可将AI推理性能/瓦特提升至纯HBM配置的2.69倍，并在Llama 3.1 405B等模型上仅损失2.2%性能。




在2025年8月，闪迪和SK海力士签署谅解备忘录，正式启动HBF规格制定、技术要求定义和生态构建。闪迪也明确目标，在2026下半年交付首批HBF内存样品，2027年初首批搭载HBF的AI推理设备进入采样阶段。




今年2月25日，双方在美国加州米尔皮塔斯的闪迪总部联合举办“HBF规格标准化联盟启动会”。宣布在Open Compute Project (OCP) 框架下成立专用工作组，推动HBF全球开放标准化，这是HBF从双边合作转向行业生态的关键一步。




三星尽管未有直接参与标准化联盟，但已经独立切入HBF的赛道中，据披露，三星在去年10月开始启动概念设计与早期研发，积累多项HBF相关专利。凭借NAND市场份额领先和代工/逻辑工艺优势，三星正探索独特架构路径，其目标是2027年实现商用产品的推出。




根据金教授预测，HBF将在2027年开始小规模商用部署，导入到谷歌、英伟达、


AMD


等AI芯片中；2030年HBF将大规模普及，预计到2038年HBF市场可能超越HBM，成为AI存储的主力。





小结:





HBF的产业化，不仅是填补了HBM和NAND FLASH之间的存储空缺，更是标志着AI算力硬件从算力芯片为中心，从GPU到异构架构之后，逐步向内存为中心加速转型，重塑AI服务器架构。不过，GPU是不是真的会沦为内存的“配件”，还不太好说，但至少在未来AI Agent的时代，存储芯片的地位将更加重要。