HBF闪存加速商用赋能AI芯片各方观点
BigNews
观点组1: HBF将成为AI时代大容量存储的核心解决方案，与HBM形成互补而非替代关系
观点作者：SK海力士
观点内容：HBF通过堆叠NAND闪存实现大容量和高带宽，特别适合AI推理中读多写少的场景。它不会取代HBM，而是作为容量扩展层，与HBM协同工作，解决内存墙问题。我们已与闪迪合作推动HBF标准化，目标是为AI系统提供更高密度、更低成本的存储方案。
观点作者：Kim Jung-Ho
观点内容：HBM与HBF的关系如同书房与图书馆，前者用于快速访问关键数据，后者存储大规模模型权重和KV缓存。AI的发展正从算力中心转向内存中心，HBF凭借其大容量特性将承担起支撑超大规模AI负载的关键角色。
观点作者：联和存储科技
观点内容：HBF™技术通过3D堆叠架构与高速互联协议创新，在保持高带宽的同时显著提升容量并降低成本。这种设计精准匹配AI大模型对实时推理和毫秒级调度的需求，能够破解高性能、低功耗、低成本难以兼得的‘不可能三角’。
观点组2: HBF虽延迟较高，但通过软硬协同优化可有效适配AI推理场景
观点作者：Kim Jung-Ho
观点内容：NAND闪存存在写入寿命和延迟短板，但AI推理以批量顺序读取为主，写入需求极低。只要软件层优化算法减少随机写入，就能充分发挥HBF大容量、非易失性和低静态功耗的优势。
观点作者：闪迪
观点内容：HBF采用多控制器并行架构和分布式调度机制，专门针对AI负载进行优化。在模拟Llama 3.1 405B模型权重读取时，系统级性能与理想HBM环境差距不足2.2%，证明其架构有效性。
观点作者：作者
观点内容：尽管HBF访问延迟处于微秒级，高于HBM的纳秒级，但在处理大模型权重加载和KV缓存调用等典型任务时，高带宽和大容量带来的吞吐增益足以弥补延迟劣势，整体效率反而更优。
观点组3: HBF商业化进程将远快于HBM，预计2027-2028年实现在主流AI芯片中的应用
观点作者：Kim Jung-Ho
观点内容：得益于HBM积累的堆叠工艺和技术经验，HBF无需从零起步，其商业化路径更加清晰。SK海力士、三星和闪迪正在联合推进标准化，首批测试版即将推出，预计2027年底至2028年初可集成到英伟达、AMD等公司的AI XPU中。
观点作者：三星电子
观点内容：我们已启动HBF产品的概念设计和前期开发工作，利用Z-NAND技术优势布局AI数据中心市场。当前正与闪迪合作制定标准，目标是在2027年底前完成工程样品并实现商用部署，加速HBF在AI服务器中的落地。
观点作者：闪迪
观点内容：我们于2025年2月发布HBF原型，并与SK海力士签署备忘录共同推进规格标准化。计划2026年下半年交付工程样品，2027年初实现商用，目前已组建技术顾问委员会确保生态兼容性。
观点组4: HBF凭借成本与容量优势，有望重塑AI存储经济模型，降低大模型部署门槛
观点作者：作者
观点内容：HBF基于成熟NAND工艺，单位比特成本远低于HBM，在相似成本下可实现8到16倍的容量。这一特性使中小型企业和终端设备也能负担本地运行大模型的存储开销，从而推动AI普惠化发展。
观点作者：联和存储科技
观点内容：HBF™技术大幅降低了AI模型部署和运行成本，尤其适用于边缘计算、智能手机和自动驾驶等对成本敏感的领域。我们致力于构建国产化HBF生态，助力客户在不牺牲性能的前提下控制总体拥有成本。
观点作者：作者
观点内容：传统HBM方案导致GPU价格高昂，且受容量限制需多卡并行，运维复杂度高。HBF以更低的成本提供TB级存储能力，可在不增加算力的情况下显著提升AI响应速度，重构AI服务的性价比逻辑。
