作者背景介绍
本文核心观点源自韩国科学技术院（KAIST）电气与电子工程系教授金正浩（Jung-Ho Kim）。他被业界尊称为“HBM之父”——高带宽内存（High Bandwidth Memory）技术的奠基人之一。早在2017年，他就精准预判SK海力士（SK hynix）的长期价值并公开推荐买入其股票，展现了对半导体存储产业趋势的深刻洞察。近期，他在一档YouTube深度访谈中再次抛出震撼性观点：AI算力的下一个爆发点不在GPU，而在内存；而内存技术本身，也即将迎来从HBM到HBF的历史性跃迁。
第一章：市场权力正在转移——从GPU到内存，AI的“新命脉”浮出水面
过去几年，英伟达凭借GPU在AI训练领域的绝对统治力，股价一路狂飙，成为全球市值最高的公司之一。无数投资者将GPU视为AI时代的“黄金矿机”。然而，金正浩教授却发出一个截然不同的信号：真正的权力正在悄悄转移——从GPU转向内存。他打了一个生动的比喻：如果把GPU比作一块松软香甜的卡斯提拉蛋糕，那么内存就是覆盖其上的那层浓稠鲜奶油。没有奶油，蛋糕再好也显得干涩；没有高性能、大容量的内存，再强大的GPU也无法释放全部潜力。
在AI尤其是生成式AI的运行过程中，模型需要频繁访问海量参数和中间计算结果。这些数据必须存储在靠近计算单元的高速内存中，否则就会形成“内存墙”（Memory Wall），严重拖慢整体性能。因此，随着模型规模指数级增长，内存不再是配角，而是决定AI系统效率与成本的关键瓶颈。
第二章：AI响应速度，其实由内存说了算
很多人以为，AI回答问题快慢主要取决于GPU的算力。但金正浩教授指出，事实恰恰相反——在推理阶段（也就是用户实际使用AI的时候），响应速度更多由内存决定。训练阶段固然需要强大算力，但推理阶段更考验系统对已有知识的快速调用能力。每一次你输入一个问题，AI模型都要从数以百亿计的参数中检索相关信息，这个过程高度依赖内存带宽和容量。
如果内存带宽不足，GPU就会“饿着肚子干活”，算力闲置；如果容量不够，系统就不得不频繁从更慢的存储设备中加载数据，导致延迟飙升。因此，提升内存性能，比单纯堆砌GPU数量更能直接改善用户体验。这也解释了为何英伟达最新一代Blackwell架构不惜成本地集成高达192GB的HBM3e内存——因为内存，就是AI的“氧气”。
第三章：三重爆炸式增长，内存需求逼近极限
当前AI发展正面临三重指数级增长的压力：第一，模型参数量持续膨胀，从百亿迈向万亿甚至十万亿；第二，用户数量激增，全球数亿人每天与AI交互；第三，数据模态从纯文本迅速扩展到图像、音频，再到高分辨率视频。这三股力量叠加，使得对内存容量和带宽的需求呈几何级数攀升。
以视频生成为例，一段10秒的4K视频可能包含数GB的数据，而支撑其生成的AI模型内部状态（如注意力键值缓存）更是庞大到难以想象。传统DRAM内存不仅成本高昂，物理空间也难以容纳如此庞大的数据。金正浩教授直言：“我们正站在内存需求的悬崖边缘，现有技术即将触顶。”
第四章：HBM时代即将落幕，HBF新纪元拉开序幕
正是在这一背景下，金正浩教授做出一个大胆预测：高带宽内存（HBM）的黄金时代即将结束，取而代之的将是“高带宽闪存”（High Bandwidth Flash，简称HBF）。HBF中的“F”代表闪存（Flash Memory），它将承担起存储AI“先验知识”的重任——这些知识被形象地称为“加密书籍”或“先验库”，本质上就是推理过程中反复使用的键值缓存（KV Cache）。
与HBM不同，HBF并非用于实时计算，而是作为高速缓存的“后备军”，在HBM容量不足时快速补充数据。这种设计既能大幅降低系统成本，又能显著提升有效内存容量。据估算，同样采用16层堆叠技术，HBF的容量可达HBM的10倍以上，而成本却远低于DRAM。
第五章：什么是HBF？闪存堆叠如何颠覆AI存储架构
HBF的核心技术思路，是借鉴HBM的成功经验，将NAND闪存芯片进行3D堆叠，并通过硅通孔（TSV）等先进封装技术实现高带宽互联。目前，三星、SK海力士等厂商的NAND闪存已实现128层甚至256层的3D堆叠。若在此基础上再进行16层HBF封装，总层数将高达2000至3000层，形成前所未有的存储密度。
这种结构不仅节省空间，还能通过并行读取大幅提升带宽。更重要的是，NAND闪存具有非易失性——断电后数据不会丢失，无需像DRAM那样持续刷新，从而大幅降低功耗。对于需要7×24小时运行的AI推理服务器而言，这是一项革命性的优势。
第六章：AI计算的四级内存金字塔，HBF居于关键枢纽
金正浩教授描绘了未来AI系统的四级内存架构：
第一级是GPU内部的SRAM，速度最快但容量极小，仅用于临时寄存器和缓存；
第二级是HBM，紧贴GPU芯片，作为“书桌旁的书架”，用于编码器和解码器的实时计算；
第三级就是HBF，相当于“地下室图书馆”，存储大量先验知识，在HBM缺货时快速补位；
第四级则是通过光互联连接的网络存储，如同“城市公共图书馆”，容量近乎无限，但访问延迟较高。
在这一体系中，HBF扮演着承上启下的关键角色——它既不像SRAM和HBM那样昂贵，又比传统SSD快得多，是平衡性能与成本的理想选择。
第七章：DRAM与NAND的本质差异，决定了HBF的独特定位
尽管HBF和HBM都采用堆叠技术，但底层存储介质截然不同。DRAM（HBM的基础）依靠电容存储电荷，必须不断刷新以防止数据丢失，但支持近乎无限次的读写操作。而NAND闪存（HBF的基础）则通过“电子陷阱”机制将电荷锁在浮栅中，无需刷新即可长期保存数据，但写入时需使用高电压进行量子隧穿，会逐渐损伤氧化层，导致寿命有限——通常仅支持约10万次写入。
然而，AI推理场景恰好是“读多写少”：模型参数一旦训练完成，几乎不再修改，推理过程99%以上都是读取操作。这使得NAND闪存的弱点被完美规避，优势被最大化。HBF正是为这种负载量身定制的存储方案。
第八章：2027年商业化落地，万亿市场即将开启
根据金正浩教授的预测，HBF产品最早将在2027至2028年间实现商业化量产。届时，AI对内存带宽和容量的需求将每两年翻一番，20年内增长千倍。这意味着内存市场规模将从当前的数百亿美元，扩张至数十万亿美元级别——一个堪比整个半导体产业的新蓝海。
这一趋势不仅将重塑硬件架构，更将深刻影响资本市场。过去十年是GPU的牛市，未来十年则属于内存厂商。正如教授所言：“当摩尔定律在GPU端逐渐失效，内存创新将成为AI继续前进的唯一引擎。”
第九章：三星与SK海力士，谁将主导HBF时代？
在HBM时代，SK海力士凭借先发优势和与英伟达的深度绑定，一度占据超过60%的市场份额。但在HBF赛道，竞争格局将更加均衡。原因在于：HBF依赖的是NAND闪存技术，而全球NAND市场中，三星电子市占率约30%，SK海力士（通过收购英特尔闪存业务）约占20%，两者技术积累相当。
更重要的是，NAND堆叠技术本就是三星的强项。其V-NAND技术早在2013年就实现量产，如今已推进至232层以上。SK海力士虽起步稍晚，但通过整合英特尔资源，也在3D NAND领域快速追赶。因此，HBF时代很可能不再是“一家独大”，而是“双雄争霸”。
第十章：英伟达的战略焦虑——为何可能收购闪迪或美光？
面对内存成为新瓶颈的现实，英伟达显然不愿将命运完全交予三星或SK海力士。金正浩教授推测，黄仁勋团队正考虑通过并购掌握核心存储技术。他特别提到，英伟达可能会收购一家具备闪存或DRAM能力的公司，比如美光（Micron）或闪迪（SanDisk）。
值得注意的是，闪迪虽已被西部数据收购，但其在NAND控制器和固件优化方面仍有深厚积累；而美光则是全球三大DRAM厂商之一，同时也是重要的NAND供应商。若英伟达能整合其中一家，不仅能确保HBF供应安全，还可能推动“GPU+HBF”一体化设计，彻底重构AI芯片架构。
更激进的设想是：英伟达可能逐步放弃HBM，全面转向HBF路线。因为HBF不仅成本更低，还能通过软件调度实现更灵活的内存管理，长远来看更符合大规模推理部署的需求。
第十一章：内存时代已至，投资逻辑正在重构
金正浩教授最后强调，我们正站在一个历史性拐点上。过去，投资者追逐的是算力；未来，真正的价值将藏在“存储”之中。当GPU性能增长因物理极限而放缓，内存技术的突破将成为AI继续进化的唯一路径。
这不仅是一场技术革命，更是一场资本盛宴。内存厂商将从“幕后供应商”跃升为“核心引擎”，其股价潜力可能远超市场预期。正如2017年他推荐SK海力士时所言：“看懂内存，就看懂了AI的未来。”
如今，他再次发出预警：HBF不是概念，而是即将落地的现实；内存不是配角，而是AI新时代的主角。那些率先布局HBF生态的企业，将主导下一个十年的技术与财富浪潮。
结语
从HBM到HBF，从DRAM到NAND，从配角到主角——内存的进化史，正在书写AI的未来史。金正浩教授的预言，不仅揭示了技术演进的方向，更指明了资本流动的轨迹。在这个“内存为王”的新时代，谁掌握存储，谁就掌握AI的命脉。而这一切，或许就在2027年拉开序幕。