在AI大模型训练和推理的成本竞赛中，内存带宽与容量之间的鸿沟——即业界常说的“内存墙”——正成为制约算力效率的关键瓶颈。闪迪与SK海力士近期联合发布了HBF（高带宽闪存）标准规范，并在投资者会议上透露了详细路线图：首款产品已完成流片，计划2027年提供初始样品，2028年实现量产。这一科技前沿动态不仅关乎存储技术的代际跃迁，更可能重塑AI基础设施的构建逻辑。本文将从技术原理、市场定位、产业影响等多个维度，深度剖析HBF究竟能带来什么，以及它如何与现有的HBM、DRAM体系协同演进。
闪迪HBF：重新定义AI存储架构
当AI模型参数规模突破万亿级别，传统的HBM（高带宽内存）虽能提供极高的带宽，但其容量受限且成本高昂——HBM3的单颗容量通常只有16GB，而训练一个千亿参数模型动辄需要数百颗GPU，内存容量和功耗成为绕不开的痛点。闪迪的HBF正是在这一背景下诞生，它本质上是一种基于NAND闪存的高带宽存储方案，目标是提供接近HBM级别的读取带宽，同时容量达到HBM的8到16倍。
从命名看，“高带宽闪存”直接对标“高带宽内存”，但底层技术截然不同。HBM采用DRAM堆叠，而HBF利用了闪迪在3D NAND领域的深厚积累。闪迪内部数据显示，在运行AI大模型时，一套HBF系统仅需4块GPU就能实现HBM系统8块GPU同等的Token输出量。这意味着，如果HBF能够顺利量产，AI服务器可以在不牺牲推理性能的前提下，大幅减少GPU数量，从而降低采购、散热和供电成本。
值得注意的是，HBF并非简单的“把NAND堆得更快”，而是通过全新的接口协议和控制器架构，在闪存颗粒上实现了接近HBM的并行访问能力。第一版HBF规范最高支持512GB容量，提供8层或16层堆叠配置，带宽分为三个等级（Grade 1-3），从0.4TB/s到3.0TB/s不等。虽然这个带宽上限仍低于HBM3的6.4TB/s，但考虑到其容量优势，在AI推理场景中反而更具性价比。
技术解析：HBF如何实现8-16倍容量与HBM级带宽
要理解HBF的技术突破，需要先拆解AI存储系统的三层架构：计算层（GPU/CPU）、内存层（HBM/DRAM）和存储层（SSD/HDD）。传统上，HBM作为GPU的近存，带宽极高但容量有限；SSD虽然容量大，但延迟和带宽远达不到GPU直接访问的要求。HBF试图填补两者之间的空白——它既不是HBM的替代品，也不是SSD的升级版，而是介于两者之间的“新物种”。
闪迪在HBF中采用了多种创新技术。首先，它利用NAND闪存的多层堆叠能力，在相同物理空间内实现远超HBM的容量密度。HBM目前最多堆叠12层DRAM，而NAND的堆叠层数早已突破200层，因此HBF在容量上具备天然优势。其次，HBF引入了类似HBM的宽I/O接口，通过大幅增加数据通道数来提升带宽。据闪迪透露，HBF的读取带宽可以达到当前企业级SSD的数十倍，同时延迟控制在微秒级，虽然远高于HBM的纳秒级，但对于AI推理任务中常见的批量数据加载场景来说已经足够。
此外，HBF还针对AI工作负载进行了指令集优化。例如，它支持更大的数据块传输粒度和更高效的预取机制，使得GPU在从HBF读取模型权重时，能够减少等待时间。闪迪完成的首次流片验证了这些设计，预计2027年样品将向合作伙伴提供。值得注意的是，AI画图这类生成式应用对模型加载的延迟同样敏感，HBF的高带宽特性有望让本地部署的AI绘画工具更快加载大模型，从而提升用户体验。
成本与性能的平衡：HBF能否取代HBM？
这是业界最关心的问题。瑞穗证券的分析师指出，HBF不太可能完全取代HBM，但有望推动AI推理采用解耦式架构。所谓解耦，就是将训练和推理的硬件分开：训练阶段仍依赖HBM的高带宽、低延迟特性，而推理阶段则可以更多地使用HBF这类成本更低的存储方案。
从成本角度看，HBM的制造工艺复杂，需要与GPU封装在同一基板上，且良率较低，导致每GB成本远高于NAND闪存。HBF则可以直接通过标准接口（如PCIe或CXL）连接，不需要昂贵的硅中介层，因此其单位容量成本可以做到HBM的几分之一。对于部署大规模推理集群的企业来说，这种成本优势极具吸引力。
然而，HBF的延迟较高是其硬伤。HBM的延迟通常在几十纳秒，而HBF尽管比普通SSD快，但延迟仍在微秒级别，相差两个数量级。这意味着在需要频繁随机访问小数据块的场景（如实时推荐系统）中，HBF可能不如HBM。但如果是大模型的批量推理（如对话机器人、内容生成），数据访问模式往往是顺序或大块读取，HBF的延迟劣势可以被其高带宽和容量优势所弥补。
闪迪显然也意识到了这一点，因此将HBF定位为“HBM的补充而非替代”。在2028年量产之前，闪迪还需要解决NAND擦写寿命、功耗管理以及接口标准化等问题。AI工具导航上已收录不少致力于优化AI推理效率的工具，随着HBF的成熟，这类工具可能会进一步集成对HBF的支持。
2027-2028路线图：从流片到量产的挑战
闪迪在投资者会议上给出了明确的时间表：2027年提供初始样品，2028年实现量产。这意味着从流片到量产只有两年时间，节奏相当紧凑。流片成功只是第一步，后续还需要进行兼容性测试、系统级验证，以及联合GPU厂商（如NVIDIA、AMD）进行驱动优化。
当前的主要挑战包括： - 接口标准化：HBF需要与CXL（Compute Express Link）等互连协议深度整合，确保不同厂商的GPU和CPU可以无缝访问。 - 功耗与散热：高带宽意味着高功耗，HBF虽然比HBM省电，但相比传统SSD仍有较大幅度提升。企业级数据中心需要重新设计散热方案。 - 寿命管理：NAND闪存的写入耐久性有限，虽然AI推理以读取为主，但模型更新仍涉及写入操作。闪迪需要引入更高级的磨损均衡算法。 - 生态系统构建：谷歌、Meta和SK海力士等公司已在推动解耦式架构，闪迪需要与这些巨头合作，确保HBF能被主流AI框架（如PyTorch、TensorFlow）原生支持。
值得一提的是，文生图这类创意工具对模型更新的频率并不高，但模型参数量动辄数十亿，用户下载或加载模型时往往需要等待数秒。HBF若能在本地设备上提供接近内存的读取速度，将极大改善这类应用的启动体验。
对AI产业的影响：降低GPU需求，加速推理部署
HBF最直接的影响就是降低AI推理服务器的建设成本。目前，单块H100 GPU的售价高达数万美元，而HBF方案可以通过减少GPU数量来降低总拥有成本（TCO）。闪迪的数据显示，相同Token输出量下，HBF系统可节省一半的GPU，这意味着服务器采购成本降低30%-50%，同时功耗和散热成本也相应下降。
这对于AI推理的规模化部署至关重要。当前许多企业因为GPU成本过高而无法落地大模型应用，HBF的出现可能让“推理即服务”变得更加经济。例如，在智能客服、视频分析、自然语言处理等领域，企业可以部署带有HBF的推理服务器，以更低的成本实现毫秒级响应。
此外，HBF还有望推动边缘AI的发展。如果HBF的功耗和体积能进一步优化，未来的AI PC或工作站可能搭载HBF模块，实现本地运行大模型。AI诗词生成这类轻量级应用已经可以在手机上运行，但更复杂的模型仍需云端支持。HBF若进入消费级市场，最新科技产品将真正实现“端侧大模型”的普及。
当然，HBF的成功还需依赖整个生态的成熟。抠图和背景去除这类AI工具通常依赖中小模型，但未来随着模型不断变大，HBF也能为它们提供更高效的本地推理能力。
未来展望：HBF与解耦式架构的协同演进
闪迪并非孤军奋战。SK海力士作为HBM的主要供应商，同样参与了HBF标准的制定，这表明行业巨头正在积极寻求“内存-存储”融合的解决方案。解耦式架构（Disaggregated Architecture）是数据中心的重要趋势，它将计算、内存、存储资源池化，通过高速网络互联，实现灵活调度。HBF正好可以作为这个架构中的“近存储”层，为GPU提供高带宽、大容量的数据供给。
展望2028年之后，HBF可能会演进到第二代、第三代，带宽进一步提升，延迟进一步降低。瑞穗证券认为，HBF和HBM将长期共存：HBM负责训练和低延迟推理，HBF则负责高吞吐量推理和模型加载。这种分工将让AI基础设施的性价比达到新的平衡点。
对于普通用户来说，HBF的影响可能不会立竿见影，但三年后我们使用的AI应用——无论是AI网名生成器还是艺术签名设计工具——其背后的推理成本都将更低，响应速度更快。科技产品的迭代总是从底层技术开始，HBF正是这样一颗正在酝酿的“种子”。
总之，闪迪的HBF计划不仅是存储技术的进步，更是一次对AI计算范式的重新思考。当容量不再是瓶颈，带宽不再是天花板，我们或许能真正迎来一个“无墙”的AI时代。
常见问题解答
什么是HBF（高带宽闪存）？
HBF（High Bandwidth Flash）是闪迪与SK海力士联合提出的新型存储标准，它基于NAND闪存技术，通过宽I/O接口和堆叠设计，提供接近HBM的读取带宽，同时容量可达HBM的8-16倍，旨在解决AI大模型训练和推理中的“内存墙”瓶颈，属于存储领域的科技前沿突破。
HBF和HBM有什么区别？
HBM（高带宽内存）基于DRAM堆叠，延迟低（纳秒级），带宽极高，但容量有限且成本高昂；HBF基于NAND闪存，延迟较高（微秒级），但容量大、成本低，适合AI推理场景中大批量数据读取。两者互补：HBM用于训练和低延迟推理，HBF用于高吞吐量推理和模型加载。
HBF对AI行业有什么影响？
HBF有望降低AI推理服务器的GPU需求，使相同Token输出量下GPU数量减半，从而大幅降低AI基础设施的采购和运营成本。同时，它推动解耦式架构和边缘AI发展，加速大模型在云服务和本地设备中的落地，为AI应用的普及提供经济可行的存储方案。