配资短线炒股
本文由半导体产业纵横（ID：ICVIEWS）编译自pc.watch
HBF模块样品预计于2026年下半年出货。
超宽带DRAM 模块技术HBM（高带宽内存）的衍生产品最近成为科技媒体的热门话题。它们分别是移动 HBM和闪存 HBM。这次，笔者想简单介绍一下Flash HBM或高带宽闪存（HBF）。Flash HBM或HBF的概念非常简单。我们先从传统的技术HBM（高带宽存储器）说起。
HBM 由一个存储器部分（DRAM 芯片称为核心芯片）和位于底部的基础芯片（逻辑芯片）组成，其中符合 HBM 标准的专用 DRAM 芯片使用硅通孔 (TSV)技术以三维方式堆叠。
DRAM 芯片（核心芯片）的数量取决于 HBM 的代数。例如，第五代HBM3E堆叠了 12 或 16 个核心芯片。核心芯片的显存容量为 16Gbit 或 24Gbit。假设核心芯片的显存容量为 16Gbit（2GB），堆叠了 12 个芯片，则一个 HBM 模块的显存容量为 24GB（192Gbit）。
八个HBM 模块与 GPU 或 SoC 等尖端大规模逻辑芯片安装在同一中介层上，总内存容量达 192GB。从 GPU 的角度来看，HBM 相当于内存层次结构中的主内存。此外，DRAM 芯片的内存容量将增加到 24Gbit（3GB），堆叠层数将增加到 16。假设安装在中介层上的 HBM 模块数量为 8 个，则 HBM 的总内存容量将为 384GB（48GB 模块 x 8 个）。
现在，让我们将核心芯片从DRAM 换成 NAND 闪存。假设 NAND 闪存芯片（核心芯片）的内存容量为 256Gbit，堆叠 16 个核心芯片，则每个模块（HBF 模块）的内存容量将达到 512GB。512/48 = 10.7，512/24 = 21.3，因此每个模块的内存容量是 DRAM 核心芯片的 10 到 20 倍。这就是HBF（高带宽闪存）。如果将 8 个 HBF 与 GPU 安装在同一个中间板上，我们可以获得 4,096GB 的大容量主内存。
Flash HBM（又称HBF）的特性（左）和基本结构（右）。
HBF 由 NAND 闪存和闪存存储供应商 Sandisk 发明。其 I/O 带宽与 HBM DRAM 核心芯片大致相同，并声称能够以与 HBM 相近的成本将内存容量提高 8 到 16 倍，同时显著降低功耗。512GB 模块的 I/O 数据速度高达 1.6TB/s，接近 HBM4 DRAM 核心芯片的速度。其外部尺寸（平面尺寸和高度）也与 HBM4 模块大致相同。
堆叠DRAM 芯片的 HBM（左）和堆叠 NAND 闪存芯片的 HBF（右）与 GPU 组合后的总存储容量。单个 HBM 的存储容量为 24GB（16 个 12Gbit 芯片或 12 个 16Gbit 芯片），单个 HBF 的存储容量为 512GB（16 个 256Gbit 芯片）。
HBM高成本限制了AI服务器性能的提升
Sandisk 声称，HBF 架构是通过收集几家大型人工智能 (AI) 公司的信息而设计的。大型机器学习模型，例如大型语言模型 (LLM)，具有极其庞大的参数数量。例如，该公司表示，存储 1.8 万亿 (1.8T) 个具有 16 位权重的参数需要 3,600GB 的内存。
大规模语言模型(LLM) 的存储需求示例（左）和相应的 HBF 示例（右）。
目前HBM模块的最大容量为192GB至384GB，因此很难存储3600GB的数据。虽然理论上是可行的，但这会将DRAM的成本推高到不切实际的水平。
近年来，DRAM 内存容量的单位成本下降幅度不如以往。我们预计价格每年仅会下降约 5%。尽管如此，自 2020 年代以来，大规模机器学习模型所需的内存容量一直在快速增长。虽然由于 HBM 容量的扩展，GPU 模块产品的主内存容量正在增加，但与所需内存容量之间的差距却在不断扩大。
此外，2020年HBM成本占GPU模块产品成本的近一半（48%），但预计到2025年将上升到三分之二以上（68%）。HBM是一种基于DRAM的高带宽存储器，这使得优先考虑低成本的边缘AI服务器难以提高性能，即扩大主存储器容量（HBM容量）。
左图为DRAM每单位内存容量的单位成本，中图为大规模语言模型（LLM）的参数数量，以及机器学习用GPU/TPU主内存容量的变化趋势，右图为HBM成本占GPU模块（GPU、HBM、中间板等）总成本的比例变化趋势。
NAND闪存高带宽模块的优缺点
因此，通过使用单位存储容量成本低于DRAM 的 NAND 闪存作为高带宽存储模块 (HBF)，可以在抑制存储成本上升的同时显著扩展主存储容量。然而，NAND 闪存存在读写性能不对称的问题。读取速度与 DRAM 一样快，原则上没有使用寿命（可以无限次读取）。写入速度比 DRAM 慢，并且可重写的次数有限（最多 10,000 次）。
因此，NAND 闪存不适用于 AI 学习服务器，因为在模型调整过程中，参数重写会频繁发生。NAND 闪存适用于基于推理的服务器，因为这类服务器不经常发生参数重写。SanDisk 声称，它适用于边缘推理服务器，这类服务器优先考虑降低成本、功耗和安装空间。
HBF的主要用于边缘AI推理服务器。下方的红色图表似乎是HBF的核心芯片（NAND闪存）的布局（中央的粗竖条是TSV区域）。
标准3D NAND 闪存的内部结构（左）和用于高带宽模块 (HBF) 的 3D NAND 闪存的内部结构（右）。两者均为示意图。对于 HBF，存储单元阵列被划分为多个块，从而显著增加 I/O 数量至 1,024 个，并提高了 I/O 带宽。
HBF的推理性能与无限大容量的HBM几乎相同
如果将HBM DRAM核心芯片替换为HBF NAND闪存核心芯片，推理性能会下降多少？SanDisk以LLMLlama 3.1（4050亿个参数）为例，比较了推理过程的几个步骤，发现HBF相比HBM（假设内存容量无限大）的性能下降幅度小于2.2%（GPU亦然）。
HBF 和 GPU 组合的推理性能与 HBM 相当接近，但实际上 HBM 的显存容量不可能无限大，因此性能差距有望进一步缩小。
这是模拟比较Llama 3.1（4050 亿个参数）与 HBM（假设内存容量无限大）和 HBF 处理性能的结果。从左到右，这些过程分别为Attn QKV Projection、Attn Output Projection、FFN Up-Projection、FFN Down-Projection、Final Linear和LLM Decode Pass 的平均值。纵轴表示权重读取速度。
SK海力士参与开发
SK海力士将与Sandisk合作开发HBF并制定其规范。SK海力士是主要的DRAM和NAND闪存制造商，也是最大的HBM供应商。TSV技术对HBF至关重要。Sandisk目前尚无TSV技术量产的记录，因此SK海力士是理想的合作伙伴。SK海力士拥有HBM（也采用TSV技术）的量产记录，并且对NAND闪存非常了解。
HBF模块样品预计于2026年下半年出货，搭载HBF模块的AI推理服务器预计将于2027年初问世。
*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。
想要获取半导体产业的前沿洞见、技术速递、趋势解析配资短线炒股，关注我们！
倍悦网配资提示：文章来自网络，不代表本站观点。
相关文章
沪深京指数
热点资讯
