微信视频号：sph0RgSyDYV47z6
快手号：4874645212
抖音号：dy0so323fq2w
小红书号：95619019828
B站1：UID:3546863642871878
B站2：UID: 3546955410049087
韩国半导体公司SK海力士日前宣布，已完成下一代超高性能AI存储器产品HBM4的开发，并且已经为全球首次量产准备就绪。
HBM4将是下一代数据中心和AI芯片的首选标准，是存储三巨头海力士、三星和美光争压的一张王牌。将使用它的英伟达Rubin GPU，已经最近在台积电成功流片，2026年量产。
添加图片注释，不超过 140 字（可选）
(从HBM3到HBM4架构）
HBM4 拥有业界最佳的数据处理速度和能效，采用2048 个 I/O 端口，带宽较上一代翻倍，能效提升 40% 以上。预计该产品应用后，AI 服务性能将提升高达 69%，从而解决数据瓶颈问题，并大幅降低数据中心的电力成本。
SK海力士表示：“HBM4的开发完成将成为行业新的里程碑。”未来，HBM将不再是标准化产品。为了降低整体的功耗和性能损失，上游AI芯片厂商纷纷开启了定制化趋势。它主要是用针对特定AI加速器架构定制的基底裸片（custom base die），取代了传统的通用裸片，优化信号路径、电源分配和接口协议，从而实现更高的能效和带宽密度。半导体分析机构Semianalysis认为，这是一次革新架构层面的重大飞跃，彻底改变了HBM与AI加速器的集成方式。
今年6月，SK海力士已与英伟达、微软、博通达成HBM4E定制合作，三星也在与博通、AMD谈判。这对中国厂商意味着更高的技术门槛与商业壁垒。亚马逊AWS高管甚至称，定制化可能“关闭其他玩家的大门”。HBM国产替代仍要加速奔跑，尽早实现国产AI算力生态闭环。
HBM5时代，英伟达杀入
存储墙的长期存在，成本持续上涨，威胁着英伟达未来的市场地位。从Ampere到Blackwell Ultra，HBM不仅在材料清单（BOM）中成本超过一半，而且还在继续增长，BOM增长中绝对和相对增长的最大部分都来自HBM。
在计算与存储架构融合的趋势下，HBM决定着未来AI芯片制高点，英伟达从去年即开始布局掌握核心技术。最近更是传出英伟达将自己设计HBM基础裸片。这是一项至关重要的核心技术，英伟达已经决定，今后无论用谁家的HBM，基础裸片必须自家设计。据业内盛传，3纳米制程的基础裸片，预计将于2027年下半年小规模量产。
实际上，英伟达已经于2024年8月就向美国专利局提交了一份专利申请，并于12月获批。这项专利是一种 3D 堆叠式“近存储计算”架构，通过让处理器裸芯片与存储裸层层堆叠并一一对应，提升了数据局部性和运算效率，特别适用于 AI 大模型训练和高性能计算场景。
这样的话，英伟达的自己设计的裸芯片将有可能用于HBM5。据韩国科学技术院（KAIST）的TeraLab最近展望，HBM5 将于 2029 年上市，瞄准英伟达的Feynman GPU。
HBF将取代HBM
HBM 已经成为韩国半导体产业同义词， KAIST的金正浩教授被称为“HBM之父”。他让韩国AI半导体享誉世界，为三星电子、SK海力士等韩国半导体企业主导全球高宽带存储产业，提供了理论与技术的支持。
今年6月，金教授指导TeraLab 公布了一份至2038年的 HBM 路线图，规划了从HBM4 到HBM8的技术进步。
金教授预测：“在HBM4中，一些GPU功能将被整合进基底芯片，同时使用LPDDR 存储器，可以缓解数据瓶颈。”到了HBM5阶段，构成 HBM 的DRAM 中的TSV（硅通孔）数量将增加到 4000 根以上，嵌入SRAM 缓存，并且将封装直接浸入冷却液，这种浸没式冷却会成为标准。HBM6将在基底芯片上以“双子塔”的形式排列多个HBM堆栈，并引入玻璃与硅结合的混合中介层。
金教授认为，这时真正的变革才开始。
HBM7将采用嵌入式冷却技术，让冷却液直接在存储晶片之间流动。更重要的是，在这一阶段，一个名为高带宽闪存（HBF）的新概念将出现，它利用大容量、低成本、断电不丢失数据的 NAND 闪存。最终，HBM8将演化为完全的3D结构，HBM 将同时置于GPU的上下两侧，带宽有望达到每秒64TB。
9月3日，在仁川松岛会展中心举行的国际先进半导体基板·封装产业展（KPCA Show）Insight 2025主旨演讲中，金教授表示：“未来，将NAND闪存像高带宽内存（HBM）一样堆叠的HBF，将左右整个业界的性能表现。”
HBF是一种基于NAND闪存的堆叠式内存，其技术概念与HBM相似。今年初，美国闪存公司SanDisk公开表示正在开发这项技术。它与HBM的实现方式类似，后者是将DRAM芯片像塔一样垂直堆叠，然后通过硅通孔（TSV）进行垂直互连。HBF的不同之处在于，它用NAND闪存取代了DRAM芯片，以特定的方式进行堆叠。
Sandisk认为，今年以来发布的大模型出现了明显的新趋势。每一代新模型尺寸和上下文长度都在增加，这推动了对更高内存容量的需求，而混合专家 (MoE) 等架构创新的实施导致计算需求呈相对下降趋势。这种对更多内存和更少计算需求的组合催生了一种新范式，Sandisk称之为“以内存为中心的 AI”的新范式——它最适合基于 HBF 的系统。
而基于 NAND 的架构可提供 8 到 16 倍于HBM的容量，同时以相同的价格提供相同的读取带宽。
添加图片注释，不超过 140 字（可选）
（来源：Sandisk)
金教授指出：“目前，三星电子和SK海力士的业绩主要由HBM决定，但十年后，HBF将取而代之。”
他说：“HBM负责速度，而HBF将负责容量。”他的设想是堆叠数百层NAND闪存，将其重构为类似HBM的高带宽结构。预计在未来10年内，HBF可能会成为存储市场的另一大支柱。已有一些海外公司希望在这一研究上与金教授进行合作。
HBF可以取代HBM基底芯片上LPDDR的位置。通过补充HBM的容量限制，HBF可以直接在GPU内存储大型AI模型。在这种架构中，HBM将扮演临时快速处理数据的缓存角色，而HBF则充当存储海量AI模型本身的主内存角色。金教授预测：“同时生产DRAM和NAND闪存的三星电子和SK海力士这两家公司将迎来巨大的发展机遇。”Sandisk已经与 SK海力士合作，共同制定HBF的全面行业标准。
除了内存带宽和容量之外，金教授还将HBM的稳定供电和散热管理列为重要的AI性能决定因素。他分析道：“TSV在供电和散热管理中扮演着重要角色。三星电子和SK海力士的产品在质量上可能存在差异，部分原因可能在于对TSV的精简。”
金氏定律
如果说在加速计算领域有“黄氏定律”，在存储领域就有“金氏定律”（Kim's law）。金教授于2017年提出，密集三维集成电路中堆叠和层数大约每两年翻一番，并预测这一增长率将持续多年。
金教授的预测多年来已被证实。它已被用于指导韩国半导体行业的长期规划和制定研发目标。高带宽系统的进步与金氏定律密切相关：数据带宽、I/O数量和内存容量。高数据带宽系统促进了图形计算、高性能计算系统和机器学习应用的最新发展。
当HBM刚开始研发时，很多人质疑谁会使用这样昂贵而复杂的存储器，但金教授团队追求学术成就，坚持研究，随着ChatGPT的出现，他们的成果迎来了爆发。SK海力士和三星电子开发的HBM都融合了金教授的研究。实验室的成果也在ISSCC、VLSI等国际会议上发表，并为 HBM 标准化进程提供了关键理论。
金教授表示：“决定AI性能的不是 GPU，而是HBM的带宽和连接数量。”其团队的使命，就是为了实现这一蓝图奠定理论基础。
人工智能（AI）的性能提升越来越依赖于内存带宽和容量。金教授解释说：“当前的AI主要基于Transformer深度学习架构的生成式AI。要处理一个输入Token达到100万个的模型，需要TB级别的数据。”他补充道：“当每秒需要对TB级别的大数据进行数千次的读写操作时，如果内存带宽不足，就会出现瓶颈现象。”
一旦出现瓶颈，基于OpenAI的ChatGPT或Google Gemini等大型语言模型的生成式AI服务响应速度就会变慢。这种瓶颈源于当前计算机的基础架构，即冯·诺依曼架构。在这种架构下，CPU或GPU与内存是物理分离的，因此两者之间的数据传输速度（即带宽）至关重要。金教授强调：“即使GPU的尺寸扩大一倍，如果内存带宽不足，也无济于事。AI的性能最终受限于内存，并由内存的性能决定。”
Teralab，HBM研究枢纽
添加图片注释，不超过 140 字（可选）
（金教授在TeraLab门口）
自 2000 年代初金正浩教授创建 TeraLab 以来，这里就成为一个专注于存储与封装的全球研究枢纽。HBM是其中的核心。TeraLab把 HBM从一个概念变为现实，并且一步一步地把曾经被视为低价值元件的存储半导体，转变为高价值的半导体和AI的核心部件。金教授“HBM 之父”的称号名符其实。
金教授的团队和实验室连接着产业现场。自2010年代初期起，他们便参与与三星电子、SK海力士的HBM商用化研究，架起了学界与产业的桥梁。实验室开发的封装仿真技术，以及电源与信号完整性分析方法，成为全球首款 HBM 产品开发的基石。
TeraLab的论文在学术界和业界被广泛引用，尤其是封装与存储接口论文已被引用数百次，实验室提出的“基于混合键合的TSV结构”，直接被应用于HBM3E和下一代HBM的设计中。
HBM并不是唯一的研究重点。实验室的2.5D 和 3D封装技术同样世界领先。他们提出的微通道冷却设计和中介层功耗优化分析，已经成为全球公司在设计下一代 GPU 和 AI 芯片时参考的基础模型。金教授还代表韩国参与了《国际半导体技术路线图》（ITRS）和 IEEE 《异构集成路线图》（HIR），把TeraLab的研究成果带入全球标准化讨论。
这些研究成果也促进了人才培养。迄今为止，已有 200 多名学生在 TeraLab 获得硕士和博士学位，许多人如今在三星电子、SK 海力士、英伟达、谷歌和苹果等全球半导体公司担任核心技术人员。许多科技巨头都热衷于招募拥有半导体背景经验的学生。这些学生不仅进入主要的半导体公司，还加入了 Meta、特斯拉和 Groq。金教授说：“如今，连苹果都迫切希望招收我们实验室的学生。”
TeraLab 的运营模式非同寻常。金教授认为：“靠短期的政府项目是无法中大奖的。”他认为政府主导的研究支持实际上会限制创造力。相反，实验室通过与企业的合作研究项目来保证研究费用，而硕博生的论文研究则专注于 HBM。在金教授办公室外，可以看到众多与其合作过的公司 Logo，甚至包括现代汽车。实验室通过企业项目筹资，而论文研究则完全专注于长期的特定主题，学生获得了企业研究环境的经验，成为可立即投入工作的技术人才。
金教授在研究成果处理上也采取了不同的做法。他说：“HBM 能成功，是因为我们没有执着于专利。”他认为如果把申请专利当作目标，技术反而会受到束缚。“让更多人自由使用和发展想法更重要。”加州大学伯克利分校发明 FinFET 技术的胡正明教授（自 2010 年以来推动半导体小型化），也因类似原因没有为该技术申请专利。
最近，金教授对Agentic AI产生了浓厚兴趣。即便离退休不远，他仍全力投入新领域。他和学生们如今正在研究利用 Agentic AI 实现自动化的 HBM 设计。
微信视频号：sph0RgSyDYV47z6
快手号：4874645212
抖音号：dy0so323fq2w
小红书号：95619019828
B站1：UID:3546863642871878
B站2：UID: 3546955410049087
参考文献链接
HBM之父：HBM的终点是HBF
)
