HBM（高帶寬內存）作為當前AI加速器GPU的核心配置，憑借垂直堆疊的薄DRAM芯片結構，以超高數據帶寬為AI訓練與推理提供了關鍵支撐，成為AI算力爆發的重要基石。

然而，HBM存在兩大顯著短板：一是成本居高不下，其價格較普通DDR內存高出一個數量級；二是容量增長受限，受限于DRAM內存密度縮放的技術瓶頸，即便如英偉達Blackwell GPU搭載8個24GB HBM3e芯片堆棧（總容量192GB），也難以滿足模型規模爆炸式增長、上下文長度拓展及AI視頻生成帶來的海量內存需求。在此背景下，開發成本更低、容量更大的替代技術成為產業共識，類HBM技術陣營加速崛起，推動AI存儲賽道進入多元化競爭時代。

01

SPHBM4：標準封裝重構HBM應用邊界

JEDEC固態存儲協會近期宣布，接近完成SPHBM4標準制定（"SP"即"Standard Package"標準封裝）。作為HBM4的衍生技術，SPHBM4沿用了與HBM4完全一致的DRAM芯片與堆疊架構，在單堆棧容量上保持同等水平，核心差異在于接口基礎裸片（Interface Base Die）的設計優化——可直接搭載于標準有機基板，而非傳統HBM4依賴的硅基板，徹底改變了HBM的物理集成方式。

在性能參數方面，HBM4堆棧采用2048位接口，較此前1024位接口實現翻倍，這是自2015年HBM技術問世以來的最大突破；而SPHBM4則將單堆棧接口位數降至512位，通過提升工作頻率與采用4:1串行化技術，實現了與HBM4相當的數據傳輸速率，同時放寬了有機基板所需的凸點間距，降低了封裝難度。更重要的是，有機基板布線賦予SPHBM4更長的SoC到內存通道支持能力，使其能夠通過增加堆棧數量進一步提升總內存容量，為高容量需求場景提供了新的解決方案。

值得強調的是，SPHBM4絕非"低成本版HBM"或"降配替代方案"，其存儲核心性能與HBM4一脈相承，核心價值在于打破了HBM"高價、僅限AI加速器專用"的應用局限。隨著標準落地，HBM技術有望拓展至CPU、網絡芯片、云端ASIC等更多場景，推動市場規模實現實質性擴容。對于SK海力士、三星電子、美光三大存儲巨頭而言，SPHBM4與現有HBM共用DRAM芯片的特性，使其能在保持高端技術競爭力的同時，收獲新增市場需求，而封裝制約的緩解也將讓大規模穩定供應能力轉化為新的競爭優勢。

02

HBF：高帶寬閃存開啟容量競賽新篇章

HBF（High Bandwidth Flash，高帶寬閃存）結構與堆疊DRAM芯片的HBM類似，是一種通過堆疊NAND閃存而制成的產品。與DRAM相比，NAND閃存的容量密度優勢顯著，相同占用空間下，NAND容量可達DRAM的10倍，這一特性完美契合AI場景對大容量存儲的迫切需求。HBF通過硅穿孔（TSV）技術實現多層NAND芯片垂直堆疊，采用先進3D堆疊架構與芯片到晶圓鍵合技術，構建了密集互連的存儲結構。

在性能與容量平衡上，HBF展現出突出優勢：每個封裝可堆疊多達16個NAND芯片，支持多NAND陣列并行訪問，帶寬可達1.6TB/s至3.2TB/s，與HBM3處于同一水平；同時，HBF以相近成本實現了遠超HBM的容量——單堆棧容量最高可達512GB，8個堆棧即可實現4TB總容量，是HBM的8-16倍。此外，HBF打破傳統NAND設計，實現獨立訪問的存儲器子陣列，超越傳統多平面方法，進一步提升了并行訪問能力與吞吐量。

不過，受限于NAND閃存的固有特性，HBF延遲高于DRAM，因此更適用于讀取密集型AI推理任務，而非延遲敏感型應用。盡管尚未量產，但HBF已吸引產業巨頭紛紛布局：2025年2月，SanDisk率先推出HBF原型并成立技術顧問委員會；同年8月，SanDisk與SK海力士簽署諒解備忘錄，推進規格標準化與生態建設，計劃2026年下半年交付工程樣品，2027年初實現商用；三星電子已啟動自有HBF產品的概念設計，Kioxia在2025年FMS上展示了單模塊容量5TB、帶寬64GB/s的原型產品；國產廠商亦不甘落后，目前也正在切入HBF市場，其產品契合AI"云-端協同"趨勢，為端側AI推理提供高帶寬、大容量支撐，助力AI終端應用落地。

03

HBS存儲：終端AI的低成本高性能選擇

在HBM主導數據中心AI場景的同時，SK海力士針對智能手機、平板電腦等終端設備的AI算力需求，正在研發高帶寬存儲（HBS）技術，旨在攻克終端AI的存儲性能瓶頸。HBS采用垂直導線扇出（VFO）封裝工藝，將最多16層DRAM與NAND芯片垂直堆疊，通過直線直接連接芯片的方式，替代傳統彎曲導線連接，大幅縮短了電信號傳輸路徑（僅為傳統內存的1/4以下），有效減少信號損耗與延遲，同時支持更多I/O通道。

性能層面，VFO封裝技術使HBS的能效提升4.9%，封裝厚度減少27%，僅增加1.4%的散熱量，實現了性能與形態的優化平衡；成本層面，HBS無需采用硅通孔（TSV）工藝，芯片制造無需穿孔，顯著提升了良率并降低了生產成本，為終端設備廠商的采用提供了便利。盡管SK海力士尚未公布HBS的具體量產時間表，但該技術有望為終端設備帶來更強大的本地AI處理能力，推動AI應用從云端向終端普及，重塑終端智能生態。

04

HMC存儲：經典技術的差異化回歸

HMC（Hybrid Memory Cube，混合內存立方體）由美光與英特爾聯合開發，最初旨在解決DDR3的帶寬瓶頸，其核心結構是通過3D TSV技術將4個DRAM Die連接到堆棧底層的邏輯控制芯片。與HBM相比，HMC省去了中介層（Interposer），直接通過ABF載板實現互聯，結構更簡潔，延遲更低，但帶寬能力通常弱于HBM，且對載板走線密度和系統級設計能力提出了更高要求。

在HBM推出并成為JEDEC行業標準后，HMC曾逐漸邊緣化，美光于2018年宣布放棄該技術并轉向HBM。然而，隨著AI存儲對成本與差異化的需求日益凸顯，HMC再次進入產業視野。成本與功耗維度上，HMC因無需中介層，規避了HBM因interposer和先進封裝帶來的良率壓力，制造成本更低，供應鏈可控性更強，盡管其極限帶寬和能效密度不及HBM，但功耗密度相對更高、系統設計復雜度上升的代價，在特定場景下可通過差異化優化彌補。未來，HMC有望在定制化AI系統中找到立足之地，成為算力、存儲與先進封裝深度融合的重要選項。

如今，AI產業正告別單一HBM主導的時代，邁入技術路線多元化的新階段。無論是英偉達推動的新型DRAM模組SOCAMM，還是以HBF為代表的3D NAND垂直堆疊架構，亦或是SPHBM4、HBS、HMC等差異化技術，AI存儲的競爭核心已從單一技術性能比拼，轉向成本、量產能力與系統級整體效率的綜合較量。

未來市場格局將呈現清晰的差異化分工：HBM仍將主導通用AI加速卡與高端HPC場景，憑借極致帶寬滿足核心算力需求；SPHBM4將拓展HBM的應用邊界，滲透至更多通用計算場景；HBF將在AI推理等大容量、高帶寬需求場景占據優勢；HBS將賦能終端AI設備，推動智能終端普及；HMC等定制化方案則將在特定AI系統中實現差異化落地。隨著各類技術的持續迭代與生態完善，AI存儲賽道將迎來更為激烈的競爭與創新，為AI產業的持續爆發提供堅實支撐。

       原文標題 : HBF、HMC等四大存儲，誰能力敵HBM