重塑 AI 推論架構！高頻寬快閃記憶體 HBF 是什麼？與 HBM 對比！概念股有哪些？

當前 AI 產業的發展核心，正經歷從重資本的「模型訓練（Training）」邁向商業化變現的「AI 推論（Inference）」階段。在這個轉折點上，硬體架構遇到一個棘手的瓶頸：GPU 算力雖然飆升，但將龐大的 AI 模型資料庫輸送給晶片的速度卻遠遠落後，這就是業界常說的「記憶體之牆（Memory Wall）」。

目前廣泛使用的解決方案是 HBM（高頻寬記憶體）。它的傳輸速度極快，但造價高昂且單一封裝的容量有限，難以應付未來千億參數等級的大型語言模型。若退而求其次，使用傳統的 SSD 固態硬碟，資料傳輸的延遲又會嚴重拖垮系統效能。為了解決這道難題，一項兼具大容量與高頻寬的新型技術——HBF（High Bandwidth Flash，高頻寬快閃記憶體）正式誕生，成為重塑 AI 基礎設施的關鍵佈局。

記憶體底層架構解析：DRAM 與 NAND Flash 的雙強分工

在深入探討 HBF 之前，我們不妨先透過下表，快速掌握 AI 運算架構中最核心的兩大「記憶體家族」，在物理體質與成本結構上有何根本差異：

資料來源：自行整理
DRAM 與 NAND Flash 核心特性與 AI 應用對照
類型	AI 應用	資料保存特性	存取速度與擴充性	建置成本
DRAM	HBM	揮發性 (斷電即遺失)	速度快 / 擴充容量難	高
NAND Flash	HBF、企業級 SSD	非揮發性 (斷電不遺失)	速度較慢 / 可擴展至 TB 級	低

電腦儲存單元比較資料來源：寫點科普

DRAM： 在 AI 運算架構中，它扮演著緊臨 GPU 的「高速快取工作區」。面對算力晶片每秒海量的平行運算需求，DRAM 能提供極低延遲與高頻寬的傳輸效能，確保運算核心在進行邏輯推演時，能即時存取最關鍵的動態數據，避免算力閒置。
NAND Flash： 由於大型語言模型（LLM）的參數規模動輒千億起跳，若將龐大的靜態模型權重全數配置於高成本的 DRAM 中，將面臨嚴峻的成本與容量瓶頸。因此，NAND Flash 憑藉高儲存密度與低單位成本的物理優勢，成為系統中的「大容量儲存層」，專責以極高性價比來承載這些無需頻繁覆寫的海量靜態資料。

HBF 是什麼？專為 AI 推論打造的新世代儲存架構

HBF 的核心設計理念，在於重塑伺服器的記憶體階層。透過將高容量的 NAND Flash 部署至極度貼近 GPU 或 AI 加速晶片的位置，HBF 成功打破了傳統儲存設備在實體距離上的傳輸瓶頸。

為了解決 AI 推論階段對靜態資料讀取的嚴苛要求，HBF 在硬體設計與架構上具備以下三大關鍵特徵：

底層晶片選用 SLC NAND： 由 SK 海力士與閃迪（SanDisk）等大廠主導的 HBF 規格，捨棄了主流市場追求極限容量的 TLC（Triple-Level Cell，三層儲存單元）或 QLC（Quad-Level Cell，四層儲存單元），轉而採用 SLC（Single-Level Cell，單層儲存單元）架構。由於每個記憶單元僅儲存 1 bit 的資料，SLC 具備業界最佳的寫入壽命、耐用度與存取速度，能完美契合 AI 推論時密集且海量的資料讀取負載。
導入 3D 封裝與 TSV 矽穿孔技術： HBF 之所以能實現「高頻寬」，關鍵在於擺脫了傳統平面通道的束縛。透過 3D 垂直疊加晶片，並輔以微米級的 TSV 穿孔技術，訊號得以在立體架構中進行垂直高速互連。這大幅縮短了物理傳輸路徑並倍增了資料通道數，有效克服 NAND Flash 原本存取速度較慢的先天限制。
精準定位 AI 系統的儲存缺口： 在現有的硬體配置中，HBM 造價高昂且容量受限，而遠端走傳統通道的 SSD 則面臨延遲過高的問題。HBF 憑藉「近端大容量儲存」的優勢，精準填補了兩者之間的架構空白，減少了運算核心對外部周邊設備的依賴。

市場時程與產業影響

根據目前的發展藍圖，HBF 預計將於 2027 年開始進入放量階段，並瞄準 2030 年成為 AI 伺服器的標準配置。如同 SK 海力士開發總監安炫所指出，當今 AI 基礎設施的競爭已非單一硬體指標的較量，而是整體生態系的優化能力。HBF 的導入，將成為帶動 AI 資料中心實現系統級降本增效的關鍵拼圖。

hbf 架構資料來源：SanDisk

AI 記憶體雙引擎：HBM 與 HBF 核心規格解析

為了更好了解這兩項 AI 基礎建設中重要的技術，股感從「系統架構」與「效能表現」等多重視角，進一步梳理 HBM 與 HBF 的核心差異與互補特性：

評估維度	HBM (高頻寬記憶體)	HBF (高頻寬快閃記憶體)
技術底層	基於 DRAM 架構	基於 SLC NAND Flash
系統定位	擔綱 AI 運算主記憶體	擔任 AI 儲存層（介於 HBM 與 SSD 之間）
傳輸與延遲	存取速度快、延遲極低	存取相對較慢、延遲較高
容量優勢	容量較小	具備大容量特性
產業進程	技術已達量產階段	規格標準尚在制定中
資料來源：自行整理
HBM v.s. HBF 核心規格表

從上述的體質差異可以發現，兩者在伺服器生態系中並非零和競爭，而是為了解決截然不同的硬體痛點。在建置成本方面，DRAM 的單位儲存造價大約是 NAND Flash 的 50 倍，如此懸殊的價差，確實是驅動雲端大廠與系統整合商積極擁抱 HBF 的龐大商業誘因。

然而，這場硬體演進的背後並不僅僅是為了壓縮預算。Counterpoint Research 記憶體分析師 Jason Park 強調，HBF 的核心驅動力並非單純只為「降本」，更深層的戰略價值在於從架構層面實質打破 AI 系統在龐大資料吞吐下的傳輸瓶頸。

進一步剖析它們在實戰中的協同運作，這兩種技術共同勾勒出了未來 AI 伺服器的高效能藍圖。HBM 憑藉極低的延遲與超高頻寬，能緊貼運算核心，專注處理最吃重、最即時的動態運算，確保 GPU 算力不留白；而 HBF 則發揮其 TB 級大容量的先天優勢，在貼近運算單元的外圍築起一座近端水庫，負責囤積龐大的靜態模型權重。當算力全開時，HBF 能將海量資料穩妥且快速地批次輸送給前線的 HBM，讓硬體架構徹底擺脫過去「要容量還是要速度」的妥協，真正實現運算與儲存能力的完美平衡。

科技巨頭的戰略佈局：產業大事件與專家觀點

過去，HBF 多被視為個別記憶體廠商在實驗室中的前沿探索。然而，隨著全球 HBM 領航者 SK 海力士（SK Hynix）與 NAND Flash 巨頭閃迪（SanDisk / Western Digital）正式聯手，並在國際大會上記者會上公開發表全球首個 HBF 標準規格提案，象徵著這項技術正式邁入產業標準化的關鍵里程碑。

兩大巨頭的結盟不僅止於技術成果展示，其核心戰略在於透過統一規格，邀請雲端服務業者（CSP）、伺服器系統商與晶片設計商共同建構開放生態系。此舉一舉打破了過去記憶體規格各自為政的局面，大幅降低了後續系統整合與硬體開發的門檻，讓 HBF 正式從概念雛形走向可商業化落地的規格標準。

隨著首個標準規格問世，業界對於 HBF 未來的技術定位與市場走向，也碰撞出三種代表性的戰略視角：

激進取代觀點： 韓國科學技術院（KAIST）電機工程系教授金正鎬指出，憑藉顯著的容量擴充彈性與成本優勢，HBF 有機會在 10 年內逐漸取代部分 HBM 的市場份額。
互補融合觀點： 群聯電子執行長潘健成傾向「並存組合制」，SanDisk 亦主張「混合式架構」設計；Counterpoint Research 記憶體分析師 Jason Park 亦將 HBF 定位為 HBM 的「補充技術」，認為兩者將針對不同的資料讀寫負載進行專業化分工。
生態為王觀點： 產業專家敖國鋒直指商業落地的關鍵，強調不論技術指標多麼優異，哪一家記憶體廠商能率先取得與 Nvidia、AMD 等 AI 加速晶片龍頭的深度合作，才具備將該技術推向市場主流的決定性力量。

資料來源：華南期貨

從 SK 海力士與閃迪大動作建立標準規格，到各大專家對技術路徑的討論可以發現，HBF 的誕生代表著 AI 基礎設施的競爭重心已從單一元件的性能極限，轉向「系統級生態系的優化能力」。這場由記憶體龍頭發起的標準化運動，不僅驗證了近端大容量儲存的商業可行性，也為 AI 伺服器架構的變革確立了明確的推進方向。

HBF 何時商業化：從訓練邁向推論

隨著 AI 產業從動用巨額資金的「模型訓練」，加速走向講求商業效益與大規模應用的「AI 推論」，記憶體架構的變革已成必然。結合產業鏈的最新佈局，HBF 的崛起將沿著以下三大脈絡展開：

需求端的轉折：AI 推論成為 HBF 展現價值的最佳戰場

在模型訓練階段，系統需要極高頻率的資料重複讀寫，極速的 HBM 依然不可或缺；然而，當 AI 進入商業化的推論階段，運算任務轉變為「頻繁讀取已定型的模型，但極少覆寫」。採用 SLC 架構的 HBF，剛好能完美發揮其高耐用度與大容量的優勢，以極高的性價比來承載這些海量的靜態模型資料。

架構端的突破：多層協同打造高性價比的 TB 級儲存

未來的 AI 伺服器將不再依賴單一記憶體，而是走向更精細的分工：由 HBM 專責極速運算，HBF 在近端提供 TB 級的大容量儲存池，傳統 SSD 則負責遠端備份。HBF 傳承了快閃記憶體成本親民、儲存密度高的優勢，能以遠低於 DRAM 的建置成本提供高頻寬傳輸，幫助企業大幅降低資料中心的建置與電力維運成本（TCO）。

落地端的推升：2026 規格確立，2027 迎來商業放量

2026 年（規格標準化）： 由 SK 海力士與閃迪（SanDisk）主導，並獲得國際雲端大廠與晶片設計商響應，向 OCP（開放運算計畫）提交全球首個 HBF 標準規範，奠定開放生態系的基礎。

海力士資料來源：SanDisk

2027 年（伺服器導入放量）： 隨著技術樣品測試完成，HBF 預計正式進入商業化量產，率先導入新一代 AI 推論伺服器。
2030 年（資料中心主流標配）： 隨著技術普及與供應鏈成熟，HBF 預計成為全球各大 AI 資料中心的標準配置。

梳理整體時間軸與產業脈絡可以發現，HBF 的誕生並非要零和取代 HBM，而是宣告 AI 基礎設施的競爭已從「單純堆疊晶片算力」，邁入「追求系統整體性價比與商業落地」的新階段。從 2026 年的規格確立到 2027 年的商業放量，HBM 與 HBF 的雙引擎協同，將成為龐大 AI 模型得以顯著降低門檻、真正實現大規模商用普及的核心推手。

HBF 概念股有哪些？

將上述關鍵廠商依據「產業鏈角色」進行分類，能更清晰地看出各家業者在 AI 記憶體變革中的戰略位置：

一、記憶體製造原廠（IDM）

SK 海力士（SK Hynix）： HBM 市場領頭羊，同時也是 HBF 技術規格制定的核心發起者，兼具極速運算與近端大容量儲存優勢。
威騰電子（Western Digital / SanDisk）： NAND Flash 巨頭，與 SK 海力士深度合作推動 HBF 標準化，主導快閃記憶體在 AI 儲存層的落地。
三星電子（Samsung）： 全球記憶體龍頭，積極擴充 HBM 產能，並同步佈局 CXL 與新世代快閃記憶體技術。
美光（Micron）： 美系記憶體指標大廠，高頻寬記憶體主力供應商之一，持續推進高傳輸速度的 AI 記憶體方案。

二、晶圓代工與先進封裝

台積電（TSMC）： 全球晶圓代工與封裝霸主。無論是 HBM 還是 HBF，將多層記憶體透過矽穿孔與 GPU 垂直整合，皆高度仰賴其 CoWoS 與 3D 先進封裝產能。

三、控制晶片與高速傳輸

群聯（Phison）： 台灣快閃記憶體控制晶片龍頭。HBF 採用 SLC 顆粒並要求高頻寬吞吐，需要其強大的主控晶片來處理資料調度與高速介面傳輸。

資料來源：資策會產業情報研究所 (MIC)

總結

總結而言，隨著 AI 產業的核心演進從巨額投資的「模型訓練」轉向講求效益與商業落地的「AI 推論」，基礎設施的瓶頸已不再單純是算力大小，而是資料傳輸的整體效率與建置成本。HBF 的誕生，並非要零和取代 HBM，而是與 HBM 形成強大的雙引擎協同——由 HBM 專責極速運算，HBF 在近端提供 TB 級的大容量模型儲存池。從 2026 年開放規格確立到 2027 年正式商業放量，HBM 與 HBF 的多層級協作，將成為千億甚至兆級參數大模型大幅降低商用門檻、實現普及落地的核心支柱。

【延伸閱讀】

週餘

篇