你有没有遇到过这样崩溃的事？

掏出手机想抓拍个精彩瞬间，结果点开相册，图片一直在那转圈加载。

这可能就是存储和处理器之间堵车了。

在AI里，这种堵车也会有的。大模型那动辄几百亿、上千亿的参数，就像一座很大的图书馆，而负责计算的GPU（图形处理器）就是一个能快速读取的学霸。如果这学霸一分钟能读一万本书，但把书从仓库（传统硬盘）搬到他桌上的速度，却慢得像蜗牛。

一直以来，业内靠HBM（高带宽内存） 来解决这事，它够快，但不便宜，还不太容易买到。

就在最近，出了一个新东西——HBF（高带宽闪存） ，据说它能解决这些困惑。那么，它到底是什么？是真突破，还是只解决了皮毛？

“HBF是啥？”

HBF全称高带宽闪存，基于手机、SSD同款NAND闪存堆叠封装，性能对标HBM，主打AI推理场景。

大模型推理以读取数据为主、极少改写数据，完美契合HBF介质特性。

HBM是 DRAM 材质，读写速度顶尖、可无限次擦写，但容量偏小、价格高昂、运行功耗高。

HBF作为配套存储，承接大容量模型权重存放工作，充当HBM的大容量后勤存储。

“六大亮点。”

一是速度。

初代HBF的读取带宽最高能冲到3TB/s，入门款也有0.4TB/s。这个速度几乎挨到了HBM3/HBM4的边，是一般电脑里那种高速固态硬盘的约200倍。

二是容量。

按最新标准，HBF通过堆叠8到16层闪存，一个“堆栈”（Stack）最高能到512GB。而当下顶级的HBM4，一个堆栈主流是32GB到64GB。

这意味着，一个几百亿参数的大模型，HBM得拆成好几块存放，数据来回搬运，费时费力。而HBF能把整个模型一次全装下。

三是成本。

HBM目前被少数几家头部掌控，产能有限，价格长期居高不下，也不容易买到，订单排队也不是新鲜事。

HBF用的是成熟的3D NAND闪存工艺，原材料和产线充足。据业内测算，用HBF搭建推理服务器，同等容量下，采购成本能比全用HBM砍掉六成以上。这对于云计算厂商来说，大概就意味着省去成本。

四是省电。

HBM本质是内存，一断电数据就清零，而且需要持续通电刷新，很费电。HBF是闪存，像U盘一样，断电了数据还在。

它运行时不需刷新电流，同等带宽下功耗比HBM低，粗略估算单机能省下三成左右的电。这省下的不只是电费，也是成本，无论是对大型数据中心还是对自动驾驶这类边缘设备。

五是接口。

HBF采用了行业通用的UCIe高速互联接口。这意味着，它可以很方便地和市面上主流的AI芯片适配。

六是门槛。

HBM技术壁垒极高，涉及先进的DRAM工艺，追赶起来很难。但HBF的根基是3D NAND，在这个领域，本土有企业已经掌握了数百层堆叠的核心技术。利用现有产线改造大概就能研发。

更重要的是，这套HBF标准是通过OCP（开放计算项目）全行业开放的，这对于整个行业的创新生态是好事。

所以，这样来看，HBF想做的事，大概就是用接近HBM的速度、超过它几倍的肚量、只有它零头的价格，在AI推理这行里站稳脚跟。

“六大短板。”

说完了长处，接下来聊一下短处。它的缺点和优点一样，因为它是闪存。

一是反应速度。

HBM的延迟是纳秒级（几十纳秒），就像面对面交谈，对方说话，声音立刻就到你耳朵。HBF的延迟是微秒级（10-20微秒），是慢了，相比。

对于需要GPU和内存高频互动、逐字逐句快速生成答案的AI推理，这种延迟差异就会存在。虽然可以通过提前预取数据来优化，但物理层面的差距始终存在。

二是寿命。

通常的固态硬盘，最担心的可能是颗粒写废了。HBF也面临同样问题。闪存单元的擦写次数是有限制的，就算用SLC缓存等技术优化，写入寿命也远低于可以无限次读写的HBM。

一次AI大模型训练，权重参数需要不停地更新覆写，这种高强度写入几天就能把HBF的寿命耗尽。就算在推理场景中，KV缓存这类需要频繁更新的数据，长年累月也会慢慢消耗其寿命。

三是读快写慢。

HBF的设计逻辑就是“读快写慢”。它的写入速度可能只有读取速度的十分之一，擦除数据速度可能就和普通固态硬盘一个水平。

这种特性，如果业务里涉及频繁的数据更新和覆写，HBF会瞬间成为整机性能的短板。

四是数据读取糙。

HBM可以按“字节”精细地调取数据，要多少拿多少。而HBF按4KB的“页面”整块读取。就像你需要一把勺子，它却给你搬来整个橱柜。

这种粗粒度搬运会产生大量无效数据，增加功耗和延迟，和GPU精细的计算逻辑不匹配，需要软件层花费大量精力去“翻译”和优化。

五是制造封装难度。

HBF内部堆叠了十几颗闪存，每颗闪存芯片内部又有几百层存储单元，整个结构极其复杂，制造良率和量产爬坡会是巨大挑战。

还有散热。GPU满载运行时温度能飙到一百多度，而NAND闪存的正常工作温度上限一般在85℃左右。两个火炉紧贴在一起，高温可能会加速闪存老化、导致数据出错，必须设计更复杂的散热方案，这又会抬高成本。

六是软件生态。

过去，AI软件框架都是围绕HBM的DRAM特性来优化的。HBF这个新东西来了，所有底层的内存调度算法、操作系统内核驱动、磨损均衡策略都得重新写。

虽然8月刚发布了行业标准，但芯片公司、服务器厂商、云服务商适配起来需要投入大量人力物力，真正的规模化商用，业内普遍认为是2027年之后的事了。

“写在最后。”

所以，聊了那么多，HBF会取代HBM吗？

不会。

它们俩并非替代关系，而更像是互补，搭档。

HBM，是那个高精尖、高成本的引擎，负责模型训练和需要极速响应的复杂推理任务，解决的是“算得快”的问题。

HBF，像那个成本可控、装载量大的卡车车队，负责把海量参数送到推理现场，解决的是“存得多、用得起”的问题。

参考资料：
新浪财经.存储芯片新产品HBF首套行业标准落地.2026年8月5日.