首款HBF流片：AI推理存储迎来分层重构窗口

闪迪董事长兼首席执行官David Goeckeler在2027财年第一财季电话会议上披露，首款高带宽闪存（HBF）存储芯片已完成流片，预计明年向客户交付首批样品。按照其表述，HBF面向推理场景，读取带宽与HBM相当，但容量更大，目标是通过把NAND级容量更靠近处理器来补充HBM。对存储产业而言，这一节点的意义不在于又多了一款新品，而在于AI推理存储的层级结构可能出现新的变量：HBM继续承担高带宽近端访问，NAND以更高密度和更低每GB成本向处理器侧延伸，存储系统从“单一内存堆叠”转向“多层容量协同”。

流片到送样：验证的是产品化起点，不是量产终点

在芯片行业，“流片”意味着设计进入硅验证阶段。对于HBF这类涉及存储阵列、接口、封装和控制器协同的产品，流片只是第一步：硅片能否达到目标带宽、功耗和良率，接口与控制器能否稳定匹配，堆叠和封装方案能否通过测试，都是后续必须回答的问题。送样则更进一步，意味着产品开始进入客户导入流程。云服务商、AI芯片厂商、服务器OEM和系统软件厂商需要围绕容量、带宽、延迟、可靠性和成本进行联合验证。

因此，HBF完成流片并计划明年送样，说明该技术路线已从概念讨论推进到工程化验证，但距离大规模商用仍有距离。HBF能否成立，不取决于单颗芯片的峰值指标，而取决于系统级表现：在真实推理负载下，带宽是否可持续、访问延迟是否可接受、写入耐久性是否匹配场景、软件栈能否有效调度，以及封装测试成本能否摊薄。流片—送样是观察窗口，量产和生态成熟则需要更长时间。

HBF与HBM、NAND：不是替代关系，而是层级补充

理解HBF，需要把它放在HBM与NAND之间来看。HBM基于DRAM堆叠，优势是高带宽、低延迟，能够紧邻GPU或AI ASIC提供高吞吐访问，是训练和高端推理系统的关键近端存储。但DRAM成本较高，容量扩展受堆叠层数、封装尺寸和功耗约束。NAND Flash则具备非易失、高密度和每GB成本优势，适合大容量存储，但随机访问延迟、写入耐久性和接口带宽与传统内存层级存在差异。

HBF的定位正是介于两者之间。闪迪披露的信息显示，HBF读取带宽与HBM相当，但容量更大，并通过NAND级容量靠近处理器来补充HBM。这意味着HBF并非要取代HBM，而是试图在“高带宽近端内存”和“大容量远端存储”之间增加一个容量层。对于AI推理而言，模型权重、长上下文缓存、检索增强生成的数据和多模态输入，都会推高容量需求；如果全部依赖HBM，成本压力较大；如果完全放在传统SSD或远端存储，带宽和延迟又可能成为瓶颈。HBF的机会，正在于用NAND的容量密度去缓解推理系统的容量墙和成本墙。

不过，这一路线也面临明确约束。NAND的写入寿命、随机读写特性和延迟表现与DRAM不同，HBF需要在控制器、接口协议、磨损均衡和系统软件上做针对性设计。其“读取带宽与HBM相当”的目标，也需要在具体封装、功耗和负载条件下验证。因此，更准确的判断是：HBF在特定推理场景中具备补充HBM的潜力，但是否形成广泛层级，取决于系统级性价比。

AI推理重构存储需求：带宽之外，容量和成本权重上升

过去一段时间，AI存储讨论更多围绕训练侧HBM展开，强调带宽和互联能力。但推理规模化后，需求结构正在变化。推理不仅要求吞吐，还要求低时延、高能效和可接受的总体拥有成本。模型参数规模增长、上下文窗口扩大、多用户并发和检索增强生成，都会带来更大的容量占用。对于云服务商和AI基础设施提供方而言，单纯堆叠HBM会推高成本，而完全依赖外部存储又可能牺牲响应速度。

这为分层存储提供了现实基础：HBM承载高频访问和关键计算数据，HBF类高带宽大容量层承载容量敏感、读取密集的数据，传统SSD和分布式存储承担更大规模的持久化数据。存储系统需要从“容量与带宽二选一”转向“按访问频率和成本分层”。在这一框架下，HBF的价值不只是容量更大，而是尝试把NAND级成本优势推进到更靠近处理器的位置，从而重构推理系统的每GB成本、每比特能耗和带宽分配方式。

当然，层级增加也会带来新问题：数据在HBM、HBF和SSD之间如何迁移，编译器和运行时如何识别热数据，缓存一致性如何维护，故障恢复和写入耐久如何管理。这些软件与系统能力，可能和芯片本身同样关键。

产业链机会在协同，不在单点突破

从产业链看，HBF若走向商用，受益环节不会局限于NAND制造。上游涉及NAND晶圆、存储阵列设计和工艺优化；中游涉及控制器、接口IP、先进封装、测试与模组；下游则涉及AI芯片平台、服务器OEM、云服务商和系统软件。HBF需要把NAND容量与高带宽接口、近处理器封装结合起来，先进封装和测试环节的权重可能上升，控制器与固件的重要性也会提高。

通信行业同样能感受到这种变化。AI数据中心内部，计算、存储和网络正在协同设计；存储层级上移后，服务器节点内部和节点之间的数据流组织、互连带宽和能效管理都会受到影响。对于通信设备商和系统集成商而言，理解存储层级变化，有助于在AI服务器、数据中心网络和边缘推理设备中做更合理的资源配置。

中国通信与存储产业链在NAND制造、控制器、封测、模组和服务器系统集成方面已有积累。面对HBF这类新路线，关键不只是单点产品跟进，更在于接口标准、封装能力、控制器固件和软件生态的协同。HBF目前仍处于早期验证阶段，国内产业界更适合保持技术跟踪与场景验证并行，围绕AI推理的真实需求判断投入节奏。

结语：观察HBF，重点看系统级验证

首款HBF完成流片并计划明年送样，是AI推理存储路线探索中的一个重要节点。它提示行业：HBM之外，NAND级容量向处理器侧靠近的技术尝试正在进入工程验证阶段。但HBF能否成为稳定的存储层级，仍需看带宽、延迟、耐久性、成本和软件生态的综合表现。对产业而言，真正值得关注的不是单一芯片的阶段性进展，而是AI推理存储从单一带宽竞赛转向带宽、容量、成本和能效的分层重构。这一过程将给存储原厂、封装测试、控制器、服务器和数据中心系统厂商带来新的协同课题，也可能重塑AI基础设施的存储成本结构。