在人工智能的狂飙突进中，业界曾长期将GPU视为算力的绝对核心。然而，随着AI技术从训练阶段迈向推理与智能体（Agentic AI）时代，一场关于计算架构的深刻变革正在发生。

7月6日消息，被誉为“HBM之父”的韩国科学技术院（KAIST）电气系教授金正浩近日接受采访时指出，AI的核心竞争力正从GPU转向内存。他断言，AI的本质是内存，在当前的AI推理过程中，GPU真正用于计算的时间仅有10%至30%。这一论断不仅揭示了当前AI硬件的底层瓶颈，更预示了未来存储芯片在AI应用中的颠覆性发展趋势。

算力重心的转移：从“计算主导”到“内存中心”

过去，AI的发展高度依赖大模型训练，GPU凭借其强大的并行计算能力成为性能的决定性因素。然而，着眼现在与未来，AI正全面进入推理时代。在这一阶段，AI系统需要处理海量多模态数据，执行复杂的多步骤任务。

金正浩指出，AI每次输出结果，都必须先从HBM（高带宽内存）读取数据、传到GPU进行计算，再将结果写回内存。这种传统的冯·诺依曼架构导致了严重的数据搬运瓶颈。即便部署百万块GPU，其大部分时间仍在等待数据。

因此，决定AI性能上限的不再仅仅是计算速度，而是“一次能处理多少数据、能以多快速度处理数据”，内存能力已直接决定了AI的性能天花板。

HBF的崛起：突破容量天花板的“数字图书馆”

为了解决内存容量与带宽的瓶颈，HBM（高带宽内存）应运而生，它通过垂直堆叠DRAM芯片，将传统内存的“8车道高速公路”拓宽至1024甚至2048车道。

然而，随着多模态AI和Agentic AI的出现，AI需要24小时不间断工作，保存视频、文档、长期记忆等海量冷数据，内存需求将比现在暴增1000倍。仅靠HBM已无法满足这一需求。

在此背景下，HBF（High Bandwidth Flash，高带宽闪存）成为下一代技术路线的必然选择。HBF将NAND闪存像HBM一样进行垂直堆叠。如果说HBM是摆在桌旁用于快速查阅的“参考书”，那么HBF就是容量巨大的“图书馆书架”。NAND闪存虽然速度不及DRAM，但容量大、可长期保存数据，在推理场景中足以满足“冷数据”的存储需求。

金正浩预测，10年后，HBF的市场需求将超过HBM。目前，SK海力士、三星、闪迪等企业正加速布局，HBF工程样片预计于2027年面世，并有望在2028年被英伟达、谷歌等巨头采用。

终极形态：HBS与百层3D复合架构

在HBM与HBF之后，存储技术的演进并未停止。金正浩提出了更为超前的HBS（High Bandwidth SRAM）概念。SRAM的读写速度比DRAM快约1000倍，但传统上因密度低、成本高，仅作为芯片内的小容量缓存。HBS的构想是将整张12英寸晶圆全部做成SRAM，并垂直堆叠12至16层，从而将容量扩展至1600GB，实现极致的高速数据处理。

基于这些技术，金正浩描绘了未来AI计算机的终极形态——一栋“100层3D大楼”。

在这个庞大的三维建筑中，GPU被置于顶层负责散热与计算；HBM充当“商场”，提供高速数据吞吐；HBF作为“住宅区”，提供海量长期存储；HBS则承担极速缓存功能。

各种形态的存储芯片组合在一起，形成复合体，源源不断地向GPU供给数据。这种内存中心化（Memory-Centric）的架构，将彻底颠覆传统以CPU/GPU为核心的计算范式，GPU最终可能沦为嵌入内存系统中的普通零部件。

不过，百层“3D大楼”结构存储芯片的产业化之路并非坦途。这条技术路线最大的工程挑战不在于计算，而在于供电与散热。要给GPU和堆叠内存供应数千安培的电流，电力供应网络的设计将成为最难的技术壁垒，也将成为企业间真正的核心竞争力。