一个GPU，八倍硅片喂给了HBM？

Hot Chips这场会开完，一个判断基本坐实了：HBM不再是那个按JEDEC规范走货的标准品，它正在变成一个定制化平台。

三星、SK海力士、美光、英伟达在会上密集交出路线图，议题高度收敛——三维垂直堆叠是共同方向，散热与功耗是共同瓶颈，而基础底片正在从通信层变成算力平台。这不是某个厂商的孤注一掷，而是整个存储行业被AI算力需求推到十字路口后的集体转向。

本文拆四件事：HBM为什么突然缺到现货涨7倍；美光算出的那笔硅片与可靠性账；三星的ZHBM到底想干什么；以及英伟达在RISC-V上跑通CUDA，为什么值得所有做定制芯片的人竖起耳朵。

📈 现货涨了七倍，产能却要等两年

存储分析师Jim Handy在本届大会上给出的一组数字，是理解当前HBM格局的钥匙。

HBM每片晶圆产出的GB数，只有标准DDR的三分之一。换句话说，同样的硅片投下去，HBM的位元产出被堆叠、切片、键合的工艺损耗吃掉了大半。再叠加一个历史包袱：过去十余年，DRAM行业几乎没新建过晶圆厂——因为工艺微缩一直够用，位元增长靠制程推进就能满足。

后果很直接。Handy指出，新建产能即便按最激进的时间表推进，也需要约两年才能落地。而需求这一侧，几乎所有主流AI加速器——英伟达GPU、谷歌TPU、各类定制ASIC——全都依赖HBM，甚至连部分网络组件也开始用HBM，这是一个数年前几乎不存在的新需求类别。

结果就是：HBM现货价格较此前水平上涨约7倍，三星、SK海力士、美光及主要NAND供应商均录得异常强劲的营收增长。

会上有人提那个老问题：算法效率提升会不会压低硬件需求？Handy的回应很干脆——当一项新技术把内存需求降低6倍，超大规模云厂商的典型反应是用同样的预算处理6倍的Token，而不是削减资本支出。效率提升改变的是AI基础设施的生产力，未必减少流进这个池子的钱。

据多位接近存储原厂的人士，HBM产能在可见时间窗内基本已被长约锁定，现货市场的7倍涨幅更多反映的是边缘需求的恐慌性溢价，而非供给侧的真实松动。

🔥 十七个百分点：训练中断的头号嫌疑

如果说Handy讲的是市场，美光HBM设计架构师Ragu讲的就是物理。

他给出的第一个数字有点反直觉：一个典型的、包含4个12层HBM堆栈的GPU封装中，内存硅片总量约为GPU硅片的8倍——系统级封装中约90%的硅片与内存相关。你买的名字叫GPU，但你实际付费养活的，绝大部分是DRAM。

pie

title GPU封装内硅片构成

内存相关硅片 : 90

GPU逻辑硅片 : 10

第二个数字更扎心。Ragu引用META公布的Llama 3训练研究数据：约17%的非预期训练中断归因于HBM。对一个横跨数万卡、训练周期以月计的集群来说，这17%意味着实打实的算力空转和运维成本。

逻辑链条并不复杂：堆栈越高，单颗DRAM裸片失效波及整个封装的概率越高——一颗坏片，报废的是一个12层堆栈乃至整个封装。可靠性挑战随堆叠高度呈显著加剧态势，这不是靠良率爬坡能完全对冲的系统性约束。

而散热问题，已经上升为首要架构约束。HBM基础底片恰恰是整个堆栈中发热最严重的区域之一，热量从底部产生，向上穿过层层DRAM再逃出去——堆得越高，热路越长。据参会的封装工程师私下聊，现在讨论12层以上的方案时，热仿真的优先级已经排在了电仿前面。

🚀 ZHBM：三星想把内存直接摁在XPU头顶

三星的方案，是本届大会在架构上最激进的一步。

其路线图分三阶段：让HBM基础底片从单纯的通信层，逐步演进为定制逻辑层，最终成为定制化AI平台。终点是代号ZHBM的概念——把HBM直接垂直堆叠在XPU之上。

数字上，三星给出的目标是：总DRAM功耗较HBM5降低约70%，绝对功耗降幅超过100W，带宽提升2.3倍以上。

这三组数字要放在一起读。降低100W以上的绝对功耗，正面回应的是上一节说的散热瓶颈；70%的功耗削减和2.3倍带宽，本质上是把数据搬运的距离从板级拉到芯片级垂直方向——内存和算力物理上贴脸，功耗和延迟的红利就来自这段被消灭的路程。

值得注意的是，SK海力士与美光虽路线细节不同，但方向趋同：底片逻辑化、混合键合、更激进的三维集成。当四家头部厂商在Hot Chips上给出同一个方向的路线图时，这已经不再是路线之争，而是节奏之争。

🔗 CUDA在RISC-V上跑通了，这事不小

英伟达在本届大会上放的另一个消息，热度不如HBM，但产业含义可能更深远。

英伟达披露其实验室已拥有至少三款RVA23处理器，并完成了CUDA在RISC-V硬件上运行的首次公开演示——同时展示了第三方定制CPU接入NVLink Fusion生态的具体路径。

翻译成人话：英伟达在向定制芯片玩家递话——你可以带着自己的CPU来接NVLink的总线，CUDA的软件栈不排除跑在非自研核心上的可能。

这和超大规模云厂商AI资本支出持续加速的主线是一体两面。云厂商一边加码买卡，一边自研定制硅片，而英伟达的策略是不阻拦、收编——定制CPU可以进我的互连生态，HBM照样买我的配额。

据多位接近英伟达生态的人士，实验室里RVA23处理器跑CUDA的演示，尚属早期验证，距离产品化仍有距离；但公开演示这个动作本身，就是生态姿态的表态。

对国产及各路RISC-V阵营而言，这条路径的参照价值在于：指令集的开放性与加速器生态的商业准入，正在成为两个可以分开谈判的问题。

🧩 溢出效应：NAND和HDD也被AI拖着跑

AI基础设施的扩张，正在顺着存储层级一路向下传导。

META测试在TLC SSD与HDD之间部署低成本QLC SSD后发现性能改善，促使超大规模数据中心更广泛地采用SSD；与此同时，AI基础设施对HDD需求的拉动已经造成HDD短缺，QLC SSD随之开始填补新的存储层级，甚至开始替代缺货的HDD。

这条链路的最终结果是助推NAND进入短缺状态，铠侠和闪迪（SNDK）成为直接受益者。

一个训练集群的存储需求，就这样层层传导，把一个原本由HDD把守的市场撬开了一道口子。这再次印证了本届大会的底层叙事：当算力需求以指数推进，存储体系的每一层都会被重新定价。

小结

把Hot Chips这场会的信息拼起来，图景其实很清晰：HBM的稀缺短期无解——晶圆厂缺口要两年才能补；可靠性约束随堆叠高度加剧，17%的训练中断已经敲了警钟；而三星的ZHBM和英伟达的NVLink Fusion，分别从内存架构和互连生态两端给出了同一个答案——定制化与垂直堆叠。下一个观察窗口，就看混合键合的量产良率，以及ZHBM这类概念从PPT走向流片的速度了。