NVIDIA 聯手鎧俠開發 HBF
研發每秒 1 億次隨機讀取(IOPS)的 SSD,預計 2027 年推出,採 PCIe 7.0 介面與 P2P 直連 GPU 以提升 AI 效能。
HBF 結構類似 HBM 但採 NAND
將 16 層 NAND 晶片堆疊在邏輯控制晶片上,利用 TSV 矽穿孔技術,提供 HBM 的 8~16 倍容量,且成本更低。
解決 AI 模型參數爆炸問題
如 GPT-4 需要約 3.6TB 空間,傳統 HBM 容量不足且昂貴,HBF 能讓大型語言模型完整裝進單顆 GPU 模組。
MLA 演算法降低 HBM 依賴
DeepSeek 等模型採用的 MLA 技術能壓縮 KV Cache 需求,減少對高速 DRAM 的依賴,讓 HBF 成為更具競爭力的選擇。
HBF 不適用於遊戲顯卡
遊戲更依賴低存取延遲而非超大容量,且 HBF 寫入速度仍不及 DRAM,目前定位在資料中心與邊緣 AI。
觀眾怎麼看
整理 28 則有效留言信心 高觀眾對HBF技術持保留態度,主要質疑其寫入壽命、與HBM的定位差異及量產可行性。
多數觀眾擔憂NAND Flash作為記憶體使用時,頻繁讀寫會導致壽命快速消耗,難以取代HBM。
有觀眾指出HBF應為HBFM,且其定位應介於DRAM與SSD之間,並建議將「記憶體革命」改為「存儲革命」。
部分觀眾認為HBF僅是SSD的變體,無法處理訓練模型時的高頻率參數變動,僅適用於推理場景。
觀眾補充了關於CXL技術路線、SOT-MRAM發展,以及鎧俠因缺乏HBM技術而推動HBF的產業動機。
觀眾指出目前技術仍處於理論階段,缺乏實體測試數據,對其何時能真正量產持觀望態度。
留言樣本數有限,且部分技術觀點涉及專業領域推測,僅代表部分觀眾意見。