一句话结论：SK海力士在SEDEX 2026上给出迄今最激进的AI基础设施增长预期——到2030年性能规模扩大20倍，并同步预告HBF高带宽闪存与3D堆叠DRAM两条下一代技术路线，以应对KV Cache引发的存储墙新瓶颈。
2026年10月14日，SK海力士开发总管Ahn Hyun（安铉）在首尔COEX会展中心举行的第28届韩国半导体大展（SEDEX 2026）上发表主旨演讲，主题为「AI时代存储技术的演进方向」。这是继英伟达GTC 2026、三星晶圆代工论坛之后，全球存储三巨头中最后一家亮出AI时代存储底牌的舞台。与过往偏重HBM出货量与市场份额不同，SK海力士此次的叙事核心是AI推理基础设施的整体性能规模——一个涵盖算力×存储×带宽的综合指标。
一、AI推理市场三维同步扩张
Ahn Hyun指出，当前AI推理市场正同时在三个维度快速扩张，每个维度都在从存储子系统汲取更多资源：
任务复杂度不断提升。大模型从简单问答演进至多步推理、多智能体协作、Agent工作流，单次推理算力消耗成倍上涨。以GPT-6 Astra、Claude Opus 5.5为代表的新一代模型，单次复杂推理消耗的Token数已是早期模型的10倍以上。这意味着同等数量的推理请求，所需算力是原来的10倍。
上下文长度激增。百万token级上下文窗口已成为主流旗舰模型标配。Gemini 4 Argon支持100万Token输出，Kimi K3支持262K上下文，OpenAI GPT-6支持多模态长程记忆。KV Cache所需存储容量随序列长度的平方关系增长——上下文翻倍，KV Cache显存需求增至4倍。
推理请求量井喷。ChatGPT、Claude、Gemini等应用日均调用量已达数十亿次级别，企业级API调用量增速更超过消费端。基础设施规模必须同步扩张，才能满足持续增长的并发推理需求。
三个因素相互交织，推动AI算力基础设施需求迅猛增长，同时也对存储子系统提出了前所未有的挑战。
二、KV Cache成新型「存储墙」瓶颈
AI推理过程中，用于保存并复用前序Token信息的KV Cache容量持续膨胀，迫使系统将数据分摊存储于HBM、DRAM及SSD等不同介质。
传统「存储墙」（Memory Wall）瓶颈指处理器与内存之间的带宽差距；而Ahn Hyun指出，在AI推理时代，新的瓶颈已演变为不同存储层级之间的数据迁移本身——KV Cache在多层级之间的频繁换入换出，正在制约推理性能提升并推高系统能耗。
具体而言：当KV Cache规模超过GPU HBM容量时，冷数据必须卸载至DRAM；DRAM也不够时，则需进一步下沉至SSD。每次跨层级数据迁移都带来额外延迟和功耗。SK海力士测算，在超长上下文场景下，数据迁移能耗可占推理总能耗的30%以上，成为AI系统新的效率瓶颈。
这一判断与近期DeepSeek V4.1 Flash官方发布的数据高度呼应——DeepSeek V4.1 Flash通过架构创新将KV Cache缩小至原来的1/437，从而将对HBM的依赖降至1/4、对SSD的依赖降至1/8。两条路线，从存储供给侧（SK海力士）和模型架构侧（DeepSeek），共同指向同一个核心问题：推理时代的存储瓶颈不是「容量不够」，而是「多级协同效率不足」。
三、SK海力士下一代存储技术路线图
SK海力士在持续优化现有HBM产品的同时，正全力推进两条下一代存储技术路线，旨在构建跨越多个存储层级的协同方案，而非单纯提升单一芯片性能：
3D堆叠DRAM。在GPU、NPU等逻辑芯片之上直接堆叠DRAM，在大幅跃升传输性能的同时显著降低芯片间互联能耗。相比传统封装方式，3D堆叠可将逻辑芯片与DRAM之间的带宽提升一个数量级，同时减少约40%的互连功耗。这一方案与台积电CoWoS/SoIC封装技术高度协同，是HBM4时代的关键演进方向。
高带宽闪存HBF。HBF（High Bandwidth Flash）将HBM中成熟的硅通孔（TSV）立体堆叠与高速I/O接口技术导入NAND闪存，在HBM与DRAM之间开辟全新的存储层级。SK海力士披露的目标是：将HBF带宽做到同代HBM的约50%，同时实现约10倍的容量扩容。这意味着在成本敏感的推理场景，可以用HBF承接KV Cache中的冷数据，大幅降低系统整体内存成本，同时避免HBM容量瓶颈。
定制HBM与生态合作。SK海力士同时推进Custom HBM战略，在Base Die上集成内存控制器与客户定制逻辑，使存储从「数据容器」演进为「功能与性能优化的协同计算组件」。这种定制化设计需要与英伟达、AMD、谷歌等AI系统厂商深度协同，定制化程度将成为下一代HBM竞争的核心差异点。
四、市场格局：HBM三角竞争进入新阶段
全球HBM市场呈现三足鼎立格局，各家路线图差异日趋明显：
| 厂商 | 主要产品 | 下一代方向 | 差异化优势 |
|---|---|---|---|
| SK海力士 | HBM3E（12层） | HBF、3D堆叠DRAM、Custom HBM | AI推理存储全栈布局，与英伟达H100/H200深度绑定 |
| 三星电子 | HBM3E（12层） | CXL 3.0、定制HBM | 自有晶圆厂+存储+逻辑垂直整合 |
| 美光 | HBM3E（8层） | HBM4定制、CXL | 成本优化路线，低功耗方案 |
2026年全球HBM市场预计突破400亿美元，SK海力士凭借与英伟达的长期合作占据市场主导地位。随着AI推理场景对存储容量的需求超过对单纯带宽的需求，HBF开辟的「新存储层级」有望在2028—2030年成为新的竞争主战场。
FAQ：关于SK海力士AI基础设施20倍增长的三个关键问题
问：为什么SK海力士预测的是「性能规模」而不是「市场规模」？
答：Ahn Hyun强调，「性能规模」指的是AI基础设施完成推理任务的总能力（算力×存储×带宽的综合指标），而非单纯的销售额或出货量。这与SK海力士作为存储厂商的角色高度吻合——存储容量与带宽是性能规模的两大核心支撑，提升这两项即可直接扩大性能规模。这一指标更能反映AI基础设施真实的算力供给能力。
问：HBF与传统HBM、DRAM相比，有什么具体优势？
答：HBF的设计目标不是替代HBM，而是在HBM与DRAM之间建立一个新层级。其带宽约为同代HBM的50%（仍远高于DRAM），但容量约为HBM的10倍。对于KV Cache中访问频率较低的「温数据」和「冷数据」，HBF可以大幅降低系统内存成本，同时避免全量数据堆在HBM上造成的容量瓶颈。
问：SK海力士能否在2030年前实现这一技术路线？
答：SK海力士已在HBM3E上验证了TSV堆叠工艺的可行性，3D堆叠DRAM的技术路径与现有HBM产线高度兼容，风险相对可控。但HBF需要全新的NAND+TSV混合工艺，需要在NAND存储单元上引入高速TSV互联，这在全球范围内尚无先例。业内普遍预期HBF将在2027—2028年进入初步量产，2029年后形成规模化部署。
相关阅读
- DeepSeek V4.1 Flash发布：552B MoE、KV缓存缩437倍、V4 Pro退役 — V4.1 Flash首次将KV缓存压缩437倍写入官方发布，与本文讨论的KV Cache瓶颈高度呼应。
- 英伟达中国AI芯片份额跌至34%：IDC报告全解读 — IDC数据揭示中国AI芯片市场竞争格局，与存储需求变化相互映射。
- Fractile融资6亿美元估值65亿美元：AI推理芯片新秀凭什么让Anthropic下单 — AI推理芯片新秀Fractile获Anthropic认可，折射推理时代存储需求。
SK海力士在SEDEX 2026上的表态，不只是一家存储厂商的市场预测，而是整个AI基础设施演进路线的一次重要锚定。20倍增长背后，是任务复杂度、上下文长度、请求量三维因素的持续叠加；HBF与3D堆叠DRAM，则是SK海力士为应对「推理时代存储墙」给出的两条技术解法。AI算力的竞争，正在从芯片算力扩展到存储层级协同效率的新战场。
延伸阅读
- 美团 LongCat-2.0 开源：1.6T 参数每 token 激活 33B–56B，首个五万卡国产集群推理的万亿模型3 周前
- Fractile融资6亿美元估值65亿美元：AI推理芯片新秀凭什么让Anthropic下单1 周前
- 无问芯穹完成23亿元C轮融资：异构建力调度打通16种芯片，累计融资43亿元2 天前
- 英伟达中国AI芯片份额跌至34%：IDC报告全解读24 小时前
继续读
同一批更新里这几篇值得一看：
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记
- Claude Opus词条 · AI 自学笔记
- DeepSeek词条 · AI 自学笔记
- Gemini 4词条 · AI 自学笔记