HBM內存，也要搞“集成顯卡”

在AI加速滲透各行業的背景下，芯片架構設計也隨著需求開始不斷變革。

據韓媒ETNews報道，英偉達已著手計劃將部分GPU功能集成到基礎裸片中，這種"嵌入式GPU"的構想類似我們常見的集成顯卡，但封裝從CPU變成了內存。如果一切順利，這一技術路線很有可能成為突破當前AI算力瓶頸的關鍵突破口。

當前HBM技術采用"多層DRAM堆疊+基底"的經典架構，基底主要承擔輸入輸出功能。而"嵌入式GPU"方案則通過在HBM基底裸片中集成GPU核心單元，實現計算與存儲的物理層融合。這種設計顯著縮短了數據傳輸路徑，理論上可將AI系統效率提升30%以上。

韓國科學技術院電氣工程系金正浩教授指出："存儲芯片與計算芯片的界限正在消失，這是半導體技術發展的必然趨勢。"

報道稱，英偉達計劃在2024年量產的HBM4基礎上開發定制化基礎裸片，并將其納入新一代Vera Rubin超級芯片的設計框架。該芯片通過兩顆大尺寸算力芯片與八組HBM4堆棧的協同，實現了單顆GPU 288GB、整板576GB的HBM4內存容量。

不只是英偉達，AMD也在同步推進技術迭代，其最新發布的Instinct MI430X加速卡搭載CDNA架構，支持432GB HBM4內存及19.6TB/s帶寬，有望成為AI算力領域的又一里程碑。

當然，"嵌入式GPU"架構目前來說仍面臨多重技術挑戰。

首先是物理空間的制約，受限于TSV（硅通孔）堆疊結構，可用于集成GPU核心的裸片面積十分有限；其次是電源分配難題，高功耗的GPU單元如何在緊湊空間內實現穩定供電；最后是散熱問題，高密度集成下內層芯片的熱管理成為關鍵。某芯片設計公司資深工程師表示："這些挑戰需要封裝工藝、材料科學和芯片設計的協同突破，但并非不可逾越。"

為了推動新技術的更新，存儲廠商也需要發力。SK海力士與三星已率先行動，前者投資10億美元擴建HBM生產線，后者則在2023年推出HBM3E產品為HBM4E定制化鋪路。行業觀察家指出："具備先進封裝與邏輯芯片能力的企業將在競爭中占據先機，而僅專注于存儲模組的傳統廠商將面臨轉型壓力。"

從技術演進角度看，2026年將成為AI芯片發展的重要分水嶺。隨著HBM4E向定制化方向演進，存儲芯片與計算單元的融合將加速推進。韓國科學技術院的測算顯示，"存內計算"架構有望使AI訓練效率提升2-3倍，同時降低40%以上的能耗。這不僅將推動超大規模AI模型的普及，更可能催生新的算法優化方向。