传统存储架构遇瓶颈，HBF 全新架构适配 AI 推理场景优势凸显

AI 推理业务快速普及，让传统 DRAM、HBM 两大主流存储器的短板逐渐暴露，在容量、成本、功耗三大维度均难以匹配当下及未来的市场需求。在此背景下，高带宽闪存（HBF）作为全新存储架构登场，凭借差异化特性，成为数据中心与边缘端 AI 应用的重要解决方案。

行业数据显示，当前全球仅有约七分之一的数据中心可承载 AI 相关工作负载，预计到 2030 年，这一比例将攀升至 70%。同时边缘 AI 产业发展势头迅猛，2030 年底市场规模有望达到 665 亿美元。海量数据的传输、调用与运算，对存储系统提出了极高要求，而 DRAM 存在容量扩充困难的问题，HBM 则面临生产成本高、功耗大的弊端。尤其在企业级数据中心和边缘设备场景中，空间、成本受限，传统存储方案的局限性被进一步放大。

AI 推理和 AI 训练的运行逻辑存在明显区别，推理环节需要持续存储大型 AI 模型，对存储容量、可扩展性要求更高。DRAM 擅长低延迟随机读写的特性，并不适配 AI 推理的固定存取模式。行业由此明确，面向 AI 推理的理想存储产品，需要具备大容量、高存储密度、高带宽、低功耗、高性价比五大特征。HBF 架构应运而生，它重构了传统 NAND 闪存结构，搭配 CMOS 键合阵列晶圆技术，在保有高带宽的同时，实现容量与密度大幅提升，断电后可留存数据，还能适应高温运行环境。

依托并行架构与定制化堆叠技术，HBF 能够让大语言模型以接近 DRAM 的速度读取数据，还可支撑大型 KV 缓存运行，提升 AI 推理的精准度。受功耗、体积限制，HBM 无法应用在智能手机等边缘设备上，而 HBF 打破了这一壁垒，助力边缘设备完成复杂 AI 任务。对于中小型企业而言，搭建 HBM 集群的成本过高，搭载 HBF 的加速方案则可以帮助企业优化预训练模型，落地各类垂直领域 AI 应用。整体来看，HBF 有效打破了传统存储的性能桎梏，全面激活 AI 产业的发展潜力。