SK hynix 与 Sandisk 公布 HBF 标准：AI 推理的“内存墙”开始向闪存层延伸
SK hynix 与 Sandisk 在 FMS 2026 前夕公布 High Bandwidth Flash（HBF）首批标准规格，试图在 HBM 与 SSD 之间增加新的高带宽、大容量存储层。AI 推理规模扩大后，内存层级创新正成为 GPU 之外的关键竞争点。
AI 基础设施的瓶颈，正在从“有没有 GPU”扩展到“GPU 能否持续拿到足够数据”。2026 年 8 月 3 日，SK hynix 宣布与 Sandisk 公布 High Bandwidth Flash（HBF）首批标准规格，并将在 Future of Memory and Storage 2026 展会上展示相关 AI Memory 方案。这一动态值得关注，因为它把 NAND 闪存推向了更靠近计算芯片的位置。
背景：HBM 之后，AI 还需要新的容量层
HBM 解决了 GPU 近端高带宽问题，但容量和成本并不能无限扩张；传统 SSD 容量大，却离计算更远、延迟和带宽不足。HBF 的定位，是在 HBM 与 SSD 之间插入新的存储层：利用 NAND 的容量优势，同时通过更高带宽互联靠近处理器，为大规模推理、长上下文、多模态检索和智能体工作负载提供更大的热数据空间。
SK hynix 近期在官方技术文章中多次提到“从 HBM 到 eSSD 的全栈 AI Memory”思路，说明存储厂商不再只卖单一器件，而是试图围绕 AI 服务器的数据流构建完整层级。
这次标准释放了哪些信号
根据公告，HBF 规格覆盖 8 层与 16 层 NAND 堆叠，容量最高到 512GB，并分为多个带宽等级，最高级别目标达到 TB/s 量级；互联侧采用 UCIe 这一开放芯粒互联标准，为未来与 GPU、CPU 或专用加速器集成留下空间。
这些信息说明 HBF 不是简单“更快的 SSD”，而是围绕芯粒化、近计算存储和 AI 推理吞吐设计的新层级。它可能被用于缓存模型权重、检索向量、中间状态或多 Agent 系统频繁访问的数据，让昂贵的 HBM 更专注于最核心的即时计算。
影响：AI 成本战会延伸到内存与存储架构
大模型推理正在进入高并发、长上下文和多模态阶段。单次请求不再只是短 prompt，而可能包含图片、视频片段、检索结果、工具调用历史和长期记忆。如果所有热数据都挤在 HBM 中，成本和容量会成为部署瓶颈；如果频繁落到远端存储，又会拖慢吞吐。
因此，HBF 这类中间层的价值在于改变系统设计空间：数据中心可以用更细的层级管理不同温度的数据，芯片厂商也能通过 UCIe 等接口组合更多专用存储芯粒。长期看，AI 基础设施竞争会从 GPU 算力扩展到“算力、内存、互联、存储、调度”的整体效率。
适合哪些人关注
- AI 基础设施团队：关注大模型推理成本、缓存命中率、长上下文吞吐和硬件选型。
- 芯片与服务器产业从业者：HBF 可能带来新的封装、互联和系统架构机会。
- 企业 AI 平台负责人：未来采购推理集群时，不能只看 GPU 型号，也要比较内存层级与数据路径设计。
- 投资与行业研究者：AI 供应链正在从“GPU 单点短缺”进入多环节协同升级阶段。
