我看還有很多網紅跟專業券商分析師到今天還把 NAND 當成一個低毛利、強循環、只靠容量堆疊的產業,其實已經落後於AI推理架構的實際演進。 被稱為HBM 之父的韓國科學技術院教授 Kim Joungho,近期公開談到HBF的商業化速度,正在明顯快於市場原本的預期,最快 2 到 3 年內,就可能被整合進 NVIDIA、AMD 等 GPU 平台;而放到更長期來看,在 HBM6 之後,HBF 不只是輔助角色,甚至有機會在市場規模上超過HBM。 真正值得關注的,不是HBF這個新名詞,也不是 NVIDIA ICMS 架構用了多少顆SSD,而是這兩件事背後共同指向的一個結論:NAND 已經被拉進AI 運算體系的核心層級,而且這一次不是短期需求,而是架構性的改變。 Kim Joungho 敢預測HBF 在 2–3 年內就會被整合進 GPU,甚至在HBM6 之後規模可能超過HBM,關鍵不在技術本身,而在AI 推理已經進入一個記得住比算得快更重要的階段。 這個階段,對NAND極為有利。HBM在訓練時代無可取代,但在推理場景,容量成了第一性問題。模型越大、上下文越長、使用者越多,系統真正被吃掉的,不是算力,而是 KV Cache 的留存空間。這裡,DRAM 的物理極限非常明確,而 NAND 的密度優勢,反而成了結構性解方。 HBF 只是把這件事「包裝」得更靠近運算核心——用 TSV、用垂直堆疊、用類 HBM 的頻寬,把 NAND 推到 GPU 身邊。但即便沒有 HBF,NAND 的角色也已經被迫上移。 這一點,其實已經在 NVIDIA 的 ICMS 架構中被完整驗證。Vera Rubin 平台選擇用專屬的推理上下文內存存儲來承接 KV Cache,並不是效能炫技,而是系統現實。花旗證券在最近的報告裡估算,一台 AI 伺服器,為了撐住推理上下文,需要額外配置超過 1PB 的 NAND SSD,光這一個架構,就可能在 2027 年吃掉全球 NAND 需求的將近一成。 這個數字的意義,不在於「需求很大」,而在於需求來自核心工作負載,而非邊緣儲存。ICMS 讓 NAND 從冷資料倉庫,變成推理流程中不可或缺的一環,而且是高度 read-heavy、長時間留存、對寫入壽命容忍度極高的使用情境,正好命中 NAND 的物理特性。 也正因如此,HBF 與 ICMS 並不是兩條獨立路線,而是同一條 NAND 升級曲線的不同階段。ICMS 是系統端先行,用 SSD 解決眼前問題;HBF 則是封裝與材料端的進化,讓 NAND 進一步靠近運算核心,減少資料搬移成本。 當 Kim Joungho 談到未來的「內存工廠」、談到 HBM6 之後系統將走向存儲集群,其實他真正描述的,是 NAND 從容量擴張工具,轉變為 AI 記憶體基礎設施的一部分。 這也是為什麼他敢把時間拉到 2038 年,預測 HBF 相關市場規模可能超過 HBM。不是因為 DRAM 會被取代,而是因為 AI 推理對可留存記憶的需求,遠大於對極致頻寬的需求,而這塊市場,天然屬於 NAND。 從投資角度來看,這意味著 NAND 不再只是看報價循環、看供給紀律,而是開始擁有一條與 AI 推理滲透率直接掛鉤的長期需求曲線。當模型上下文持續拉長、Agent 持續常駐、推理變成 24 小時不斷電的服務,NAND 的需求就不再是「多存一點資料」,而是「必須一直記得」。這是一個高度不同的需求品質。HBF 與 ICMS 只是開端,但真正被拉升到另一個高度的,是 NAND 本身。 (開年11個交易日,存儲產業鏈在標普500成分股的表現裡遙遙領先,其中“存儲妖股”閃迪以驚人的74%的漲幅居首。)