摘要：
被誉为"HBM 之父"的金正浩教授于2026年6月19日接受访谈，其核心判断是：AI的瓶颈正在从“缺少计算能力”转向“缺少足够大、足够快、离计算单元足够近的存储器”。训练时代由 GPU 主导，推理时代则会提高HBM、HBF、HBS 以及存内计算的战略价值，三星电子与 SK 海力士因此有机会从被动的标准化零部件供应商，转向参与系统设计、锁定长期订单并掌握议价权的关键平台型供应商。
《东亚日报》Money Guide for Young Old ·第 33 期；发布：2026-06-23；
Source ID：SRC_2026-06-23_025_DongaIlbo_KimJungHo_HBM_HBF_HBS_ Interview_Transcript
1. HBM 并非最初为 AI 而生。金正浩早期研究飞秒级高速信号，后来进入三星电子存储器事业部，并在 KAIST 延续 3D 堆叠和高速互连研究。HBM 最初面向显卡和电视，2015 年后他才意识到 HBM 与深度学习的矩阵计算天然匹配。
2. HBM 同时解决容量和带宽问题。平面微缩已经接近干扰、漏电和量子效应的边界，因此必须向上堆叠；同时通过大规模并行通道，把数据更快送给 GPU。
3. HBF 用 NAND 补足容量。 HBM 以 DRAM 为基础，速度快但容量有限；HBF把 NAND Flash 堆叠起来，速度较慢但容量更大，适合 KV Cache、上下文工程、智能体长期记忆等“冷存储”需求。嘉宾预计，十年后 HBF 的总体需求可能超过 HBM。
4. 未来是 HBM、HBF 共存的存储器城市。 HBM 像核心商业区，HBF 像外围住宅群。到 HBM8 前后，两者可能形成多层次存储器复合体，共同向处理器供数。
5. “AI 等于存储器”。 Attention、推理和个性化 AI 都依赖存储器容量与带宽。随着 AI PC、AI 手机和端侧个人 AI 兴起，存储器甚至可能成为终端成本中最大的单项。
6. GPU 的有效工作时间可能只有约 10%。大量时间花在从存储器读取、写回和等待数据上。嘉宾据此提出“以存储器为中心的计算”：把部分 CPU／GPU 功能放进 HBM 或 HBF，减少数据搬运。
7. 从 HBM4 开始，散热成为性能差异的重要来源。逻辑功能进入基底层后，热密度上升。谁能更好地设计散热路径、供电网络和 3D 系统，可能比单纯比较制程节点更重要。
8.NPU 不能摆脱高性能存储器。无论 TPU、NPU 还是 LPU，只要追求高性能，都需要 HBM 或其他高带宽存储器。韩国扶持 Rebellions、FuriosaAI 等本土芯片企业，既是寻找细分市场，也是降低对单一美国供应商的依赖。
9.HBS 是更远期的研究构想。 HBS 即 High Bandwidth SRAM：把晶圆级 SRAM 多层堆叠，再在顶部放置处理器。它可能兼具极高速度和更大容量，但供电、散热、良率和经济性仍是巨大障碍。
10.Custom HBM 改变商业模式。 HBM4 以后，逻辑、通信和客户专用功能增加，每家客户需要不同设计。供应商在开发之初就要求长期供货承诺，库存和定价权可能从客户转向供应商。不过这仍需以技术领先、客户认证和持续资本投入为前提。
00:00 未来 AI 计算机的形态
金正浩：未来，HBM、HBF、HBS 都会像多层建筑一样向上堆叠，GPU 位于最上方并进行冷却。这种整合成一体的 3D 半导体结构，必然会成为未来 AI 计算机的形态——这是我目前的判断。
其中最困难的技术之一是供电。系统需要输入数千安培的电流，供电网络的设计将会最为棘手，而这也将成为真正体现技术实力的地方。
00:32 从飞秒研究到 HBM
主持人：您被称为“HBM 之父”。今天我们邀请到了 KAIST 的金正浩教授。您好。
金正浩：您好，很高兴见到大家。谢谢邀请。
主持人：也感谢您抽出时间。我们还是先从 HBM 谈起。HBM 真正开始量产并大规模应用，其实也不过两年左右，对吧？
金正浩：如果说的是 HBM3，确实如此。但 HBM1 在 2010 年代初就已经开始了。当时 SK 海力士参与了相关工作，GPU 一侧则有英伟达和 AMD。早期 HBM 主要用于显卡。
主持人：您是在 1990 年代获得博士学位的，却很早就开始研究到 2010 年才正式产品化的 HBM。
金正浩：我在 1993 年获得博士学位。当时的研究更接近物理学。我用激光制作了测量世界上最快电信号的仪器。我的导师在几年前获得了诺贝尔物理学奖。
当年我制作的设备用于观察飞秒（femtosecond）尺度的现象。在如此极端短暂的时间里，光看上去几乎都像静止了一样。如今进入 AI 时代，数据量极其庞大，数字电路必须在皮秒乃至飞秒尺度高速运行。三十年前博士阶段所做的研究，今天竟然全部派上了用场。
但当时的博士研究领域非常窄、非常深。我这个人又希望和现实世界多交流，因此开始思考：“未来存储器会变得非常重要。”1994 年，我进入三星电子存储器事业部，从那时起一直学习和研究存储器。
1996 年来到 KAIST 后，我继续从事这方面研究。经过大约十年的 HBM 前置基础研究，到 2010 年左右，相关成果最终以 HBM 产品的形式落地。
HBM 需要量子力学、半导体物理和数学等多种知识，尤其需要线性代数。我在 1981 年就学过这些课程。现在我们实验室已经提出了通往 HBM8 的未来三十年路线图。若把整个过程放在一起看，这是一项跨越约五十年的研究。
03:34 HBM 最初并不是为 AI 设计的
主持人：当年您研究和构思 HBM 时，是否已经预见到 AI 时代会到来，并且 HBM 会成为其中的关键？
金正浩：没有。当时 AMD 和英伟达想把它用在显卡上。显卡使用的数学和 AI 使用的数学是相通的，所以 HBM 后来成为 AI 的核心部件。但一开始，我们只知道英伟达会把它用于显卡。
我当时想的是，韩国电视产业很发达，应该把这种芯片装进电视，让画面更加华丽、生动和真实。因此我最初设想的是电视用途。
到了 2015 年左右，我参加学校里年轻教授的会议，听到他们使用“深度学习”这个词。大家半开玩笑地讨论着，只有我没听懂。于是从那时起，我实际上把研究重心转向了 AI。表面上我们仍是研究HBM 的实验室，但我个人从 2015 年开始已经全面学习 AI。
研究几年后，我发现 AI 算法和 HBM 完全契合。我意识到：“HBM 会在 AI 中爆发式应用。”当时的应用还是把 CNN 装进摄像头做物体识别，或者通过强化学习下围棋。由于同样需要大量矩阵计算，这些场景也需要 HBM。
真正像今天这样爆发，我认为是在 2020 年代初 GPT 和 ChatGPT 出现之后。未来 AI 还会发展为智能体 AI（agentic AI）和物理 AI（physical AI）。从算法需求看，这些系统使用的存储器容量可能比现在增加 1,000 倍。届时需要的也许不再只是 HBM，而是“Ultra HBM”。
当然，我一开始并不知道会走到这一步。可以说这是一种幸运。我大学二年级时非常喜欢矩阵和线性代数，而图形计算与 AI 恰好使用相同的数学，机缘就这样对上了。
06:09 HBM 的两个核心：容量与带宽
主持人：我的理解是，HBM 就是把多颗 DRAM 堆叠起来。这样理解正确吗？
金正浩：正确。无论显卡还是 AI，要进行计算，都必须快速从存储器取数据。之所以需要 HBM，有两个原因。
第一，容量必须足够大。随着 AI 转向上下文工程、多模态和物理AI，需要保存在存储器中的数据越来越多。我感觉容量几乎每年翻一番，十年就是 1,000 倍。
过去扩大容量的方法是继续缩小晶体管和存储单元。但存储单元之间会发生干扰，也存在漏电问题，进一步微缩已经接近量子力学层面的极限。在平面上很难继续增加容量，于是我从 2000 年代初就开始主张：“未来的存储器必须向上堆叠。”别人都在设计单层半导体时，我们提出要把它们叠起来。我们主要做设计，三星电子和 SK 海力士负责实际实现，最终形成了 HBM。
第二，即使容量很大，也必须把数据快速送到 GPU。只有这样，ChatGPT才能迅速生成文档和文章，现在甚至还要生成电影。提高速度，需要把数据并行、同时送出。
如果把传统存储器比作八车道高速公路，HBM 就像 1,024 车道，最近已经达到 2,048 车道，几年后甚至可能走向“百万车道”。HBM 一方面通过堆叠扩大容量，另一方面又像安装电梯和超宽高速公路一样，以大规模并行方式传输数据。这就是 HBM 的两个核心特征。
08:27 HBF：把 NAND Flash 堆叠起来
主持人：现在 HBM 很受关注，HBF 也开始被频繁提及。HBF 是什么？它和 HBM 有何不同？
金正浩：通常所说的存储器主要有两类：DRAM 和 NAND Flash。DRAM 速度很快，但断电后无法长期保存数据；NAND Flash 稍慢，却有非常大的容量，而且能够长期保存数据。它的容量可以达到 DRAM 的十倍左右，广泛用于相机和各种存储设备。
我们把 HBM 堆叠起来放在 GPU 旁边，但现在连 HBM 的容量也开始不够用了。最近兴起的上下文工程，不只是向 AI 输入文本，还会附上参考文件、YouTube 视频和图片。计算过程中产生的中间状态，也就是 KV Cache，也必须全部保存。
进入智能体 AI 时代后，我可能会“雇用”10 个、100 个 AI 替我工作。AI 完成的工作量可能是人的100 倍，而且一天 24 小时不停。即便把 DRAM 堆叠成 HBM，容量仍可能不够，于是我们开始思考：“能不能把 NAND Flash 也堆起来？”把 NAND Flash 堆叠起来，就是 HBF。
目前 SK 海力士、闪迪、三星电子，以及日本铠侠等公司都在开发相关技术。铠侠、美国的美光和闪迪，以及韩国的三星电子和 SK 海力士近期受到资本市场关注，也与这种趋势有关。
如果说紧贴 GPU、直接辅助计算的存储器是“热存储器”（hot memory），那么负责长期保存个人和组织记录、让 AI 记住用户的设备，就是“冷存储器”（cold memory）。两类需求都在增长。
从长期看，我预计十年后 NAND Flash 和 HBF 的市场需求甚至可能超过 HBM。今天是 HBM 的时代，但三星电子和 SK 海力士也必须为 HBF 时代做准备。
11:20 到 HBM8 时代，HBM 与 HBF 将会共存
主持人：您多次提到，2038 年前后可能出现 HBM8。届时 HBM 和 HBF 都会进入商业化阶段。这两种技术是互补关系吗？
金正浩：是的。今年已经出现 HBM4，几年后会有 HBM5。大约每三年更换一代，十多年后可能发展到 HBM8。到了 HBM8 前后，HBM 和 HBF 很可能会同时使用。
HBM 容量相对小，但速度快。HBF 速度稍慢，也有一定物理限制，不过容量更大。系统会以 HBM 为核心；如果容量不够，就在旁边配置 HBF。
未来不会只有一种存储器，而更像一座城市：中心有百货商场，外围有住宅区；既有商业住宅综合体，也有办公楼、公寓和独立住宅。不同形态的 HBM 与 HBF 会组成相互连接的存储器复合体，共同向 GPU 供数。
从总容量看，到 HBM8 时代，HBF 所占的容量甚至可能更大。两者的本质区别，是堆叠 DRAM 还是堆叠 NAND。仅靠其中一种无法满足需求，所以二者都不可或缺。
目前全球能够同时做这两类技术的公司，只有三星电子和 SK 海力士。闪迪和铠侠可以做HBF，也拥有 eSSD 等 NAND 堆叠技术，但做不了 HBM。因此我认为，三星电子和 SK 海力士手中掌握着引领未来的最强工具。
至于三星电子和 SK 集团的管理层是否已经把整幅未来图景规划清楚，我没有直接和他们讨论过，所以并不确定。我主要依据未来洞察、基础物理和数学进行预测。我想，他们应该也在认真研究这些问题。
13:46 “AI 就等于存储器”
主持人：这样看来，说三星电子和 SK 海力士拥有绝对优势也不为过。
金正浩：预测股价并不是我的专业。不过从底层趋势看，世界正在进入 AI 霸权竞争。在我的判断框架中，AI 的能力由存储器能力决定。
直到去年，我还认为 AI 的能力主要来自数学。AI 中有一种叫Attention 的机制，但没有存储器就无法实现。结果是，存储器的性能会直接变成 AI 的性能。因此我把它概括为：“AI = 存储器。”
从事 AI 的企业、国家，以及建设 AI 数据中心的机构，最终都必须到存储器公司门前排队。甲乙双方地位倒转的时代正在到来。
HBM 和 HBF 是建设 AI 数据中心所必需的。数据中心现在也被称为“AI Factory”，即生产 AI 的工厂。我甚至把它叫作“Memory Factory”，因为 AI 工厂的核心就是存储器。
一个国家或企业拥有多少存储器，将决定国家的 AI 竞争力和企业的 AI 竞争力。谷歌 Gemini、OpenAI、Anthropic Claude，究竟谁的模型更强？我的观点是，最终将由它们能调用的存储器决定。
最近，为保护个人信息，人们开始尝试让个人 AI 直接在自己的电脑上计算，这就是AI PC。英伟达也希望进入这个市场。据我了解，它与台湾 TSMC 合作的 PC 方案可能会配置 128GB LPDDR。
要把个人 AI 真正做好，未来可能需要 TB 级存储器。这样一台 PC 的售价可能达到 1,000 万韩元，存储器价格会直接决定整机价格。
另外，未来的智能手机也会转变为 AI 手机。屏幕上可能只留下一个“我能为您做什么？”的窗口，其他事情都由 AI 代办。未来还会出现 AI 眼镜。
我认为，这类 AI 手机可能售价 300 万至 500 万韩元，其中 200 万至 300 万韩元可能来自存储器成本。随着 AI 基础设施和 AI 模型持续发展，存储器需求只会越来越大。AI PC 和 AI 手机将成为另一条重要需求主线。
16:46 训练时代属于 GPU，推理时代属于存储器
主持人：在全球大型科技公司中，英伟达的表现最为突出。它能够保持最强地位，最大的秘诀是什么？
金正浩：直到去年，AI 最重要的还是训练能力。Transformer 模型中有编码器和解码器，训练还需要反向传播（backpropagation）和微分计算。GPU 特别擅长这类工作。因此，训练的时代就是 GPU 的时代。要做 AI 就必须有 GPU，大家只能排队高价购买。
但从去年夏天开始，推理变得更加重要。仅靠训练无法克服幻觉（hallucination）问题——模型会给出完全错误的答案，这是一个致命缺陷。要实现个人化 AI，推理就越来越重要；而我认为，在推理环节中更重要的半导体是存储器。进入推理时代后，存储器可能比 GPU 更贵，需求量也更大。
另一方面，GPU 若要提高性能，就必须扩大芯片面积、放入更多计算单元。Cerebras 采取了一种极端方案：把整片 12 英寸晶圆做成一个巨型处理器。但这种芯片很难保证良率。晶圆上任何位置出现一个缺陷，都可能导致整片报废，经济性不足，只适合特定用途。
即使是 Cerebras，也会因为 HBM、HBF 不足而在推理时代受到存储器限制。英伟达的 GPU 能不能像存储器一样向上堆叠？很难，因为 GPU 太热，背面必须安装冷却装置，无法简单堆起来。
从这个角度看，GPU 有些陷入“将军”的困境。最近黄仁勋来到韩国，上电视、投棒球、吃炸鸡、喝啤酒、会见许多人，也许说明他并不轻松。我判断，其中一个原因是 GPU 的技术增长正在逐渐逼近极限。未来 AI 计算机的成长与进化，反而更多取决于存储器。当然，今天仍然是英伟达的天下。
19:29 GPU 为什么可能只有 10% 的时间在计算
主持人：您说 GPU 真正运行的时间可能只有 10%，是这个意思吗？
金正浩：是的。即使安装 100 万颗 GPU，真正执行计算的时间也可能只有约 10%。GPU 必须等存储器送来数据，才能完成计算再返回结果；但数据没有及时到达。
ChatGPT 每生成一个词，都要从 HBM、HBF 读取数据，完成计算，再把结果写回去。读写过程占据了绝大部分时间，GPU 在等待期间就是闲置的。
因此，真正重要的是能否更快读取数据，以及一次能读取多少数据。这正是 HBM 和 HBF 存在的原因。即使改进算法、进行各种调优和控制，GPU 的有效工作比例可能仍不到 30%，其余时间都在等待。
20:34 以存储器为中心的计算
主持人：您曾提出，未来会把 GPU 功能放进 HBM 或 HBF 内部。
金正浩：数据就在 HBM 和 HBF 中，GPU 却只能空等。因此，不如让存储器自己完成一部分计算。
如果把存储器看作一栋公寓，就在一楼安装 GPU 功能。数据坐电梯下楼，在同一栋楼里完成计算，不必午饭时间还跑到另一栋楼去。也就是说，把部分 CPU 和 GPU 功能放进 HBM，双方合理分工。
我把这种方式称为“以存储器为中心的计算”（memory-centric computing）。从 HBM4 开始，这个方向已经出现。
主持人：即使把 GPU 功能放进 HBM 和 HBF，也不是把多颗完整 GPU 叠起来，所以不会产生冷却问题吗？
金正浩：仍然会有一定的冷却问题。HBM4 开始，SK 海力士和三星电子产品之间的性能差异，可能与散热能力有关。
如果把 GPU 的部分功能放在一楼，一楼会变得非常热，存储器就像建在供暖很强的地暖房上方，性能会下降。必须把温度降下来。从 HBM4 开始，谁能更好地冷却，就可能决定 HBM 的性能；GPU 也是一样。因此冷却技术会变得非常重要。
我们实验室的想法是：既然一楼太热，就把 HBM 内的一部分功能移到屋顶，在屋顶直接安装冷却塔，从上方直接散热。这是我们研究的核心架构之一。学生们正在围绕 HBM5 开展硕士和博士研究，我想这里面也许会出现重大成果。
当我们发表论文后，英伟达、AMD、三星电子和 SK 海力士都会看到。它们一开始可能在心理上排斥，但如果最终发现没有其他办法，就可能转向这条路线。
进一步说，我主张未来连 CPU 功能也可以放进存储器。
主持人：如果这种未来真的到来，三星电子和 SK 海力士岂不是会更强？
金正浩：机会确实正在到来。所谓变得更强，就是掌握更多主导权。它们甚至可能成长为超越英伟达的企业。
但前提是持续开发技术、投入资本、培养人才，同时在政策和经营上做出正确判断。不能简单地说“为什么要做这种没用的东西”，而要以开放心态理解未来。管理层的判断最重要。
主持人：我会记住您的判断：未来将从 GPU 时代走向存储器时代。
金正浩：我认为，这个变化已经开始了一点。
23:36 GPU、TPU、NPU 有什么不同
主持人：GPU 如今声势浩大，市场上也出现了 NPU。NPU 究竟是什么？
金正浩：它们都是处理器，都在做 AI 所需的矩阵计算。GPU 本质上是面向通用并行计算的处理器。谷歌 TPU 中同样会使用 HBM。无论采用哪一种处理器，都很难摆脱高性能存储器。
Gemini 既能写文章、运行大语言模型，也能生成图片，功能非常广泛。如果只针对写作或其他特定任务，把功能进一步精简，就会形成 NPU。有些人也把特定架构称为 LPU。
总的来说，NPU 是为特定 AI 任务缩小规模、降低功耗和成本的处理器。韩国有 Rebellions、FuriosaAI、HyperAccel 等公司。全球大约有十几家 NPU 企业。即使是 FuriosaAI 和 Rebellions 的芯片，要追求高性能也会使用 HBM，因为性能最终仍离不开存储器。
主持人：最近 FuriosaAI 和 Rebellions 获得了韩国“国民成长基金”的大额投资，似乎是希望它们与英伟达真正竞争。这两家公司是否具备世界级竞争力？
金正浩：我当时是评审委员之一。英伟达不可能占领所有市场。NPU、TPU 等领域一定会存在细分市场。
比如沙特阿拉伯建设数据中心，如果全部使用美国芯片，依赖程度会过高。它可能希望拿出 10% 采用其他解决方案，韩国 NPU 企业就有机会成为候选者。
韩国若要建设相当于 100 万颗 GPU 规模的 AI 数据中心，也不能 100% 依赖英伟达，因此有必要培育本土企业。我们正是在这一考虑下决定投资。当然，从技术角度看，这些公司也具备自身优势。
26:01 中国 CXMT 的追赶
主持人：中国也已经开始开发 HBM。即将上市的 CXMT 据称会从今年开始量产 HBM3。
金正浩：这一说法我还没有亲自核实。不过存储器需求增长得太快，仅靠三星电子、SK 海力士等现有厂商可能无法满足，因此市场可能开始采用一部分中国存储器。
中国存储器企业也许会取得 5% 或 10% 的全球份额，中国国内市场也会扶持它们。华为、阿里巴巴等企业开始设计 NPU 或 GPU 后，同样需要存储器，所以中国进入存储器产业几乎不可避免。
从一些联系和询问来看，中国确实希望进入 HBM。几年后它们可能做出HBM3，但在良率和性能上，仍可能与三星电子、SK 海力士存在较大差距。到那时，韩国企业也许已经推出 HBM5。
我们的办法只能是始终保持最先进的技术，继续跑在前面。美国和中国企业终究会在 HBM、HBF 上追赶，这是关系到生存的竞争，我们必须坚持到最后。
主持人：目前 CXMT 与三星电子、SK 海力士之间的技术差距据说约为三年。
金正浩：我认为大约是三至五年。
主持人：这个差距很可能进一步缩小吗？
金正浩：如果韩国停止投资，无法获得足够人才，或者发生战争，差距就会缩小。另一个风险是中美突然缓和，美国解除技术封锁。假如英伟达宣布使用中国存储器，对韩国会非常致命。因此国际政治也必须处理好。
从十年、三十年的尺度看，哪有永远的敌人和朋友？中国的追赶不能忽视，美国的追赶同样存在。英伟达和谷歌不可能永远只看三星电子与 SK 海力士的脸色，它们会把一部分订单交给美光、闪迪和铠侠，有意培育替代供应商。
28:36 HBS：把晶圆级 SRAM 堆叠起来
主持人：我看到您最近提出了高带宽 SRAM，也就是 HBS 的概念，而且这是您最早提出的新构想。
金正浩：我可以提出概念，但真正实现它，需要三星电子、SK 海力士工程师投入大量努力。不过，有些概念会在十年、二十年后引发巨变。
我刚才提到过 Cerebras，它拥有晶圆大小的巨型处理器。美国还有一种被称为 LPU 的芯片，为减少对 HBM 的依赖，把存储器直接放进处理器内部。这种内部存储器就是 SRAM。
SRAM 的速度大约比 DRAM 快 1,000 倍，但容量小得多。据我了解，Cerebras 使用整片 12 英寸晶圆的芯片，也只有大约 44GB SRAM。依我的判断，至少需要400 至 440GB，才足以完成更广泛的任务。
因此，我提出把整片 12 英寸晶圆都做成 SRAM，再把这种晶圆级 SRAM 堆叠 10 层、12 层甚至 16 层。假设每层 100GB，16 层就能达到 1,600GB。
把晶圆级 SRAM 堆起来，再把 GPU 放在顶部，就有可能同时获得极快速度和足够容量。这就是 High Bandwidth SRAM，即 HBS。
我设想的未来是：HBM、HBF、HBS 都变成百层建筑，GPU 位于最上方并直接冷却。整个系统成为一台 3D 半导体计算机。我认为未来 AI 计算机必然走向这种结构，只是可能需要十年、二十年乃至三十年。
其中最困难的技术之一是供电。如果把 GPU 叠在 HBS、HBM 上方，就需要供应数千安培电流，供电网络（PDN）设计会成为最难的环节。SK海力士、三星电子、美光、TSMC 都面临同样的问题。另一个障碍是冷却。
今天我们比较 TSMC 和三星电子时，主要看谁的制程节点更先进、良率更高。未来真正决定企业生存的，将是包含 HBS 在内的 3D AI 计算机怎样供电、怎样散热。
主持人：HBS 简直是存储器半导体的“终极形态”。
金正浩：可以这么说。十年前我听说 Cerebras 要把整片 12 英寸晶圆做成一个处理器时，第一反应是：“这东西能用在哪里？”我猜可能只适合国防 AI。现在回头看，我当时也有些傲慢。最近看到它推进纳斯达克 IPO，我的想法改变了：这种芯片确实在某些地方有需求。
Cerebras 最大的弱点是存储器容量不足，那就连存储器也一起堆叠。我有一天早上想到这个概念，马上给学生发邮件，让他先画一张架构图。今年新入学的硕士生到实验室后，我准备把 HBS 作为硕士、博士论文方向正式启动。
主持人：要实现 HBS，首先要有人生产 SRAM。谁来做？
金正浩：可以由晶圆代工厂来做，也就是 TSMC 和三星电子。
32:36 三星电子与 SK 海力士合计营收 500万亿至600万亿韩元？
主持人：有人预计，今年三星电子和 SK 海力士的合计营收可能达到500 万亿至 600 万亿韩元。这是现实判断，还是过度乐观的想象？
金正浩：我认为具有现实可能性。我经常与三星电子和 SK 海力士的管理人员开技术会议，感觉他们的眼神越来越明亮。当然，他们不会直接和我谈具体营收。
HBM、HBF 还有一个重要特征，就是定制化 HBM（custom HBM）。过去，存储器厂商生产标准化产品并提前大量备货，客户有时多买、有时少买，价格随之涨跌，这就是传统存储器周期。
在这种模式下，存储器企业无法主导需求。客户要求多生产，后来又不来提货，库存风险便由存储器厂商承担。
从 HBM4 开始，基底层会加入部分 GPU 功能，HBM 之间也会开始通信。过去 HBM 只是听从 GPU 指令，未来则可能在 HBM 之间交换信息，甚至根据不同 GPU 的工作表现动态分配更多存储器资源。
当算法、通信和 GPU 功能进入 HBM 后，谷歌、AMD、英伟达等不同客户需要的设计便不再相同，这就是定制化 HBM。
供应商会在开发初期就要求客户承诺采购量，这就是长期协议（long-term agreement）。如果客户不先作出承诺，供应商就不会启动定制开发。
AI 企业又极度需要高性能HBM，只能到存储器供应商门前排队。市场因此转向卖方市场，价格由供应商决定。这与过去的存储器周期是完全不同的范式。
中国企业短期内很难进入定制化 HBM。相较于中国企业，美国客户可能也更愿意与韩国企业合作。
35:02 结语
主持人：以上就是我们与 KAIST 金正浩教授关于半导体生态的讨论。感谢您今天的分享。
免责声明：本文观点不构成投资建议。市场有风险，投资需谨慎。
过往公司荣誉
2023年12月，东方财富2023年度新锐私募基金公司
2024年7月，国泰君安道合私募寻星23~24季股票多头组优胜奖
2024年7月，私募排排网2024年上半年股票策略收益榜冠军（上海地区管理规模5-10亿）
2024年8月，西南证券“璞石计划”首届私募实盘大赛领航奖
2024年12月，东方财富2024年度潜力私募基金公司
2025年4月，中信建投证券“潜龙杯”第四届主观多头优秀私募管理人（2023年10月~2024年3月）
2026年5月，第二届火富牛私募龙虎榜主观多头组十强（2025年4月1日~2026年3月31日）
风险提示及免责声明
市场有风险，投资需谨慎。本篇推送内容供对投资风险具有充分识别能力和风险承担能力的合格投资者参考，并不视为任何形式的操作建议。
版权声明
本推送的版权归本公司所有，本公司对本推送保留一切权利，转载请主动联系并在文章开头处明确注明转载自领久基金公众号。