面对日益增长的AI算力需求，存储瓶颈成为关键挑战。SK海力士提出的H³混合存储架构，通过巧妙结合HBM与HBF技术，有效分担GPU数据负担。这一创新方案不仅将每瓦性能提升数倍，更大幅降低了大规模AI应用对GPU数量的依赖，为解决行业痛点提供了全新思路，预示着AI硬件架构的新方向。
智能速览
SK海力士推出H³混合存储架构，结合HBM与HBF两种技术。
该架构实测每瓦性能相比纯HBM方案提升高达2.69倍。
HBF闪存用于存储KV缓存，释放HBM与GPU算力。
处理并发查询能力提升18.8倍，大幅减少所需GPU数量。
SK海力士计划今年推出HBF样品，行业竞品亦在跟进。
精华内容
H³架构的核心在于巧妙分工，让合适的存储技术处理对应的数据类型。这种“各司其职”的设计，正是其实现性能飞跃的关键所在。
架构解析：H³是什么
H³（Hybrid-HBM/HBF）是一种创新的混合存储架构，旨在解决AI大模型训练中的存储瓶颈。其核心设计在于将HBM（高带宽内存）与HBF（高带宽闪存）两种技术并置于GPU旁，形成一个协同工作的系统。
在此架构中，HBM凭借其超高速度继续承担高速计算和实时数据交换的任务，而HBF则利用NAND闪存的堆叠优势，专注于存储海量的键值（KV）缓存。这种设计让不同存储介质各司其职，优化了整个数据流路径。
性能跃升：实测数据
根据SK海力士的仿真实验数据，H³架构的性能提升十分显著。在配备8个HBM3E和8个HBF的配置下，系统每瓦性能相较于单独使用HBM的方案，提升了高达2.69倍。
更具突破性的是，当HBF处理高达1000万个令牌的KV缓存时，系统处理并发查询的能力提升了18.8倍。这意味着，以往需要32个GPU才能完成的任务负载，现在仅需2个GPU即可胜任，算力成本被极大地压缩。
核心角色：HBF的使命
HBF被视为H³架构成功的关键。与通过堆叠DRAM芯片实现高速的HBM不同，HBF通过堆叠NAND闪存制造，在成本和容量上拥有天然优势。
其核心使命是作为大型语言模型KV缓存的专用存储层。将这部分数据从昂贵的HBM中转移出来，不仅释放了HBM的带宽用于核心计算，也让GPU可以更专注于推理和生成新数据，从而实现了系统整体效率的最大化。
产业动向：未来展望
HBF技术并非SK海力士独有，它已引起整个存储产业的关注。除了SK海力士计划在今年推出第一代HBF样品外，三星电子和闪迪等巨头也在积极布局。
行业普遍预计，相关技术有望在2027年底至2028年初，由英伟达、AMD及谷歌等公司应用于其实际产品中。这预示着，混合存储架构将成为未来AI硬件发展的重要趋势。
SK海力士的H³架构为突破AI算力瓶颈提供了极具想象力的解决方案，其“分工合作”的理念或将成为未来硬件设计的范式。随着更多厂商的入局，混合存储技术将如何重塑AI产业的成本结构与效率边界，值得持续关注。
