حافظه، نه پردازش، اکنون محدودیت واقعی سرعت تراشههای هوش مصنوعی است
در چند سال گذشته، گفتگو درباره سختافزار هوش مصنوعی حول محور توان پردازشی GPU بوده است. این چارچوب دیگر بهروز نیست. محدودیت واقعی سرعت ساخت نسل بعدی شتابدهندههای هوش مصنوعی، حافظه با پهنای باند بالا (HBM) است — و همه سازندگان اصلی حافظه به مشتریان میگویند این کمبود یک مشکل چندساله است، نه فقط ۲۰۲۶.
دیوار حافظه، به زبان ملموس
شتابدهندههای مدرن هوش مصنوعی میتوانند دادهها را بسیار سریعتر از آنچه حافظه معمولی قادر به تأمین آنهاست پردازش کنند. این شکاف — «دیوار حافظه» — به این معناست که توان پردازش خام دیگر اهمیتی ندارد وقتی تراشه از داده محروم باشد. HBM با معماری کاملاً متفاوتی این مشکل را حل میکند: بهجای قرارگیری تراشه حافظه در کنار پردازنده، HBM تراشههای حافظه را بهصورت عمودی روی هم میچیند و آنها را از طریق هزاران via سیلیکونی (TSV) به پردازنده متصل میکند.
همین انباشتگی سهبعدی دلیل دشواری ساخت HBM است. برآوردهای صنعت نشان میدهد هر تراشه حافظه درجه هوش مصنوعی ظرفیت fab معادل ساخت تقریباً سه تراشه معمولی PC را مصرف میکند.
وضعیت واقعی تولید HBM4
Samsung، SK Hynix و Micron همگی نمونههای HBM4 را به Nvidia ارسال کردهاند و هر سه هدفگذاری کردهاند تولید انبوه را از اواخر ۲۰۲۶ آغاز کنند. SK Hynix در حال حاضر حدود ۵۶.۴٪ از سهم درآمد HBM را در سهماهه اول ۲۰۲۶ در اختیار دارد.
بخش نگرانکننده این نیست که زمانبندی رشد چقدر طول میکشد — استانداردهای جدید حافظه همیشه چند فصل طول میکشند تا به حجم برسند. نگرانکننده این است که SK Hynix علناً هشدار داده کمبود گستردهتر حافظه میتواند تا پس از ۲۰۳۰ ادامه یابد.
چرا این موضوع نقشه راه سختافزار هوش مصنوعی را تغییر میدهد
وقتی منطق GPU گلوگاه بود، مسیر پیش رو ساده بود: گرههای فرآیندی بهتر، ترانزیستورهای بیشتر، کلاکهای سریعتر. پهنای باند حافظه به همین شکل مقیاسپذیر نیست. این اثری از درجه دوم دارد که ارزش توجه دارد: هر ویفر از ظرفیت fab اختصاصیافته به HBM، ویفری است که DRAM استاندارد برای لپتاپ، تلفن و کامپیوتر تولید نمیکند.
چه چیزی را باید در ادامه دنبال کرد
سیگنالی که باید دنبال شود تاریخ اعلام تولید انبوه نیست — آنها نقاط عطف بازاریابی هستند. نرخ بازده در پشتههای HBM4 است که فراتر از پیکربندیهای ۱۲ لایه مقیاس میگیرند.