开云（中国大陆官方网站）Kaiyun科技股份有限公司 - 领先的GPU计算与AI算力解决方案

　　据韩媒ETNews报道，英伟达已着手计划将部分GPU功能集成到基础裸片中，这种“GPU”的构想类似我们常见的集成显卡，但封装从CPU变成了内存。如果一切顺利，这一路线很有可能成为突破当前AI算力瓶颈的关键突破口。

　　当前HBM技术采用“多层DRAM堆叠+基底”的经典架构，基底主要承担输入输出功能。而“嵌入式GPU”方案则通过在HBM基底裸片中集成GPU核心单元，实现计算与的物理层融合。这种设计显著缩短了数据传输路径，理论上可将AI系统效率提升30%以上。

　　科学技术院电气工程系金正浩教授指出：“存储芯片与计算芯片的界限正在消失，这是半导体技术发展的必然趋势。”

　　报道称，英伟达计划在2024年量产的HBM4基础上开发定制化基础裸片，并将其纳入新一代Vera Rubin超级芯片的设计框架。该芯片通过两颗大尺寸算力芯片与八组HBM4堆栈的协同，实现了单颗GPU 288GB、整板576GB的HBM4内存容量。

　　不只是英伟达，AMD也在同步推进技术迭代，其最新发布的Instinct MI430X加速卡搭载CDNA架构，支持432GB HBM4内存及19.6TB/s带宽，有望成为AI算力领域的又一里程碑。

　　首先是物理空间的制约，受限于TSV（硅通孔）堆叠结构，可用于集成GPU核心的裸片面积十分有限；其次是电源分配难题，高功耗的GPU单元如何在紧凑空间内实现稳定供电；最后是散热问题，高密度集成下内层芯片的热管理成为关键。某芯片设计公司资深工程师表示：“这些挑战需要封装工艺、材料科学和芯片设计的协同突破，但并非不可逾越。”

　　为了推动新技术的更新，存储厂商也需要发力。SK海力士与三星已率先行动，前者10亿美元扩建HBM生产线E定制化铺路。行业观察家指出：“具备先进封装与逻辑芯片能力的企业将在竞争中占据先机，而仅专注于存储模组的传统厂商将面临转型压力。”

　　从技术演进角度看，2026年将成为AI芯片发展的重要分水岭。随着HBM4E向定制化方向演进，存储芯片与计算单元的融合将加速推进。韩国科学技术院的测算显示，“存内计算”架构有望使AI训练效率提升2-3倍，同时降低40%以上的能耗。这不仅将推动超大规模AI模型的普及，更可能催生新的算法优化方向。返回搜狐，查看更多