算力系列:AI服务器催化HBM需求爆发
本文来自“AI服务器催化HBM需求爆发，核心工艺变化带来供给端增量（2024）”。HBM即高带宽存储，由多层DRAMdie垂直堆叠，每层die通过TSV穿透硅通孔+μbumps技术实现与逻辑die连接，使得8层、12层die封装于小体积空间中，从而实现小尺寸于高带宽、高传输速度的兼容，成为高性能AI服务器GPU显存的主流解决方案。
目前迭代至HBM3的扩展版本HBM3E，提供高达8Gbps的传输速度和16GB内存，由SK海力士率先发布，将于2024年量。
HBM主要应用场景为AI服务器，最新一代HBM3e搭载于英伟达2023年发布的H200。根据Trendforce数据，2022年AI服务器出货量86万台，预计2026年AI服务器出货量将超过200万台，年复合增速29%。AI服务器出货量增长催化HBM需求爆发，且伴随服务器平均HBM容量增加，经测算，预期25年市场规模约150亿美元，增速超过50%。
HBM供给厂商主要聚集在SK海力士、三星、美光三大存储原厂，根据Trendforce数据，2023年SK海力士市占率预计为53%，三星市占率38%、美光市占率9%。HBM在工艺上的变化主要在CoWoS和TSV。
下载链接：2024 数字科技前沿应用趋势：智能科技，跨界相变 2023年AIGC移动市场洞察报告 虚拟数字人研究报告：溯源、应用、发展（2024） AI服务器催化HBM需求爆发，核心工艺变化带来供给端增量（2024） 2024计算机行业策略：落地为王 2023年度全球十大技术关键词报告 多样性算力技术愿景白皮书 《AI算力芯片产业链及全景图》 1、AI算力产业链梳理（2023） 2、国产AI算力芯片全景图 芯片未来可期：数据中心、国产化浪潮和先进封装（精华）
HBM1最早于2014年由AMD与SK海力士共同推出，作为GDDR竞品，为4层die堆叠，提供128GB/s带宽，4GB内存，显著优于同期GDDR5。
HBM2于2016年发布，2018年正式推出，为4层DRAMdie，现在多为8层die，提供256GB/s带宽，2.4Gbps传输速度，和8GB内存；HBM2E于2018年发布，于2020年正式提出，在传输速度和内存等方面均有较大提升，提供3.6Gbps传输速度，和16GB内存。HBM3于2020年发布，2022年正式推出，堆叠层数及管理通道数均有增加，提供6.4Gbps传输速度，传输速度最高可达819GB/s，和16GB内存HBM3E由SK海力士发布HBM3的增强版，提供高达8Gbps的传输速度，24GB容量，计划于2024年大规模量产。
HBM因其高带宽、低功耗、小体积等特性，广泛应用于AI服务器场景中。HBM的应用主要集中在高性能服务器，最早落地于2016年的NVP100GPU（HBM2）中，后于2017年应用在V100（HBM2）、于2020年应用在A100（HBM2）、于2022年应用在H100（HBM2e/HBM3），最新一代HBM3e搭载于英伟达2023年发布的H200，为服务器提供更快速度及更高容量。
HBM供给厂商主要聚集在SK海力士、三星、美光三大厂，SK海力士领跑。三大存储原厂主要承担DRAMDie的生产及堆叠，展开技术升级竞赛，其中SK海力士与AMD合作发布全球首款HBM，23年率先供应新一代HBM3E，先发奠定市场地位，主要供应英伟达，三星供应其他云端厂商，根据TrendForce数据，2022年SK海力士市占率50%、三星市占率40%、美光市占率10%左右，2023年SK海力士市占率预计为53%，三星市占率38%、美光市占率9%。
HBM在封装工艺上的变化主要在CoWoS和TSV。
1）CoWoS：是将DRAMDie一同放在硅中介层上，通过过ChiponWafer（CoW）的封装制程连接至底层基板上，即将芯片通过ChiponWafer（CoW）的封装制程连接至硅晶圆，再把CoW芯片与基板连接，整合成CoWoS。当前，HBM与GPU集成的主流解决方案为台积电的CoWoS，通过缩短互连长度实现更高速的数据传输，已广泛应用于A100、GH200等算力芯片中。
2）TSV：TSV硅通孔是实现容量和带宽扩展的核心，通过在整个硅晶圆厚度上打孔，在芯片正面和背面之间形成数千个垂直互连。在HBM中多层DRAMdie堆叠，通过硅通孔和焊接凸点连接，且只有最底部的die能向外连接到存储控制器，其余管芯则通过内部TSV实现互连。
相关阅读：- GPU分析：全球竞争格局与未来发展
- 2023年GPU显卡技术词条报告
- 英伟达GPU龙头稳固，国内逐步追赶（详解）
- GPU/CPU领域散热工艺的发展与路径演绎
- 探析ARM第五代GPU架构
- 新型GPU云桌面发展白皮书
- 十大国产GPU产品及规格概述
- GPU平台生态：英伟达CUDA和AMD ROCm对比分析
- GPU竞争壁垒：微架构和平台生态
- GPU微架构、性能指标、场景、生态链及竞争格局（2023）
- 大模型训练，绕不开GPU和英伟达
- Nvidia/AMD竞争：GPU架构创新和新兴领域前瞻探索
- 走进芯时代：AI算力GPU行业深度报告
- 独立GPU市场，AMD份额大跌？
- CPU渲染和GPU渲染优劣分析
- NVIDIA Hopper GPU：芯片三围、架构、成本和性能分析
- 国内GPU厂商及细分行业前景（2023）
- ChatGPT对GPU算力的需求测算与分析
- AMD RDNA2 GPU架构详解
- 算力竞赛，开启AI芯片、光模块和光芯片需求
- AI算力租赁行业深度研究（2023）
- 大模型算力：AI服务器行业（2023）
- 计算设备算力报告（2023年）
- UCIe封装与异构算力集成
- 算力技术未来发展路径概述（2023）
- AI算力研究框架：时势造英雄，谋定而后动（2023）
- 算力网络：在网计算（NACA）技术
- 一文理解“高广深”先进算力网络
- 联邦学习算力加速方案（2023）
- 中国AI服务器算力市场规模及空间测算（2023）
- 多样性算力：新一代超异构计算架构
- 大模型AI算力剧增，谁来扛国产GPU大旗？
- 超级芯片GH200发布，AI算力是H100两倍
- 中国绿色算力发展研究报告（2023年）
- 详解：算力网络基础知识（2023）
- AIGC算力全景与趋势报告（2023）
- AI科普报告（2023）：算法、算力、数据和应用
- 国内外AI芯片、算力综合对比
- 华为算力编年史（2023）
- AI算力研究框架（2023）
- 大模型训练，英伟达Turing、Ampere和Hopper算力分析
- AI大语言模型原理、演进及算力测算
- 大算力模型，HBM、Chiplet和CPO等技术打破技术瓶颈
- 走进芯时代：AI算力GPU行业深度报告
本号资料全部上传至知识星球，更多内容请登录智能计算芯知识（知识星球）星球下载全部资料。
免责申明： 本号聚焦相关技术分享，内容观点不代表本号立场，可追溯内容均注明来源，发布文章若存在版权等问题，请留言联系删除，谢谢。
温馨提示：
请搜索“AI_Architect”或“扫码”关注公众号实时掌握深度技术分享，点击“阅读原文”获取更多原创技术干货。