SK 海力士：到 2030 年 AI 基础设施性能规模要涨 20 倍，存储正成为新瓶颈

过去两年，AI 算力的瓶颈被反复讨论：先是芯片不够，再是电力不够。但在一场半导体行业的主旨演讲中，SK 海力士给出了另一个可能被低估的答案——当 AI 推理的需求在多个维度同时爆发，真正拖住性能后腿的，可能是「数据在存储层级之间搬来搬去」这件事本身。

一分钟速览

• SK 海力士预测：到 2030 年，AI 基础设施性能规模将增长约 20 倍
• 该判断来自开发总管安炫在 SEDEX 2026 上的主旨演讲
• AI 推理市场正沿三个维度扩张：任务复杂度、上下文长度、推理请求量
• 键值缓存（KV Cache）容量持续膨胀，数据被迫分摊到 HBM、DRAM、SSD
• 由此产生的数据迁移，正演变为制约性能并推高能耗的新瓶颈
• SK 海力士正推进 3D 堆叠 DRAM 与高带宽闪存 HBF 等下一代存储技术

三个维度同时在涨

据韩联社报道，SK 海力士开发总管安炫（Ahn Hyun）今日在首尔江南区 COEX 举行的「第 28 届韩国半导体大展」（SEDEX 2026）上发表主旨演讲。他预测，2030 年 AI 基础设施的性能规模将增长约 20 倍。

支撑这一判断的，是 AI 推理市场正在同时扩张的三个维度：任务复杂度的提升、单次处理信息量（上下文长度）的激增，以及推理请求量的井喷。安炫认为，这些因素相互交织，共同推动了 AI 算力基础设施需求的迅猛增长。

被忽视的瓶颈：数据迁移

随着推理需求暴增，承担海量数据存储与迁移任务的存储器，其关键地位愈发凸显。尤其是用于保存并复用前序处理信息的「键值缓存（KV Cache）」容量持续膨胀，迫使系统必须把数据分摊存储在高带宽内存 HBM、DRAM 以及 SSD 等不同介质中。

分析表明，在此过程中产生的数据迁移，正在演变为制约性能提升并推高系统能耗的全新瓶颈。换句话说，算得快不快，越来越取决于数据「搬」得顺不顺——这是一场发生在存储层级之间的交通拥堵。

下一代的解法

安炫强调，行业不能仅停留在提升单一存储芯片的性能上，而亟需采取优化整个存储层次结构的全局方案。为此，SK 海力士在持续优化现有 HBM 性能的同时，正全力推进两类下一代存储技术：

其一是3D 堆叠 DRAM：通过在 GPU、NPU 等逻辑芯片之上直接堆叠 DRAM，在大幅跃升传输性能的同时显著降低能耗。其二是高带宽闪存 HBF：将成熟应用于 HBM 的硅通孔立体堆叠与高速 I/O 接口技术导入 NAND 闪存，旨在 HBM 与 DRAM 之间开辟全新的存储层级。据 IT之家从报道中获悉，SK 海力士的目标是把 HBF 的带宽做到同代 HBM 的 50% 左右，同时实现约 10 倍的容量扩容。

趋势洞察：AI 竞赛的下一站是「存储层级重构」

如果把 AI 基础设施比作一座工厂，过去大家盯着的是「机床」（算力）和「电力」（能源）。SK 海力士的判断提醒行业：当模型规模与上下文长度持续膨胀，真正决定整厂效率的，可能是「仓库到工位之间那条传送带」——也就是存储层级之间的数据流动。3D 堆叠 DRAM 与 HBF 这类尝试，本质上是在重新设计这条传送带。

对下游而言，这意味着未来几年 AI 系统的性能提升，可能不再单纯来自「换更强的 GPU」，而是来自存储、封装、互连与调度的协同优化。谁能在系统层面把数据搬运的损耗压下去，谁就更可能在同等算力下跑出更高的效率。

结语

「20 倍」是一个关于需求的预测，「新瓶颈」则是一句关于现实的提醒。当算力的竞赛进入下半场，存储器厂商的位置，正在从配角走向舞台中央。