高通完成HBC堆叠内存初步验证，2027年DragonflyAI250加速器将首批搭载

高通近日宣布已完成其High Bandwidth Compute（HBC）堆叠内存架构的初步验证工作，标志着该技术向商业化落地迈出关键一步。此次验证聚焦于核心性能指标——能效与内存带宽，结果基本达到预期目标，为后续进入量产阶段铺平道路。按计划，搭载HBC技术的首款产品Dragonfly AI250数据中心AI加速器将于2027年开始向客户送样。

HBC并非传统意义上的内存升级，而是一种系统级架构创新。其核心思路是将多个DRAM层直接堆叠在一颗小型计算芯片（Compute Die）之上，形成一个集成化“内存-计算”单元。这一设计跳过了传统HBM方案中必须依赖中介层（Interposer）和超宽总线连接主机处理器的中间环节，使数据路径大幅缩短，从而在物理层面减少数据移动带来的功耗与延迟。

从结构上看，HBC可视为HBM技术的演进方向之一。HBM虽已广泛应用于高端GPU与AI加速器，但其本质仍是“内存堆栈+外部计算芯片”的分离式架构：DRAM堆栈通过硅中介层与主芯片相连，数据仍需经由高速接口传输至计算单元。而HBC则进一步将计算逻辑下沉至内存堆栈底部，实现真正的“近存计算”（Near-Memory Computing）。图2所示的示意图清晰呈现了这一差异：HBC封装内部即包含计算单元，仅在必要时才将处理结果传回SoC；相比之下，传统HBM方案（如图3所示）每次运算都需全量数据往返于SoC与内存之间，带宽瓶颈与能耗压力更为突出。

高通首次公开HBC概念是在2026年投资者日活动上，彼时公司强调该技术旨在平衡三大关键维度：内存容量、性能与制造成本。传统HBM虽提供高带宽，但受限于TSV（硅通孔）密度与中介层面积，单颗堆栈容量提升空间有限，且成本居高不下；而标准GDDR或DDR方案又难以满足大模型推理对带宽的严苛需求。HBC通过垂直整合计算功能，在不显著增加封装体积的前提下，既提升了有效带宽密度，又降低了单位带宽的功耗成本。

具体而言，HBC架构中位于底层的Compute Die承担部分预处理任务，例如数据过滤、格式转换、轻量级矩阵运算等，避免将原始海量数据全部搬移至主SoC。这种“数据本地化处理”策略，特别适用于Transformer类模型中的注意力机制计算——其中大量中间结果具有高度局部性与可压缩性。据高通披露，初步验证显示其HBC原型在典型AI负载下，相较同等带宽的传统方案，能效比提升约20%–30%，内存有效带宽利用率接近理论峰值的90%以上。

值得注意的是，HBC并非孤立技术，而是高通“Dragonfly”AI加速器产品线的核心支柱之一。Dragonfly系列定位为面向大规模语言模型训练与推理的数据中心专用加速器，AI250为其首款型号，预计2027年进入客户评估阶段。后续迭代型号将延续并深化HBC架构，可能引入更先进的3D集成工艺与异构计算调度策略。

在制造层面，HBC依赖先进封装能力，包括晶圆级键合、微凸点阵列（Micro-bump Array）与热管理设计。高通并未透露具体代工厂商，但业内普遍认为其将联合台积电或三星电子进行CoWoS-L或类似高密度3D封装工艺开发。由于HBC堆栈高度定制化，其良率爬坡与成本控制将是量产前的关键挑战。

对比行业其他近存计算方案，HBC的独特之处在于其“计算下沉”而非“逻辑扩展”。例如，英特尔的Foveros技术侧重于多芯片3D堆叠以提升逻辑密度；美光与SK海力士推动的HBM3E及HBM4则聚焦于提升DRAM本身的速度与容量；而HBC则另辟蹊径，在内存堆栈内部嵌入专用计算单元，形成软硬协同的新范式。

从产业影响看，HBC若顺利落地，将对AI芯片供应链产生结构性扰动。一方面，它削弱了对超宽内存总线与昂贵中介层的依赖，可能降低高端加速器的整体BOM成本；另一方面，它提高了对先进封装与3D集成能力的要求，进一步拉大具备该能力厂商与普通IDM之间的技术鸿沟。对于云服务商而言，采用HBC架构的加速器有望在同等算力下降低机柜级PUE（电源使用效率），契合绿色数据中心建设趋势。

目前，HBC仍处于工程验证后期阶段，尚未公布具体规格参数（如堆叠层数、单堆容量、带宽数值等）。高通表示将在2027年Dragonfly AI250采样时同步披露更多细节，并开放客户联合优化通道。随着大模型参数规模持续膨胀，内存墙问题日益凸显，HBC代表了一种从物理架构层面突破瓶颈的务实路径——它不追求颠覆性新器件，而是在现有CMOS工艺框架内，通过系统重构释放性能潜力。

高通此次验证完成，意味着其在AI加速器赛道的布局从“概念提出”正式转入“产品兑现”阶段。在英伟达主导的HBM+GPU生态之外，一条以近存计算为核心的差异化技术路线正在成型。未来两年，行业将密切关注HBC的实际能效表现、量产进度及其与主流方案的性价比对比，这或将影响下一代AI基础设施的技术选型走向。