在存储半导体里，NOR Flash 和 HBM 是两个非常有代表性的方向。
NOR Flash 代表的是 高可靠、小容量、适合启动和固件存储 的非易失性存储技术；HBM 则代表 超高带宽、高封装复杂度、服务于 AI GPU 和高性能计算 的高端 DRAM 技术。
它们都属于“存储”，但产业逻辑、技术壁垒和下游应用完全不同。
一句话概括：
NOR Flash 是设备上电后的“第一段可信代码存储”；
HBM 是 AI 加速器旁边的“超高带宽数据血管”。
一、NOR Flash 是什么？
NOR Flash 是一种非易失性存储器，断电后数据不会丢失。它最典型的用途不是大容量存文件，而是保存启动代码、固件和程序。
常见应用包括：
| 应用场景 | NOR Flash 的用途 |
|---|---|
| PC 主板 | BIOS / UEFI |
| 路由器 | Bootloader、系统固件 |
| MCU / IoT | 程序代码存储 |
| 汽车电子 | ECU 固件、仪表、ADAS 启动代码 |
| 工业设备 | 控制程序、配置参数 |
| 手机 / SoC | 启动代码、小容量固件 |
NOR Flash 经常是系统上电后最先被读取的存储器之一。很多设备能不能正常启动，首先取决于 NOR Flash 里的启动代码是否可靠。
二、NOR Flash 与 NAND Flash 的区别
NOR 和 NAND 都是 Flash，但用途差异非常大。
可以这样理解：
NOR Flash 更像“代码仓库”；
NAND Flash 更像“硬盘或 SSD”。
| 对比项 | NOR Flash | NAND Flash |
|---|---|---|
| 主要用途 | 启动代码、固件、MCU 程序 | SSD、UFS、eMMC、大容量数据 |
| 随机读取 | 强 | 弱于 NOR |
| 顺序读写 | 一般 | 强 |
| 容量 | 通常较小 | 通常很大 |
| 单 bit 成本 | 高 | 低 |
| 写入 / 擦除速度 | 较慢 | 较快 |
| 是否适合 XIP | 适合 | 通常不适合 |
| 坏块管理 | 相对简单 | 复杂，依赖 ECC 和控制器 |
| 典型容量 | MB 到几百 MB | GB 到 TB |
这里有一个很重要的概念：XIP，Execute In Place，原地执行。
意思是 CPU 可以直接从 NOR Flash 的地址空间中取指执行，而不一定要先把代码完整搬到 RAM 中。这对 MCU、Bootloader、低成本嵌入式系统非常重要。
NAND Flash 虽然容量大、成本低，但它更适合做数据存储，不适合直接执行代码。
三、NOR Flash 的基本原理
NOR Flash 通过改变存储单元晶体管的阈值电压来表示 0 和 1。
传统 NOR Flash 常见的是浮栅结构：
Control Gate
│
Floating Gate ← 存储电荷
│
Channel
当浮栅中存有电荷时，晶体管的导通阈值会发生变化。读取时，通过检测晶体管是否导通，就可以判断这个存储单元代表 0 还是 1。
NOR 之所以叫 NOR，是因为它的存储阵列连接方式类似 NOR 逻辑结构。它的优势是支持较好的随机读取能力，因此适合代码存储和直接执行。
四、NOR Flash 的主要类型
1. Parallel NOR
Parallel NOR 是并行接口 NOR Flash，数据线较多，随机读取速度较快，过去常用于 PC BIOS、早期嵌入式系统等场景。
优点是读取性能好，缺点是引脚多、封装成本高、容量扩展不方便。
2. SPI NOR
现在更常见的是 SPI NOR。
常见接口包括：
SPI Dual SPI Quad SPI / QSPI Octal SPI / OPI xSPI
SPI NOR 引脚少、成本低，非常适合 MCU、IoT、路由器、打印机、工业控制板等设备。
很多嵌入式板子上看到的小容量 Flash 芯片，本质上就是 SPI NOR。
3. SLC NOR 与 MLC NOR
NOR 也可以按照每个 cell 存几个 bit 来区分：
| 类型 | 每个 cell 存储位数 | 特点 |
|---|---|---|
| SLC NOR | 1 bit | 可靠性最好，适合车规和工业 |
| MLC NOR | 2 bit | 容量更高，但可靠性和寿命压力更大 |
对于启动代码、车规、工业控制等高可靠场景，SLC NOR 更常见。
五、NOR Flash 为什么容量通常不大？
NOR Flash 的结构为了支持随机读取和 XIP，需要更多连接和外围电路，因此单位面积存储密度不如 NAND。
所以 NOR Flash 通常是 MB 到几百 MB 级别，而 NAND Flash 可以做到几十 GB、几百 GB，甚至 TB 级别。
这也是为什么我们不会用 NOR Flash 来做 SSD。它太贵，密度也太低。
六、NOR Flash 的行业壁垒
NOR Flash 看起来不像 HBM 那么“高端”，但它有自己的壁垒。
1. 高可靠性
NOR Flash 往往保存启动代码。启动代码一旦损坏，设备可能直接无法启动，甚至“变砖”。
车规和工业场景对 NOR Flash 的要求尤其高，包括：
高温可靠性 长寿命 抗干扰能力 数据保持能力 低失效率 宽电压工作范围
2. 工艺与一致性
NOR Flash 需要精确控制阈值电压分布、擦写一致性、电荷保持、读干扰、擦除干扰和高温数据保持。
对于车规和工业产品，稳定性往往比容量更重要。
3. 接口兼容性
SPI NOR 需要兼容大量主控平台，包括：
MCU SoC FPGA 路由器芯片 车载 MCU 工业控制器
很多 SoC 的 BootROM 支持哪些 NOR Flash 型号、哪些指令集，是非常现实的门槛。
4. 客户认证周期长
车规和工业客户非常保守。NOR Flash 供应商进入汽车或工业供应链，通常需要经过漫长认证。
认证内容包括：
温度等级 擦写寿命 数据保持时间 长期供货能力 批次一致性 失效率 质量体系
因此 NOR Flash 是一个“慢生意”：增长可能没有 HBM 那么爆发，但客户粘性强，生命周期长。
七、NOR Flash 的主要厂商
全球 NOR Flash 主要玩家包括：
| 厂商 | 特点 |
|---|---|
| Winbond 华邦 | SPI NOR 重要玩家 |
| Macronix 旺宏 | NOR 老牌厂商，车规和嵌入式市场较强 |
| GigaDevice 兆易创新 | 中国大陆 NOR 龙头之一 |
| Infineon / Cypress | 车规、工业市场较强 |
| ISSI | 工业和车规存储 |
| Micron | 曾有 NOR 业务布局 |
NOR Flash 行业比 DRAM、HBM 分散一些，但在高端车规和工业市场，品牌、可靠性、认证和长期供货能力非常重要。
八、HBM 是什么？
HBM，全称 High Bandwidth Memory，高带宽内存。
它本质上仍然是 DRAM，但结构和普通 DDR、GDDR 完全不同。
HBM 的核心做法是：
把多层 DRAM die 垂直堆叠起来； 通过 TSV 硅通孔连接； 再通过超宽接口放在 GPU / AI 加速器旁边。
它不是单纯靠频率高来提高带宽，而是靠 超宽总线 + 近距离封装 + 多层堆叠 来实现极高带宽。
普通 GDDR 更像“高频窄路”，HBM 更像“低频超宽路”。
九、HBM 的基本结构
典型 HBM Stack 可以理解为：
顶部 DRAM die │ DRAM die │ DRAM die │ Base die / Logic die │ TSV + Micro-bump │ Silicon Interposer / 先进封装 │ GPU / AI ASIC
关键技术包括：
| 技术 | 作用 |
|---|---|
| DRAM die 堆叠 | 提高容量 |
| TSV | 垂直连接多层 die |
| Micro-bump | die 与 die 之间互连 |
| Base die | 接口、控制、测试等 |
| Silicon Interposer | 连接 GPU 与 HBM |
| 2.5D / 3D 封装 | 实现近距离高带宽互连 |
| 热管理 | 解决多层堆叠后的散热问题 |
HBM 的难点并不只是 DRAM 本身，还包括 TSV、超薄晶圆处理、堆叠良率、先进封装、散热和系统级验证。
十、HBM 几代技术发展
1. HBM1：初代高带宽内存
HBM1 是第一代高带宽内存。它最早由 AMD 与 SK hynix 等厂商推动，主要用于解决 GPU 显存带宽瓶颈。
HBM1 的核心突破是：
DRAM die 垂直堆叠； 使用 TSV 连接； 放在 GPU 旁边； 通过 1024-bit 超宽接口提升带宽。
典型参数：
| 项目 | HBM1 |
|---|---|
| 位宽 | 1024-bit |
| 堆叠 | 常见 4-Hi |
| 单 stack 容量 | 约 1GB 到 4GB |
| 单 stack 带宽 | 约 128GB/s |
| 代表应用 | AMD Fiji / Radeon R9 Fury X |
NVIDIA 基本没有大规模采用 HBM1，而是直接从 HBM2 开始进入 HBM 时代。
2. HBM2：进入 NVIDIA 数据中心 GPU
HBM2 是 HBM 真正进入高性能计算和数据中心 GPU 的一代。
相比 HBM1，HBM2 提升了容量、带宽和堆叠成熟度。
典型参数：
| 项目 | HBM2 |
|---|---|
| 位宽 | 1024-bit |
| 数据速率 | 约 2.0–2.4Gb/s per pin |
| 单 stack 带宽 | 约 256–307GB/s |
| 堆叠 | 4-Hi / 8-Hi |
| 代表 NVIDIA 产品 | Tesla P100、Tesla V100 |
NVIDIA 从 Pascal P100 开始大规模采用 HBM2。P100 使用 HBM2 + CoWoS 封装；V100 继续使用 HBM2，成为 Volta 时代 AI 和 HPC 的核心 GPU。
这一代主要供应商是 Samsung 和 SK hynix，Micron 后续也参与 HBM 生态。
3. HBM2E：A100 时代的主力
HBM2E 可以理解为 HBM2 的增强版，E 代表 Extended。
它的核心提升包括：
更高 pin 速率； 更高 stack 容量； 更高带宽； 更适合 AI 训练和 HPC。
典型参数：
| 项目 | HBM2E |
|---|---|
| 位宽 | 1024-bit |
| 数据速率 | 3.2–3.6Gb/s per pin |
| 单 stack 带宽 | 约 410–461GB/s |
| 堆叠 | 8-Hi / 12-Hi |
| 代表 NVIDIA 产品 | A100 80GB、部分 H100 PCIe |
A100 80GB 使用 HBM2E，显存带宽超过 2TB/s，是 Ampere 时代数据中心训练和推理的重要基础。
需要注意的是，H100 这一代也存在不同版本：H100 SXM 主要使用 HBM3，而部分 H100 PCIe 版本使用 HBM2E。
4. HBM3：H100 SXM 时代
HBM3 是 Hopper H100 的核心升级之一。
它不只是频率提升，还提升了通道数量和并发访问能力。
典型参数：
| 项目 | HBM3 |
|---|---|
| 位宽 | 1024-bit |
| 数据速率 | 最高约 6.4Gb/s per pin |
| 独立通道数 | 16 个 |
| pseudo-channel | 32 个 |
| 单 stack 带宽 | 最高约 819GB/s |
| 堆叠 | 4-Hi / 8-Hi / 12-Hi，预留 16-Hi |
| 代表 NVIDIA 产品 | H100 SXM、H100 NVL、部分 GH200 |
HBM3 对 AI 大模型训练非常关键。大模型训练和推理中，很多场景并不是 GPU 算力不足，而是显存容量和显存带宽不足。
H100 的强大不仅来自 Tensor Core，也来自 HBM3 带来的高带宽。
这一代中，SK hynix 明显领先，尤其是在 HBM3 量产、良率、NVIDIA 认证和供货方面取得了先发优势。
5. HBM3E：H200 与 Blackwell 时代主力
HBM3E 是 HBM3 的增强版，是当前 AI GPU 中非常关键的一代。
它的重点是把单 stack 带宽推进到 TB/s 级别，同时进一步提高容量。
典型参数：
| 项目 | HBM3E |
|---|---|
| 位宽 | 1024-bit |
| 数据速率 | 约 8–9.8Gb/s per pin |
| 单 stack 带宽 | 约 1.0–1.2TB/s 级 |
| 堆叠 | 8-Hi / 12-Hi，部分走向 16-Hi |
| 容量 | 24GB、36GB、48GB 等 |
| 代表 NVIDIA 产品 | H200、GH200 HBM3E、B200、GB200、B300 / Blackwell Ultra |
NVIDIA H200 使用 141GB HBM3E，带宽达到 4.8TB/s。Blackwell 系列继续使用 HBM3E，其中 B200、GB200、B300 / Blackwell Ultra 都围绕 HBM3E 构建。
这一代的主要厂商包括：
SK hynix Micron Samsung
SK hynix 在 HBM3E 初期继续领先；Micron 追赶速度很快；Samsung 作为 DRAM 大厂，也在积极追赶和扩大份额。
6. HBM4：下一代 AI 内存核心
HBM4 是下一代高带宽内存，面向 Rubin / Vera Rubin 等后续 AI GPU 平台。
HBM4 最大的变化是接口宽度翻倍：
HBM3 / HBM3E：1024-bit 接口 HBM4：2048-bit 接口
典型参数：
| 项目 | HBM4 |
|---|---|
| 位宽 | 2048-bit |
| 标准速率 | 最高约 8Gb/s per pin |
| 产品速率 | 部分路线超过 11Gb/s per pin |
| 独立通道数 | 32 个 |
| 单 stack 带宽 | 标准约 2TB/s，部分产品可超过 2.8TB/s |
| 主要应用 | 下一代 AI GPU、AI ASIC、HPC |
| 对应 NVIDIA 平台 | Vera Rubin / Rubin |
HBM4 的核心不是单纯把频率拉高，而是通过接口宽度翻倍和通道数增加来提升带宽和并发访问能力。
HBM4 对 GPU / AI ASIC 的封装、IO 设计、功耗、散热和信号完整性提出了更高要求。
主要参与厂商仍然是：
SK hynix Samsung Micron
十一、HBM 代际演进总览
| 世代 | 核心变化 | 典型带宽级别 | 代表 NVIDIA 产品 |
|---|---|---|---|
| HBM1 | 初代 TSV 堆叠 DRAM | 约 128GB/s per stack | NVIDIA 基本未大规模使用 |
| HBM2 | 容量和带宽提升，进入 HPC GPU | 约 256–307GB/s per stack | P100、V100 |
| HBM2E | HBM2 增强版，A100 主力 | 约 410–461GB/s per stack | A100 80GB、部分 H100 PCIe |
| HBM3 | 通道数增加，H100 主力 | 最高约 819GB/s per stack | H100 SXM、H100 NVL |
| HBM3E | TB/s 级 stack 带宽，AI 爆发期主力 | 约 1.0–1.2TB/s per stack | H200、B200、GB200、B300 |
| HBM4 | 2048-bit 接口，32 通道 | 标准约 2TB/s+ per stack | Vera Rubin / Rubin |
如果只看 NVIDIA AI GPU 的路线，可以简化为：
P100 / V100 → HBM2 A100 → HBM2E H100 → HBM3 / 部分 HBM2E H200 → HBM3E B200 / GB200 / B300 → HBM3E Vera Rubin / Rubin → HBM4
十二、HBM 各代由哪些公司掌握？
HBM 不是某一家公司的私有技术，而是 JEDEC 标准化的 3D 堆叠 DRAM 技术体系。
但真正能量产、通过 NVIDIA 等大客户认证，并进入 AI GPU 核心供应链的厂商非常少，主要是三家：
SK hynix Samsung Micron
1. SK hynix
SK hynix 是当前 HBM 超级周期中最受益的厂商之一。
它的优势在于：
HBM3 / HBM3E 先发； NVIDIA 认证节奏快； 堆叠良率和 TSV 经验强； 与 AI GPU 客户绑定深。
从 H100 到 H200，再到 Blackwell，SK hynix 都是非常关键的 HBM 供应商。
2. Samsung
Samsung 是全球 DRAM 巨头，技术底子和产能实力非常强。
但在 HBM3 / HBM3E 初期，Samsung 的节奏相对 SK hynix 慢一些，主要挑战集中在：
功耗； 散热； 良率； NVIDIA 认证； 稳定供货节奏。
不过 Samsung 仍然是 HBM4 时代最重要的竞争者之一。
3. Micron
Micron 在 HBM2 / HBM3 早期存在感不如 SK hynix，但在 HBM3E 和 HBM4 上追赶很快。
Micron 的优势包括：
美国本土供应链价值； 先进 DRAM 工艺能力； HBM3E / HBM4 追赶速度快； 与 NVIDIA 的合作加深。
HBM4 时代，Micron 有机会进一步提高在高端 AI 内存供应链中的地位。
十三、NVIDIA GPU 与 HBM 对照表
| NVIDIA 产品 | 架构 | HBM 代际 | 备注 |
|---|---|---|---|
| Tesla P100 | Pascal | HBM2 | NVIDIA 首代大规模 HBM GPU |
| Tesla V100 | Volta | HBM2 | 16GB / 32GB HBM2 |
| A100 40GB | Ampere | HBM2 | A100 初期版本 |
| A100 80GB | Ampere | HBM2E | 带宽超过 2TB/s |
| H100 PCIe | Hopper | HBM2E | PCIe 版本常见 HBM2E |
| H100 SXM | Hopper | HBM3 | 80GB HBM3，约 3TB/s+ |
| H100 NVL | Hopper | HBM3 | 面向大模型推理 |
| H200 | Hopper | HBM3E | 141GB HBM3E，4.8TB/s |
| GH200 | Grace Hopper | HBM3 / HBM3E | 存在不同版本 |
| B200 | Blackwell | HBM3E | Blackwell 主力 GPU |
| GB200 | Grace Blackwell | HBM3E | Grace + Blackwell 组合 |
| B300 / Blackwell Ultra | Blackwell Ultra | HBM3E | 最高 288GB HBM3E |
| Vera Rubin / Rubin | Rubin | HBM4 | 下一代 AI 平台 |
需要注意的是，NVIDIA 通常会采用多源供应策略。某个 GPU 平台可能同时认证多家 HBM 供应商，实际某个批次、某个 SKU 使用哪家 HBM，公开资料通常不会逐卡披露。
十四、HBM 与 GDDR 的区别
HBM 和 GDDR 都可以作为 GPU 显存，但路线不同。
| 对比项 | HBM | GDDR |
|---|---|---|
| 典型用途 | AI GPU、HPC、数据中心加速器 | 游戏显卡、图形 GPU、部分 AI 芯片 |
| 接口 | 极宽，1024/2048-bit per stack | 相对较窄 |
| 提升带宽方式 | 超宽接口 + 近距离封装 | 高频率 + 多颗粒 |
| 封装 | 2.5D / 3D，靠近 GPU | 传统 PCB 周边布局 |
| 带宽密度 | 极高 | 中高 |
| 能效 | 更好 | 一般 |
| 成本 | 很高 | 较低 |
| 技术壁垒 | 极高 | 高，但低于 HBM |
一句话：
GDDR 是高频窄路；HBM 是低频超宽路。
HBM 像是在 GPU 旁边修了一条超级宽的高速公路，但修路成本非常高。
十五、为什么 HBM 对 AI 特别重要？
AI 大模型训练和推理中，很多时候瓶颈不是算力，而是数据搬运。
GPU / AI ASIC 需要频繁访问：
模型权重 KV cache activation optimizer state embedding 中间张量
训练阶段尤其依赖：
显存容量 显存带宽 多 GPU 通信
推理阶段，尤其是长上下文推理，特别依赖：
KV cache 容量 KV cache 读取带宽 显存带宽
所以现在 AI GPU 的竞争，不只是 TFLOPS 的竞争，而是：
算力 HBM 容量 HBM 带宽 芯片互联 先进封装 软件栈
HBM 已经从传统意义上的“显存配角”，变成 AI 算力基础设施中的核心瓶颈之一。
十六、NOR Flash 与 HBM 的产业逻辑对比
NOR Flash 和 HBM 都是存储芯片，但商业逻辑完全不同。
| 对比项 | NOR Flash | HBM |
|---|---|---|
| 技术定位 | 启动 / 固件 / 代码存储 | AI / HPC 高带宽内存 |
| 是否断电保存 | 是 | 否 |
| 容量 | 小到中等 | 中到大 |
| 带宽 | 低 | 极高 |
| 成本结构 | 单 bit 较贵，但总成本可控 | 极贵 |
| 工艺重点 | 可靠性、数据保持、接口兼容 | DRAM、TSV、堆叠、先进封装 |
| 客户 | MCU、汽车、工业、消费电子 | NVIDIA、AMD、AI ASIC、HPC |
| 认证周期 | 长 | 极长且系统级复杂 |
| 行业壁垒 | 稳定、可靠、长期供货 | 极限性能、良率、封装、客户绑定 |
| 周期性 | 相对温和 | 与 AI 和 DRAM 周期强相关 |
可以这样总结：
NOR Flash 的壁垒是“稳定、可靠、长期认证”；
HBM 的壁垒是“极限性能 + 极限封装 + 极限资本开支”。
十七、HBM 的真正壁垒是什么？
HBM 的竞争不是单纯比“谁的 DRAM 做得好”，而是比一整套系统能力。
核心壁垒包括：
DRAM die 设计 先进 DRAM 制程 TSV 硅通孔 超薄晶圆处理 多层堆叠良率 Micro-bump / Hybrid bonding 热管理 信号完整性 CoWoS / 2.5D 封装产能 NVIDIA / AMD / AI ASIC 客户认证 大规模稳定供货能力
所以 HBM 更像是：
存储厂商 + 台积电先进封装 + NVIDIA GPU 平台 的联合工程
这也是为什么 HBM 的客户绑定更深、毛利更高、认证周期更长，也更难被后来者快速追上。
十八、总结
NOR Flash 和 HBM 分别代表了存储半导体的两个极端。
NOR Flash 解决的问题是：
设备上电之后，第一段可信代码从哪里来？
HBM 解决的问题是：
AI 芯片每秒要搬运 TB 级数据，怎样才能喂饱计算单元？
NOR Flash 更重视可靠性、长期供货和生态兼容；HBM 更重视带宽、容量、堆叠、先进封装和大客户认证。
如果从产业价值看：
NOR Flash 是嵌入式系统的启动生命线； HBM 是 AI 算力系统的数据输血管。
随着 AI 大模型继续发展，HBM 的重要性会越来越高。未来从 HBM3E 到 HBM4，再到后续更高堆叠、更高带宽的方案，存储芯片将不再只是计算系统的附属品，而会成为决定 AI 芯片性能上限的核心基础设施之一。
而 NOR Flash 虽然没有 HBM 那么耀眼，但它依然是汽车、工业、MCU、IoT 等系统中不可替代的基础器件。它的价值不在于“高性能”，而在于“可靠启动、长期稳定、低失效率”。
这就是存储半导体很有意思的地方：同样是 memory，一个负责让系统可靠启动，一个负责让 AI 模型高速奔跑。