Что такое HBM и почему она так важна для AI
Для понимания проблемы нужно сначала разобраться в архитектуре. GPU обрабатывает данные параллельно — тысячи ядер одновременно работают над фрагментами матричных вычислений, которые лежат в основе работы больших языковых моделей (LLM). Но сама по себе вычислительная мощность ничего не даёт, если память не успевает подводить данные к процессору.
Классическая DDR-память (GDDR6X в игровых видеокартах) подключается через шину к GPU — это создаёт задержку и ограничивает пропускную способность. HBM решает эту проблему принципиально иначе: микросхемы памяти укладываются вертикальными стопками (до 12 слоёв) и соединяются с GPU через тысячи микроскопических проводников — так называемые through-silicon vias (TSV). Результат — пропускная способность свыше 1 ТБ/с при энергопотреблении, несопоставимо меньшем, чем у традиционной памяти.
Без достаточного объёма и пропускной способности HBM GPU проводит больше времени в ожидании данных, чем в реальных вычислениях. Для тренировки крупных моделей это означает недели дополнительного времени; для инференса — десятки миллисекунд задержки на каждый запрос.
Почему рынок HBM контролируют всего три компании
Парадокс текущей ситуации в том, что спрос на AI-ускорители растёт экспоненциально, а производственные мощности ограничены жёстким олигополом. Фактически рынок HBM контролируют три компании: SK Hynix (Южная Корея), Micron Technology (США) и Samsung Electronics (Южная Корея).
По данным отраслевых отчётов за первый квартал 2026 года, совокупные производственные мощности всех трёх производителей полностью распределены на много кварталов вперёд. SK Hynix, являясь основным поставщиком HBM для Nvidia, уже обеспечила себе более двух третей заказов на платформу Rubin. SK Hynix ранее привлекла $265 млрд от Wall Street на финансирование расширения производства. Micron публично заявила о том, что её HBM-ёмкость распродана до конца календарного 2026 года. Ситуация усугубляется тем, что HBM4, разработанная для будущих GPU Nvidia Rubin, требует принципиально новых технологических процессов — и Samsung пришлось заново оптимизировать дизайн для достижения приемлемого процента годных чипов на новых скоростях. DeepSeek также разрабатывает собственный AI-чип, что добавляет конкуренции на рынке.
Чем HBM3E отличается от HBM4 и когда ждать переход
Рынок HBM проходит через быструю эволюцию поколений. Сейчас индустрия находится на этапе HBM3E — расширенной версии HBM3, которая используется в ускорителях Nvidia Blackwell. Стандартное предложение HBM3E включает до 12 слоёв кристаллов, ёмкость 36 ГБ и пропускную способность 1,2–1,28 ТБ/с на один стек. Эти характеристики уже являются жёстким минимумом для тренировки моделей с триллионами параметров.
Следующее поколение — HBM4 — проектируется специально под архитектуру Rubin. Ключевое отличие: до 288 ГБ памяти на один GPU. Это почти восьмикратный рост ёмкости по сравнению с HBM3E. Однако массовое производство HBM4 начнётся не ранее второй половины 2026 года, а широкое внедрение ожидается ближе к 2027–2028. Именно этот разрыв между спросом и доступностью HBM4 создаёт текущее «окно» дефицита.
Как дефицит HBM ударил по игровым видеокартам
Побочный эффект бума AI — реальное ущемление потребительского рынка. По оценкам аналитиков, из-за перераспределения мощностей HBM-производства в пользу AI-ускорителей производство игровых видеокарт сократилось на 40%. Это прямая цена «AI-гонки»: производители памяти выбирают контракты с Nvidia, AMD и Google, которые обеспечивают маржинальность в разы выше, чем продажа компонентов для игровых систем.
Для конечного пользователя это означает не только дефицит видеокарт, но и рост цен. Поставки GDDR7 (игровой памяти нового поколения) также задерживаются, поскольку fab-мощности TSMC и Samsung переориентированы на выпуск HBM. Экономика полупроводникового производства такова, что переключить завод с одного типа продукции на другой — вопрос не месяцев, а лет.
Почему от кризиса HBM выигрывают производители памяти
Текущий дефицит HBM создаёт необычную ситуацию на рынке: производители памяти получили беспрецедентную переговорную силу. SK Hynix, Micron и Samsung теперь диктуют условия даже Nvidia — исторически самому влиятельному игроку в цепочке AI-поставок. По оценкам UncoverAlpha, HBM-поставщики смогут улучшать условия контрактов с Nvidia, AMD и Google на протяжении всего 2026 года, пока производственные мощности не будут наращены.
Рыночная капитализация Micron выросла более чем втрое за 18 месяцев. SK Hynix стала самой дорогой компанией Южной Кореи. Samsung, несмотря на внутренние проблемы, активно наращивает HBM-инвестиции. Общий объём рынка HBM, по прогнозам, достигнет $100 млрд к 2028 году — это сопоставимо со всем рынком серверных CPU.
Сравнение HBM3E, HBM4 и GDDR7 — таблица ключевых параметров
| Параметр | HBM3E (Blackwell) | HBM4 (Rubin) | GDDR7 (игровая) |
|---|---|---|---|
| Пропускная способность | 1,2–1,28 ТБ/с | до 2+ ТБ/с | ~1,5 ТБ/с |
| Ёмкость на стек | 36 ГБ | до 288 ГБ | 16–24 ГБ |
| Слоёв DRAM | 12 | 16+ | 2 (плоская) |
| Применение | AI-ускорители | AI-ускорители (Rubin) | Игровые GPU |
| Статус | Массовое производство | Начало производства | Лимитировано |
FAQ по HBM
Почему HBM, а не обычная DDR-память для AI?
Потому что AI-вычисления требуют постоянного обмена огромными объёмами данных между памятью и GPU. DDR-память работает на частотах 6–8 ГТ/с и подключается через шину PCIe — это создаёт задержку при каждом обращении. HBM размещается на той же подложке, что и GPU, и обходится без промежуточных интерфейсов. Для тренировки модели с сотнями миллиардов параметров разница в пропускной способности может составлять 10–20x.
Когда закончится дефицит HBM?
Большинство аналитиков сходятся на том, что существенное улучшение наступит не ранее 2027 года. SK Hynix планирует увеличить DRAM-мощности в восемь раз к 2030 году, но HBM4 требует принципиально иных технологических процессов. Micron и Samsung также наращивают мощности, но сроки их выхода на полную загрузку постоянно сдвигаются. До тех пор AI-компании будут бронировать HBM-контракты на кварталы вперёд.
Какие компании зависят от HBM больше всего?
Nvidia — крупнейший потребитель HBM в мире: каждый ускоритель Blackwell потребляет от 4 до 8 стеков HBM3E. Google (TPU), AMD (MI300X) и Amazon (Trainium) также конкурируют за объёмы. Для всех них дефицит HBM напрямую ограничивает количество ускорителей, которые можно поставить клиентам.
Влияет ли дефицит HBM на стоимость облачных AI-сервисов?
Да, напрямую. GPU-время в облаках уже подорожало на 20–40% по сравнению с началом 2025 года. По мере того как производители памяти получают лучшие условия от Nvidia, а Nvidia перекладывает эти издержки на клиентов, конечная цена AI-вычислений для бизнеса продолжает расти. Для стартапов и исследователей это означает, что стоимость тренировки модели стала важнейшим фактором при выборе архитектуры.
Есть ли альтернативы HBM?
На горизонте нескольких лет — CXL-память (Compute Express Link), которая позволяет расширять память для серверов через высокоскоростное соединение, не размещая её физически рядом с GPU. Также исследуются inn-memory computing (вычисления непосредственно в массиве памяти) и фотонные межсоединения. Однако эти технологии находятся на стадии исследований и не смогут заменить HBM в ближайшие 3–5 лет.
Итог: память важнее вычислений
Классическая мудрость в IT гласила: «Вычисления — это всё, память — побочный фактор». Эпоха генеративного AI сломала это представление. В 2026 году именно HBM-память определяет пропускную способность всей AI-инфраструктуры. Кто контролирует производство HBM — SK Hynix, Micron и Samsung — тот определяет, сколько AI-моделей можно будет обучить и запустить в ближайшие годы.
Для бизнеса, который планирует AI-стратегию, это означает необходимость учитывать не только стоимость GPU, но и стоимость доступа к HBM. Оценка готовности бизнеса к AI-инфраструктуре — важный первый шаг. А для инвесторов — что память стала не менее важным активом, чем сами ускорители. AI Digest (ai-digest.ru) продолжит следить за развитием этого рынка и его влиянием на индустрию.
