SK hynix تشحن عينات HBM4E: منافسة محتدمة على عرش ذاكرة الذكاء الاصطناعي

• الأداء: سرعة معالجة بيانات تصل إلى 16 جيجابت في الثانية (Gbps) لكل طرف توصيل.
• السعة: 48 جيجابايت (GB) لكل وحدة مكدسة، تتحقق باستخدام 12 طبقة من رقاقات بسعة 32 جيجابت (Gb) للرقاقة الواحدة. تمثل سعة 32 جيجابت هذه زيادة بنسبة 33% في كثافة التخزين مقارنة بجيل HBM4 السابق .
• كفاءة الطاقة: تحسن بأكثر من 20% مقارنة بجيل HBM4 السابق .
• تقنية التغليف: طبقت الشركة تقنيتها الخاصة المسماة Advanced MR-MUF (الحشو السفلي المصبوب بإعادة التدفق الكتلي المتقدم). وتتمثل إحدى الفوائد الرئيسية في تقليل المقاومة الحرارية بنسبة 17%، مما يعزز الاستقرار الهيكلي والأداء الحراري في بيئات الحوسبة عالية الأداء .
• عرض النطاق الترددي: بينما وصفت SK hynix استهدافها فئة ~4 تيرابايت/ثانية لشرائح الذكاء الاصطناعي القادمة، سلط عرض Computex الضوء على زيادة بنسبة 38% في عرض النطاق الترددي مقارنة بـ HBM4 . كما أشارت تقارير القطاع إلى عرض نطاق يصل إلى 4.0 تيرابايت/ثانية .

تم تصنيع الرقاقة باستخدام عقدة معالجة DRAM من فئة 1c، وفقاً لتقرير في القطاع، وعلى الأرجح بالاقتران مع عملية 3 نانومتر من TSMC للرقاقة الأساسية .

مواجهة المواصفات: SK hynix ضد سامسونج في HBM4E

مع شروع كلتا الشركتين الآن في توزيع عينات من منتجاتهما HBM4E ذات 12 طبقة، تبرز مقارنة مباشرة لمواصفاتهما المعلنة طبيعة تنافسية واضحة. كانت سامسونج الأولى في الشحن، لكن المواصفات الرسمية الأولية لـ SK hynix تُظهر تفوقاً في عدة مقاييس أداء رئيسية .

يتمثل الفارق الجوهري في سرعة طرف التوصيل الأساسية. تعمل شريحة HBM4E من SK hynix بسرعة 16 جيجابت/ثانية بشكل طبيعي، بينما تبلغ سرعة المواصفة الأولية لسامسونج 14 جيجابت/ثانية، مع قدرة معلنة على التوسع إلى 16 جيجابت/ثانية . بالمثل، تدّعي SK hynix تحسيناً في كفاءة الطاقة بنسبة +20%، مقارنة بمكاسب بنسبة 16% لشريحة HBM4E من سامسونج . قد يكون الانخفاض القابل للقياس بنسبة 17% في المقاومة الحرارية عبر تقنية Advanced MR-MUF عاملاً حاسماً لعملاء مراكز البيانات الضخمة الذين يحزمون هذه الوحدات بكثافة داخل رفوف خوادم الذكاء الاصطناعي.

المعركة الأوسع للهيمنة على ذاكرة الذكاء الاصطناعي

شحنات عينات HBM4E هي أحدث فصول صراع مستمر منذ سنوات لتزويد شركة Nvidia، مصممة رقائق الذكاء الاصطناعي الأكثر قيمة في العالم.

• قلعة HBM4 لـ SK hynix: في أواخر يناير 2026، أفادت مصادر متعددة أن SK hynix حصلت على ما يقرب من 70% من طلبات Nvidia لذاكرة HBM4 لمنصة Vera Rubin للذكاء الاصطناعي . هذا التفوق الكاسح على سامسونج وميكرون بُني على إنتاجها الكمّي المبكر وعوائدها الإنتاجية العالية، لا سيما باستخدام تقنية MR-MUF .
• Nvidia تؤكد الثلاثة الكبار: في 5 يونيو 2026، أكد جينسن هوانج، الرئيس التنفيذي لـ Nvidia، رسمياً اعتماد جميع شركات تصنيع الذاكرة الرئيسية الثلاث - SK hynix وسامسونج وميكرون - كموردين لذاكرة HBM4 لمنصة Vera Rubin . وضع هذا حداً لتكهنات استمرت لأشهر حول احتمال استبعاد ميكرون بالكامل من سلسلة توريد المنصة الأولية . لا يزال محللو القطاع يقدرون أن SK hynix تستحوذ على حصة 60-70% من حجم توريد HBM4 لمنصة Vera Rubin، بينما تستحوذ سامسونج على 25-30% وتغطي ميكرون النسبة المتبقية .
• نمط الشحن المبكر للعينات: أرست SK hynix نمطاً من الجداول الزمنية القوية بشحنها أول عينات HBM4 ذات 12 طبقة في العالم للعملاء في مارس 2025، قبل جدولها الزمني الأصلي . أصبح منتج HBM4 الأساسي هذا الآن قيد الإنتاج الكمّي وهو الأساس الذي بُني عليه منتج HBM4E اللاحق الذي تم الكشف عنه في Computex 2026 . في المعرض، سلطت SK hynix الضوء على زيادة بنسبة 33% في الكثافة وقفزة بنسبة 38% في عرض النطاق الترددي لـ HBM4E، مما يشير إلى خارطة طريقها مباشرة نحو سوق مراكز بيانات الذكاء الاصطناعي .

ماذا بعد؟

مع وجود العينات الآن في أيدي العملاء الرئيسيين - والذين يشملون عادةً Nvidia وAMD ومزودي الخدمات السحابية الكبار - فإن عملية التأهيل الحرجة جارية على قدم وساق . سيقوم العملاء باختبار الذاكرة بدقة من حيث سلامة الإشارة والسلوك الحراري والتوافق مع تصاميم مسرعاتهم. النجاح في هذه المرحلة سيحدد طلبات الشراء النهائية وزيادة حجم الإنتاج لأنظمة الذكاء الاصطناعي المتوقع ظهورها لأول مرة في إطار عام 2027.

إن قدرة SK hynix على تسليم عينات HBM4E الخاصة بها قبل توجيهاتها الأصلية للنصف الثاني من عام 2026 تظهر عزمها ليس فقط على الدفاع عن ريادتها في السوق، بل وعلى تحديد وتيرة القطاع بأكمله . لم تعد المعركة تدور فقط حول من يمكنه الشحن أولاً، بل حول من يمكن لتقنيته تقديم أعلى أداء لكل واط في الوحدة الأكثر استقراراً - مما يغذي مباشرة القفزة التالية في قدرات الذكاء الاصطناعي.