高通如何用近存计算挑战英伟达：HBC押注AI推理的“内存墙”

高通想挑战英伟达在数据中心AI领域的主导地位，切入点并不是简单复制一套GPU方案，而是瞄准大模型推理中的一个关键成本来源：模型权重在内存和处理器之间反复搬运所消耗的带宽、能耗与延迟。

高通给出的答案是Dragonfly平台。平台由近存计算架构HBC、AI推理加速器、服务器CPU、网络连接、软件工具链以及从云端到边缘设备的部署能力组成。若要真正撼动英伟达，高通不仅要证明芯片设计有效，还必须解决先进封装、量产、软件迁移和客户验证等一系列问题。

HBC瞄准AI推理的内存瓶颈

在自回归推理过程中，系统每生成一个令牌，都要不断读取模型数据。对于解码阶段而言，计算本身未必是唯一瓶颈，数据从内存移动到处理器的过程同样会带来显著的能耗和延迟。

高通的High Bandwidth Compute（HBC，高带宽计算）采用近存计算思路：把计算裸片放置在堆叠式LPDDR内存结构下方，并通过密集的硅通孔（TSV）连接内存与计算层，让部分数据密集型操作尽可能在封装内部、靠近数据的位置完成。245

这一区别很重要。高通并不是简单宣称LPDDR的传统峰值带宽高于所有HBM系统，而是认为，对于适合的推理工作负载，计算靠近内存可以减少内存与主处理器之间的数据往返，从而提升有效带宽、代币生成效率以及每瓦性能。29

高通表示，搭载第一代HBC的Dragonfly AI250每张加速卡设计目标为133 TB/s有效内存带宽，相比采用LPDDR5X的AI200提升18倍。4其他报道则转述了高通“每瓦带宽最高可达到当前HBM方案6倍”的说法。813

不过，这些数字不能直接与单个HBM堆栈的带宽相提并论。有效带宽、单卡带宽、机架级带宽，以及单个HBM堆栈的接口带宽，衡量的并不是同一件事。把数百TB/s的系统级或架构级指标与某个HBM堆栈的数字直接比较，并不能构成严格的同口径性能测试。

因此，在独立的代币吞吐量、延迟、能耗和总拥有成本测试发布之前，高通的相关数字更适合被视为架构与性能功耗比方面的厂商声称，而不是已经得到验证的英伟达替代方案。

三星和SK海力士让HBC成为制造业赌注

据报道，三星电子和SK海力士将作为内存合作伙伴参与高通的HBC项目。高通负责计算层设计、TSV方案和系统整合，内存供应商则可能承担堆叠LPDDR等关键工作，先进封装也将决定最终产品能否落地。15

这意味着HBC不仅是一场处理器设计竞赛，也是一场封装与制造能力的较量。商业化成败将取决于多个环节：

• 内存产品能否完成认证；
• 3D堆叠和键合的良率是否足够高；
• 堆叠结构能否有效散热；
• 测试和维修流程是否可控；
• 供应链能否以合理成本持续交付。

一套架构即使在纸面上拥有吸引力，如果封装良率不足、热设计难以控制，或无法达到数据中心所需的交付规模，也很难与成熟的英伟达平台竞争。

高通给出的路线图是：第一代HBC计划于2027年实现商业化，第二代计划于2028年推出。14这说明HBC更像是一项跨越多个产品周期的平台转型，而不是立刻替换已经部署在数据中心中的英伟达硬件。

Dragonfly不只是一张加速卡

高通正在把Dragonfly包装成完整的数据中心产品组合，而不是孤立的AI加速器。路线图包括AI推理系统、HBC、Dragonfly C1000服务器CPU、高速网络方案以及定制芯片服务。1516

其中，C1000是一款采用芯粒（chiplet）设计的服务器处理器，面向智能体AI、通用计算和AI头节点等工作负载。7高通与Meta已经宣布开展多代CPU合作，第一代C1000计划于2028年下半年开始量产。18

这项协议是一个重要的客户验证信号：它表明Meta已经成为高通公开宣布的服务器CPU客户，也为高通进入超大规模云服务商的服务器体系提供了路径。但协议本身并不意味着Meta已经承诺大规模部署HBC推理加速器。

后续是否采用HBC，还要取决于实际性能、稳定性、软件支持、供货能力、网络整合以及总拥有成本。CPU设计赢单与整套AI推理基础设施进入超大规模部署，是两个不同层次的结论。

软件：高通试图降低CUDA迁移成本

硬件很难单独撼动一个已经形成开发者习惯和工具链壁垒的平台。英伟达的竞争优势不仅来自GPU本身，也来自CUDA、加速库、开发工具、文档、人才储备和多年的生产环境积累。

高通收购Modular后，将Mojo编程语言和MAX软件平台纳入自身战略。高通表示，这套AI原生软件技术将支持数据中心与边缘环境中的生成式AI和智能体AI。19

其核心目标是可移植性：开发者可以在不同类型的处理器之间迁移模型和工作负载，而不必针对每一家芯片供应商重写软件栈。Modular还持续推动开放生态；2026年相关大会的报道显示，Mojo及其编译器已经完全开源。46

如果这一策略奏效，客户在评估高通、英伟达、AMD及其他加速器时，切换平台的成本可能下降。但开源并不会自动复制CUDA生态的深度、工具成熟度和开发者熟悉度。有关大幅超越原生实现的性能说法，在缺乏透明、可复现基准测试前，仍应视为前景性或厂商主张。

高通还在推进RISC-V路线。不过，已有证据显示，相关收购对象是Ventana Micro Systems，而不是原始研究问题中提到的其他名称。高通称，Ventana将增强其RISC-V工程能力以及生态建设。2354

Hugging Face连接云端与边缘

高通与Hugging Face扩大合作，计划把Hugging Face的内部和开发者工作负载引入Dragonfly数据中心系统，支持模型接入，并推动设备与数据中心之间的混合编排。21

这正是高通“云到边缘”叙事的一部分：同一家公司希望覆盖数据中心、手机、嵌入式设备和实体AI场景。理论上，这能够为开发者提供一条从云端训练或部署，到终端和边缘设备运行的连续路径。

但广泛的产品覆盖只有在真实模型可以便捷部署、运维团队能够稳定运行、客户能在生产环境中获得更好的经济性时，才会转化为对英伟达的实际竞争力。

HBC处在更广泛的内存重构浪潮中

高通的路线并非孤立事件。整个AI半导体行业都在尝试减少计算与内存之间的数据搬运，而不只是不断提高传统内存接口的峰值带宽。

三星的LPDDR5X-PIM在低功耗DRAM中加入处理逻辑，使部分运算可以在更靠近存储数据的位置完成。三星公布的演示数据显示，在相关AI推理测试中，LPDDR5X-PIM达到81.3 tokens/s，而对比的传统LPDDR5X为27 tokens/s。313639

SK海力士则从HBM方向推进混合键合和iHBM技术，试图应对内存堆叠变高、带宽增加后出现的散热和密度问题。32但另一份报道指出，SK海力士预计混合键合无法赶上HBM4E，最早可能要推迟到后续HBM世代。40

与此同时，三星披露的HBM4E样品每个堆栈带宽最高可达3.6 TB/s，针脚速率最高为16 Gbps。41这意味着HBC未来面对的不会是静止不变的HBM，而是同样在快速演进的HBM路线。

现有证据不足以确认有关三星基于CXL的MX1计算内存设备、DeepX采用情况，或美光对内存瓶颈恶化的具体警告。因此，这些细节不应在本分析中被当作已证实事实。

高通接下来必须证明什么

高通的战略逻辑相对完整：

• **先攻推理市场：**HBC围绕解码阶段设计，目标是解决内存搬运主导代币经济性的工作负载。29
• **整合完整系统：**Dragonfly同时包含加速器、CPU、网络和定制芯片服务，而不是只销售一颗芯片。1516
• **降低软件壁垒：**Mojo和MAX旨在让工作负载更容易跨不同硬件平台迁移。1946
• **建立客户信誉：**Meta的C1000协议提供了一个公开宣布的超大规模云服务商CPU合作案例，量产计划在2028年下半年。18
• **覆盖多种部署场景：**Hugging Face合作强化了从云端到边缘的部署战略。21

相应的风险也十分明确。HBC必须以可接受的良率和热特性进入量产；高通需要发布能够区分有效带宽与原始接口带宽的、按工作负载划分的可验证对比；编译器和运行时必须稳定支持真实模型；内存合作伙伴需要保证规模化供货；客户还必须相信，采用另一套硬件和软件平台的收益足以抵消与CUDA并行运营的成本。

结论：这是一个可信的长期挑战，而非已完成的替代

高通确实提出了一套具有内在逻辑的替代架构：通过把计算放到内存附近，针对AI推理中反复搬运模型权重的瓶颈，争取改善代币吞吐量、能效和总拥有成本；再以Dragonfly C1000、网络、Modular软件和Hugging Face合作，构建一套更完整的平台。

但截至当前路线图，HBC仍然是一个面向未来的竞争方案，而不是已经证明能够取代英伟达的产品。最关键的观察节点包括：2027年第一代HBC硬件能否按计划落地、2028年下半年C1000能否进入量产，以及独立基准测试和客户部署能否验证其性能与总拥有成本优势。

高通的真正挑战，不是提出一个漂亮的架构，而是把这套架构从演示、路线图和厂商指标，变成可靠、可供货、易部署且值得客户迁移的生产系统。