這款第七代HBM晶片,是三星在2026年2月率先商業化量產並出貨HBM4之後,短短三個月內再度推出的新作,充分反映AI大模型對於記憶體頻寬與容量的極度渴求,以及記憶體廠商間緊迫的研發步調 。
12層HBM4E與前代產品相比有顯著躍進。三星證實,其每腳位(pin)傳輸速率穩定維持在14 Gbps,且最高可擴展至16 Gbps,足以應對尖峰資料處理需求 。相較自家HBM4,傳輸速度提升幅度超過20% 。
在此配置下,單一堆疊(stack)的記憶體頻寬可達每秒3.6兆位元組(TB/s),而峰值設計目標則上看4.0 TB/s 。該晶片採用三星最先進的1c製程技術所生產的24 Gb DRAM晶粒,並結合旗下4奈米晶圓代工邏輯晶粒(logic die),單一堆疊容量高達36 GB 。除了速度與頻寬的增長,三星也公布其在能源效率與散熱表現上,均較前代有所提升 。
值得一提的是,三星在2026年3月的輝達GTC大會上預告HBM4E時,便已展示16 Gbps的每腳位速度、4.0 TB/s頻寬,以及為實現16層以上堆疊鋪路的次世代混合銅鍵合(Hybrid Copper Bonding, HCB)技術 。
HBM4與HBM4E之間的差距相當明顯。HBM4的每腳位速度為11.7 Gbps(可擴展至13 Gbps),較JEDEC(聯合電子裝置工程委員會)的8 Gbps業界標準高出約46% 。頻寬最高達3.3 TB/s,約為HBM3E的2.7倍 。HBM4E則進一步突破框架,將基礎速度推升至14至16 Gbps,並將頻寬地板墊高到3.6 TB/s 。
三星原始的公開藍圖,是規劃在2026下半年進行HBM4E樣品出貨 。2026年4月,業界傳出三星已加速內部開發進程,計畫於5月生產首批樣品,並快速完成內部驗證交付客戶 。本次5月29日的正式出貨確認了這項加速計畫,客戶實際拿到樣品的時間,比原定時程提早了一到兩個月 。
在2026年1月的公司電話會議中,三星曾暗示將在年中針對標準HBM4E產品進行送樣,客製化HBM衍生產品則在下半年跟進 。而此次5月的實際交貨,甚至比該更積極的指引還要早。
三星並未將HBM4E局限於單一配置。其產品路線圖涵蓋了8層、12層與16層堆疊,以因應不同的AI運算負載需求與客戶價格考量 。
16層HBM4E: 正在開發中的16層版本,每堆疊容量目標上看48 GB。三星正大力押注混合銅鍵合(HCB)技術——一種銅對銅的直接接合方法,能消除各層間的傳統微凸點——作為實現可靠16層堆疊、同時降低熱阻的關鍵製程 。在GTC 2026大會上,三星宣稱HCB相較於熱壓鍵合,能降低超過20%的熱阻 。
8層HBM4E: 8層配置同樣在產品計畫中,不過三星尚未公布此等級的獨立時程細節。它將做為HBM4E家族中較低容量、成本優化的入門選項 。
本次HBM4E出貨,是三星與SK海力士兩大半導體巨人間,多年來圍繞AI記憶體供應鏈主導權之爭的最新攻防。這兩家南韓企業合計掌握全球約九成的HBM供給 。
三星在第六代HBM競賽中拔得頭籌,於2026年2月率先邁入HBM4量產與商業出貨,成為第一家將該新記憶體標準商業化的製造商 。該批出貨主要供給包含輝達在內的大客戶,用於其次世代Vera Rubin AI平台 。三星HBM4的一項大膽策略,是率先採用先進的1c DRAM製程,而其對手SK海力士與美光則選擇了更成熟的1b DRAM節點 。三星內部晶圓代工也自主生產HBM4的邏輯晶粒,相較於仰賴台積電的SK海力士,這是一個結構性的優勢 。
三星全力搶進1c DRAM的代價不低。截至2026年4月,供HBM4使用的DRAM生產良率估計仍低於六成;儘管三星目標在2026下半年將良率提升至接近完熟的水準,但偏低的良率限制了整體供應量 。在最終HBM組裝階段,還可能發生額外良率損失,使挑戰更加嚴峻 。相形之下,SK海力士憑藉成熟的MR-MUF(批量迴焊模壓底膠)封裝技術與經過驗證的1b製程,在HBM3E產品上享有較佳的良率表現 。
透過於2026年5月率先出貨12層HBM4E樣品——在對手尚未發布同級樣品之前——三星在下一世代記憶體的競賽中已佔據早期領先地位 。截至五月下旬,SK海力士尚未公布其HBM4E樣品出貨消息。市場傳聞Google計畫在第八代TPU之後跳過HBM4,直接採用HBM4E,這勢必加劇兩家韓廠加速推進產品時程的壓力 。市場動態仍在變化:SK海力士在HBM3E上保留了良率與產量優勢,且據傳掌握了輝達初期HBM4訂單的六至七成;但也有報導指出,輝達因全業界良率限制,可能已放寬HBM4的供應規格 。
在產品發布的背後,三星與SK海力士正在進行根本的技術路線賭注。三星正大舉轉向混合銅鍵合(HCB),用於其16層HBM4及未來的HBM4E堆疊;這項技術能實現更薄的層間結構與更佳的散熱效能,但也帶來了全新的製造複雜度 。SK海力士則持續精進其先進MR-MUF製程,該製程在12層堆疊的良率穩定性上已有實戰佳績 。未來,誰能以更符合成本效益的方式,擴展至高層數堆疊,極可能決定其在AI記憶體市場的最終勝負。