3、DDR与GDDR对比：DDR5 vs GDDR6 vs HBM的带宽/容量/成本权衡
做AI芯片选内存，说白了就是一场「既要又要还要」的博弈。你要带宽大、容量足、成本低——但现实是，这三样最多只能同时满足两样。
我这些年经手过好几个AI推理芯片的项目，每次选型都要跟系统团队吵上几轮。今天我就把DDR5、GDDR6、HBM这三条路线的底牌全摊开，咱们一起看看，到底什么场景该选谁。
3.1 三大内存家族的定位差异
先给个直观的对比。我习惯用一张表来快速对齐认知：
| 参数 | DDR5 | GDDR6 | HBM2E / HBM3 |
|---|---|---|---|
| 单颗粒带宽 | ~32 GB/s | ~64 GB/s | ~460 GB/s（堆叠后） |
| 典型容量 | 8~64 GB（DIMM） | 8~32 GB（板载） | 4~16 GB（堆叠） |
| 位宽 | 64-bit（每通道） | 32-bit（每颗粒） | 1024-bit（堆叠后） |
| 功耗效率 | ~10 pJ/bit | ~12 pJ/bit | ~3 pJ/bit |
| 相对成本 | 1x（基准） | 1.5~2x | 5~8x |
| 典型应用 | CPU主存、边缘推理 | GPU显存、中等算力卡 | 高端AI训练卡、HPC |
你看，DDR5的强项是容量和成本，但带宽是短板。HBM正好反过来，带宽高得吓人，但容量上不去，价格也贵。GDDR6则卡在中间——比DDR快，比HBM便宜。
核心权衡口诀：
- 要容量大、成本低 → 选DDR5
- 要带宽高、不在乎成本 → 选HBM
- 要平衡带宽和成本 → 选GDDR6
3.2 GDDR6X的PAM4信号技术
这里我想单独聊聊GDDR6X。它用了一个很有意思的技术——PAM4信号。
传统的DDR和GDDR6用的是NRZ（Non-Return-to-Zero）编码，每个时钟周期只能传1个bit。PAM4呢？它把信号分成4个电平，每个符号能传2个bit。
说白了，就是同样的频率下，带宽直接翻倍。
我在一个项目里用过GDDR6X，当时被它的信号完整性折腾得不轻。PAM4虽然带宽高，但对噪声特别敏感。你想想看，原来NRZ只需要区分0和1两个电平，现在PAM4要区分00、01、10、11四个电平——电平间距缩小了，稍微有点噪声就误码。
避坑指南：
我曾经在PCB布局时没注意GDDR6X的走线等长，结果跑不到标称频率。后来发现PAM4对skew的要求比NRZ严格得多。建议GDDR6X的走线长度差控制在±5mil以内，比DDR5的±20mil严苛不少。
GDDR6X的典型参数：
- 数据速率：19~21 Gbps（PAM4）
- 等效NRZ速率：38~42 Gbps
- 单颗粒带宽：~84 GB/s
- 功耗：比GDDR6高约15~20%
3.3 实际项目中的选型策略
好，理论说完了，咱们聊聊实战。我一般按以下三步来选：
- 先算带宽需求——你的AI模型需要多少GB/s？
- 再看容量约束——模型参数+中间结果要多大内存？
- 最后卡成本预算——BOM成本能承受多少？
举个例子。我之前做的一个边缘AI盒子，跑的是轻量级视觉模型，参数量不到100MB。算下来带宽需求也就20 GB/s左右。这时候选DDR5完全够用，成本还低。要是硬上GDDR6，那就是杀鸡用牛刀了。
另一个项目是做云端推理卡，要跑大语言模型。模型参数几十GB，带宽需求直奔500 GB/s以上。这时候DDR5的带宽根本不够看，只能上HBM。虽然贵，但没办法，性能瓶颈在那里。
注意：
别只看峰值带宽。实际有效带宽受很多因素影响：
- DDR5的延迟比GDDR6低，适合小批量随机访问
- GDDR6的burst传输效率高，适合连续大块数据
- HBM的堆叠结构导致容量受限，但带宽一致性最好
我个人的经验是：
- 如果模型能完全塞进芯片内部SRAM，那内存选什么都行——但这种情况很少见
- 如果带宽需求在100 GB/s以下，优先考虑DDR5，成本优势太明显
- 如果带宽需求在100~500 GB/s，GDDR6是甜点区
- 超过500 GB/s，别犹豫，上HBM
3.4 知识体系结构图
下面这张图，是我自己梳理的选型决策逻辑，你可以参考：
嗯，这张图基本概括了我的选型逻辑。你顺着带宽需求往下走，基本不会跑偏。
一个小技巧：
我习惯在项目初期先做带宽预算。把模型的所有算子跑一遍，统计每层的访存量，再乘以安全系数1.2~1.5。这样算出来的带宽需求，比拍脑袋准得多。
最后说一句。DDR5、GDDR6、HBM这三条路线，没有绝对的好坏。关键看你的产品定位。做消费级产品，成本敏感，DDR5是王道。做旗舰级训练卡，性能优先，HBM不可替代。GDDR6则适合那些「比上不足比下有余」的中端产品。
选型这事，说白了就是取舍的艺术。