Intel GPU D系列发布：无HBM也能实现大显存AI推理

英特尔在Product Hunt上悄然发布了一款颇具针对性的数据中心GPU——D270。这款产品没有追求HBM（高带宽内存）的极致带宽，而是主打“无HBM的大容量显存推理”，目标直指智能体AI、长上下文和高并发服务场景。在HBM供应紧张、成本高企的当下，这个思路值得细看。

为什么“无HBM”反而成了卖点？

当前主流AI加速卡几乎言必称HBM，从H100到MI300，HBM的带宽优势确实让训练性能突飞猛进。但推理场景的需求曲线与训练并不相同。推理更关注的是：能否把足够大的模型和足够长的上下文装进显存，以及单位功耗下能服务多少并发请求。

HBM的痛点在于容量扩展成本极高。每GB HBM的价格远高于GDDR或LPDDR，而且封装工艺复杂、产能集中。对于大量部署推理节点的企业来说，显存容量往往比峰值带宽更影响总拥有成本。Intel D270选择绕开HBM，用更成熟的显存方案堆出大容量，本质上是一次针对推理经济性的重新权衡。

官方描述中反复强调“practical power and cost”（实用的功耗与成本），说明这款产品并不打算在训练市场与H100正面竞争，而是想在推理基础设施的性价比区间里切一块蛋糕。

HBM（High Bandwidth Memory，高带宽内存）是一种通过硅通孔（TSV）垂直堆叠DRAM芯片、并与GPU/加速器裸片通过硅中介层紧邻封装的内存技术。相比传统的GDDR或LPDDR，HBM能在极小的物理面积内提供数倍甚至数十倍的带宽，同时显著降低每比特传输的功耗，这正是H100、MI300等训练卡能在数据吞吐上突飞猛进的关键。但代价也很明显：HBM需要2.5D/3D先进封装，产能高度集中于少数存储厂商，每GB成本远高于普通显存，且容量扩展往往受限于单颗容量与封装可容纳的堆叠数。理解这一点，才能明白为何“绕开HBM、用成熟显存堆容量”在推理场景下是一种有意识的经济性取舍，而非简单的技术降级。

D270的定位：智能体与长上下文

智能体（Agentic AI）是近两年最明确的推理负载增长点。一个智能体工作流往往需要多轮工具调用、状态维护和长对话记忆，对显存的占用远超单轮问答。长上下文同理——当上下文窗口从8K扩展到128K甚至更长时，KV Cache的显存开销呈线性增长，显存容量直接决定能支持多长的上下文和多高的并发。

D270把这两个场景写进产品定位，说明英特尔对推理负载的观察是具体的。高并发服务则进一步指向了实际部署中的吞吐量问题：单卡显存越大，能同时驻留的请求就越多，单位时间内的服务能力越强。

这里的关键问题是，无HBM方案的实际带宽能否支撑这些场景的延迟要求。大显存解决了“装得下”的问题，但“跑得快”仍需实测数据验证。英特尔目前披露的信息有限，这也是D270最需要观望的部分。

KV Cache（键值缓存）是理解长上下文显存开销的关键。在Transformer推理中，模型会对已生成的每个token缓存其Key和Value向量，避免重复计算，从而把自回归解码从O(n²)降到近似线性复杂度。但代价是缓存大小随上下文长度和并发请求数线性增长：序列越长、同时在线的请求越多，占用的显存就越大。以70B级模型为例，128K上下文下单请求的KV Cache就可能达到数GB量级，高并发时累积开销非常可观。因此，在长上下文和高并发服务中，显存容量往往比峰值带宽更早成为瓶颈，这也正是D270强调大容量显存的现实依据。

推理芯片的路线分化

D270的出现反映了一个更大的行业趋势：AI芯片正在从“一张卡打天下”走向按负载分化。训练芯片追求极致带宽和互联，推理芯片则开始分层——有的追求低延迟，有的追求大容量，有的追求低功耗。

无HBM推理卡并非英特尔首创，但由一家具备完整数据中心生态的厂商来推，意义不同。英特尔在CPU侧有至强产品线，在网络和软件栈上也有积累，如果D270能与现有基础设施形成协同，对预算敏感、负载以推理为主的客户会有吸引力。

另一个不可忽视的背景是HBM的供应格局。HBM产能长期被少数厂商把控，交期和价格波动大。一条不依赖HBM的推理产品线，在供应链韧性上具备天然优势，这对需要大规模铺量的推理集群来说是个实际考量。

总拥有成本（TCO）是数据中心采购推理卡时的核心衡量指标，通常包括硬件购置、电力消耗、机架空间、冷却以及运维人力等全生命周期费用。推理集群往往需要大规模铺量部署，单卡成本与功耗的微小差异会被集群规模放大，因此“单位功耗下能服务多少并发请求”比“峰值算力多高”更能影响实际账单。无HBM方案用成本更低的显存换取更大容量，若能以可接受的延迟支撑目标并发，就能在TCO上形成优势。这也解释了为何推理芯片会出现按“容量优先”“延迟优先”“功耗优先”等不同维度分层的趋势。

需要回答的问题

D270目前公开的信息仍然偏少。显存具体容量、带宽参数、支持的模型精度、软件栈成熟度，这些决定实际可用性的指标都还没有完整披露。Product Hunt上72票、1条评论的热度也说明它尚未进入主流讨论视野。

对开发者而言，最关心的莫过于软件生态：是否兼容主流推理框架，编译器工具链是否成熟，现有模型迁移成本多高。英特尔过去在GPU软件栈上吃过亏，D270能否避开同样的坑，比硬件参数更值得关注。

从产品策略看，D270选择在Product Hunt发布而非传统数据中心产品渠道，本身也透露出一种试探意味——先看看开发者社区的反应，再决定后续投入节奏。这款产品能否成立，最终取决于实测的推理性价比，以及英特尔愿意在软件生态上投入多少耐心。