「不加 GPU 也能處理更多用戶」這句話的產業意涵，需放在 AI 推論負載佔比的變化來看。DIGITIMES 引述三星資料指出，AI 模型的參數規模預計在 2030 年前突破 1 兆個，傳統的統一記憶體架構（UMA）把所有模型權重置於 DRAM，邊緣端 AI 儲存成本將出現急劇上升；這也是三星在 GMIF 2026 大會上推出 400 層 zNAND-O 與 zHBM 兩條產品線的根本動機——把記憶體從「GPU 旁的附屬品」提升為「運算的主場」。

從三星官方的技術布局觀察，下一代 AI 記憶體由四條產品線共同構成。第八代 HBM5 持續提升頻寬與容量，是現有 AI 訓練叢集的延伸；客製化 HBM（Custom HBM）允許客戶在介面、容量、錯誤更正機制上自行定義，回應大型雲端業者對成本與功耗的差異化要求；zHBM 直接把 HBM 疊在加速器上方，縮短資料傳輸路徑並提高垂直互連密度；PIM（Processing-in-Memory）則是把運算邏輯嵌入記憶體陣列內部，這是「不加 GPU」的技術核心——某些矩陣乘加運算直接在記憶體晶片上完成，省下 GPU 與記憶體之間反覆搬運資料的功耗與延遲。

這項技術的時程意義需要和整體 AI 記憶體超級循環對照來看。三星 2026 年第一季半導體部門營業利益達 53.7 兆韓元、佔該公司整體利潤 93% 以上，主要動能正是來自 HBM 與伺服器 DRAM；Cnyes 2026 年 9 月的產業研究亦指出，Transformer 模型規模每兩年暴增約 240 倍，但記憶體頻寬與容量同期僅成長約 2 倍，這個 120 倍的差距被稱為「記憶體牆」，而三星 PIM 與 zHBM 的組合正是繞過或縮短這道牆的兩個工程化路徑。當單一伺服器的運算效率提升，雲端業者就能在不擴增 GPU 的情況下，承接更多並發推理請求，這對正在面臨 HBM 缺貨、成本高漲的 hyperscaler 來說是相當關鍵的解方。

不過這項技術也並非沒有取捨。TechNews 報導引述產業分析師指出，PIM 的編程模型與既有 CUDA 生態差距大，需要雲端業者大幅改寫推論引擎，對軟體遷移成本是新的不確定性；zHBM 因為把 HBM 疊上加速器，封裝熱密度比傳統 HBM 高出 30~50%，對散熱設計與材料可靠度也是新的工程題目。這些都是 DIGITIMES、StorageReview 等媒體報導中特別點名的次級風險，三星的工程樣品預計 2027 年下半年才會進入客戶驗證流程，距離大規模量產仍有 18~24 個月的觀察期。

整體而言，三星這次公開的「不加 GPU 也能處理更多用戶」是一個明確的產業宣示：AI 基礎設施的競爭正從「GPU 誰買得多」轉向「記憶體誰設計得深」。台灣供應鏈在此波典範移轉中的角色，主要是記憶體封裝與測試、TSV 製程設備，以及高頻寬基板與散熱材料；後續 12 至 18 個月將是觀察三星 PIM 樣品能否進入雲端業者設計清單的關鍵時程，而 HBM5、Custom HBM、zHBM、PIM 四條產品線在不同客戶端的接受度差異，也會直接影響台系封測與材料廠商的訂單結構。