Hukommelse er blevet den nye flaskehals i hele hardwarebranchen. Mens grafikkort og AI-chips i årevis konkurrerede på kernetal og klokfrekvens, afgøres kampen i 2026 et andet sted: i hukommelsesstakken. HBM4, den nye JEDEC-standardiserede højbåndbreddehukommelse, ruller nu ud i AI-acceleratorer fra AMD, Nvidia og flere andre chipdesignere. Samtidig sidder Nvidias kommende RTX 50 Super-serie fast, fordi GDDR7-moduler er blevet en mangelvare. Denne artikel går teknisk til værks og sammenligner HBM4 og GDDR7 på båndbredde, kapacitet, pris og faktisk brug i produkter, der enten allerede er lanceret eller er tæt på det.
Historien er relevant for to meget forskellige læsergrupper. Den ene er it-indkøbere og datacenteroperatører, der skal beslutte, hvilken generation af AI-hardware de binder budgetter til i 2027. Den anden er almindelige forbrugere, der overvejer et nyt grafikkort og undrer sig over, hvorfor priserne stiger, samtidig med at rygterne om nye modeller trækker ud. Begge grupper rammes af den samme underliggende udvikling: hukommelsesproducenterne kan ikke følge med efterspørgslen fra AI-industrien, og det får konsekvenser hele vejen ned gennem forsyningskæden.
Hvad er HBM4, og hvorfor betyder det noget lige nu?
HBM4 (High Bandwidth Memory generation 4) er den fjerde generation af den stablede hukommelsesteknologi, som JEDEC formelt standardiserede i august 2026. I modsætning til traditionel GDDR-hukommelse, der sidder som separate chips rundt om en GPU-kerne, stables HBM-chips lodret oven på hinanden og forbindes til processoren gennem et meget bredt interface, typisk via en silicium-interposer. HBM4-standarden specificerer op til 8 Gb/s pr. pin over et 2048-bit interface, hvilket giver en samlet båndbredde på op til cirka 2 TB/s pr. stak. Det er en markant stigning i forhold til HBM3E, som typisk lander omkring 1,2 TB/s pr. stak i eksisterende Nvidia- og AMD-produkter.
Det, der driver interessen lige nu, er kombinationen af båndbredde og kapacitet. SK hynix demonstrerede på Flash Memory Summit i 2026 flere HBM4-varianter, herunder en 12-lags stak på 48 GB HBM4E og en 16-lags stak, også på 48 GB HBM4, ved siden af en 12-lags 36 GB HBM3E-stak til sammenligning. Flere lag betyder mere kapacitet i samme footprint, hvilket er afgørende for AI-modeller, der i stigende grad er begrænset af, hvor meget data der kan holdes tæt på beregningskernen, fremfor af selve regnekraften.
Hvad er GDDR7, og hvorfor er den i knibe?
GDDR7 er efterfølgeren til GDDR6X og er den hukommelsestype, Nvidia og AMD bruger i deres forbrugergrafikkort, herunder hele den nuværende RTX 50-serie og Radeon RX 9000-serie. Modsat HBM sidder GDDR-chips separat på printkortet omkring GPU-dien og forbindes via et bredere, men mindre effektivt, parallelt interface. Det gør GDDR7 billigere at producere og lettere at integrere i almindelige forbrugerprodukter, men det giver også lavere båndbredde pr. watt end HBM.
Problemet i 2026 er ikke teknologien selv, men forsyningen. Ifølge branchekilder citeret af Tom’s Hardware i slutningen af august er priserne på GDDR7-moduler på 3 GB steget til omkring 70 dollar pr. chip. Det er markant dyrere end tidligere GDDR6- og GDDR6X-generationer, og det presser marginalerne på både high end- og midrange-grafikkort. Årsagen er, at de samme produktionslinjer, der laver GDDR7 til gaming-GPU’er, også bruges til AI-relaterede datacenterkort, og når efterspørgslen efter AI-hardware stiger, prioriterer hukommelsesproducenterne ofte de mest lukrative kontrakter først.
HBM4 vs GDDR7: Teknisk sammenligning
Tabellen herunder stiller de to teknologier op imod hinanden på de parametre, der betyder mest for både AI-indkøbere og gaming-forbrugere. Tallene er baseret på JEDEC-specifikationer og offentligt tilgængelige producentdata fra SK hynix, Samsung og Micron.
| Parameter | HBM4 | GDDR7 |
|---|---|---|
| Standardiseret af | JEDEC, august 2026 | JEDEC, 2023 (i produkter fra 2025) |
| Interface-bredde | 2048-bit pr. stak | 32-bit pr. chip (typisk 256-384 bit samlet) |
| Hastighed pr. pin | Op til 8 Gb/s | Op til cirka 32-40 Gb/s |
| Båndbredde pr. enhed | Op til ca. 2 TB/s pr. stak | Cirka 1,3-1,5 TB/s samlet pr. GPU (RTX 50-serien) |
| Typisk kapacitet | 36-48 GB pr. stak (12-16 lag) | 1-3 GB pr. chip |
| Fysisk placering | Stablet direkte på interposer ved siden af GPU/AI-die | Separate chips rundt om GPU-dien på printkortet |
| Effektivitet (bit pr. watt) | Højere, pga. kortere signalveje | Lavere end HBM, men bedre end ældre GDDR6X |
| Produktionsomkostning | Høj, kræver interposer og avanceret pakning | Lavere pr. enhed, men presset af global efterspørgsel |
| Primære producenter | SK hynix, Samsung, Micron | Samsung, Micron, SK hynix |
| Typisk anvendelse | AI-acceleratorer, datacenter-GPU’er | Forbruger-GPU’er, gaming-laptops, mellemklasse-workstations |
| Eksempler på produkter | AMD Instinct MI455X, Nvidia Rubin-serien | RTX 5090, RTX 5080, RX 9070 XT |
| Skalerbarhed | Skalerer via flere stakke og lag | Skalerer via flere chips, begrænset af printplads |
Det centrale mønster er tydeligt: HBM4 vinder på båndbredde pr. watt og på tæthed, mens GDDR7 stadig er den mest omkostningseffektive løsning for produkter, hvor prisen skal holdes nede for et bredt forbrugermarked. Forskellen bliver først for alvor synlig, når man ser på faktiske produkter i stedet for standarder på papir.
HBM-generationernes udvikling: Fra HBM1 til HBM4
For at forstå, hvor markant springet til HBM4 faktisk er, hjælper det at se på hele slægten af HBM-standarder siden den første version fra 2013. Hver generation har hævet båndbredden betydeligt, mens kapaciteten pr. stak er vokset gennem flere lag stablede chips. HBM4 er ikke en lille inkrementel opdatering, det er det største spring i interface-bredde, siden JEDEC gik fra HBM2 til HBM3.
| Generation | Standardiseret | Interface pr. stak | Typisk båndbredde pr. stak | Typisk brug |
|---|---|---|---|---|
| HBM1 | 2013 | 1024-bit | Cirka 128 GB/s | Tidlige GPU-eksperimenter |
| HBM2 | 2016 | 1024-bit | Cirka 256 GB/s | Datacenter-GPU’er, AI-forskning |
| HBM2E | 2018-2020 | 1024-bit | Cirka 460 GB/s | Tidlige AI-acceleratorer |
| HBM3 | 2022 | 1024-bit | Cirka 819 GB/s | Nvidia H100, AMD MI300-serien |
| HBM3E | 2023-2024 | 1024-bit | Cirka 1,2 TB/s | Nvidia GB300, H200-generationen |
| HBM4 | August 2026 | 2048-bit | Op til cirka 2 TB/s | AMD Instinct MI455X, Nvidia Rubin-serien |
Det springer i øjnene, at HBM4 er den første generation, der fordobler interface-bredden fra 1024-bit til 2048-bit pr. stak, i stedet for blot at skrue op for hastigheden pr. pin. Det er en dyrere og mere kompleks ændring at designe rundt om, hvilket forklarer, hvorfor kun de tre etablerede producenter, Samsung, SK hynix og Micron, er i stand til at levere den i store mængder lige nu. GDDR-familien har til sammenligning udviklet sig langsommere i interface-bredde og har i stedet hentet det meste af sin fremgang fra højere klokfrekvenser pr. pin, hvilket er en billigere, men også mere begrænset vej til mere båndbredde.
Båndbredde og ydeevne: Hvad siger benchmarks fra tre kilder?
Ingen enkelt kilde har testet HBM4 og GDDR7 direkte mod hinanden i identiske chips, simpelthen fordi de bruges i vidt forskellige produktkategorier. Til gengæld kan man sammenligne, hvad de faktisk leverer i de chips, hvor de allerede sidder. SK hynix’ egne demonstrationer fra Flash Memory Summit viser en 16-lags HBM4-stak med 48 GB kapacitet, mens Nvidias GB300 Blackwell Ultra, som stadig bruger HBM3E, samlet leverer omkring 8 TB/s på tværs af otte 12-lags stakke á i alt 288 GB. Det giver et sammenligningsgrundlag: en fremtidig HBM4-baseret chip med færre stakke kan i teorien matche eller overgå den samlede båndbredde med lavere effektforbrug.
På AI-siden peger markedsanalysefirmaet TrendForce på, at hukommelsesbåndbredde nu er den primære flaskehals for store sprogmodeller med lange kontekstvinduer, fremfor selve regnekraften i FLOPS. Det bekræftes indirekte af AMD’s egne produktangivelser for Instinct MI455X, som er specificeret med 432 GB HBM4, hvilket er omkring 50 procent mere end forgængeren, der lå på cirka 288 GB. En tredje kilde, rapportering omkring analytiker Ming-Chi Kuo, beskriver, hvordan Nvidia omdesignede sin Rubin CPX-accelerator fra en tidligere GDDR7-baseret konfiguration på 128 GB til en ny model med 168 GB HBM4 pr. GPU, netop for at følge med i båndbreddekravet fra AI-inferens.
Hvorfor båndbredde slår rå regnekraft i 2026
Grunden til, at hukommelsesbåndbredde er blevet det nye slagsmål, er enkel. Store sprogmodeller skal flytte enorme mængder parametre og aktiveringer mellem hukommelse og regnekerner for hver eneste token, de genererer. Hvis hukommelsen ikke kan følge med, sidder den dyre GPU eller AI-chip og venter i tomgang. Det er derfor, en chip som OpenAIs rapporterede Jalapeño-design kombinerer seks HBM4-stakke til i alt 216 GiB hukommelse og en samlet båndbredde på 15,4 TB/s. Tallene stammer fra tekniske rapporter om chippen og er endnu ikke bekræftet med en officiel produktlancering, men de illustrerer, hvor langt branchen er villig til at gå for at fjerne netop denne flaskehals.
Prissammenligning: Hvad koster hukommelsen egentlig?
Prisbilledet er lige så vigtigt som specifikationerne, for det er prisen, der afgør, hvilke produkter der kan bruge hvilken hukommelse. HBM4 er markant dyrere pr. gigabyte end GDDR7, men til gengæld giver den så meget mere båndbredde og kapacitet pr. chip, at den samlede pris pr. TB/s i AI-sammenhæng ofte alligevel giver mening for datacenterkunder. GDDR7 er derimod ramt af en akut mangelsituation, som gør, at prisen stiger, selvom teknologien i sig selv ikke er dyr at designe.
| Produkt/komponent | Hukommelsestype | Kapacitet | Anslået prisniveau | Status pr. efterår 2026 |
|---|---|---|---|---|
| GDDR7-modul (3 GB) | GDDR7 | 3 GB pr. chip | Cirka 70 USD pr. chip | Mangel, stigende pris |
| RTX 5080 (nuværende) | GDDR7 | 16 GB samlet | Officiel vejl. pris fra lancering | I salg |
| RTX 5080 Super (rygte) | GDDR7 | Ikke officielt bekræftet | Ingen officiel pris pr. 31. august 2026 | Forsinket, forventet CES 2027 |
| RTX 5070 Ti Super (rygte) | GDDR7 | Ikke officielt bekræftet | Ingen officiel pris | Forsinket |
| AMD Instinct MI455X | HBM4 | 432 GB | Datacenterprissegment, ikke offentliggjort | På vej til markedet |
| Nvidia Rubin CPX | HBM4 | 168 GB pr. GPU (rapporteret) | Ikke offentliggjort | Under udvikling, omdesignet |
| Nvidia GB300 (HBM3E, reference) | HBM3E | 288 GB | Datacenterprissegment | I produktion |
| HBM4-stak, 16 lag | HBM4 | 48 GB pr. stak | Prisdrevet af udbytte hos Samsung/SK hynix | Demonstreret, tidlig produktion |
Det, der gør prisbilledet endnu mere skævvredet, er, at Nvidia ifølge leverandørkilder aktivt prioriterer GDDR7-forsyning til sine AI-relaterede datacenterprodukter frem for forbrugergrafikkort. Det betyder, at almindelige gamere i praksis konkurrerer om den samme hukommelsesproduktion som verdens største AI-selskaber, og det er en kamp, forbrugermarkedet typisk taber på kort sigt.
Hvorfor RTX 50 Super-serien er skubbet til 2027
Nvidias ventede opdatering af RTX 50-serien, med modeller som RTX 5080 Super, RTX 5070 Ti Super og RTX 5070 Super, har ifølge forsyningskædekilder fra slutningen af august 2026 flyttet sig fra en oprindelig forventning om lancering i første halvdel af 2026 til nu at pege mod CES 2027. Nvidia har pr. 31. august 2026 ikke offentliggjort officielle specifikationer, klokfrekvenser, VRAM-mængder eller priser for nogen af de tre modeller. Alt, hvad der cirkulerer i medierne, stammer fra board-partnere og leverandørkilder, ikke fra Nvidia selv.
Forsinkelsen hænger direkte sammen med GDDR7-manglen beskrevet ovenfor. Super-modellerne er rygtet til at skulle bruge mere og hurtigere GDDR7 end de nuværende RTX 50-kort, og når selve råvaren er en mangelvare og dyrere end forventet, giver det ikke mening for Nvidia at presse et produkt ud, før forsyningskæden er stabil nok til at holde en fornuftig pris. For danske og nordiske forbrugere betyder det konkret, at man ikke skal vente en opdateret Super-model i denne omgang af julehandelen, og at de nuværende RTX 50-kort sandsynligvis forbliver de bedste købsmuligheder frem til tidligst begyndelsen af 2027.
AI-chips der allerede satser på HBM4
Selvom HBM4 stadig er en ny standard, er der allerede en håndfuld konkrete produkter og designs, der bruger eller er bygget til at bruge den. Her er fem eksempler, der viser, hvor bredt teknologien allerede er blevet adopteret på tværs af branchen.
- AMD Instinct MI455X — en del af MI400-serien, specificeret med 432 GB HBM4, hvilket er cirka 50 procent mere hukommelse end forgængerens topmodel på omkring 288 GB.
- Nvidia Rubin-familien: Nvidias efterfølger til Blackwell Ultra/GB300, rapporteret til at kunne bære op til 288 GB HBM4 pr. GPU i sin bredeste konfiguration.
- Nvidia Rubin CPX — en specialiseret variant, der ifølge analytiker Ming-Chi Kuo blev omdesignet fra 128 GB GDDR7 til 168 GB HBM4 pr. GPU, netop for at imødekomme AI-inferensens båndbreddebehov.
- OpenAIs rapporterede Jalapeño-chip: en inferenschip, der ifølge tekniske rapporter kombinerer seks HBM4-stakke til 216 GiB hukommelse og 15,4 TB/s samlet båndbredde. Designet er endnu ikke officielt lanceret som et færdigt produkt.
- SK hynix’ demonstrationsstakke — vist frem på Flash Memory Summit 2026 i både 12-lags og 16-lags udgaver på 48 GB, som grundlag for kommende kundeprodukter fra flere chipdesignere.
Fælles for alle fem eksempler er, at de retter sig mod datacenter- og AI-inferensmarkedet, ikke mod forbrugerprodukter. Det understreger, hvorfor HBM4 og GDDR7 i praksis sjældent konkurrerer direkte om de samme kunder, selvom de begge er hukommelsesteknologier under samme JEDEC-paraply. Det er også værd at bemærke, at flere af eksemplerne herover, særligt Nvidia Rubin CPX og OpenAIs Jalapeño-chip, endnu bygger på analytiker- og branchereportering fremfor officielle produktlanceringer. Det ændrer ikke ved den overordnede retning i branchen, men det betyder, at konkrete specifikationer kan blive justeret, inden produkterne rammer markedet for alvor.
Samsung, SK hynix og Micron: Kapløbet om produktion
Hele HBM4-fortællingen afhænger af, om de tre store hukommelsesproducenter kan skalere produktionen hurtigt nok. Her er billedet faktisk lovende. Ifølge et branchebriefing fra slutningen af august 2026 har Samsung Electronics nået 80 procents udbytte på sin HBM4-produktion, flere måneder hurtigere end selskabets egen plan tilsagde. Det har samtidig sikret Samsung nye støbeordrer knyttet til Nvidias inferenschips. Et højere udbytte betyder færre defekte stakke pr. wafer, hvilket direkte oversætter til lavere enhedspris og bedre tilgængelighed for kunder, der venter på HBM4-baserede AI-acceleratorer.
SK hynix har historisk været den mest aggressive spiller på HBM-markedet og var først med kommerciel HBM3E i store mængder. Med demonstrationerne på Flash Memory Summit signalerer selskabet, at det vil forsvare sin position ind i HBM4-æraen med både 12-lags og 16-lags produkter klar til kundekvalificering. Micron er den tredje store aktør og har historisk ligget lidt efter de to koreanske konkurrenter på HBM, men har investeret tungt i at indhente forspringet, efterhånden som AI-efterspørgslen har gjort hukommelse til selskabets vigtigste vækstområde.
Denne konkurrence mellem tre producenter er faktisk gode nyheder for prisudviklingen på sigt. Jo hurtigere alle tre får høje udbytter på HBM4, desto hurtigere falder prisen pr. gigabyte, hvilket i teorien kan frigøre mere produktionskapacitet til GDDR7 igen og lette presset på forbrugergrafikkort. Men det er en proces, der tager kvartaler, ikke uger.
Det er værd at huske, at samme mønster gentog sig under HBM3E-overgangen i 2023 og 2024, hvor tidlige leverancer også var begrænset af udbytteproblemer, før priserne gradvist normaliserede sig i takt med, at produktionen modnede. Forskellen denne gang er, at AI-efterspørgslen er markant større end for to år siden, hvilket betyder, at selv et forbedret udbytte hos alle tre producenter måske ikke er nok til at dække både datacentermarkedet og forbrugermarkedets behov samtidig i den nærmeste fremtid.
Anden vej til båndbredde: Cerebras og wafer-scale-tilgangen
Ikke alle forsøger at løse hukommelsesproblemet gennem HBM4. Cerebras lancerede den 19. august 2026 sit CS-4-system, som ifølge selskabets egne oplysninger leverer omkring 750 petaFLOPS pr. rack og hævder op til 30 gange hurtigere GPU-inferens på udvalgte arbejdsbelastninger. Cerebras’ tilgang bruger wafer-scale-design, hvor hele siliciumwaferen fungerer som én sammenhængende chip med hukommelse fordelt direkte på waferen, i stedet for separate HBM-stakke. Selv med denne alternative arkitektur er systemet stadig begrænset af, hvor hurtigt data kan flyttes internt, hvilket er præcis den samme flaskehals, HBM4 forsøger at løse på en anden måde. Det er en påmindelse om, at hukommelsesbåndbredde er et branchebredt problem, ikke noget der kun rammer Nvidia og AMD.
Hvorfor hukommelsesbåndbredde afgør AI-modellers ydeevne
For udviklere, der arbejder med at træne eller køre store sprogmodeller, er valget mellem HBM4 og GDDR7 sjældent noget, de selv træffer direkte, men det påvirker, hvilken cloud-hardware der er tilgængelig, og til hvilken pris. Under inferens skal en model for hver eneste genereret token læse hele eller store dele af sin såkaldte KV-cache, den midlertidige hukommelse, der holder styr på tidligere tokens i en samtale. Jo længere kontekstvindue en model understøtter, desto større bliver denne cache, og desto mere afgørende bliver det, at hukommelsen kan levere data hurtigt nok til at holde GPU’ens regnekerner beskæftiget.
Det er præcis dette forhold, der forklarer, hvorfor chipdesignere som OpenAI og Nvidia vælger HBM4 til inferenschips, selv når prisen er markant højere end GDDR7. En model, der venter på hukommelsen i stedet for at regne, spilder dyr GPU-tid, og i stor skala betyder det direkte tabte penge for cloud-udbydere, der sælger regnekraft pr. time. Til træning af nye modeller gælder samme logik, blot i endnu større skala, fordi træning involverer at flytte gradienter og aktiveringer frem og tilbage mellem tusindvis af chips samtidig. Her bliver den samlede båndbredde på tværs af et helt cluster ofte den faktor, der bestemmer, hvor lang tid en træningskørsel tager, uafhængigt af, hvor mange FLOPS chippene i teorien kan levere.
Det betyder ikke, at GDDR7 er irrelevant for AI. Mindre modeller, der køres lokalt på forbruger-GPU’er, som når udviklere tester og finjusterer mindre sprogmodeller på deres egen RTX 5080 eller RX 9070 XT, klarer sig fint med GDDR7’s båndbredde, fordi modellernes parametertal og kontekstvinduer er langt mindre end i de største datacentermodeller. Skillelinjen går derfor reelt ved skala: jo større model og jo længere kontekst, desto mere presserende bliver behovet for HBM4’s ekstra båndbredde.
Tidslinje: Nøgledatoer i hukommelseskampen
Udviklingen i 2026 er gået hurtigt, og det kan være svært at holde styr på, hvilke begivenheder der reelt har flyttet markedet. Tabellen herunder samler de vigtigste datoer, som denne artikel bygger på, i kronologisk rækkefølge.
| Dato | Begivenhed |
|---|---|
| August 2026 | JEDEC standardiserer officielt HBM4 |
| August 2026 | SK hynix demonstrerer 12-lags og 16-lags HBM4-stakke på Flash Memory Summit |
| 19. august 2026 | Cerebras lancerer CS-4-systemet med wafer-scale-arkitektur |
| Slutningen af august 2026 | Samsung rapporteres at have nået 80 procents udbytte på HBM4-produktion |
| 31. august 2026 | Nvidia har fortsat ikke offentliggjort specifikationer eller priser for RTX 50 Super-serien |
| Forventet CES 2027 | Nvidia ventes at annoncere RTX 5080 Super, RTX 5070 Ti Super og RTX 5070 Super |
Det mest markante ved denne tidslinje er, hvor tæt de forskellige begivenheder ligger på hinanden. Standardiseringen af HBM4, demonstrationerne fra SK hynix og nyheden om Samsungs udbyttefremskridt kom alle inden for samme måned, mens GDDR7-manglen, der rammer RTX 50 Super, har udviklet sig over en længere periode uden en enkelt udløsende begivenhed. Det understreger forskellen mellem de to teknologier: HBM4’s udvikling drives af koordinerede industristandarder og planlagte produktlanceringer, mens GDDR7’s problemer er et symptom på en bredere kapacitetskrise i hele hukommelsesindustrien.
Sådan beregner du teoretisk båndbredde
For teknisk interesserede læsere er formlen bag de båndbreddetal, der bliver citeret i pressemeddelelser, faktisk ret enkel. Båndbredde beregnes som antal databit-linjer ganget med hastigheden pr. pin, divideret med otte for at omregne fra bit til byte. Herunder er en simpel model, du kan bruge til selv at regne på både HBM4- og GDDR7-konfigurationer.
// Forenklet båndbreddeberegning for hukommelsesstakke
function beregnBaandbredde(interfaceBit, hastighedGbPrPin, antalStakke) {
// Resultat i GB/s pr. stak, ganget med antal stakke
const bitsPrCyklus = interfaceBit * hastighedGbPrPin; // Gb/s
const bytesPrSek = bitsPrCyklus / 8; // GB/s pr. stak
return bytesPrSek * antalStakke; // Samlet GB/s
}
// HBM4-eksempel: 2048-bit interface, 8 Gb/s pr. pin, 1 stak
console.log(beregnBaandbredde(2048, 8, 1)); // ca. 2048 GB/s = ~2 TB/s
// GDDR7-eksempel: 32-bit pr. chip, 32 Gb/s pr. pin, 8 chips
console.log(beregnBaandbredde(32, 32, 8)); // ca. 1024 GB/sFordele og ulemper ved HBM4
HBM4 er ikke en universalløsning, og det er værd at se nøgternt på, hvor teknologien er stærk, og hvor den falder igennem for de fleste almindelige brugere.
- Fordel: Markant højere båndbredde pr. watt end GDDR7, hvilket er afgørende for store AI-modeller.
- Fordel: Højere kapacitet pr. enhed gennem flere stablede lag, op til 48 GB pr. stak i de nyeste demonstrationer.
- Fordel: Kortere signalveje giver lavere latens og bedre energieffektivitet i datacentre, hvor strømregningen er en reel forretningsomkostning.
- Ulempe: Betydeligt dyrere at producere på grund af interposer og avanceret pakningsteknologi.
- Ulempe: Kræver specialiseret chipdesign og kan ikke bare tilføjes et eksisterende GPU-layout uden større ændringer.
- Ulempe: Begrænset til et fåtal af producenter (Samsung, SK hynix, Micron), hvilket skaber sårbare forsyningskæder.
Fordele og ulemper ved GDDR7
GDDR7 har eksisteret længere og er langt mere udbredt i forbrugerprodukter, men den aktuelle mangelsituation ændrer regnestykket for mange køberes overvejelser.
- Fordel: Lavere kompleksitet i produktion og montering sammenlignet med HBM, hvilket historisk har holdt prisen nede.
- Fordel: Bredt understøttet af eksisterende GPU-arkitekturer fra både Nvidia og AMD uden behov for interposer-teknologi.
- Fordel: Fleksibel kapacitetsskalering ved at tilføje flere chips på printkortet, hvilket giver producenter mulighed for forskellige VRAM-konfigurationer af samme GPU.
- Ulempe: Akut prispres, med moduler der ifølge rapporter er steget til omkring 70 dollar pr. 3 GB chip.
- Ulempe: Lavere båndbredde pr. watt end HBM4, hvilket gør den mindre velegnet til de mest krævende AI-arbejdsbelastninger.
- Ulempe: Direkte konkurrence med AI-datacenterefterspørgsel om samme produktionskapacitet, hvilket forsinker forbrugerprodukter som RTX 50 Super.
Brugsscenarier: Hvornår skal du vælge hvad?
De færreste danske læsere skal selv vælge mellem HBM4 og GDDR7 som råvare, men valget bag kulisserne påvirker, hvilke produkter der giver mening at købe eller investere i lige nu. Her er fem konkrete anbefalinger baseret på forskellige behov.
- AI-datacentre og cloud-udbydere med inferens i stor skala bør planlægge indkøb omkring HBM4-baserede acceleratorer som AMD Instinct MI455X eller Nvidia Rubin-serien, selv med et prispremium, fordi båndbredden reducerer antallet af chips, der skal til for at nå samme ydeevne.
- Mindre virksomheder og startups, der bygger egne inferensklynger, bør overveje eksisterende HBM3E-baseret hardware som Nvidia GB300, som allerede er i produktion og typisk billigere end første generation af HBM4-produkter.
- Danske og nordiske gamere, der planlægger et nyt system nu, bør købe blandt de eksisterende RTX 50- og RX 9000-kort i stedet for at vente på RTX 50 Super, da lanceringen tidligst ventes til CES 2027.
- Komponentindkøbere og OEM-partnere bør låse priser og leveringsaftaler på GDDR7 tidligt, da manglen forventes at vare ved, så længe hukommelsesproducenterne prioriterer AI-kontrakter.
- Forskningsinstitutioner og HPC-miljøer i Norden bør følge Samsung og SK hynix’ udbytteudvikling tæt, da et udbytte over 80 procent typisk er vendepunktet, hvor priserne på ny hukommelsesteknologi begynder at falde mærkbart.
Migreringsguide: Sådan navigerer du skiftet i praksis
Hvis din organisation planlægger et hardwareindkøb i de kommende to til fire kvartaler, er det værd at gå metodisk til værks i stedet for at reagere på enkeltstående prisnyheder. Mange it-afdelinger begår den fejl at panik-købe ekstra lagerbeholdning, så snart en mangelsituation nævnes i pressen, hvilket ofte driver priserne yderligere op og skævvrider budgettet unødigt. En mere velovervejet tilgang er at kortlægge det faktiske behov først og derefter forhandle leveringsaftaler, der strækker sig over hele overgangsperioden. Her er en trinvis tilgang, der passer til både datacenterindkøb og almindelige workstation-opgraderinger.
Trin til AI- og datacenterindkøb
- Kortlæg jeres nuværende arbejdsbelastninger, og find ud af, om flaskehalsen reelt er hukommelsesbåndbredde eller regnekraft, før I beslutter jer for en dyr HBM4-opgradering.
- Sammenlign pris pr. TB/s båndbredde mellem eksisterende HBM3E-hardware (som Nvidia GB300) og kommende HBM4-produkter, i stedet for kun at se på listepris pr. chip.
- Følg leverandørers officielle roadmaps for AMD Instinct MI400-serien og Nvidia Rubin-serien, og undgå at basere budgetter på uofficielle lækager alene.
- Byg en buffer på 15-25 procent ekstra ind i hardwarebudgettet for 2027, da tidlige HBM4-produkter historisk har haft et prispremium, indtil udbyttet stabiliserer sig.
- Test kompatibilitet med eksisterende software-stacks og drivere, før I forpligter jer til fuld udrulning, især hvis I skifter chipleverandør samtidig med hukommelsesteknologi.
Trin til gaming- og workstation-opgraderinger
- Undlad at vente på RTX 50 Super-serien, hvis I har brug for et nyt system inden udgangen af 2026, da der ikke er en bekræftet lanceringsdato før CES 2027.
- Overvej nuværende RTX 5080 eller RX 9070 XT, som allerede har stabile priser og tilgængelighed uafhængigt af GDDR7-manglen på nye Super-modeller.
- Hold øje med prisudviklingen på GDDR7-moduler gennem brancherapportering, da et fald i modulpris typisk slår igennem til færdige grafikkort tre til seks måneder senere.
- Planlæg køb omkring større produktlanceringer som CES, hvor konkurrence mellem forhandlere typisk giver de bedste tilbud på eksisterende generationer.
- Undgå at panik-opgradere, bare fordi der kommer nye rygter om Super-modellernes specifikationer. Historisk har de første måneder efter en lancering ofte budt på højere priser og lavere lagerbeholdning, end når produktet har været på markedet nogle uger.
Hvad betyder det for danske og nordiske virksomheder?
Norden har ingen egen produktion af HBM4 eller GDDR7, hvilket betyder, at både priser og leveringstider i høj grad afhænger af globale forsyningskæder styret fra Sydkorea, USA og Taiwan. For danske datacenteroperatører og cloud-udbydere, der planlægger AI-infrastruktur, er den vigtigste konsekvens, at leveringstiden på HBM4-baserede systemer sandsynligvis forbliver lang, indtil Samsung, SK hynix og Micron alle har stabile udbytter over 80 procent samtidig. For danske forhandlere og gamingbutikker betyder GDDR7-manglen konkret, at lagerbeholdningen af nuværende RTX 50- og RX 9000-kort bliver vigtigere at forvalte godt, fordi der ikke kommer en ny bølge af Super-modeller til at afløse dem foreløbig.
Danske universiteter og forskningsmiljøer, der arbejder med maskinlæring, mærker samme forsyningspres, når de skal budgettere GPU-klynger til egen forskning. Her er anbefalingen typisk at se på brugte eller reducerede datacenterkort fra forrige generation, fremfor at vente på ny HBM4-hardware, som i første omgang vil blive prioriteret til de største cloud-udbydere og AI-laboratorier globalt. For nordiske it-forhandlere er den mest håndgribelige konsekvens formentlig, at grafikkortpriserne i butikkerne forbliver høje ind i 2027, uafhængigt af, om kunderne selv har noget med AI-industrien at gøre.
Samtidig skaber situationen en mulighed for nordiske forskningsmiljøer og universiteter, der arbejder med AI, til at forhandle bedre priser på ældre HBM3E-baseret hardware, efterhånden som de store cloud-udbydere flytter deres indkøb over mod HBM4. Det er ofte i overgangsfaser som denne, at sekundmarkedet for et par år gammel datacenterhardware bliver mest attraktivt for mindre budgetter. Analysehuset Counterpoint Research peger generelt på, at hukommelsespriser i overgangsperioder mellem generationer historisk skaber netop denne type prisforskelle mellem ny og gammel teknologi.
Verdict: Hvem vinder hukommelseskampen?
Der er ikke ét entydigt svar, fordi HBM4 og GDDR7 reelt løser to forskellige problemer. Til AI-træning og storskala-inferens er HBM4 det klare valg. Med op til 2 TB/s båndbredde pr. stak, kapaciteter på 36-48 GB, og allerede bekræftet brug i produkter som AMD Instinct MI455X (432 GB) og Nvidia Rubin CPX (168 GB rapporteret), er retningen entydig: al ny AI-hardware fra de største chipdesignere bevæger sig mod HBM4. Samsungs 80 procents udbytte, opnået måneder før tidsplan, er et stærkt signal om, at teknologien er ved at modnes hurtigere end ventet.
For forbrugergrafikkort forbliver GDDR7 dog den rigtige teknologi, simpelthen fordi HBM aldrig har været økonomisk realistisk i et prissegment, hvor kortene skal sælges for et par tusinde kroner. Problemet er ikke, at GDDR7 er en dårlig teknologi, men at den er fanget i et forsyningskapløb med AI-industrien, hvilket direkte har udskudt RTX 50 Super-serien til tidligst CES 2027 og presset modulpriser op mod 70 dollar pr. 3 GB chip. Konklusionen for de fleste læsere er derfor praktisk: køb eksisterende RTX 50- eller RX 9000-hardware nu, hvis I har brug for et system i år, og hold øje med Samsung og SK hynix’ udbyttetal som den tidligste indikator for, hvornår hukommelsespriserne på tværs af markedet begynder at falde igen.
Sat på spidsen handler denne sammenligning mindre om, hvilken teknologi der isoleret set er bedst, og mere om, at to markeder med meget forskellige økonomiske rammer nu konkurrerer om den samme begrænsede produktionskapacitet hos tre koreanske og amerikanske hukommelsesproducenter. Så længe AI-industrien er villig til at betale et markant prispremium for HBM4’s båndbredde, vil GDDR7 fortsat blive nedprioriteret i kapacitetsplanlægningen, uanset hvor mange gamere der venter på en ny generation grafikkort. Det billede ændrer sig først, når enten HBM4-udbyttet stiger så meget, at prisforskellen til GDDR7 indsnævres, eller når hukommelsesproducenterne åbner ny produktionskapacitet, der er dedikeret specifikt til forbrugermarkedet.
Ofte stillede spørgsmål om HBM4 og GDDR7
Er HBM4 bedre end GDDR7?
HBM4 leverer højere båndbredde pr. watt og større kapacitet pr. enhed, men er markant dyrere at producere. Til AI-datacentre er HBM4 typisk det bedre valg, mens GDDR7 forbliver mere praktisk til forbrugergrafikkort, hvor prisen skal holdes nede.
Hvorfor er RTX 50 Super-serien forsinket til 2027?
Forsinkelsen skyldes mangel på GDDR7-moduler. De samme produktionslinjer bruges til AI-relaterede datacenterprodukter, og når efterspørgslen efter AI-hardware stiger, prioriteres den ofte over forbrugergrafikkort. Nvidia har pr. 31. august 2026 ikke offentliggjort officielle specifikationer eller priser for Super-serien.
Hvad koster GDDR7-hukommelse lige nu?
Ifølge branchekilder er priserne på 3 GB GDDR7-moduler steget til omkring 70 dollar pr. chip, hvilket er væsentligt højere end tidligere GDDR6- og GDDR6X-generationer.
Hvilke AI-chips bruger allerede HBM4?
AMD’s Instinct MI455X er specificeret med 432 GB HBM4. Nvidias Rubin-familie er rapporteret til at kunne bære op til 288 GB HBM4 pr. GPU, mens den specialiserede Rubin CPX-variant er omdesignet til 168 GB HBM4. OpenAIs rapporterede Jalapeño-chip kombinerer seks HBM4-stakke til 216 GiB hukommelse.
Skal jeg vente med at købe grafikkort, til RTX 50 Super kommer?
Nej, medmindre I ikke har akut behov. Med en forventet lancering tidligst ved CES 2027, og ingen bekræftede specifikationer endnu, er det mere fornuftigt at købe blandt de nuværende RTX 50- eller RX 9000-kort, hvis I skal bruge et system i den kommende periode.
Hvad er forskellen på HBM4 og HBM3E?
HBM3E, som bruges i blandt andet Nvidias GB300, leverer typisk omkring 1,2 TB/s pr. stak. HBM4, standardiseret i august 2026, hæver dette til op til cirka 2 TB/s pr. stak samt højere kapacitet gennem flere stablede lag, op til 48 GB i de nyeste demonstrationer fra SK hynix.
Hvem producerer HBM4?
De tre store producenter er Samsung, SK hynix og Micron. Samsung har ifølge et branchebriefing fra august 2026 nået 80 procents udbytte på sin HBM4-produktion, mens SK hynix har vist flere HBM4-varianter frem på Flash Memory Summit 2026.
Påvirker HBM4-manglen også almindelige computere?
Ikke direkte, da HBM4 primært bruges i AI-acceleratorer og datacenter-GPU’er. Men den indirekte effekt er reel: når producenter prioriterer avanceret hukommelse til AI-markedet, presses forsyningen af GDDR7 til forbrugergrafikkort, hvilket er præcis det, der har forsinket RTX 50 Super-serien.
Kan HBM4 nogensinde blive brugt i almindelige gaming-grafikkort?
Det er teknisk muligt, men usandsynligt i den nærmeste fremtid. HBM kræver en dyrere interposer og mere kompleks pakningsteknologi end GDDR, hvilket historisk har gjort det for dyrt til et prissegment, hvor grafikkort skal sælges for et par tusinde kroner. Hvis Samsung, SK hynix og Micron fortsætter med at hæve udbyttet markant, kan omkostningerne dog falde nok til, at HBM på sigt bliver relevant i de allerdyreste forbrugerkort.
Hvor stor er forskellen mellem HBM4 og GDDR7 i praksis for en AI-model?
Forskellen viser sig tydeligst ved store modeller med lange kontekstvinduer, hvor hukommelsen skal levere data kontinuerligt til regnekernerne. Med op til cirka 2 TB/s pr. HBM4-stak mod omkring 1,3-1,5 TB/s samlet på en GDDR7-baseret forbruger-GPU, kan HBM4-baserede systemer holde flere regnekerner beskæftiget samtidig uden at vente på data, hvilket især mærkes ved lange samtaler eller store batch-størrelser under inferens.
