AI 吃掉内存的方式,比“涨价”要深刻得多
2026 年围绕内存的讨论,大多停留在价格上:DRAM 合约价单季环比上涨 90%—95%,手机存储成本占比从 10%—15% 飙到 30% 以上,PC 出货量下滑超过一成。涨价当然是真的,但如果只看到涨价,就会错过真正重要的变化。AI 对内存硬件的影响,本质上不是一次需求脉冲,而是一场由晶圆物理约束驱动的产能重分配。它的代价被系统性地转嫁给了消费电子、汽车和边缘设备,而技术层面的回应——HBM 代际升级、CXL 内存池、近存计算——则试图从架构上重新定义“内存应该放在哪里、为谁服务”。
一颗 HBM 吃掉三份晶圆:供给紧张的物理根源
要理解为什么 AI 能把整个内存市场搅得天翻地覆,首先要看一个不太起眼但决定一切的事实:HBM 不是普通的 DRAM。
HBM 把多层 DRAM 裸片垂直堆叠,通过硅通孔互连,再与 GPU 并肩封装。堆叠提升了带宽,但并不节省晶圆。业内测算,一颗 HBM 消耗的晶圆面积约为同等容量通用 DRAM 的三倍;换句话说,每生产 1GB HBM,就要放弃约 3GB 通用内存的产出。三星、SK 海力士、美光三家合计掌握全球 95% 以上的 DRAM 产能,当它们把晶圆切给 HBM 时,通用 DRAM 的供给是以两三倍的速度在消失。
数据可以把这个“晶圆算术”讲得更清楚。2026 年 HBM 市场规模预计增长 58% 至 546 亿美元,占 DRAM 市场近四成;三大原厂已将 70% 的新增/可调配产能倾斜至 HBM,但 HBM 产能缺口仍然达到 50%—60%。IDC 的预测则揭示了全局性的错配:2026 年全球 DRAM 供应同比增长仅 16%,NAND 供应增长 17%,而需求增速分别达到 45% 和 38%。SK 集团董事长甚至判断,内存短缺很可能持续到 2030 年。
这不是一个可以通过“多建厂”快速解决的问题。新建专用晶圆厂从动工到量产至少需要两年,而 HBM 还依赖先进封装,良率爬坡艰难。供给的刚性,遇上 AI 需求的指数级膨胀,决定了这场紧张的持续时间会以年为单位,而非季度。
谁在为 AI 算力“沉默让位”
产能倾斜的方向由毛利率决定。HBM 的毛利率约为 60%,是消费级 DRAM 的一到三倍;SK 海力士已把 75% 的 DRAM 产能划给 HBM,三星的 HBM3E 订单占其 DRAM 总产能的 82%。云巨头愿意支付溢价、提前锁定产能,而消费电子和汽车行业被挤到了队列后排。
手机是感受最直接的终端。12GB 手机内存采购价从 200 元涨至近 600 元,1TB 闪存从 200 元出头升至 600 元;小米 REDMI 产品经理透露内存成本 12 个月涨了约 5.5 倍。LPDDR5X 合约价三个季度涨到约 3.8 倍,而 AI 服务器还在与手机争抢 LPDDR 供给,端侧 AI 的成本曲线在相当长时间里实际上由数据中心决定。
汽车行业的处境更为被动。车规级存储芯片价格在 2026 年 3 月至 6 月间暴涨 180%,中高配车型单车存储成本从 40—90 美元跃升至 90—220 美元。蔚来李斌的表述很直白:汽车行业要和 AI 算力中心、手机抢内存,“对方都是上千亿美元的投资规模,我们在产能争夺上毫无优势”。有供应链负责人预警,2026 年汽车存储芯片供应满足率可能不足 50%。
云厂商资本开支的结构变化则从另一面印证了这种“虹吸”。2026 年内存占超大规模数据中心总资本支出的比例预计达到约 30%,而 2023—2024 年这一比例仅为 8% 左右;到 2027 年,DRAM 与 NAND 合计占云厂商资本开支的比重可能从 47% 攀升至 68%。投资主线正在从“追逐 GPU 算力”转向“算存协同的系统价值评估”。
技术回应:不是消除约束,而是绕过约束
面对“内存墙”,产业界并没有坐等产能释放。三条技术路径正在同时推进,它们的共同逻辑是:既然数据搬运的代价越来越高,那就让数据少搬,或者搬得更聪明。
HBM 自身的代际升级是第一条路径。HBM4 将接口位宽从 1024 位翻倍至 2048 位,单堆栈带宽达到 3.3TB/s,约为 HBM3E 的 2.7 倍;美光量产的 36GB 12 层版本带宽超过 2.8TB/s,功耗效率提升逾 20%。这解决的是“带宽够不够”的问题,但并没有改变 HBM 吃晶圆的基本盘。
CXL 内存池化是第二条路径,直接针对容量和共享。联想在 2026 年 CCF 高性能计算大会上展示的方案,用 CXL 内存池扩展可用内存容量,让 KV Cache 分层存储,并支持多个推理实例共享公共前缀。验证数据显示,内存池相比 NVMe 层可将首 Token 延迟降低 3.5 倍,借助 KV 复用相比完全重计算可加速 12 至 28 倍。CXL 3.0/4.0 进一步支持机架级内存池化与共享,代价是 50—250 纳秒的额外延迟。
第三条路径是近存计算,把计算任务下沉到数据所在的位置。联想在同一方案中在内存侧配置近存计算引擎,将 Attention 等适合的计算与 KV 数据一起下沉,减少跨设备搬运,解码延迟降低约 2.5 倍,系统吞吐量提升 6 至 20 倍。这指向一个更根本的方向:当“把数据搬到计算”变得太贵时,就把计算搬到数据旁边。
这些技术不会让 HBM 的产能缺口消失,也不会让消费电子的涨价压力立刻缓解。但它们正在改变内存硬件的价值定位——内存不再只是“容量”和“带宽”的提供者,而是 AI 推理架构中需要被分层设计、池化调度和就近计算的核心资源。
这不是周期,是分配规则的重写
回到文章开头的问题:AI 对内存硬件的影响到底是什么?
最表层的答案是涨价,但更深一层,是晶圆这一最刚性的物理资源,正在按照 AI 的算力回报率被重新分配。HBM 吃掉三倍晶圆,云巨头用长约锁死产能,消费电子和汽车被迫接受“配给制”。存储市场最重要的变化,不是“价格涨了多少”,而是“谁先拿到产能”。
这个分配规则短期内不会逆转。新增产能集中在 2027 年及以后释放,而 AI 的需求曲线仍然陡峭。但技术演进也在同时改写“内存硬件”的定义:HBM 解决带宽,CXL 解决容量共享,近存计算解决搬运成本。未来的内存系统不会是一层 DRAM 打天下,而是一个从 HBM 到 CXL 池化层再到近存计算的分层架构。
对于关注硬件的人来说,真正值得跟踪的,不是下一个季度的合约价涨幅,而是三条线索的交汇:HBM 的晶圆消耗强度是否随着堆叠层数上升而进一步恶化,CXL 内存池在真实推理负载中的采纳速度,以及近存计算能否从展示案例走向规模化部署。这三条线索,会比任何单季价格数据更早地告诉我们,内存硬件在 AI 时代最终会被塑造成什么样子。
- 点赞
- 收藏
- 关注作者
评论(0)