夜雨聆风
2026年5月19日，Dell World大会。
黄仁勋和迈克尔·戴尔两个人坐在台上，接受彭博电视的专访。画面挺有意思的——一个是AI时代的"卖铲人"，一个是企业IT基础设施的老炮儿，两个人聊AI在企业里的落地，聊得那叫一个热火朝天。
但我觉得最有价值的，不是他们吹的那些牛，而是他们不经意间提到的一个问题：存储芯片，正在成为AI发展的最大瓶颈。
这个问题很少有人聊，但可能比GPU短缺更致命。
AI从"玩玩"到"干活"了
先说说这次访谈的大背景。
黄仁勋在台上说了一句话，大意是：AI已经从"测试评估"阶段，进入"生产部署"阶段了。
你可能觉得这不就是一句行业套话吗？不是的。这句话背后有很实在的数据支撑。
过去一年，戴尔新增了1000家AI服务器客户，总客户数达到5000家。什么概念？就是越来越多的企业，不再只是"试试AI"，而是真正把AI部署到生产环境里，开始用它干活了。
而且效果很猛。黄仁勋说，企业部署AI后，效率提升10倍、20倍甚至100倍。你没看错，100倍。
这听起来有点夸张，但你想想AI能干什么：自动化客服、智能文档处理、代码生成、数据分析、供应链优化……这些事情以前需要大量人力，现在AI可以批量处理，效率确实能飙上去。
这里有几个具体案例挺有说服力的。摩根大通用AI辅助做金融分析，据说一个分析师过去要花一周才能完成的报告，现在几个小时就搞定了。亚马逊的仓库用AI调度机器人，拣货效率提升了三倍。特斯拉的工厂用AI做质量检测，漏检率下降了90%。这些都是实打实的效率提升，不是PPT上的数字。
但问题来了：要支撑这么大规模的AI部署，需要什么？
答案是：海量的算力和存储。
算力大家都知道，GPU嘛，英伟达的生意就是这么火起来的。但存储呢？很少有人聊这个。
被忽视的瓶颈：存储芯片
黄仁勋在访谈里特别提到了一个问题：AI服务器的存储需求同比增长了350%，但全球DRAM产能增速只有15%。
350% vs 15%。
你看出问题了吗？需求在暴涨，供给在爬坡。中间的缺口，越来越大。
为什么AI对存储的需求这么大？这得从AI的工作原理说起。
训练一个大型AI模型，需要处理海量的数据。GPT-4的训练数据量超过10万亿个tokens，这些数据需要存储在高速内存里，才能被GPU快速读取和处理。没有足够的存储，GPU再快也没用——就像你有一台法拉利，但油箱只有10升，跑不远的。
而且不只是训练，推理（也就是AI模型实际工作的时候）也需要大量存储。每个用户请求、每个中间结果、每个模型参数，都需要存在某个地方。当你的AI系统要同时服务成千上万的用户时，存储需求会呈指数级增长。
这里有个数字可能更直观。GPT-4的模型参数大概1.8万亿个，每个参数用16位浮点数存储，光模型本身就需要大约3.6TB的存储空间。你把优化器状态、梯度、中间激活值全算上，训练一个GPT-4级别的模型可能需要几十TB甚至上百TB的高速存储。这还只是一个模型。一个大型AI公司同时在训练十几个模型，你算算需要多少存储？
而且训练只是一部分。推理阶段的存储需求同样惊人。假设你有一个AI助手服务，每天处理1亿次用户请求，每次请求需要读取模型参数、缓存中间结果、存储对话历史。这些加起来，存储需求可能是PB级别的。
HBM：AI时代的"石油"
说到这里，得聊聊HBM（高带宽内存）。
HBM是什么？简单说，就是一种专门为AI和高性能计算设计的内存技术。它把多层DRAM芯片垂直堆叠在一起，通过硅中介层连接，带宽比传统内存高好几倍。
听起来很技术，但你只需要知道一点：HBM是AI芯片的"血液"。没有HBM，再强的GPU也发挥不出性能。
具体的数字可能更有说服力。英伟达H100用的是HBM3，单颗芯片的内存带宽大概3.35TB/s。而普通的DDR5内存，带宽大概只有50-80GB/s。差了多少倍？四五十倍。这就是为什么AI芯片必须用HBM——普通内存的速度根本喂不饱GPU。
问题在于，全球能生产HBM的厂商，屈指可数。主要是三星、SK海力士和美光三家。而SK海力士在HBM领域一家独大，占了全球市场份额的一半以上。
这意味着什么？AI的发展速度，不只取决于英伟达的GPU产能，还取决于这几家存储厂商的HBM产能。
而且HBM的生产难度不比先进制程芯片低。它需要先进的封装技术（比如TSV硅穿孔技术）、极高的良率控制、以及大量的研发投入。每一代HBM的技术升级都意味着更复杂的工艺——HBM3E需要12层DRAM堆叠，HBM4更是要到16层。层数越多，散热越难控制，良率越难保证。扩产不是说扩就能扩的，需要时间。
这里还有个有意思的对比。制造一颗H100 GPU，台积电大概需要几个月。但制造配套的HBM，SK海力士也需要几个月。而且HBM的产能扩张速度比GPU还慢——因为它的封装工艺太复杂了，新工厂从建设到量产至少需要两三年。
所以你会看到一个很有意思的现象：GPU可能不是AI发展的最大瓶颈，存储才是。
企业AI部署的真实挑战
聊完美好的愿景，说点现实的。
黄仁勋和戴尔在台上说的那些"效率提升100倍"的故事，确实存在。但那是最好的情况。实际上，大部分企业在部署AI时，面临的问题比想象中复杂得多。
第一个挑战：数据。 AI需要数据来训练，但大部分企业的数据质量很差。数据散落在各个系统里，格式不统一，标注不准确，隐私合规问题一堆。很多企业花了80%的时间在整理数据，真正用来训练模型的时间反而很少。
这个问题有多普遍？根据Gartner的调研，大约85%的企业AI项目在数据准备阶段就遇到了严重障碍。很多企业以为自己有"大数据"，真正用的时候才发现，数据要么是脏的（有错误、有缺失），要么是散的（存在几十个不同的系统里），要么是死的（格式老旧，没法直接用）。
第二个挑战：基础设施。 AI需要大量的计算和存储资源。很多企业的IT基础设施是为传统应用设计的，根本撑不起AI的工作负载。升级基础设施需要钱，需要时间，还需要人才。
你想想，一家传统制造企业，IT系统可能是十年前建的。服务器是物理机，存储是传统的SAN阵列，网络是千兆以太网。你要在上面跑AI？开玩笑呢。你得换成GPU服务器，换成高速存储，升级到万兆甚至更高的网络。这一套下来，几百万到几千万就出去了。
第三个挑战：人才。 能把AI部署到生产环境里的人才，市场上非常稀缺。很多企业有预算、有数据、有硬件，但就是找不到合适的人来做。
根据LinkedIn的数据，全球AI工程师的供需比大概是1:3，也就是说每一个AI工程师有三个岗位在抢。在中国，这个比例可能更高。一个有三五年经验的AI工程师，年薪轻松过百万。中小企业根本请不起。
第四个挑战：ROI。 AI能提升效率，但提升多少？值得投入多少？这些问题没有标准答案。很多企业投入了大量资源，但效果不如预期。
麦肯锡做过一个调查，大约只有20%的企业AI项目达到了预期的商业价值。剩下的80%，要么效果不明显，要么成本太高不划算，要么根本就没跑起来。这个数据挺扎心的，但很真实。
说实话，AI在企业里的落地，没有黄仁勋和戴尔说的那么简单。他们的视角是卖硬件和解决方案的，当然会强调成功案例。但现实中，失败的案例可能更多，只是没人拿出来说而已。
黄仁勋的政治站位
这次访谈还有一个有意思的细节：黄仁勋谈到了中国。
他说中国的AI需求很旺盛，而且他这次来Dell World，是"代表美国"支持特朗普的。
这话信息量很大。
黄仁勋是一个台湾裔美国人，他的公司在中国有巨大的商业利益。在这种背景下，他公开表态"代表美国支持特朗普"，这是一个很微妙的政治站位。
你想想，特朗普政府是对华强硬的代表，芯片出口管制就是在特朗普任期内开始的。黄仁勋之前还在斯坦福怒斥出口管制，现在又说支持特朗普，这不是自相矛盾吗？
其实不矛盾。
黄仁勋的策略很清楚：在政策层面表达反对意见，但在政治层面保持友好关系。 他反对的是具体的政策，不是反对整个政府。而且他很聪明——通过公开表态支持特朗普，他可以争取到更多的政策影响力，为自己反对的那些政策争取调整空间。
这就是商人的政治智慧。你以为他在表态，其实他在下棋。
而且你得理解美国政治的运作方式。你公开跟政府对着干，政府有一百种方法让你难受——查你的税、卡你的审批、给你穿小鞋。但你公开支持政府，同时私下表达政策建议，效果就好得多。黄仁勋深谙此道。
智能体AI：生成内容不如完成工作
访谈里还有一个值得关注的观点：黄仁勋提到了"智能体AI"（Agentic AI）这个概念。
他说，AI发展的下一个阶段，不是生成内容，而是完成工作。
什么意思？
现在大家用AI，主要是用它来生成东西——写文章、画画、写代码。这些都很有用，但本质上还是"辅助"角色。你让AI写一篇文章，你还是得自己检查、修改、发布。
智能体AI不一样。它不只是生成内容，而是能自主完成整个工作流程。你告诉它"帮我处理这批客户投诉"，它不只是写出回复草稿，而是自己读邮件、分类问题、查找解决方案、发送回复、更新系统记录。
这才是AI真正颠覆性的地方——不是帮你写东西，而是帮你干活。
当然，这个愿景目前还比较远。智能体AI需要更强的推理能力、更好的工具调用能力、更高的可靠性。但方向是对的。
黄仁勋说，智能体AI阶段，"生成内容不如完成工作有价值"。这话挺有道理的。一个能帮你处理100封邮件的AI，比一个能帮你写100篇文章的AI，对企业的价值大得多。
这里可以举个更具体的例子。想象一个AI客服智能体：用户发来一条投诉消息，AI不只是生成一段回复，而是自动查询订单系统、核实物流信息、判断是否符合退款条件、执行退款操作、更新客户记录、发送确认邮件。整个流程全自动，不需要人工介入。
这种智能体一旦成熟，对企业效率的提升才是真正的"100倍"。但前提是，你得有足够强大的底层基础设施来支撑它——包括算力，也包括存储。
存储芯片的未来：供不应求会持续多久？
回到存储芯片这个话题。
这里有个数据挺让人意外的。你知道全球DRAM市场的总规模有多大吗？大概1000亿美元出头。听起来不少，但跟AI产业的规模比起来，就显得很小了。全球AI产业的规模已经超过5000亿美元，而且还在快速增长。一个5000亿美元的产业，它的关键瓶颈卡在一个1000亿美元的市场上，这个比例本身就说明了问题的严重性。
更麻烦的是，DRAM行业是一个高度周期性的行业。过去二十年，DRAM厂商经历了好几轮暴涨暴跌。每次行情好的时候疯狂扩产，行情差的时候亏损裁员。这种周期性意味着厂商在扩产时会非常谨慎——他们不想重蹈覆辙。这就进一步加剧了供给紧张。
既然HBM这么重要，供给又这么紧张，那未来会怎么样？
短期来看，供不应求的局面很难改变。三星、SK海力士、美光都在扩产，但HBM的生产线建设周期很长，新产能要到2027年才能大量释放。
这里有个数据挺说明问题的。SK海力士2025年的HBM产能已经全部被预订了，连2026年的产能都有大半被锁定。英伟达、AMD、谷歌、微软这些大客户，都在疯狂囤积HBM。你想想，连这些巨头都在抢，中小企业能拿到多少？
中期来看，可能会出现新的玩家。比如中国的存储厂商（长鑫存储、长江存储），虽然目前在HBM领域还没有突破，但国家在大力投入，未来几年可能会有进展。
长期来看，技术可能会发生变化。比如存内计算（Processing-in-Memory）技术，把计算功能集成到内存里，减少数据搬运的需求。或者新型存储介质（比如相变存储器、磁阻存储器），可能会改变整个存储架构。
但这些都需要时间。在此之前，存储芯片会是AI发展的一个持续性瓶颈。
一个被低估的产业链环节
说实话，在AI产业链里，存储芯片是一个被严重低估的环节。
大家都关注GPU，关注大模型，关注应用层的创新。但很少有人关注底层的存储基础设施。
这有点像互联网早期，大家都在聊网站、聊应用，但很少有人关注海底光缆。直到海底光缆出故障了，大家才发现，哦，原来互联网是建立在这些物理基础设施上的。
AI也一样。没有足够的存储，再好的模型也训练不出来；没有足够的带宽，再好的推理也跑不快。存储芯片，是AI时代的"水电煤"。
黄仁勋和戴尔在Dell World上聊了这么多AI的美好前景，但我觉得最值得关注的，反而是他们不经意间提到的那个问题：存储芯片的供需失衡。
这个问题不性感，不上头条，但它可能会决定AI发展的速度和上限。
说到这儿，我想起一个挺有意思的比喻。如果把AI比作一辆赛车，GPU就是发动机，HBM就是油路系统。大家都在关注发动机有多强，但没人关心油路够不够粗。油路太细，发动机再猛也跑不快。现在的AI行业，就是发动机已经造得很猛了，但油路还在扩建中。
而且这里还有个容易被忽略的连锁反应。HBM供不应求 → HBM价格飙升 → AI服务器成本上升 → 企业AI部署成本增加 → AI普及速度放缓。这个链条的起点，就是那几家存储厂商的产能瓶颈。
几个随便聊聊的想法
写到最后，随便说几个想法。
关于AI泡沫。 现在AI行业确实很热，热到有点泡沫的味道。但泡沫不一定是坏事——互联网泡沫时期建设的光纤网络，后来支撑了整个移动互联网时代。AI泡沫时期建设的算力和存储基础设施，可能也会成为下一代技术的基石。
这个类比其实挺有道理的。2000年互联网泡沫的时候，美国的光纤网络过度建设，很多光纤埋在地下根本没用上。但到了2010年代，移动互联网爆发，这些光纤突然变成了宝贝。没有当年的"过度建设"，就没有后来的Netflix、YouTube和抖音。现在AI行业大量建设GPU集群和存储基础设施，短期内可能看起来"过度"了，但长期来看，这些基础设施会成为未来技术发展的基石。历史总是惊人地相似——每一次技术泡沫破裂后留下的"废墟"，往往就是下一次技术革命的起点。
关于企业AI的真实ROI。 黄仁勋说的"效率提升100倍"，我觉得听听就好。大部分企业能达到2-3倍的效率提升，就已经很不错了。AI不是魔法，它需要数据、需要人才、需要持续的投入。那些期望"一部署AI就立竿见影"的企业，大概率会失望。
关于黄仁勋这个人。 他确实是一个很厉害的商人。能在斯坦福怒斥出口管制，又能在Dell World表态支持特朗普，还能在两者之间保持一致性。这种政治智慧，不是一般企业家能有的。
关于存储芯片的投资机会。 如果你相信AI会继续发展，那存储芯片（尤其是HBM）是一个值得关注的赛道。供不应求的局面短期内不会改变，存储厂商的利润率可能会持续走高。当然，这不是投资建议，随便说说。
对了，最后说一个挺离谱的数据。
黄仁勋在访谈里提到，过去一年英伟达新增了1000家AI服务器客户。这些客户买的是什么？是单价几十万甚至上百万美元的AI服务器。1000家客户，每家买几台到几十台不等，算下来是几十亿美元的生意。
而这些服务器里，每一台都需要大量的HBM。一台高端AI服务器可能需要几百GB甚至上TB的HBM。
你算算，1000家客户的新增需求，加上存量客户的扩容需求，全球HBM产能能撑得住吗？
答案是：撑不住。
所以存储芯片成为瓶颈，不是"可能会"，而是"已经"了。
这个问题怎么解决？说实话，我也不知道。但我觉得，在大家都在聊GPU、聊大模型、聊AI应用的时候，偶尔关注一下底层的存储基础设施，可能比追热点更有价值。
毕竟，地基不牢，地动山摇。
而且我有一种预感，存储芯片这个赛道，未来几年可能会出现一波并购潮。当供不应求持续太久，大厂就会开始收购小厂来快速获得产能。SK海力士、三星、美光这三家，谁先出手整合产业链，谁就能在下一轮竞争中占据更有利的位置。HBM不只是一个产品，它正在变成一种战略资源——跟GPU一样重要，甚至更稀缺。
