AI真正的瓶颈,早就不是GPU了——存储何以崛起?|科技|半导体|存储

真正开始赚钱的，是HBM。

HBM，高带宽内存，听起来并不性感的名字。为什么它重要？现代AI GPU的计算速度已经快到惊人。一颗GPU每秒可以完成数千万亿次浮点运算，但如果数据送不过来，再强的计算核心也只能空转等待。HBM存在的意义，就是以远高于传统DRAM的带宽，把模型参数、KV Cache和中间计算结果源源不断送进GPU，让昂贵的算力始终保持满负荷运行。

这也是为什么，AI服务器里真正最紧张的资源，已经从GPU慢慢扩展到了HBM。过去几年，HBM还是一种比较标准化的产品。谁的良率更高、成本更低，谁就能赚更多的钱。但随着AI集群规模越来越大，客户开始提出以前从未出现过的新要求。

例如，同样是数TB/s的带宽，功耗能不能再低一点？散热能不能更容易？能不能针对不同GPU架构重新优化堆叠方式？HBM逐渐从一种标准零件，演变成需要与GPU共同设计、共同验证的定制化产品。

美光正是这一变化的重要受益者。公司最新的HBM4产品已经进入量产，首批主要面向英伟达下一代Vera Rubin平台。管理层透露，HBM4的量产爬坡速度约为上一代HBM3E的两倍，而2026年的HBM产能已经全部售罄。这意味着，在工厂真正生产出来之前，未来一整年的产品就已经提前找到了买家。

这种「先卖完，再生产」的状态，在传统内存行业其实并不常见。更有意思的是，HBM本身也开始发生变化。随着HBM4以及未来HBM4E的发展，它正在逐渐拥有越来越强的数据处理能力。

行业开始出现一个越来越热门的方向，Processing-in-Memory（PIM，存内计算）。

它背后的逻辑就是当前数据需要不断在GPU和HBM之间来回搬运，很多能耗都花在运输上了。那么如果把部分简单的数据处理直接放到HBM内部完成，GPU只负责真正复杂的计算，就能显著减少数据搬运距离，降低功耗，同时释放更多计算资源。

对于超大规模AI数据中心来说，这一点意义尤其巨大。当一个训练集群拥有数万块GPU时，每节省几瓦电，最终都会累计成数兆瓦的电力消耗，每减少一点数据搬运，都会转化成更低的散热成本和更高的整体效率。因此，未来HBM竞争的不仅是容量和带宽，更是谁能够帮助整个AI系统节省更多能源、跑得更稳定。

这也意味着，HBM正在从一种存储器演变成AI计算架构的一部分。

数据中心现在面临的另一重硬约束，是电力。在中国，这个问题并没有很突出，因为基础设施都比较新，并且有「西数东算」这种系统性的调度工程，非常高效，高层也大力推广中西部的电力布局。但是在美国，多个地区的数据中心已经在逼近电力供应的物理上限，这意味着在总电量被卡死的情况下，巨头们必须另辟蹊径，除了疯狂搞核反应堆之外，靠谱的出路之一是用更高能效的产品去装更多的性能。

美光近期发布的245TB超大容量SSD，就是冲着这个约束去的。SSD就是固态硬盘，一般使用NAND闪存来保存持久数据（能在断电后保留数据）。这块盘比一副扑克牌大不了多少，但目前数据中心主流部署的硬盘容量普遍还在30TB出头。同样的存储总量，用245TB的盘意味着设备数量大幅减少，连带着网络连接、电源、风扇这些配套设施全部跟着减少，最终能把存储占用的物理空间压缩超过80%，功耗也随之显著下降。

SSD在AI里的角色，正在从数据仓库变成记忆中转器。目前SSD很少直接参与数据中心的AI上下文存储，但接下来一到两年，当一个AI智能体暂停当前任务、转去执行别的指令时，它的「记忆」，即KV缓存会被转移到高速闪存里冻结起来，等任务恢复时再快速唤醒，而不需要从头重新计算。此外，向量数据库和图神经网络的普及，也在从另一个方向拉动数据中心对SSD的需求。

面对持续膨胀的需求曲线，美光及其他存储巨头的应对策略很直白，解法就是疯狂建厂扩产。

美光已经计划投资约2000亿美元用于制造和研发，核心是把领先的存储器制造能力带回美国本土。爱达荷州博伊西的ID1工厂预计2027年中投产首批晶圆，ID2工厂要到2028年末。纽约州锡拉丘兹的工厂已经在今年年初破土动工。仅博伊西和纽约两地的洁净室，每一座车间面积就相当于一个大型购物中心。

除了美国本土，美光同时还在新加坡新建先进封装中心、扩建日本DRAM产线、并从台湾PSMC耗费18亿美元巨资收购了一座晶圆厂，管理层说法是若采新建厂模式，通常需耗时4至5年，而透过直接收购既有晶圆厂，可将量产时程缩短至约2年，最快可于2027年下半年开始贡献实质 DRAM 产能。2026财年全年资本开支约270亿美元，管理层已经明确表示2027财年每个季度的资本开支都会比这更高，增量的一半以上都投在厂房建设上。

诶，美国不是一直强调芯片制造回流吗？为什么美光反而到处去海外建厂？看似分散布局，背后其实是一套全球化供应链逻辑。DRAM和HBM制造本身就是资本密集、技术密集的产业，不同地区拥有不同优势，美国更适合研发和先进制造，新加坡长期是美光最大的生产基地之一，日本拥有成熟的DRAM产业链和政府补贴，而台湾则聚集了全球最完整的晶圆制造和先进封装生态。在AI需求快速增长的背景下，时间就是金钱。

这不是一次锦上添花式的扩产，而是一场行业里几乎所有人都在同时下场的竞赛看，三星、SK海力士也在推进各自的新产能。美光管理层称市场严重低估了制造存储器的难度，这不只是物理、化学和材料科学的挑战，更需要巨大的工程能力去保证数万亿个比特的可靠性，而且每一代产品的生产力提升都在递减。晶圆厂不是想长就能长出来的，这句话不止美光在说，英特尔、台积电也在说同样的话。

说了这么多利好，也得把风险摆在明处。

第一，存储行业的周期性从没有真正消失过。过去几十年，存储行业始终遵循一个熟悉的循环，即价格上涨、厂商扩产、供给释放、价格下跌，再进入下一轮周期。AI改变的是需求结构，而不是经济规律。目前三大HBM厂商都在扩大产能，但新晶圆厂、先进封装以及HBM生产线的建设普遍需要数年时间，因此新增供给主要集中在2027年至2028年之后释放。只要需求继续高速增长，这种紧张格局就能够维持。可一旦AI基础设施投资放缓，而新增产能又集中投放，供需关系仍可能重新进入宽松阶段。也就是说，这一轮周期更长、更陡，但并不意味着周期已经消失。

第二，不是所有AI CapEx都会兑现。例如苹果近期公开表示，由于AI带来的存储器供应紧张，部分产品不得不提高售价，这说明AI正在挤占消费电子的内存供给。另一方面，市场也开始讨论另一种可能，即如果头部云厂商前期采购过快，当训练需求阶段性放缓时，部分算力就可能出现闲置。近期Meta尝试将部分闲置AI算力向外部客户开放，就是一个值得关注的案例，也实质性引起了市场的大幅波动。这并不直接意味着AI需求已经见顶，而是说明算力利用率开始成为新的关注指标，如果GPU利用率下降，新增采购节奏也可能放缓，从而影响HBM需求增长。换句话说，美光真正面对的风险不是GPU卖不出去，而是客户有没有必要继续以过去两年的速度追加采购。更重要的是，AI模型的推理效率仍在提升。从MoE架构到KV Cache优化，再到各种推理加速算法，行业正在努力用更少的GPU完成更多计算。如果单位Token所需算力持续下降，即便AI使用量继续增长，对新增HBM的需求弹性也可能低于市场预期。

第三，长期合同的双刃剑。又回到第一点，为什么市场现在对存储周期性的担忧不太多，是因为存储行业目前与过去不同的地方确实有，那就是是全行业越来越依赖长期战略协议。为了锁定未来几年的HBM供应，头部云厂商和GPU厂商开始提前签署多年合同，甚至通过预付款帮助供应商扩产。这种模式显著提高了收入可预测性，也弱化了传统DRAM依赖现货价格的大起大落。但长期合同是一把双刃剑。如果市场价格继续上涨，合同中的价格上限会限制供应商分享全部涨幅。反过来，如果未来供需逆转，这些长期协议又能为收入提供一定保护。

这并不能消灭周期，但可以抚平周期。

因此，美光未来的盈利波动，很可能不会像过去那样剧烈，但利润弹性也会比传统周期股更受约束。

乐观的一方相信，这一轮存储紧缺不是传统意义上的周期性繁荣，而是一次结构性重估。AI从训练走向推理、再走向Agentic AI和物理AI，每一步都在成倍放大对内存带宽和容量的需求，而晶圆厂的建设周期决定了供给端在未来一两年内根本追不上。美光管理层的判断是，AI仍然处于非常早期的阶段，市场目前只看到了AI巨头和资本市场的波折，还没有真正看清接下来十到二十年会发生什么。

谨慎的一方则相信，存储行业从来没有真正逃出过周期律，眼下的高毛利、高价格，本质上是供给被物理规律卡住脖子之后的暂时性红利。一旦2027到2028年新产能集中释放，叠加价格天花板协议和不断上升的制造成本，这轮利润的斜率能不能维持，是一个尚未被验证的假设。

内存曾经是数据中心里最不起眼的一块，便宜、同质化、赚不了什么超额利润。现在它变成了整套AI系统能不能跑起来的先决条件。至于这场「内存决定AI天花板」的叙事，能撑起多高的估值、能撑多久，答案大概率还是要留给接下来几个季度的产能爬坡曲线去回答。