本周存储产业事件异常密集。三星和 SK 海力士持续加码半导体设施投资，SK 海力士 2026 年资本支出预计达 48-50 万亿韩元，产能全面紧张。美光扩建、SK 海力士考虑赴日本宫城县建厂、长江存储 IPO 获受理、长鑫科技市值大涨。英伟达服务器被曝因 DRAM 紧张涨价。美光 CEO 公开表示："客户会买走我们生产的每一颗芯片。"
2. 瓶颈从 "计算多少" 转向 "移动多少"
AI 的核心瓶颈正在从 "计算多少 FLOPS" 转向 "移动多少数据"。大模型每生成一个 Token，都要反复读取模型权重、KV Cache 和上下文状态。Agent 时代进一步放大了这种状态需求。长上下文需要更大的 KV Cache，多轮任务需要持久记忆，多 Agent 协作需要共享状态，审计和回放需要保存执行轨迹，企业知识库需要频繁读写，视频、机器人、工业数据进一步提高带宽压力。同时，HBM 与普通 DRAM 共享先进晶圆和封装产能。HBM 利润更高，厂商自然优先分配产能，反而挤压了服务器 RDIMM、消费级 DRAM 和 NAND 供应。这些都在推动几类技术加速：KV Cache 压缩、闪存成为记忆层、跨模型 Tokenization 与缓存共享、知识存储和推理计算解耦。
洞察四：AI 推理的关键资源已经不是数据量，而是 "可信的知识"
1. 分散数据正在被转化为模型可理解的企业上下文
本周几条看似无关的新闻，实际指向同一个底层变化。阿里 MyContext、Google Knowledge Catalog、苹果收购 Kuzu、华为金融数据平台，都是在把分散数据转化为模型可理解的企业上下文。互联网公开文本已经被大规模利用，而新增互联网内容又越来越多地由 AI 生成。继续用 AI 生成内容训练 AI，可能带来分布漂移和质量退化（model collapse）。因此，新的高价值数据来源变成了：尚未数字化的旧书和档案、企业内部文档、邮件、会议和流程、用户与 Agent 交互产生的执行轨迹、工业金融医疗等高风险领域的专业知识，以及带有时间、责任人、版本和证据链的决策记录。
Agent 有执行能力后，错误知识的后果会指数级放大。过去模型答错，只是生成一段错误文本；现在的企业级 AI 应用中，Agent 记错，可能造成一系列连锁反应，并传导给其他 Agent 任务。而让模型工作在一个完全可信的数据环境中，就可以大幅度减少输出幻觉的可能。这就好比让 AI 去下棋，只要行棋规则完全明确、有大量可参考的棋谱，AI 的表现一定比人类更好。所以企业内部知识工程可能会越来越重要。未来企业最有价值的 AI 资产，是一套持续更新、可追溯、有权限边界、能处理矛盾的私有知识系统。
夜雨聆风