2024 年 3 月，中信建投發(fā)布研究報告指出，HBM 已成為 AI 算力體系中的關(guān)鍵內(nèi)存瓶頸。彼時，這一判斷更多被視為技術(shù)趨勢的延伸，而不是產(chǎn)業(yè)格局的拐點。

但進入 2026 年，存儲行業(yè)給出了遠超預(yù)期的反饋。

美光 CEO 在年初明確表示，2026 年的 HBM 產(chǎn)能已被全部鎖定，行業(yè)正面臨結(jié)構(gòu)性短缺。當前產(chǎn)能只能覆蓋核心客戶約一半至三分之二的需求，公司正在與客戶談判一種更長期、約束更強的供貨協(xié)議。這種做法在存儲行業(yè)并不常見，某種程度上意味著行業(yè)運行規(guī)則正在發(fā)生變化。

長期以來，存儲芯片被視為典型的周期品，價格波動接近大宗商品邏輯：供給擴張、價格下行、減產(chǎn)出清，周而復(fù)始。但 AI 正在改變這一循環(huán)。

HBM：從“性能配件”到系統(tǒng)核心

如果將 GPU 比作發(fā)動機，那么內(nèi)存帶寬就是傳動系統(tǒng)。算力再強，如果數(shù)據(jù)無法快速流動，性能同樣會被嚴重限制。

隨著大模型參數(shù)規(guī)模持續(xù)放大，傳統(tǒng) DRAM 架構(gòu)已難以滿足需求。HBM 通過 3D 堆疊和超寬總線，將內(nèi)存帶寬提升到 TB/s 級別，成為高性能計算不可替代的方案。

當前 HBM3E 帶寬已突破 1TB/s，下一代 HBM4 將進一步提升容量和帶寬。這一演進并非技術(shù)炫技，而是被模型規(guī)模和推理復(fù)雜度“倒逼”出來的結(jié)果。

一個直觀的變化是，顯存需求的增長速度，正在明顯快于算力本身。模型不僅需要存儲權(quán)重，還要在推理過程中不斷擴展運行時內(nèi)存，這使得 HBM 從“高端配置”逐漸變?yōu)椤跋到y(tǒng)瓶頸”。

需求側(cè)的變化，比技術(shù)本身更劇烈

相比技術(shù)進步，更深層的變化來自需求結(jié)構(gòu)。

傳統(tǒng)數(shù)據(jù)中心主要存儲的是訪問頻率較低的“冷數(shù)據(jù)”，對延遲并不敏感。而 AI 場景下，存儲的是需要被高頻調(diào)用的“熱模型”。等待時間不再只是性能損失，而會直接轉(zhuǎn)化為算力浪費和商業(yè)效率下降。

這直接改變了云廠商的決策邏輯。為了確保算力持續(xù)可用，頭部云服務(wù)商開始通過長期協(xié)議提前鎖定高端存儲產(chǎn)能，將原本零散、周期性的采購，轉(zhuǎn)化為持續(xù)性的剛性需求。

存儲不再是可隨意替換的標準件，而逐漸演變?yōu)橄到y(tǒng)級資源。

供給端：寡頭結(jié)構(gòu)下的產(chǎn)能約束

與需求快速擴張形成對比的是，供給端的彈性極其有限。

DRAM 行業(yè)經(jīng)過多年整合，已高度集中于三星、SK 海力士和美光三家。HBM 作為 DRAM 中技術(shù)門檻最高的分支，其進入壁壘更高：

• 工藝復(fù)雜，良率爬坡緩慢
• 單條產(chǎn)線投資規(guī)模巨大
• 建設(shè)周期長，無法快速擴產(chǎn)

從設(shè)備采購到穩(wěn)定量產(chǎn)，HBM 產(chǎn)線通常需要 18–24 個月。這種長周期使得供給端很難對短期需求變化做出快速反應(yīng)。

因此，在 AI 需求集中釋放的背景下，產(chǎn)能緊張并非偶發(fā)事件，而是結(jié)構(gòu)性結(jié)果。

存儲行業(yè)，正在出現(xiàn)“分層定價”

這一輪變化并未徹底消除存儲行業(yè)的周期性，但正在顯著拉開不同賽道的差距。

• 高端存儲（HBM）具備強定制性和客戶綁定，價格和毛利更具韌性
• 傳統(tǒng) DRAM 和 NAND 仍然受整體周期影響

這意味著，行業(yè)正在從“統(tǒng)一周期”走向“結(jié)構(gòu)性分化”。資本市場對存儲企業(yè)的估值，也開始區(qū)分其在高端存儲中的技術(shù)地位和客戶關(guān)系，而不再只看庫存和價格波動。

AI 時代，存儲的角色已經(jīng)改變

這場由 AI 引發(fā)的存儲變革，本質(zhì)上是算力體系重心的遷移。

過去，性能瓶頸主要集中在處理器；而現(xiàn)在，內(nèi)存的帶寬、容量和功耗，正在成為限制系統(tǒng)效率的關(guān)鍵因素。內(nèi)存從成本項，逐漸轉(zhuǎn)變?yōu)閼?zhàn)略資源。

短期來看，供需緊張仍將持續(xù)；長期來看，技術(shù)演進和產(chǎn)能擴張終會緩解壓力。但可以確定的是，存儲行業(yè)已經(jīng)不再回到過去那種單一的周期運行模式。

在 AI 驅(qū)動的計算體系中，誰掌握內(nèi)存，誰就掌握了效率的上限。