来源：
财联社
AI 时代，存储芯片已从配角跃升为核心瓶颈与突破口。随着大模型参数规模与训练数据量的爆炸式增长，传统内存技术已成为制约算力发挥的 「内存墙」，而 HBM 凭借其超高带宽、低功耗和小体积特性，正成为 AI 芯片的主流选择。
全球科技巨头纷纷将 HBM 作为战略要地。
在日前的财报会上，美光特别强调，预计半导体芯片、特别是 HBM 的供不应求情况将会加剧。公司 CEO Sanjay Mehrotra 透露，当前半导体存储领域，DRAM 库存已低于目标水平，NAND 库存持续下滑；而 HBM 产能需求增长显著，产能已被锁定，预计 2026 年 HBM 出货量增速将超过整体 DRAM 水平，成为半导体存储板块的核心增长驱动力。
具体 HBM 产品中，美光表示，已与几乎所有客户就 2026 年绝大部分 HBM3E 产能达成定价协议；公司正在与客户就 HBM4 进行讨论，供应 「非常紧张」。
此外，华为也在近期宣布，自昇腾 950PR 开始，昇腾 AI 芯片将采用华为自研的 HBM。其中，昇腾 950 搭载自研的 HBM HiBL 1.0；昇腾 950DT 升级至 HBM HiZQ 2.0。
▌为什么是 HBM？
为何存储需求热潮中，「特别是 HBM 的供不应求情况或将加剧」？
华尔街分析师指出，定制化 HBM（cHBM） 已经从曾经的被动元件转变为具备逻辑算力的主动部件，重塑存储的角色。在这种情况下，AI 基建中，存储总体拥有成本 （TCO） 不断上升。
定制化 HBM 可以集成不同功能、运算能力与逻辑 Die 设计，例如 LPDDR 与 HBM 并行工作，在 HBM 堆栈中加入计算逻辑，成为性能差异化的关键。
目前，存储厂商已开始提供覆盖 HBM、逻辑 die、LPDDR、PIM 等的全栈解决方案，并与客户开展定制化 HBM 合作。
同时随着 AI 能耗的增加，存储厂商也开始强调 HBM 在节能上的价值。SK 海力士预测称，HBM 能效每改善 10%，可带来单机架 2% 的节能效果，对系统级节能有重大意义。
▌AI 推理将迎 「十倍增长」 「以存代算」 技术 「虎视眈眈」
以 HBM 为首的存储需求陡增背后，是 AI 推理的飞速崛起。
黄仁勋在最新采访中，重申了对 AI 推理的信心。他再次强调，AI 推理将迎来十亿倍增长。推理的量级已不是过去的 「一次性回答」，而是逐步演进的 「先思考再作答」 的动态生成，思考得越久，答案质量越高。
券商指出，人工智能技术的蓬勃发展推动大模型训练走向规模化，但真正创造持续商业价值的核心环节在于推理过程。AI 推理算力需求正迅速超越训练，成为成本与性能的关键瓶颈。
在这一背景下，内存受益于超长上下文和多模态推理需求，处理大量序列数据或多模态信息时，高带宽与大容量内存可降低访问延迟、提升并行效率。
广发证券指出，随着 AI 推理应用快速增长，对高性能内存和分层存储的依赖愈发显著，HBM、DRAM、SSD 及 HDD 在超长上下文和多模态推理场景中发挥关键作用，高带宽内存保障模型权重和激活值的高速访问，SSD 满足高频读写与短期存储需求，HDD 提供海量长期存储支持。随着 AI 推理需求快速增长，轻量化模型部署推动存储容量需求快速攀升，预计未来整体需求将激增至数百 EB 级别。
但值得留意的是，「HBM 供不应求情况加剧」 的另一面，是供应瓶颈下可能出现的 「技术替代」——「以存代算」。
天风证券认为，「以存代算」 技术通过将 AI 推理过程中的矢量数据 （如 KV Cache） 从昂贵的 DRAM 和 HBM 显存迁移至大容量、高性价比的 SSD 介质，实现存储层从内存向 SSD 的战略扩展，而非简单替代。其核心价值在于显著降低首 Token 时延、提升推理吞吐量，并大幅优化端到端的推理成本，为 AI 大规模落地提供可行路径。分析师进一步指出，QLC+PCIe/NVMe+CXL 有望构筑下一代 AI SSD 基座，推动 SSD 从单纯存储介质，升级为 AI 推理 「长期记忆」 载体。
（财联社）
文章转载自东方财富
