个人证券配资:配资平台排名前10名-站稳AI存储C位？HBM紧缺恐成定局 但这一技术正“虎视眈眈”

　　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。