这些趋势推动2026年进入“内存超级周期”

“超级周期”这个词，再次回到了存储半导体的叙事中心。

过去，内存价格起起伏伏，总被视为资本开支与库存的游戏。2021年，行业沉浸于短缺经济的繁荣之中，两年后，行业又旋即陷入“传统周期”低谷，三巨头的美光、三星与SK海力士，利润率无一不是跌破零点。

正是GPT的横空出世，重新定义了内存的价值。AI的性能，很大程度上去取决于它们存储数据的方式，访问数据的速度，以及可以储存的数据的规模。计算是能源的处理形式，但能源也越来越多地用于数据不断写入、读出与传输。彼时，为内存这一标准化的“大宗商品”带去新生的是HBM。

如果机械照搬四五年一轮回的“传统周期”，很快内存行业又将陷入低谷。但这一次，行业相信AI正在改写这条曲线。需求不再仅仅是短期库存回补，而是对计算、带宽及能效的结构性重塑。

卖方市场

整个AI都是芯片的卖方市场。硅谷巨头们陷入了第二波AI基建热潮，不仅GPU短缺，HBM同样短缺。SK海力士明年的订单也早已售罄。

面向数据中心的HBM，由堆叠的DRAM构建而成，创造了更高的价值。它与主要面向消费电子市场的DDR，存在产能分配矛盾。从Ampere到Blackwell Ultra，HBM不仅在AI基础设施硬件中的材料清单（BOM）中成本超过一半，而且还在继续增长；在BOM增长中，绝对和相对增长的最大部分，都来自HBM。因此，内存巨头们也更有动力将产能分配给它。

另一方面，消费电子也在接受AI的栖身；又撞上了PC换机周期。最近，苹果已经开始抢购三星明年二季度出货的LPDDR5X内存（低功耗版），以应对已经迟到的个人AI体验；小米干脆宣布上调新品售价。

尽管NAND领域与DRAM没有直接的产能分配矛盾，但它们往往在资本开支层面此消彼长。这也导致内存的“超级周期”从DRAM领域蔓延至NAND领域。另一方面，随着Veo 3与Sora 2将视频生成推向竞争前沿，AI对于大容量储存的需求，本身也在飞涨。上个月，闪迪率先宣布涨价，全系上调10%；这个月，三星和SK海力士更是提价高达30%。

市场普遍预计，这场由AI驱动的供应短缺，不只是供需错配的结果，将比以往任何一次“传统”的繁荣周期都更长、更强。

以内存为中心视角的AI基础设施

这张来自Seagate（希捷）的图示，清晰地展示了，在AI基础设施的整体架构中，各类存储（Storage ）与内存（Memory）产品在不同环节中的分工与作用。

GPU或XPU等处理器，与HBM/DRAM紧密耦合，从而构建出强大的计算集群（Compute Cluster）。越靠近GPU，数据就越“热”，也就越需要更高的带宽与更低的延迟。最终，这些数据会流入一个基于HDD（机械硬盘）或SSD（固态硬盘）构建的网络化存储集群（Storage Cluster），“冷却”下来，用于长期保存。它们容量更大，成本更低，速度则会更慢。

在过去，大模型预训练是AI基础设施的主要需求。这是一个数据如何被存储、预处理、分发，以及模型权重如何更新的流程。庞大的训练数据集通常存放在存储集群，前端配备了一层SSD缓存，以提高读取效率。训练开始前，数据会被token化，以二进制格式写入SSD。在训练中，这些token会被分批（batch）加载到GPU，使得HBM得以充分利用；模型的权重与状态会周期性地保存为检查点（checkpoints），存放在NVMe（基于PCIe总线的高性能存储协议）SSD上，以便中断后快速恢复。

如今，推理已成为新的主角。它意味着模型权重、键值缓存（KV cache）以及RAG（检索增强生成）的不同数据访问模式。在这个过程中，模型参数不再频繁重写，也让不擅长此道的NAND获得新的机会。当查询触发时，模型权重必须加载到HBM。随后生成的键值矩阵（KV matrices），也会暂存在HBM中，用于后续注意力计算。如果KV缓存过大，就要先后分层卸载（offload）至DRAM与SSD中。RAG的向量数据库通常也存放在SSD上，在推理时快速检索并载入HBM。

容量、带宽与成本，构成了AI基础设施中内存技术的“不可能三角”。但市场仍试图突破边界，或同时提升三者上限，或在特定应用中强化某一项性能。这为即将到来的“超级周期” 注入了新的结构性增量与想象力。

定制HBM

不断扩展的大模型，对带宽的追求也没有尽头。越靠近计算核心的内存，就越成为性能提升的关键。被称为“HBM之父”的，已经将HBM的路线图，规划至 2038年。从HBM4到HBM8，每一代都在推高带宽、速度与容量上限，其中带宽的提升尤为显著。

如今，SK海力士、美光与三星已经进入HBM4的首轮竞速。三家公司已经先后向英伟达送样，HBM4将成为2026 年下一代AI基础设施与AI加速芯片的标准配置。

但正如AI芯片，HBM也开始讲诉同样的叙事。为了压缩能耗、减少延迟与信号损失，AI芯片厂商开始与存储厂深度共设计（co-design），推出定制化基底裸片（custom base die）。这意味着HBM堆叠底部的逻辑层不再通用，而是针对特定AI架构优化信号路径、电源分配与接口协议，从而实现更高的能效和带宽密度。这是一次革新架构层面的重大飞跃，彻底改变了HBM与AI加速器的集成方式。

今年6月，SK海力士同时锁定了英伟达、微软、博通，达成HBM4E定制合作；三星也在与博通、AMD谈判。英伟达已经拿出了自己的基础裸片的设计，预计2027年小规模量产。它现在不仅要自己掌握GPU、CPU与网络，还要掌握HBM，未来无论HBM由哪家制造，都必须兼容它的底层架构。亚马逊AWS高管直言，HBM定制化“可能会关闭其他玩家的大门”。

存算一体

如果HBM代表着“更大的带宽”，那么“更近的距离”也是业界开始思考大幅降低数据延迟的另一条路径。初创企业d-Matrix就认为，与其堆叠更多带宽，不如直接。

在今年夏天的 Hot Chips 2025 上，这家成立于2019年的企业，展示了这种理念的最新形态。它就是Pavehawk 架构，其核心是3D堆叠数字内存计算（3DIMC）技术，使用改进型SRAM单元，在内存内部直接执行计算。通过在垂直方向上将计算层与存储层堆叠，数据移动距离被压缩到极限。它还发布了存算一体的Corsair芯片，宣称带宽性能比HBM4高出10倍，能耗则降低90%。

到了OCP全球峰会2025上，d-Matrix更进一步，展示了机架级解决方案 SquadRack。它在性价比、能效、token生成速度上，分别提升了3倍、3倍、10倍。单机架可以运行千亿参数大模型；想要部署更大的模型，还可以通过以太网横向扩展。明年，这家公司还会拿出迭代后的Raptor架构。

推理工作负载正迁移至边缘与端侧。随着小模型性能逐步提升，存算一体能在延迟高度敏感的应用场景下找到自己的机会。侧重SRAM层面的创新，也是Groq等芯片初创企业努力突破的方向。

热数据扩展

随着推理负载不断扩大，压力也在从DARM向NAND传导。当上下文窗口与并发请求同时增长时，推理系统开始需要一种更廉价、更大容量的“缓冲层”。这让SSD成为了创新焦点。

当初，为了减轻HBM的压力，无论是英伟达的Dynamo Distributed KVCache Manager框架，还是华为的UCM技术，都在通过多级缓存算法，将访问压力逐层下沉到存储层。但HDD带宽实在太低，带宽性能（BW/TB）反而随着单盘容量持续提升而逐年下降。而主流TLC（三层单元）SSD容量稍显不足；一个单位SLC（单层单元）能储存1个比特（2种状态），到了量产级的最新主流技术QLC（四层单元）则能储存4个比特，相当于闪存容量翻了16倍。

今年年中，Meta宣布与PureStorage合作，将QLC SSD引入数据中心架构，以取代部分HDD和TLC SSD。Meta认为，尽管TLC在写入密集型环境中仍具优势，但QLC拥有更高密度、更好能效和更低的每TB成本，足以承担“热数据”的一部分任务。

HBF终局

如果说HBM代表着DRAM的堆叠形态，那么HBF则是NAND的堆叠形态。前者在内存层级持续追求更高带宽，后者则在存储层级探索更高带宽与更大容量。这种架构尤其适合向量数据库与AI智能体等场景，它们渴求内存容量的高速增长。

金教授相信，未来，HBF将左右整个业界的性能表现。力积电（Powerchip）也是这么想的，在上周的财报发布会上表示，HBF将成为未来的重要技术，能够满足文本、图像甚至视频模型带来的超大规模存储需求。Rubin CPX的出现已经证明，并非所有阶段都必须超高的内存带宽；是时候追求更高的内存容量了。

当前，HBM最大的短板正是容量。由于DRAM采用“1T1C”结构，即每个单元包含一个晶体管（Transistor）和一个电容（Capacitor），其扩展空间已经逼近物理极限，内存密度难以继续提升。相比之下，NAND采用单晶体管浮栅（floating gate）结构，单元间距更紧凑，便于扩展。基于NAND的架构可实现比HBM高8至16倍的存储密度，并在相近成本下提供可比的读取带宽。

今年8月，闪迪（SanDisk）与SK海力士签署了谅解备忘录（MoU），宣布共同开发HBF产品，首批样品预计将于2026年下半年面市。在本月的OCP大会上，SK海力士官宣了“AI-NAND B”系列，正是一款通过堆叠NAND闪存以扩大带宽的HBF。

AI时代，AI基础设施中的内存栈正在被逐步重构。大模型的未来，取决于它能装下多少数据，又能以多快的速度读写这些数据。市场在扩产HBM，满足周期性上行的需求，也在发明新的内存形态，创造新的增量市场。于是，内存或许真的迎来了属于自己的“超级周期”。