半導体メモリ（HBM/DRAM）：AI需要がHBMとDRAM価格を押し上げる一方、インメモリ・コンピューティングが長期的なメモリ・ボトルネックを再構築する可能性

概要

本レポートは、AIがHBMおよびDRAMの需要、価格、売上成長をどのように牽引しているかを論じ、AIが学習から推論へ移行する中でのメモリアーキテクチャの潜在的な変化を分析している。中核的な結論は、現在の不足は予想を上回る需要、HBMの高いウエハ消費量、遅い供給拡大に起因しており、長期的な解決策にはアルゴリズム最適化、HBMベースダイ、カスタムメモリ、インメモリまたはニアメモリ・コンピューティングが含まれるというものである。

主要見解

本レポートはまず、ハイパースケール・データセンターによる設備投資の拡大に、AIメモリの現在の強さを帰している。AI関連支出は従来の予想を上回っている一方、コンピューティングシステムには極めて高いメモリ帯域幅が必要である。その結果、需要の拡大はストレージ容量の増加だけでなく、高帯域幅製品への集中した需要にも表れている。この観点から、本レポートはAI支出、帯域幅要件、供給制約をDRAM不足の3つの主因として特定している。 供給面でのHBMの影響は特に大きい。本レポートによると、HBMはDDRの約3倍のダイ面積を占めるため、同じウエハ投入量に対してより多くの利用可能な生産能力を消費する。一方、DRAMウエハ生産量は10年以上にわたり実質的に横ばいであり、追加能力の導入には2年以上を要する。このため、供給はAI需要に迅速に対応できない。急速に増加する需要と遅い供給拡大の組み合わせがメモリ不足を生み、価格上昇圧力を強めている。 この需給ミスマッチはすでに業界の売上構成に反映されている。本レポートは「Record Memory Revenue $200」という見出しを用いているが、提供された本文ではこの数値の単位は明示されていない。また、成長の大半は単なる出荷拡大ではなく価格によるものだと明確に述べている。これは、現在の売上成長を支える主なメカニズムが供給逼迫による価格改善であることを意味し、HBMによるウエハ資源の大量消費が従来型DRAMの供給・価格動向にも一段と影響している。 AIが学習から推論へ拡大するにつれて、長期的な需要の様相は変化する。本レポートは、推論に必要なリソースが広い範囲に及ぶと指摘する。低価格帯のアプリケーションではマイクロコントローラーだけで足りる場合がある一方、大規模言語モデルは依然としてハイパースケール・データセンターに支えられた最上位のリソースを必要とする。コンピューティング能力、帯域幅、コストの要件は推論シナリオごとに大きく異なるため、将来のすべてのAIワークロードを単一のメモリソリューションでカバーすることはできない。 本レポートはまた、現在のデータ移動問題が現在の形のまま永続するとは限らないと注意を促している。アルゴリズムは継続的に改善しており、今日顕著なデータ移動圧力を低減する可能性がある。一方、インメモリおよびニアメモリ・コンピューティングは、プロセッサとメモリ間のデータ転送を減らし、「メモリの壁」を緩和する別の道筋を提供する。したがって本レポートは、2026年のメモリの壁は「異なる姿に見える」と表現している。これはボトルネックが完全に消失するという意味ではなく、ワークロード構成、アルゴリズム、ハードウェアソリューションが一体となってその形態を変えるということである。 具体的な技術の方向性としては、HBMベースダイにより多くのロジック機能を組み込むこと、性能向上のためにカスタムメモリチップを採用すること、低価格帯アプリケーションでアナログニューラルネットワークを利用することなどが挙げられる。本レポートは、これらのアプローチがデータトラフィックを減らし、メモリの壁を緩和し得るとみる一方、現在のソフトウェア支援は弱く、新アーキテクチャの採用を制約していると考えている。根底にある論理は、ハードウェア能力だけではアーキテクチャ移行を実現するには不十分であり、ツールチェーンとソフトウェアエコシステムが並行して成熟する必要があるというものだ。 より長期的には、本レポートはAIが徐々に「見えない」ものになると予想しており、これはAIが独立した機能として認識されるのではなく、日常的なシステムに統合されることを意味する。AIはアプリケーションコストを低下させ、ユーザーがエージェントを継続的に利用するようになる可能性もある。本レポートはこのプロセスを半導体、マイクロプロセッサ、マイクロコントローラー、インターネットの初期普及と比較しており、その見通しがデータセンター由来のHBM需要だけでなく、AIがより幅広いエンドポイントとコスト帯に普及する際のメモリ需要の変化にも焦点を当てていることを示している。

分析フレームワーク

本レポートはまず、ハイパースケール・データセンターの設備投資とAIの帯域幅要件を通じて需要成長を説明し、その後、DDRに対するHBMのダイ面積、DRAMウエハ供給、能力拡張のリードタイムを考慮して不足と価格転嫁を分析する。続いて、学習から推論へのワークロードの変化を検討し、コンピューティング階層間のリソース要件を比較する。また、アルゴリズム最適化、HBMベースダイ、カスタムメモリ、アナログニューラルネットワーク、インメモリまたはニアメモリ・コンピューティングを含むデータ移動ボトルネックの緩和策を論じた上で、AIの長期的な普及経路へと分析を拡張している。

手法メモ

• Industry/Sector Analysis FrameworkSupply-Demand Framework

  AIメモリの需給分析

  本レポートは、予想を上回るAI支出と高帯域幅要件を需要要因として捉える一方、DRAMウエハ供給に対する長期的な制約と2年以上に及ぶ能力拡張サイクルを供給制約とみなしている。両者のミスマッチを用いて不足と価格上昇を説明している。

• Industry/Sector Analysis FrameworkVolume-Price Decomposition

  メモリ売上成長の数量・価格分解

  本レポートは売上成長の大半が価格によるものだと明示し、過去最高のメモリ売上高に対する価格上昇と出荷成長の寄与を区分している。

• Industry/Sector Analysis FrameworkUpstream-Midstream-Downstream Industry Chain Transmission

  データセンター設備投資からメモリ価格への波及

  本レポートは、ハイパースケール・データセンターのAI投資、コンピューティングシステムの帯域幅要件、HBMのウエハ消費、DRAM供給の逼迫、メモリ価格の上昇という連鎖を通じて、産業チェーンへの影響を説明している。

資産マッピングと比較

投資テーゼから固有資産への構造化マッピング（強み、弱み、同業、リスク）。

• HBM

  AIの高帯域幅需要の主要な恩恵を受ける技術であり、DRAMウエハ供給への圧力の重要な源泉でもある。

  強み

  高性能AIシステムの帯域幅要件を満たすことができ、ベースダイを用いてより多くのロジック機能を組み込める。

  弱み

  DDRの約3倍のダイ面積を占めるため、コストとウエハ消費量が高くなる。

  比較

  DDRと比較して、HBMは約3倍のダイ面積を必要とする。

  リスク

  アルゴリズムの改善によりデータ移動圧力が低下する可能性があるほか、不十分なソフトウェア支援が新たなHBMアーキテクチャの採用を制限する可能性もある。

• DRAM

  HBMの高いウエハ消費量とAI需要が相まってDRAM全体の供給を逼迫させ、価格と業界売上高を押し上げている。

  強み

  低価格帯から高性能帯までのコンピューティングシステムに不可欠なメモリ基盤であり続けている。

  弱み

  ウエハ生産量は10年以上にわたり実質的に横ばいであり、追加能力の導入には2年以上を要する。

  比較

  DDRはHBMよりダイ面積が小さいが、HBMと制約されたDRAMウエハ資源を共有している。

  リスク

  遅い供給拡大が不足を長期化させる可能性がある一方、アルゴリズムとアーキテクチャの変化が長期的な需要構造を変える可能性がある。

• インメモリおよびニアメモリ・コンピューティング

  プロセッサとメモリ間のデータ移動を減らすことで、メモリの壁を緩和する。

  強み

  HBMベースダイ、カスタムメモリ、または3D DRAMアーキテクチャを利用して、データ処理効率を高めることができる。

  弱み

  現在のソフトウェア支援は弱く、採用における重要な制約となっている。

  比較

  プロセッサとメモリを分離する従来モデルと比べ、データが存在する場所の近くでより多くの計算を実行することを目指している。

  リスク

  ソフトウェアエコシステムが並行して成熟しなければ、ハードウェアソリューションを大規模に展開することは難しい可能性がある。

主要データ

• DDRに対するHBMのダイ面積3X本レポートは、HBMがDDRの約3倍のダイ面積を占めるため、より多くのウエハ生産能力を消費すると述べている。
• DRAMウエハ生産量が停滞した期間>10 years本レポートは、DRAMウエハ生産量が10年以上にわたり実質的に横ばいであると述べている。
• 追加能力の導入サイクル>2 years新規能力は建設から導入まで2年以上を要するため、供給が需要に迅速に対応することは難しい。
• メモリ売上高$200レポートの見出しはこれを過去最高水準としているが、提供された内容では単位は明示されていない。
• 売上成長の源泉主に価格による本レポートは、成長が出荷量の増加だけでなく、主として価格設定によって牽引されているとみている。
• 推論リソースの範囲マイクロコントローラーからハイパースケール・データセンターまで低価格帯の推論はマイクロコントローラーで処理できる一方、大規模言語モデルは依然として最上位のデータセンターリソースを必要とする。

影響と示唆

本レポートは、HBMの高いウエハ消費量がAI需要をDRAM全体の供給と価格に波及させ、現在のメモリ売上成長を価格への依存度がより高いものにしているとみている。AIワークロードが推論へ拡大するにつれ、市場では低コストのエンドポイント向けソリューションと高性能データセンター向けソリューションの両方が必要となる。アルゴリズムの改善とインメモリまたはニアメモリ・コンピューティングはデータトラフィックを削減し得るが、その実際の影響はソフトウェアエコシステムが既存のギャップを埋められるかどうかに左右される。

リスク

• 継続的なアルゴリズム改善により、現在顕著なデータ移動問題が徐々に緩和され、高帯域幅メモリの長期需要が変化する可能性がある。
• インメモリまたはニアメモリ・コンピューティングに対するソフトウェア支援は現在弱く、技術採用を制約している。
• 追加DRAM能力の導入には2年以上を要し、遅い供給対応が不足を長期化させる可能性がある。

注目点

• AIワークロードが学習から推論へ移行する際の、デバイス階層ごとのメモリおよび帯域幅要件の変化を注視する。
• HBMベースダイへのロジック機能の追加、カスタムメモリ、インメモリまたはニアメモリ・コンピューティングの進展を注視する。
• 関連するソフトウェアツールチェーンが、新たなメモリアーキテクチャの採用ボトルネックを解消できるほど改善するかを注視する。
• アルゴリズム最適化がデータ移動要件を実質的に低減するかを注視する。
• 追加DRAM能力の導入進捗と2年以上に及ぶ供給放出サイクルを注視する。