AI需求推高HBM与DRAM价格，存内计算或重塑长期内存瓶颈

概览

本报告讨论AI如何推动HBM与DRAM需求、价格和收入增长，并分析从训练向推理迁移后内存架构可能出现的变化。报告的核心判断是：当前短缺源于需求超预期、HBM晶圆消耗较高及供给扩张缓慢；长期解决方向则包括算法优化、HBM基底芯片、定制内存以及存内或近存计算。

核心观点

报告首先将当前AI内存景气归因于超大规模数据中心的资本开支扩张。AI相关支出高于此前预期，算力系统又需要极高的内存带宽，因此需求增长不仅表现为更多存储容量，也表现为对高带宽产品的集中需求。报告据此把AI支出、带宽要求和供给约束概括为DRAM短缺的三项主要驱动因素。 HBM对供给端的影响尤其突出。报告称，HBM占用的芯片面积约为DDR的3倍，因此在相同晶圆投入下会消耗更多可用产能。与此同时，DRAM晶圆产量已超过10年基本静止，而安装新增产能需要超过2年，意味着供应无法迅速响应AI需求。需求快速上升与供给扩张迟缓叠加，形成内存短缺并强化价格上涨压力。 上述供需错配已经反映在行业收入结构中。报告以“创纪录内存收入 $200”为标题表述，但所提供正文未注明该数字的单位；同时明确指出，大部分增长来自价格而非单纯的出货量扩张。这意味着当前收入增长的关键机制是供给紧张带来的定价提升，HBM对晶圆资源的高消耗又进一步影响普通DRAM的供给与价格动态。 长期需求形态将随着AI从训练向推理扩散而改变。报告指出，推理所需资源覆盖范围很广：低端场景可能只需微控制器，而大型语言模型仍位于由超大规模数据中心承载的高端。不同推理场景的算力、带宽和成本要求差异较大，因此未来不会由单一内存方案覆盖全部AI负载。 报告同时提醒，当前的数据搬运问题不一定永久保持原状。算法仍在持续改进，今天突出的数据移动压力可能随之减弱；另一方面，存内计算和近存计算可以减少数据在处理器与内存之间往返，为缓解“内存墙”提供另一条路径。报告因而将2026年的内存墙描述为“看起来不同”，重点并非瓶颈完全消失，而是负载结构、算法和硬件方案共同改变瓶颈的形式。 具体技术方向包括利用HBM基底芯片加入更多逻辑功能、采用定制内存芯片提升性能，以及在低端场景使用模拟神经网络。报告认为这些方案有望减少数据流量并缓解内存墙，但当前软件支持仍然薄弱，是新架构能否落地的制约因素。其隐含逻辑是，硬件能力本身不足以完成架构迁移，工具链和软件生态必须同步成熟。 更长期看，报告预计AI将逐渐变得“不可见”，即融入日常系统而不再作为独立功能被感知；AI还可能降低应用成本，并使用户持续使用智能体。报告将这一过程类比于半导体、微处理器与微控制器以及互联网的早期普及，说明其展望不仅关注数据中心HBM需求，也关注AI向更广泛终端和成本层级扩散后的内存需求变化。

分析框架

报告先从超大规模数据中心资本开支和AI带宽需求解释需求增长，再结合HBM相对DDR的芯片面积、DRAM晶圆供给和扩产周期分析短缺及价格传导。随后，报告从训练转向推理的负载变化出发，比较不同计算层级的资源需求，并讨论算法优化、HBM基底芯片、定制内存、模拟神经网络及存内或近存计算等缓解数据搬运瓶颈的方案，最后延伸至AI长期普及路径。

方法论与常识提炼

• 行业/产业分析框架供需框架

  AI内存供需分析

  报告把高于预期的AI支出和高带宽需求视为需求驱动，将DRAM晶圆供给长期受限及超过2年的扩产周期视为供给约束，用两者的错配解释短缺和价格上涨。

• 行业/产业分析框架量价拆分

  内存收入增长的量价分解

  报告明确指出大部分收入增长来自价格，以此区分定价上涨与出货量增长对创纪录内存收入的贡献。

• 行业/产业分析框架产业链上中下游传导

  从数据中心资本开支到内存价格的传导

  报告沿着超大规模数据中心AI投入、算力系统带宽需求、HBM晶圆消耗、DRAM供给收紧和内存价格上升的顺序解释产业链影响。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• HBM

  AI高带宽需求的主要受益技术，同时也是DRAM晶圆供给压力的重要来源。

  优势

  可满足高端AI系统的带宽需求，并可利用基底芯片加入更多逻辑功能。

  劣势

  占用的芯片面积约为DDR的3倍，成本和晶圆消耗较高。

  对比

  相较DDR，HBM需要约3倍芯片面积。

  风险

  算法改进可能减轻数据搬运压力，软件支持不足也可能限制新型HBM架构的应用。

• DRAM

  HBM的高晶圆消耗与AI需求共同收紧整体DRAM供给，并推动价格和行业收入。

  优势

  仍是从低端到高端计算系统的重要内存基础。

  劣势

  晶圆产量超过10年基本静止，新增产能安装需要超过2年。

  对比

  DDR的芯片面积小于HBM，但与HBM共享受限的DRAM晶圆资源。

  风险

  供给扩张迟缓可能延续短缺，而算法和架构变化可能改变长期需求结构。

• 存内计算与近存计算

  通过减少处理器与内存之间的数据搬运来缓解内存墙。

  优势

  可利用HBM基底芯片、定制内存或3D DRAM架构提升数据处理效率。

  劣势

  当前软件支持薄弱，是采用过程中的关键制约因素。

  对比

  相较传统处理器与内存分离的模式，其目标是在数据所在位置附近完成更多计算。

  风险

  若软件生态不能同步成熟，硬件方案可能难以规模化落地。

关键数据

• HBM相对DDR的芯片面积3X报告称HBM约占用DDR三倍的芯片面积，因此消耗更多晶圆产能。
• DRAM晶圆产量静止期>10年报告称DRAM晶圆产量已超过10年基本静止。
• 新增产能安装周期>2年新产能从建设到安装需要超过2年，供给难以快速响应需求。
• 内存收入$200报告标题称其为创纪录水平，但所提供内容未注明单位。
• 收入增长来源大部分来自价格报告认为增长主要由定价推动，而非仅由出货量增长推动。
• 推理资源范围微控制器至超大规模数据中心低端推理可由微控制器承载，大型语言模型仍需最高端的数据中心资源。

影响与含义

报告认为，HBM更高的晶圆消耗会把AI需求传导至整体DRAM供给和价格，使当前内存收入增长更依赖定价。随着AI负载向推理扩散，市场将同时需要低成本终端方案和高端数据中心方案；算法改进及存内或近存计算可能降低数据流量，但其实际影响取决于软件生态能否补齐。

风险

• 算法持续改进可能使当前突出的数据搬运问题逐渐减弱，从而改变对高带宽内存的长期需求。
• 存内或近存计算目前的软件支持薄弱，构成技术落地的制约因素。
• DRAM新增产能安装需要超过2年，供给响应迟缓可能延长短缺状态。

后续跟踪

• 关注AI工作负载从训练向推理迁移后，不同层级设备的内存和带宽需求变化。
• 关注HBM基底芯片加入逻辑功能、定制内存及存内或近存计算的发展。
• 关注相关软件工具链能否改善，以解除新型内存架构的落地瓶颈。
• 关注算法优化是否实质性减少数据搬运需求。
• 关注DRAM新增产能的安装进度及其超过2年的供给释放周期。