存儲行業的結構性變化：HBM / DRAM / NAND 的新週期邏輯

原文作者：@fi56622380（X / Twitter）
讀完原作者 @fi56622380 的文章後，認為其中對於 AI 推理、HBM、DRAM 與 NAND 供需關係的分析很有深度，特此作學習總結與整理。本文僅為對原文的學習筆記與觀點摘要，不代表原創研究；文中的核心論證框架、觀點與數據推演均歸原作者所有，整理者僅對內容結構與表述進行了歸納。

過去，存儲行業通常被視為典型的 commodity 行業：產品標準化、建廠週期長、資本開支巨大，而需求變化卻快。因此，價格容易在繁榮與虧損之間劇烈擺動——需求上漲時擴產，產能落地後又供給過剩，最終進入降價、減產、去庫存的下一輪循環。

但 AI 推理正在改變這一邏輯。

原文最核心的判斷是：HBM、DRAM、NAND 並不是三個彼此獨立的漲價故事，而是同一套 AI memory hierarchy，在不同性能、容量與成本層級上的共同重估。

其中，HBM 承擔最熱、最需要高帶寬的數據；DRAM 承擔大規模在線工作集；NAND SSD 則承接成本更低、容量更大的數據層。理解這一輪存儲，不能只看 PC、手機或傳統服務器出貨，而應從 AI 推理如何重塑整套分層內存體系出發。

一類存儲產品，何時能弱化傳統週期？

原文提出了三個判斷條件：

1. 定製化：產品是否難以互換，產能是否不容易在客户之間自由轉移；
2. 結構性指數需求：需求曲線是否足夠陡峭，並且持續增長；
3. 快速技術迭代：舊產品是否快速貶值，客户是否持續向新一代遷移。

滿足其中一條，只能部分弱化傳統週期；滿足兩到三條，才可能明顯改變過去 “供給一來、價格就崩” 的循環。

按這一框架，HBM 大約滿足 “兩條半”。

它的定製化並非絕對。HBM 的封裝、base die、客户協同設計與平台認證存在差異，HBM4 之後定製邏輯可能進一步增加；但上方多層 DRAM die 仍具有較強標準化屬性。一家廠商即使在某個客户平台認證受阻，產能也不一定報廢，仍可能轉供其他 GPU、TPU 或 AI 加速器客户。

因此，HBM 的定製化只能算 “半條”。

但在後兩點上，HBM 的優勢極強：需求曲線足夠陡，技術升級也足夠快。

HBM：AI 推理中最難繞開的資源

AI 推理進入 token factory 階段後，GPU 的價值不只取決於計算單元數量，更取決於其持續輸出 token 的能力。

原文用一個簡化關係概括：

Token throughput ≈ HBM 容量 × HBM 帶寬。

在 Attention 與 KV Cache 階段，系統瓶頸往往不只是算力，也包括緩存容量和數據讀取帶寬。對模型廠商與雲廠商而言，增加 HBM 所帶來的 token throughput 提升，很多時候比將同等預算投入其他硬件環節更具經濟性。

原文列舉的 NVIDIA GPU 側總 HBM 帶寬演進路徑，大致為：

2TB/s → 3.5TB/s → 4.8TB/s → 8TB/s → 22TB/s。

HBM 的升級節奏接近兩年一代，遠快於傳統 DDR 的多年一代。容量、帶寬、堆疊層數和封裝複雜度都在快速抬升。新一代 HBM 即使更貴，帶來的推理效率提升也足以讓客户持續遷移；而舊一代產品的邊際經濟性則會快速下降。

這會推動競爭方式發生變化：

• 過去更像是 quantity competition：拼擴產、拼當前份額；
• 未來更像是 quality competition：拼下一代性能、穩定性、封裝能力和平台認證份額。

這也緩解了傳統存儲行業下行期最典型的囚徒困境：誰都不願減產，誰都怕失去份額，最終一起把價格和利潤打穿。HBM 的快速迭代與認證門檻，使廠商更有動力爭奪下一代技術份額，而不只是堆當前產能。

HBM 的需求邏輯會不會消失？

HBM 的核心需求來自 Attention 與 KV Cache。

未來模型架構當然可能演進：純 Transformer 可能走向混合架構、MoE 或世界模型；KV Cache 也可能被壓縮、分層，或者以新的等價形式存在。

但原文認為，Attention 所解決的是一個非常基礎的問題：** 序列中任意位置之間的動態路由。** 它讓不同位置的信息能夠按需建立聯繫，這種能力具有很強的普適性。

類似前饋網絡在多次架構變革後依然被保留，Attention 大概率也會作為一種基礎 primitive 持續存在。即使 KV Cache 的具體實現方式變化，等價的高帶寬、大容量緩存需求仍不會輕易消失。

因此，只要 AI 推理繼續擴張，依賴 HBM 容量與帶寬升級的路線就不容易突然中斷。

HBM 並非完全沒有周期，而是可能從 “上行賺錢、下行虧損” 的傳統週期，逐漸轉向 “上行賺得更多、下行仍能維持增長” 的成長型週期。

DRAM：關鍵變量是 Agentic AI 帶來的乘數效應

相比 HBM，市場對 DRAM 能否弱化傳統週期的分歧更大。

原因很簡單：DRAM 的定製化弱，commodity 屬性仍然明顯。但原文認為，Agentic AI 正在給 DRAM 帶來一個新的、結構性的需求來源。

這個邏輯分為兩層。

第一層：CPU 服務器 TAM 快速擴張

過去，AI 集羣中的 CPU 常被認為只是 GPU 的配角。

但在 Agent workflow 中，工具調用、代碼執行、數據庫訪問、檢索、驗證、任務編排、上下文處理與 sandbox 隔離，都高度依賴 CPU。CPU 不再只是輔助資源，而是 AI 系統中承擔大量運行時工作的重要節點。

原文判斷，AI 集羣中 CPU 與 GPU 的配比，可能從過去大致 1:4，逐步走向 1:2，甚至進一步接近 1:1。

市場對於 2030 年 CPU TAM 的預測也在持續上修：

• AMD 曾預測約 600 億美元；
• 隨後 AMD 與 ARM 上調至約 1,200 億美元；
• NVIDIA 又上調至約 2,000 億美元；
• Bernstein 進一步上調至約 2,230 億美元；
• 原作者據此判斷，2031 年繼續上修至約 4,000 億美元並非難以想象。

這些數字本身當然還存在不確定性，但其方向很明確：AI 基礎設施中 CPU 的部署規模和價值量，可能遠高於過去把它視作 “GPU 附屬資源” 的線性外推。

第二層：每個 CPU core 配置更多 DRAM

傳統 Web/SaaS 大多是無狀態請求：請求進來，分配內存，任務完成後內存即可釋放。

但 Agent 是帶狀態的長駐任務。其 message history、system prompt、工作記憶、長期記憶、工具調用結果、數據庫副本和用户上下文，都需要持續駐留在 DRAM 中。

更重要的是，為了數據安全和隔離，sandbox 可能需要為每個任務複製部分數據庫與上下文。這種內存消耗並不容易通過簡單優化迅速消除。

長上下文、reasoning、test-time compute、併發 Agent 和 sandbox 隔離，會共同推高單任務的 memory footprint。

因此，DRAM 的需求邏輯不再只是 “服務器數量增加”，而是：

更多 CPU 核心 × 每核心更多 DRAM。

原文預計，每個 CPU core 的 DRAM 配置，可能從傳統約 4～8GB，提升至約 16～32GB。

原文給出了兩組不同口徑下的示意性測算：

第一組假設是：2030 年 CPU TAM 約為 3,000 億美元、每個 CPU core 價值約 50 美元、每 core 配置 16GB DRAM。在這一假設下，對應 DRAM 需求至少約為 96EB。

作為對比，原文估計當前全球 DRAM 年總產量約為 47EB，下一年也僅勉強接近 60EB。

第二組則用於説明需求增長路徑：2026 年若 CPU TAM 約為 600 億美元、每 core 配置約 8GB DRAM，對應需求約為 16EB；到 2030 年，若 CPU TAM 達到約 4,000 億美元、每 core 配置約 16GB DRAM，對應需求可能達到約 80EB。

兩組數字建立在不同的單核價值與配置假設上，因此不能簡單合併成 “80～96EB”。但它們都指向同一結論：一旦 Agentic AI 同時推高 CPU 核心數量與每核 DRAM 配比，DRAM 需求可能出現數量級的結構性缺口。

DRAM 供給端的兩重約束

需求端變化之外，DRAM 的供給端也更難快速響應。

第一重約束，是 bit density 紅利持續衰減。

過去，行業即使不大規模增加晶圓數量，也能依靠製程進步，讓每片 wafer 產出更多 DRAM bit。

原文給出的演變路徑是：

• 大約 2000 年前後，DRAM bit 密度可增長約 45%/年；
• 約十年前，增速下降至約 20%/年；
• 如今進一步降至約 9%/年。

過去，即使不大規模新建廠房，行業也可能依靠製程微縮獲得較高的 bit volume 增長；但現在，擴產越來越依賴真實 wafer 數量、新建 fab、clean room 與鉅額資本開支。

供給反應速度因此更慢，擴產難度也更高。

第二重約束，是 HBM 對普通 DDR 形成的 HBM bit tax。

HBM3E 製造同等 bit 大約需要消耗三倍 DDR wafer 資源，HBM4 可能需要約四倍。隨着 HBM 快速擴產，原本可用於 commodity DDR 的部分資源，會被優先分配給 HBM。

原文估計，HBM 擴產每年可能直接吞掉約 3%～5% 的 DDR bit 增長。

即使未來全行業 DRAM bit volume 每年仍能增長約 24%，其中約 14% 來自 wafer 增加、約 9% 來自密度提升；扣除 HBM 對資源的吸收後，真正流向非 HBM commodity DDR 的有效增長，可能只有約 20%。

因此，HBM 與 DRAM 並不是兩個完全獨立的市場。它們共享同一個 DRAM wafer 資源池：HBM 越強，普通 DDR 可獲得的產能越少；普通 DDR 越緊，整個 DRAM complex 的價格與利潤率也越容易被共同抬升。

為什麼 DRAM 價格回落後，仍有需求蓄水池？

原文還提出了一個很重要的概念：需求蓄水池。

DRAM 漲價時，部分需求並非真正消失，而是因為 ROI 不划算而被延遲；一旦價格回落，這些需求就會迅速釋放。

主要包括三類：

第一，用更多內存換算力、換速度的需求。例如，利用額外 GDDR、LPDDR 或 DRAM 優化 prefill、緩存和推理速度的方案，在內存價格過高時可能被推遲；價格回落後，ROI 恢復，這些方案就會重新啓動。

第二，低價值 Agent 任務。當內存與 token 成本高企時，企業會優先保留高價值任務，將低優先級、探索型或不需要實時處理的任務延後；成本下降後，這些需求會重新釋放。

第三，端側 AI 與消費電子升級。AI PC、Agent PC、高端手機和本地大模型，都需要更大、更快的內存。此前因為價格壓力而被壓縮的配置需求，可能在價格回落後重新上調。

這些需求蓄水池意味着：即使供給階段性改善，DRAM 價格也不一定會像傳統週期那樣快速崩塌，因為新增需求可能很快吸收掉釋放出來的供給。

長鑫擴產的真實衝擊

中國 DRAM 擴產是這一輪供需中無法繞開的變量。

原文梳理的長鑫月產能路徑大致為：

• 2025 年約 20 萬片/月；
• 2026 年約 32～35 萬片/月；
• 2027 年約 42 萬片/月；
• 2028 年接近 50 萬片/月。

但判斷衝擊不能只看名義 wafer 數量，還要看 bit 密度、製程、良率、產品速率、DDR6 能力與 EUV 限制。

原文認為，長鑫的 DRAM bit 密度與頭部廠商仍有差距，按有效 bit 折算，大致約為後者的一半。因此，50 萬片/月的名義產能，並不能等同於 50 萬片/月先進 DRAM 的有效供給。

按原文折算，2025 年底到 2028 年底，長鑫擴產對全球 DRAM bit 產能 CAGR 的額外影響約為 1.5 個百分點：全球供給 CAGR 大致由不含中國時的約 12.7%，提升至包含中國後的約 14.2%。

即使把時間拉長到 2030 年，原作者判斷其額外影響可能仍不到 3 個百分點。

這並不意味着風險不存在。真正需要警惕的是，在全球需求走弱時，行業重新陷入 “誰先減產誰吃虧” 的囚徒困境，主要廠商轉向不計回報地搶份額、擴產紀律被打破。

長鑫是變量之一，但行業整體是否維持供給紀律，才是傳統週期會不會重演的關鍵。

NAND：原文判斷其當前更緊，未來需求來源也更廣

NAND 的結構性邏輯沒有 HBM 那麼直接，也不如 DRAM 那樣緊貼 CPU 與 Agent 運行時，但它在 AI memory hierarchy 中同樣不可忽視。

原文特別判斷：即使大規模 KV Cache offloading 尚未全面發生，當前 SSD 的緊缺程度和漲價幅度已經比 DRAM 更明顯。

未來 NAND 的 AI 需求，主要可能來自四個方向：

1. KV Cache offloading：將 HBM、DRAM 溢出的 warm/cold KV Cache 下沉至 SSD；
2. AI 視頻：生成、存儲、分發和後處理都需要大量存儲，當前部分需求仍受算力供給限制；
3. Agent sandbox：隔離環境下數據庫、上下文和文件的大量複製，會直接轉化為 SSD 需求；
4. HBF 路線：更長期看，SSD 可能承擔大模型權重等只讀數據的存儲角色，但技術路線仍較早期。

NAND 的核心優勢在於便宜。

它無法替代 HBM 的極限帶寬，也不能完全替代 DRAM 的在線工作集，但可以以遠低於二者的成本承接大容量、低温數據。因此，只要上層內存足夠昂貴，市場就會不斷嘗試將可下沉的數據轉移到 SSD。

HBM、DRAM、NAND 不是簡單的替代關係，而是在不同成本、容量與帶寬區間中共同分工。

NAND 的風險則在於供給紀律。相比 DRAM，NAND 擴產難度相對更低；若廠商重新進入激進擴產階段，其波動可能仍大於 HBM 與 DRAM。

結語

這一輪存儲的變化，不是 “內存永遠漲價”，也不是 “週期從此消失”。

真正變化的是週期的性質。

• HBM：最接近成長型週期，具備部分定製化、陡峭的結構性需求與快速技術迭代；
• DRAM：核心變量是 “更多 CPU 核心 × 每核心更多 DRAM” 的乘數效應，併疊加密度紅利衰減、HBM bit tax 與需求蓄水池；
• NAND：確定性低於 HBM，但成本最低、應用範圍最廣，是 AI 數據層中彈性最大的承載工具。

若 AI 推理需求持續擴張，存儲行業面對的可能不再只是過去 “上行賺錢、下行虧損” 的傳統循環，而是一輪更長、更陡、更依賴技術能力與供給紀律的成長型週期。

$美光科技(MU.US) $閃迪(SNDK.US) $Roundhill Memory ETF(DRAM.US) 

@崑崙山岩石   希望股主點評

原文作者：@fi56622380（X / Twitter）
本文僅為對原文的學習筆記與觀點摘要，不代表原創研究。文中的核心論證框架、觀點與數據推演均歸原作者所有，整理者僅對內容結構與表述進行了歸納。文中涉及產業趨勢、價格、供需及技術路線均存在不確定性，不構成投資建議。
:::