AI時代 ，存儲芯片已從配角躍升為核心瓶頸與突破口。隨著大模型參數規模與訓練數據量的爆炸式增長，傳統內存技術已成為制約算力發揮的“內存墻”
，而HBM憑借其超高帶寬 、低功耗和小體積特性，正成為AI芯片的主流選擇 。

　　全球科技巨頭紛紛將HBM作為戰略要地。

　　在日前的財報會上 ，美光特別強調
，預計半導體芯片、特別是HBM的供不應求情況將會加劇
。公司CEO Sanjay Mehrotra透露，當前半導體存儲領域 ，DRAM庫存已低于目標水平
，NAND庫存持續下滑；而HBM產能需求增長顯著，產能已被鎖定 ，預計2026年HBM出貨量增速將超過整體DRAM水平
，成為半導體存儲板塊的核心增長驅動力。

　　具體HBM產品中，美光表示 ，已與幾乎所有客戶就2026年絕大部分HBM3E產能達成定價協議；公司正在與客戶就HBM4進行討論
，供應“非常緊張 ” 。

　　此外，華為也在近期宣布 ，自昇騰950PR開始，昇騰AI芯片將采用華為自研的HBM
。其中
，昇騰950搭載自研的HBM HiBL 1.0；昇騰950DT升級至HBM HiZQ 2.0。

　　▌為什么是HBM？

　　為何存儲需求熱潮中，“特別是HBM的供不應求情況或將加劇”？

　　華爾街分析師指出 ，定制化HBM（cHBM）已經從曾經的被動元件轉變為具備邏輯算力的主動部件
，重塑存儲的角色 。在這種情況下，AI基建中 ，存儲總體擁有成本（TCO）不斷上升
。

　　定制化HBM可以集成不同功能
、運算能力與邏輯Die設計
，例如LPDDR與HBM并行工作，在HBM堆棧中加入計算邏輯 ，成為性能差異化的關鍵。

　　目前
，存儲廠商已開始提供覆蓋HBM、邏輯die 、LPDDR
、PIM等的全棧解決方案，并與客戶開展定制化HBM合作 。

　　同時隨著AI能耗的增加 ，存儲廠商也開始強調HBM在節能上的價值
。SK海力士預測稱
，HBM能效每改善10%，可帶來單機架2%的節能效果 ，對系統級節能有重大意義。

　　▌AI推理將迎“十倍增長
” “以存代算”技術“虎視眈眈 ”

　　以HBM為首的存儲需求陡增背后，是AI推理的飛速崛起 。

　　黃仁勛在最新采訪中
，重申了對AI推理的信心
。他再次強調，AI推理將迎來十億倍增長。推理的量級已不是過去的“一次性回答
” ，而是逐步演進的“先思考再作答”的動態生成
，思考得越久，答案質量越高 。

　　券商指出 ，人工智能技術的蓬勃發展推動大模型訓練走向規模化
，但真正創造持續商業價值的核心環節在于推理過程。AI推理算力需求正迅速超越訓練，成為成本與性能的關鍵瓶頸
。

　　在這一背景下 ，內存受益于超長上下文和多模態推理需求
，處理大量序列數據或多模態信息時，高帶寬與大容量內存可降低訪問延遲、提升并行效率。

　　廣發證券指出 ，隨著AI推理應用快速增長
，對高性能內存和分層存儲的依賴愈發顯著，HBM 、DRAM
、SSD及HDD在超長上下文和多模態推理場景中發揮關鍵作用 ，高帶寬內存保障模型權重和激活值的高速訪問，SSD滿足高頻讀寫與短期存儲需求
，HDD提供海量長期存儲支持 。隨著AI推理需求快速增長，輕量化模型部署推動存儲容量需求快速攀升 ，預計未來整體需求將激增至數百EB級別
。

　　但值得留意的是
，“HBM供不應求情況加劇 ”的另一面，是供應瓶頸下可能出現的“技術替代
”——“以存代算”。

　　天風證券認為 ，“以存代算 ”技術通過將AI推理過程中的矢量數據（如KV Cache）從昂貴的DRAM和HBM顯存遷移至大容量、高性價比的SSD介質
，實現存儲層從內存向SSD的戰略擴展，而非簡單替代 。其核心價值在于顯著降低首Token時延 、提升推理吞吐量 ，并大幅優化端到端的推理成本
，為AI大規模落地提供可行路徑
。分析師進一步指出，QLC+PCIe/NVMe+CXL有望構筑下一代AI SSD基座 ，推動SSD從單純存儲介質
，升級為AI推理“長期記憶
”載體。