存储双雄集中展示 AI 内存方案,美光、英特尔、高通等巨头入局,将给行业带来哪些变化?
AI 算力的瓶颈越来越常从“有多少计算单元”转向“数据能否及时、低功耗地送到计算单元”。因此,存储厂商、处理器厂商和终端芯片厂商都在布局 AI 内存,但它们解决的并非同一个问题。
在数据中心,HBM 通过堆叠 DRAM、增加并行通道并缩短与加速器的距离,提供很高的带宽,适合训练和大模型推理;代价是封装复杂、产能扩张慢、成本高,而且会受先进封装与良率约束。传统服务器 DRAM 容量更大、成本相对可控,但带宽和与加速器协同的效率不同。CXL 等内存互连则尝试让服务器在节点间更灵活地扩展或共享内存,适用于容量利用率和工作负载弹性,但需要平台、操作系统和软件栈配合,不能简单替代 HBM 的近端带宽。
在手机、PC和边缘设备上,LPDDR 等低功耗内存更关乎本地运行模型时的容量、带宽和续航。把模型或部分推理留在设备上,可以降低云端调用和网络依赖,也更有利于响应速度与数据本地处理;不过模型大小、量化精度、散热和电池仍是限制,复杂任务通常还要采用端云协同。
美光等存储供应商扩充高带宽及低功耗内存供给,英特尔等平台厂商推动处理器、互连和内存架构协同,高通等移动芯片厂商则把内存与端侧 NPU、功耗管理共同设计。参与者增多会带来更丰富的产品路线和供应来源,促使系统厂商按训练、推理、云端或端侧需求优化配置;同时也会加剧先进封装、制造产能和关键器件的竞争。短期内,热门规格供需仍可能造成价格与交期波动,厂商入局并不意味着成本会立即下降。
最终影响取决于整机系统而非单项峰值指标:内存容量是否够用、带宽能否持续、每瓦性能、封装成本、软件兼容性和供应稳定性都要一起衡量。行业更可能形成 HBM、服务器内存、可扩展内存和低功耗端侧内存并存的分层体系,而不是由一种“AI 内存”通吃。