文章核心观点 AI需求全面驱动存储行业进入上行周期，从HBM延伸至DRAM、NAND、HDD等传统存储领域，行业格局被重塑[3] 本轮周期的猛烈程度高于以往，以美光为例，其下季度毛利率指引达66-68%，创历史新高[1] AI服务器从训练向推理的重心转移，催生了“低延迟、大容量、高带宽”的差异化存储需求，而存储厂商资本开支向高附加值的HBM与DRAM倾斜，形成结构性供需失衡，推动产品价格大幅上涨[3] AI服务器带来的存储大周期 - AI需求彻底重塑存储行业格局，带动HBM、DRAM、NAND、HDD全品类进入全面上行周期[3] - AI服务器数据流动路线清晰：HDD的冷数据 -> SSD预热 -> DRAM中转 -> HBM配合计算，各部分在训练和推理服务器中均需要[12] - 当前AI服务器领域出现明显变化：重心从训练向推理迁移，推理服务器更注重DDR（并发任务）、SSD（快速响应）和HDD（大容量）[14] 各类存储在AI服务器中的角色 - HBM：与GPU芯片3D堆叠，是GPU的“专用显存”，具有高带宽、高功耗特点，决定单GPU可承载的模型规模与响应速度，是AI服务器的“性能天花板”[11] - DRAM (DDR5)：是数据交换枢纽，连接HBM与NAND的“桥梁”，速度比HBM慢但容量大很多倍，其容量决定单服务器可同时处理的任务数，是AI服务器的“内存基石”[12] - NAND (SSD)：是热数据仓库，高频访问数据的“快速持久层”，连接DRAM与HDD，作为AI数据中心的“性能-容量平衡者”，是训练数据“快速补给站”和推理服务“快速响应核心”[12] - HDD：海量冷数据的低成本容器，具有大容量、成本低特点，是AI数据中心的“容量基石”，决定整体数据存储规模[12] 当前AI存储的特点与“内存墙”瓶颈 - AI数据中心核心矛盾是“内存墙”瓶颈：算力增长速度远超数据传输速度，导致GPU等计算单元空置率高达99%[5] - 以H100为例，HBM带宽3.35TB/s，单Token计算时间10微秒，但加载模型权重（如10GB）和KV缓存（如20GB）需要约9毫秒，计算闲置时间占比近99%[16] - 应对“内存墙”的三大方法： 1. HBM升级：堆叠层数从12-Hi向16-Hi升级，传输速度有望从B300的8TB/s提升至16-32TB/s，减少数据排队等待时间[18] 2. SRAM应用：3D堆叠SRAM将KV缓存、模型轻量权重放在计算单元近端，量产后采用“SRAM+HBM”形式（SRAM负责“快”，HBM负责“多”），有望将延迟从100ns大幅缩短至2ns附近[19] 3. 存算一体：将部分算力嵌入存储内部，彻底消除数据搬运速度问题，预计2027年及之后逐渐成为解决途径[19] - 英伟达收购Groq属于防御性收购，旨在获得其SRAM技术（LPU架构、TSP微架构等）和人才，以提升AI推理能力并防止技术落入竞争对手之手[21] HBM市场供需与升级 - HBM是AI需求带来的“从无到有”的直接增量需求，其需求量与AI芯片出货直接挂钩[23] - 当前主流AI芯片（英伟达、AMD、谷歌）基本搭载HBM3E，三大原厂已开始对HBM4进行送样，HBM4预计2026年开启量产[6][24] - 供给端：三大原厂（三星、海力士、美光）资本开支重心投向HBM领域[27] 2025年四季度三家合计HBM月产能约39万片，预计到2026年四季度提升至51万片[29] 考虑产能爬坡和50%综合良率，预计2026年HBM供应量约为41.9亿GB[34][35] - 需求端：HBM需求量通过“CoWoS -> AI芯片 -> HBM”路径估算，2026年全球CoWoS需求量约128万片，对应HBM需求量约42亿GB[36][39] - 供需格局：2026年HBM市场呈现“供应紧平衡”状态，供应量（41.9亿GB）与需求量（42亿GB）基本匹配[6][39] - 竞争格局：海力士占据当前HBM市场近一半份额，三星和美光份额接近[32] 随着三星HBM3E在2024年四季度获得英伟达认证，其出货份额有望回升并反超美光[32]