存储
@等也是一种策略 如何等在哪里等：🔥 如果 AI 进入全民推理时代，DRAM 需求可能会超出所有人模型 现在市场几乎所有人都在讨论 GPU、HBM、算力中心。 但真正的问题可能是： 如果未来几十亿设备同时开始运行 AI inference， 整个世界的 memory capacity 够吗？ 因为 AI 下一阶段的瓶颈，可能不再只是 compute。 而是 memory。 而且不是单一 memory。 而是完整的 memory hierarchy。 The Five Layers of Memory Near Memory： 最靠近 GPU 的 memory layer。 核心是超高带宽。 SK hynix Samsung $MU 这一层目前几乎由 HBM 主导。 因为 GPU 再强，如果 memory bandwidth 跟不上，算力也无法真正释放。 Main Memory： 很多人可能还没意识到，这层未来的重要性正在快速上升。 SK hynix Samsung CMXT $MU 当 AI 从训练进入全民 inference 时代之后，系统需要的开始不只是速度。 而是巨大的 DRAM capacity。 未来无论是 AI PC、AI 手机、企业 Copilot、Agent、机器人、自动驾驶、边缘 AI，背后都会不断推高 memory usage。 GPU 越强，越需要更大的 memory pool 去喂数据。 否则算力会被浪费。 而市场现在可能仍然用“传统周期股”的方式在看 DRAM。 但 AI 可能正在把一部分 DRAM 需求，慢慢转变成 AI infrastructure demand。 Expansion Memory： 当模型越来越大之后，memory 开始进入“扩展能力”竞争。 SK hynix Samsung $MU $ALAB $MRVL $MCHP $RMBS 这一层已经不只是 memory 本身。 而是： memory 如何连接、同步、扩展、共享。 未来大型 AI cluster 的竞争，很可能会从 GPU 数量竞争，进入 memory fabric 与 interconnect 架构竞争。 这也是为什么越来越多人开始关注： CXL、memory pooling、high-speed interconnect。 Contexted Memory： AI 系统真正落地之后，开始越来越依赖 context retrieval。 SK hynix Samsung Kioxia $MU $WDC $SNDK $SIMO 这一层进入 NAND、SSD、controller、storage pipeline 的世界。 因为未来很多 AI 能力，本质上取决于： 能不能快速读取正确的数据。 尤其 RAG、Agent、企业 AI 普及之后，storage latency 与 context access 会越来越关键。 Data Lakes： 很多人低估了 AI 最底层的 infrastructure。 长期数据存储。 $STX $WDC $DELL $NTAP $P $HPE $IBM 因为没有 data lake，就没有 AI。 训练数据、 企业数据库、 向量数据库、 长期知识库、 AI retrieval system， 最终都需要 storage infrastructure。 而 AI 越普及，全球数据量只会继续指数级增长。 真正有意思的地方在于： 现在华尔街仍然习惯把这些公司拆开估值。 但 AI infrastructure 正在越来越像： 一个完整的 memory ecosystem。 GPU 只是入口。 真正长期决定 AI 上限的， 可能是整个 memory stack 能不能跟上。
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
精彩评论