先说隔夜市场，随着全球市值最高的公司近几个月来股价停滞不前，所有目光都已转向美光。美光已迅速成为全球最重要的股票之一，也无疑是近期交易最活跃的个股，其交易量近日已超过英伟达和特斯拉。
尤其考虑到这两天半导体大跌之际，因此所有人的目光都聚焦于美光的财报，最终该公司似乎不负众望，以“碾压”之势超越了市场对刚结束财季的高预期：营收达414.6亿美元，远超356.9亿美元的预期值；每股收益为25.11美元，高于20.49美元的预期。同时，受AI存储需求激增的推动，公司对当前季度的营收指引高达500亿美元，“大幅超越”了432.4亿美元的市场共识预期。
美光业绩凭什么能持续超预期？其财报里还有哪些重要信息需要关注？事实上，正如上篇文章提到的（韩国股市今日暴跌的原因及后市看法），内存股业绩继续超预期反而是可以预料的；因此更建议投资者摒弃短期噪音（各种鬼故事），专注长期趋势。
本文将从以下两个角度出发，详细拆解内存板块未来一年的行业前景：1）供需格局：DRAM同比价格上涨幅度是否仍有超预期空间？2）合约机制：在长期协议（LTA）等合同动态变化下，ROE能否维持高位？以此判断当前的上行周期是否仍可持续。
注：本文上万字，预计阅读时间20分钟，建议先阅读上一篇文章后（韩国股市今日暴跌的原因及后市看法），再开始本文阅读。
一、供需格局看，内存价格能否再超预期？
先做个简单科普：
1、什么是内存？
存储有两个维度：容量（能容纳多少数据）和带宽（数据移动的速度）。没有存储，芯片就无法计算或训练AI模型。按这两个维度，目前整个存储行业产品大致可以分为6种主要内存类型：
1）HBM（高带宽内存）：通过CoWoS封装与GPU 3D堆叠，作为GPU的“专用显存”，是驱动大模型训练与推理的核心“燃料”。若普通DRAM是单车道公路，HBM则是12车道高速公路。优势是延迟极低、带宽极高，最大限度减少AI加速器空闲等待时间，直接决定单GPU可承载的模型规模与响应速度。但主要短板：功耗高、价格昂贵，且容量受限于封装面积，无法独立承担大规模数据存储。
2）服务器DRAM：作为CPU与GPU共用的主工作内存，是连接HBM与NAND的“桥梁”。它支撑任务调度、智能体工作流、模型权重暂存及并发任务处理，其容量决定单服务器可同时处理的任务数。其中LPDDR5（含SOCAMM）作为高带宽低功耗的“中间方案”，专为NVIDIA Grace等特定AI架构设计，可承接HBM溢出的并行负载。
3）PC和移动DRAM：基于与服务器 DRAM 相同的基础技术，但采用低功耗封装（如 LPDDR），用于手机、笔记本和平板。这是一个高度价格敏感的消费市场，在成本上升时最容易出现需求萎缩。
4）企业级NAND：用于数据中心 SSD 和存储阵列的闪存，保存需持久化但无需实时访问的数据，如模型权重、训练集、检查点等。与 DRAM 不同，NAND 断电后仍能保留数据，且在完全独立的晶圆厂中制造。
5）消费级NAND：覆盖智能手机、PC、游戏设备和U盘内的闪存存储，特点是量大利薄。
6）HDD（机械硬盘）：通过磁盘读写数据的非易失性存储设备，成本远低于 SSD，但速度慢、可靠性较低，主要用于冷数据存储。
整体来看，这三类关键内存构成一个“带宽-容量金字塔”：底层容量最大、成本最低；顶层容量极小、带宽极高。其中HBM 决定单芯片算力上限，DRAM 决定系统调度能力，NAND 决定数据吞吐与扩展性。
2、需求侧：AI推理本身需求更多存储
当提到内存周期时，我们这里主要以DRAM为主，因为尽管过去一年HBM需求先行爆发，但DRAM仍然贡献三星和海力士超过三分之二的利润增长。因此，DRAM的价格/需求增长更能代表韩国股市的未来表现。
DRAM需求的爆发，首要驱动力在于AI工作负载正从大模型训练向推理侧迁移。相较于训练服务器，AI推理服务器对存储层级提出了差异化要求：DDR5支撑高并发任务处理，SSD保障低延迟数据读取，而HDD则承担海量向量库与长期记忆的廉价持久化存储。
尤其是AI Agent的大规模普及，使AI系统的瓶颈从算力进一步转向“存力”。一方面，与传统模型不同，智能体需具备经验存储、交互学习与上下文连贯能力，这依赖于涵盖HBM、DDR5、LPDDR及NAND的多级存储架构协同；另一方面，存储已成为制约AI扩展的关键变量——这就是业界所称的“内存墙”问题：当数据供给带宽无法匹配计算单元的消耗速率时，单纯提升算力将无法转化为有效性能（即出现算力闲置），边际收益急剧递减。因此，存储带宽与容量的加速扩展，已取代纯算力增长，成为决定AI下一阶段进步速度的核心瓶颈。
最终，AI的扩张正从三个维度推高内存需求：单芯片集成更多内存、单系统搭载更多芯片、单集群部署更多系统。其结果是，整个AI堆栈正经历一场结构性的内存密集度跃升。
如下图，Vera Rubin等新一代AI服务器平台通过将单CPU内存配置推高至1.5TB（较前代+170%），正系统性重构存储需求结构。
3、需求侧：AI推理面临指数级增长
DRAM需求的另一驱动，得益于推理需求正在出现的指数级增长。
消费级的推理需求暂且不提，因大部分用户的需求仅为简单任务，免费/低价模型已经够用，因此这类token增长对模型厂商的ROI贡献有限；重要的是，目前企业对智能体AI的采用也处于早期阶段：尽管调查显示70–90%的企业正在进行试点，但不足四分之一已进入规模化部署。考虑到最终的采纳曲线将呈S型，可以预期更高的采纳斜率还未到来。
尽管采纳仍处早期阶段，但根据最新媒体披露，OpenAI 的收入预测继续上修：公司预计收入将从 2025 年约 130 亿美元，升至 2026 年约 300 亿美元、2027 年约 620 亿美元，并在 2030 年接近 2830 亿美元。Anthropic 的增长更激进，预计 2026 年二季度收入达到约 109 亿美元，较一季度 48 亿美元翻倍以上；其年化收入预计在六月底前超过500亿美元。同时，经调整后的运营利润率（剔除股权激励SBC及其他项目）有望在2026年第二季度转正至5%，而第一季度该指标为-13%。就在去年夏天，该公司还预计要到2028年才能实现盈利。
结构上，企业业务目前贡献约Anthropic约80%的收入，OpenAI则计划到 2026年底让企业业务贡献约一半收入。
而超大规模数据中心运营商的资本支出能否再超预期，就取决于更上游的AI实验室的算力需求预算。这点我们已在两个月前的文章中详细介绍（关于投资AI产业链的一个分析框架），并据此推算出当时一季报的资本支出存在显著预期差，该推测事后已被证实。
此后，随着Anthropic在过去两个月新增锁定13GW算力需求，对应大规模云服务商未来几年5000亿美元以上的新增资本支出，该数字或在其二季报中进一步反映。
更重要的是，正如Anthropic CFO在此前采访里所提到（Anthropic首席财务官万字访谈实录：千亿美元算力内幕），当前前沿AI模型在企业端已展现出极为可观的经济回报——每一次新一代模型的发布，都在不断解锁此前无法触及的应用场景，从而推动公司收入实现指数级增长。考虑到2年内AI模型或将进入“递归式自我改进”阶段，其能力的指数级跃升会进一步触发类似“杰文斯悖论”的效应——效率提升反而引发更庞大的算力需求。因此，财务平衡至关重要：
买多了算力，公司可能因过度投入而倒闭；买少了，则既无法服务客户，也无法维持技术前沿地位——两种选择都可能导致失败。
最终，当前的AI竞赛本质上是一场芯片竞赛，只要堆叠算力依然能提升模型性能，算力的需求就一直是无限的。一方面（训练）算力决定模型性能优势，另一方面“（推理）算力即利润”，因此短期算力需求持续超预期也是可以预期的。
4、需求侧的各类担忧及可持续性
当然，市场对企业token需求的增长趋势并无争议，主要担忧集中在AI实验室的ROI是否能够支持该长期趋势。比如近期媒体报道了很多负面新闻，由于OpenAI和Anthropic还未上市，因此上述担忧主要体现在超大规模云厂商的股价上，最近一段时间，跟踪Mag7表现的ETF已经跌破200日均线，技术面转向看跌。
下面我会就目前市场的主要担忧逐条提出我自己的观点，仅供参考，有不同意见的朋友欢迎在评论区留言：
1）H100 GPU 算力现货租赁价格指数自6月以来持续呈下行走势，代表市场当前对GPU的算力需求正在降低，或者说算力供应已经出现过剩。
个人观点：这个指数更主要反映的是 H100 算力现货市场的供需松紧，而不是大规模云服务商长期包量合同的真实结算价格。短期价格波动可能受到多重因素影响，包括新旧 GPU 平台切换带来的需求错配、客户等待 H200/B200 等新一代产品、阶段性投机需求降温，以及现货供给释放等。如下图所示，虽然H100租赁价格在降低，但新一代/更高端的GPU租金仍然坚挺。
相比现货租赁价格，长期包量合同通常包含专用集群、交付周期、网络互联、电力保障、运维服务和容量锁定等因素，价格机制更稳定，也更少受到短期市场情绪扰动。因此，这一指数更适合作为AI算力现货供需和旧 GPU资产回报率的高频参考指标，而不是判断整个AI基础设施需求拐点的充分证据。
2）Anthropic、OpenAI等主要AI实验室已将部分服务从固定订阅制切换为按token计费，令企业对每一个提示词和自动化流程的成本更加敏感。Uber、沃尔玛等多家公司对其内部AI助手的token使用量设置了上限。成本已成为今年客户面临的"重大问题"。微软已提前与客户沟通定价变化，探讨"适配性与适用场景"，并强调"并非所有任务都需要前沿模型"。
3）智谱发布的GLM-5.2在FrontierSWE长程编程基准上得分74.4，与Anthropic顶级模型Opus 4.8的75.1仅差约1个百分点，同时超越GPT-5.5的72.6，成为目前评分最高的开源权重模型，定价比Opus 4.8低约72%至82%。市场担心开源模型能力日益增强，将会导致市场竞争加剧并加速Token价格降低，从而影响前沿模型的ROI（类似于“Deepseek时刻2.0”）。
4）日本AI实验室Sakana推出颠覆性"编排"框架模型Fugu，Fugu并非单一大模型，而是一个动态调度器——通过单次API调用，决定将任务的不同部分路由至最适配的前沿模型并行处理，最终整合输出优于任何单一模型的结果。Sakana Fugu在SWE-Bench Pro测试中得分73.7，超越Claude Opus 4.8的69.2和GPT-5.5的58.6。
与以上3条新闻对应的，是LLM token 的市场化价格水平正在大幅下行。
由于该价格取自不同模型和供应商之间、经使用或支出加权后，为每百万 LLM token 支付的平均价格。因此其下行可能反映高价模型调用占比下降、企业客户成本敏感度上升、模型降价或开源/小模型替代加速等。
个人观点：首先，不论GLM-5.2还是Fugu，模型的跑分成绩跟最终企业侧的稳定应用是两回事，而前沿模型已经在企业收入侧证明了自己的性能优势；其次，即使是前沿模型，Token价格下降也是大的趋势，但这并不代表其ROI会降低。因为相比token价格的下降速度，token成本的下降速度或许会更快。
一方面，AI 模型正在快速提升性价比。完成同等复杂任务所需的成本大幅下降，所需 token 数量也可能显著减少。Anthropic于2026年4月发布的Opus 4.7标志着这一逆转的开始，而近期发布的Opus 4.8进一步加速了这一趋势。对于同等水平的“智能”，过去需花费超过5000美元，如今仅需约1200美元，且所需token数量不到原来的10%。这意味着，模型能力提升并不只是消耗更多算力，也可能通过更高任务完成率、更少反复调用和更低 token 消耗，扩大现有算力供给的有效性。
另一方面，AI 模型的单位成本效率正在以数量级改善，而模型公司也会将部分成本节省传递给终端用户。短期看，这会带来 token 价格下行和竞争加剧；但中期看，如果推理成本下降快于价格下降，同时 API 与企业应用调用量持续增长，模型公司的收入扩张便可能伴随利润率改善，而不是简单被价格战吞噬。
更重要的是，从算力成本曲线看，基于 Nvidia GPU、Google TPU、AMD GPU 以及 Trainium 等平台的每 token 全包推理成本仍在快速下降。随着硬件迭代、专用芯片放量、模型架构优化和推理系统工程进步，单位 token 成本有望逐步低于当前商业化 token 价格。若这一趋势持续，智能体 AI 的普及不仅会带来收入增长，也可能推动模型服务和云端 AI 业务进入正向利润率扩张阶段。
OpenAI首席财务官Sarah Friar近期也曾发表评论称： “好消息是，算力成本正沿着一条巨大的通缩曲线快速下降。从GPT-4到GPT-5.4，单位成本已下降97%。”
因此，token价格下降本身并不是 AI 商业模式恶化的证据。真正需要关注的是价格、成本与使用量三者之间的关系：如果价格下降刺激更大规模的调用，而成本下降速度更快，那么 token 增长将更可能从“收入增长但利润不确定”，进入“收入增长并以较高边际利润转化为利润”的新阶段。
更重要的是，在整个技术栈的不同层级，AI推理的单位经济效益已展现出极强吸引力。超大规模云服务商销售原始算力的利润率约为30%以上，而模型提供商在API层的推理毛利率可能高达约70%（因其从固定订阅制切换为按token计费）。token吞吐量取决于具体工作负载——即每枚token所需完成的计算量，这是单位经济效益的关键驱动因素。因此，AI实验室的收入增长反而有望加速，同时利润率保持稳定甚至继续扩张。
5）近期美国商务部要求Anthropic在允许外国个人、企业甚至外国政府使用其最先进的Fable 5和Mythos 5模型前，必须事先获得美国政府批准。这被视为美国政府迄今对一家人工智能企业运营进行的最重大干预。此前报道称，特朗普政府内部担忧，最先进AI模型可能成为类似核技术和先进芯片一样的重要战略资源，因此必须限制其向海外扩散。
个人观点：从产业角度看，这可能是目前最值得关注的负面信号之一。原因不在于 Anthropic 单一产品短期下架，而在于它动摇了海外企业对美国前沿模型服务稳定性和可预期性的信任。如果一个企业已经把关键工作流建立在 Fable 5、Mythos 5 或其他前沿闭源模型之上，却可能因为国籍、地区、行业属性或政府政策变化而突然失去访问权限，那么其技术选型就会从“谁能力最强”转向“谁更可控、更稳定、更不受地缘政治影响”。
更进一步，近期有关 Anthropic 在部分敏感场景中对模型能力进行限制、甚至将请求转向能力较低模型的报道，也会加剧企业客户的疑虑。即便这些限制出于安全和合规考虑，如果缺乏透明披露，客户也很难判断模型输出质量下降究竟来自任务本身，还是来自供应商的隐性策略调整。
因此，短期来看，AI 采用仍处于早期阶段，增量市场足够大，OpenAI、Anthropic 等前沿实验室在性能、生态和企业服务上的优势仍然明显，因此不必过度推导为收入拐点。但从长期看，监管不确定性可能倒逼更多海外企业拥抱开源模型、本地部署模型或自研模型体系，以降低对美国前沿闭源模型的单点依赖。
6）AI 基础设施投资热潮正在制造一个会计层面的“黄金窗口”：芯片供应商和设备厂商可以更快确认收入，而超大规模云服务商则将巨额资本支出资本化，并在未来多年通过折旧和摊销逐步计入成本。这使得当前利润表看起来仍然健康，但现金流和未来盈利质量的压力正在同步累积。
据市场估算，2026 年 Alphabet、亚马逊、Meta、微软和甲骨文五家超大规模云服务商的资本支出合计可能达到约 7600 亿美元，而同期折旧及摊销费用预计仅约 2110 亿美元。两者之间的巨大缺口并不意味着这些投资“没有成本”，而是意味着大量成本尚未完全进入利润表，未来将通过更高折旧、维护支出和设备更新需求逐步显性化。
这种滞后效应已经率先体现在现金流层面。2026 年，五家 hyperscalers 的合计自由现金流预计将大幅下降至约 160 亿美元，而净利润仍可能增长至约 5060 亿美元。其中，亚马逊和甲骨文自由现金流预计转负，Meta 也仅略高于零。这种“净利润继续增长、自由现金流急剧收缩”的背离，正是 AI 基础设施投资周期中最值得关注的财务信号。
个人观点：AI 驱动的云需求并非虚假繁荣。积压订单快速增长、云端 AI 收入加速渗透、企业采用率提升，都为中期需求提供了支撑。但在资本支出持续高于经营性现金流、折旧压力逐步抬升的背景下，投资者需要在未来几个季度看到更快的 AI 收入兑现，才能确认这场规模空前的基础设施投资具备足够回报。接下来应重点跟踪两个指标。
第一，看Capex / 增量收入。如果 AI capex 持续高增长，但 AI 相关收入、云收入增速和广告/软件变现没有同步跟上，折旧只是迟早显性化的结果。好在至少一季报提供了超大规模云服务商将AI变现能力的证据，表现为营收预期上调、积压订单庞大以及毛利率上升。
第二，看GPU利用率和租金。如果 H100/B200 租金坚挺、二级市场价格坚挺，说明旧 GPU 仍有经济价值。如前所述，目前B200租金仍然坚挺。
7）边缘 AI 的潜在影响目前仍被市场低估。大规模云服务商当前 AI 资本开支的核心逻辑在于：未来模型调用量、token 使用量和智能体任务量将持续爆发，因此需要提前建设超大规模 GPU/TPU 数据中心，以承接云端推理需求的长期增长。
但这一逻辑隐含了一个重要假设：AI 推理负载将主要集中在云端。随着边缘 AI 发展，这一假设可能被部分削弱。未来云端推理的价值会进一步向复杂任务、高价值任务、长上下文任务、多智能体任务和企业级工作流集中；而低价值、高频、标准化的推理需求，则更容易被本地小模型吸收。
这一趋势之所以值得重视，是因为它正在变得越来越可行。一方面，小模型能力持续提升，越来越多日常任务不再需要调用最前沿模型；另一方面，终端芯片的 NPU/AI 加速能力不断增强，使本地推理在成本、延迟、隐私和可用性上具备更强竞争力。
个人观点：如果未来一年大规模云服务商开始下调或放缓 AI 资本开支，边缘 AI 可能会成为重要原因之一。它未必意味着 AI 总需求下降，但可能意味着云端能够捕获的推理需求比例低于市场此前预期。因此，这也是未来一段时间内持续存在、短期又很难被证伪的看空 AI 资本开支风险之一。
接下来需要重点关注苹果的新产品发布会。苹果未必拥有最强的大模型，但它拥有最强的消费级终端入口、芯片与操作系统整合能力。如果苹果能够证明大量 AI 功能可以在本地设备上稳定运行，那么边缘 AI 对云端推理需求的替代逻辑，将从理论风险转化为更具现实约束力的产业变量。
当然，长期看，边缘AI虽然利空大规模云服务商，但也未必利空内存厂商。正如Computex上推出的每台AI PC系统配备128GB统一LPDDR5x内存，这仍可能成为内存TAM的潜在上行来源。
最后，当前阶段内存周期确实面临诸多风险，然而这些情况在极短期内发生的概率较低，至少目前而言，AI实验室对算力仍有“永不满足”的渴求，对应大规模云服务商持续超预期的资本支出，这一趋势仍将持续。
值得注意的是，据最新价格预测，超大规模厂商内存支出将从2025年的730亿美元飙升至2026E/2027E的3,360亿/7,610亿美元，占总支出比例从14%升至38%/73%。2027E年同比增量达4,260亿美元——增量资本开支几乎完全由内存支出驱动。
因此，不论AI算力需求的提升，还是内存价格继续上涨，都将成为推动资本支出继续超预期的重要催化剂。
4、供给侧：产能扩张瓶颈持续
对生产商而言，挑战在于供应无法立即响应：尽管存储器公司正在提高资本支出计划并加快晶圆厂建设进度，但考虑到晶圆厂建设的漫长周期（2-3年）：EUV工具的可用性、晶圆厂建设、工艺认证、HBM堆叠、封装、测试和良率爬坡都是耗时数年、耗资数十亿美元的项目。这意味着在未来几年，内存价格的上涨是对内存需求的价格无弹性跃升。
虽然AI半导体预计到2030年将以约50%的复合年增长率增长（根据台积电在其2026年5月14日年度技术研讨会上的预测），但预计DRAM产量的增长速度只能满足约60%的需求，因为考虑到EUV的制约，年度比特出货量不太可能大幅超过30%的水平：半导体设备公司（如ASML、应用材料等）受制于供应链复杂性，其出货量每年最多只能增长30%到35%。这是物理极限，无论你需要多少无尘室，你都无法增加超过这个比例的产能。
此外，HBM生产的复杂性加剧了存储短缺危机。HBM由DRAM制成，但每多生产一比特HBM大约需要消耗3倍的硅片。这意味着每一片投向HBM的晶圆，都会消耗掉原本用于汽车和PC等终端市场的数倍标准DRAM/NAND产能——这不仅给AI细分市场带来短缺风险，也波及所有存储类型。随着HBM4/HBM4e所需的硅片比例从3倍升至4倍，这种挤占效应将进一步恶化。例如，原本服务于传统存储的设施和工具正被重新定向至HBM；“洁净室空间”（加工晶圆的超无菌环境）已达极限，迫使制造商必须在有限的厂房面积内做出取舍。据报道，美光表示其仅能满足几个关键客户50%至2/3的需求，并称这是其有史以来见过的最大供需缺口。高通也表示，2026年手机市场的规模将由DRAM的可用性而非消费者需求决定。
有投资者担忧未来几年中国的DRAM扩产。下图展示了全球主要存储芯片供应商在不同内存产品细分市场中的竞争地位与战略定位的综合评估。中国存储厂仅CXMT在服务器DRAM有所进展，但受限于设备、认证、地缘，尚未获得大型云厂商（AWS/Azure/GCP）批量认证——这是关键门槛。短期内难撼动高端市场。
最终，根据德银的DRAM供需模型预测，未来五年供需状况将持续紧张（其中2026年缺口最大）。尽管顶级DRAM供应商宣布了新建晶圆厂和项目扩建计划，但预计未来几年晶圆月产量（WSPM）的增长仍将落后于DRAM晶圆需求的加速增长，对应DRAM价格仍将维持高位。
二、长期协议：提高了盈利可见性并降低了周期性
在隔夜美光财报发布后，值得注意的是，该公司重点提到的长期协议的签署：
“我们很高兴地宣布，我们已与数据中心、消费电子和汽车细分市场客户签署了16份战略客户协议（SCA）。通常，这些协议的期限为五年，从2026日历年至2030日历年年底。这16份已签署的协议约占该期间内我们DRAM出货量的20%和NAND出货量的三分之一。这些SCA包括四家超大型客户和三家中型客户。待全部完成后，我们预计公司约一半或更多的收入将纳入覆盖各终端市场的SCA框架下。
客户高度重视我们的美国供应计划，这也反映在了我们的SCA中。这些SCA采用“照付不议”（take-or-pay）结构，包含在多年期内购买特定数量的约束性承诺。最大的几份协议通常为现有产品设定了价格上限（即当前日历年第二季度的市场价格），并在整个协议期内设定了价格下限。
对于我们设有价格区间的SCA，价格下限使美光能够实现非常强劲的毛利率，远高于我们过去任何周期中的季度峰值毛利率。在我们已签署的16份SCA中，有14份按合约最低价格计算的累计收入在剩余协议期内约为1000亿美元。它们还通过更高的可见度和更稳定的业务表现，增强了我们的长期财务表现、利润率和自由现金流预期。 ”
上面的表态为什么重要？
正如上篇文章里提到的（韩国股市今日暴跌的原因及后市看法），随着推理从单轮聊天转向智能体工作流，内存密集度急剧上升，超大规模数据中心运营商现在就需要更多的HBM、服务器DRAM和企业级SSD容量来满足这种内存使用激增，而不是等到几年后新晶圆厂投产时。这种紧迫性正推动大型科技公司通过预付款签订多年的长期协议（LTAs），以确保未来的产能。
SK海力士董事长此前表示，公司将在未来五年内将晶圆产能翻倍，以应对快速增长的存储芯片需求。看似产能扩张，实际这暗示2026–2030年期间年均复合增长率（CAGR）约为15%，仍远低于需求增速。
因此，目前内存行业正在经历供应合同方式的结构性转变。历史上，内存客户经常机会主义地采购，定价主要与短期供需状况挂钩。在上行周期中，客户有时会签署长期协议以确保分配，但这些协议通常执行力有限，并且在市场疲软时可以重新谈判。
本轮周期截然不同，内存供应已直接与AI部署路线图绑定。领先的云服务提供商（CSPs）不仅在管理价格风险，更在管理供应风险。因此，多年期协议、产能保障及预付款变得至关重要：
• 三星已讨论将季度和年度合同转为3-5年协议。
• SK海力士强调客户对中长期供应承诺的请求不断增加。
• 美光已宣布一项为期5年的战略客户协议（如上所述）。
• 闪迪已描述了由坚实财务担保支持的多年合作伙伴关系。
• 铠侠表示，与超大规模客户的长期供应协议已延长至2028-29财年。
这是一个两级市场的雏形。AI/云买家首先锁定供应，而非长期协议买家则在一个更小、更不稳定的剩余池中竞争。
最终，与过去的LTA相比，当前版本包含了更高程度的约束性承诺。比如LTA正在被讨论纳入大额预付款和针对违约的实质性罚金条款，这可以保证更强的约束力。定价将在一个预先确定的范围内讨论，并设有保底价格，以确保存续期内的高利润率水平。
LTA虽然不能完全消除存储器的周期性，因为很可能并非所有合同都会被LTA覆盖。但将降低周期性，增强长期盈利可见性，并提高资本支出效率。由于存储公司的市盈率（PE/PB）一直低于其他AI生态系统参与者，这主要是由于其盈利的高度周期性和有限的长期盈利可见性。预计LTA的推广将更好地支撑存储器公司获得更高的估值倍数。
比如硅片行业，与内存行业类似，但其大部分收入由LTA覆盖，其中先进制程（300mm晶圆）主要通过LTA销售，而成熟制程（200mm及以下晶圆）则通过LTA和短期合同混合销售。LTA中包含预付款，且LTA的供货量和定价是预先确定的，客户可根据自身情况推迟交付，但不影响合同总量。由于这种LTA结构，硅片行业的利润率比存储器行业稳定得多，因此也享受了更高的估值水平。
很明显，当前市场尚未对内存供应商基于LTA的盈利和自由现金流（FCF）赋予任何有意义的市盈率溢价。因为市场“错误地认为6到9个月后就会出现周期性衰退导致价格暴跌”，但由于需求不断超预期+产能扩张受限+LTA签署，这次内存价格的高位维持的时间只会比以往周期更长。
举例来说，目前韩国股市的前瞻PB虽然已处1.5X的历史高位，但前瞻ROE更是达到接近美股的18%，参考其他市场（对台股），对应的合理PB应为3.0X以上，因此如果市场预期韩国股市的周期属性降低，即其ROE能够稳定于18%，则其PB仍能翻倍增长，对应股价继续上涨100%。
因此，尽管考虑到过去一年的高基数，内存价格仍大概率将在今年Q2环比增速放缓，同比增速见顶或在今年Q3，内存价格见顶或在2027年下半年或者2028年初。但在有LTA足够覆盖的情况下，内存价格拐点就不一定是股价拐点，在未来两年企业盈利预期放缓的同时，估值增长将继续支撑股价上行，这就是目前市场对内存股的最大预期差。
精彩评论