社区

过去两年，市场一提到 AI，第一反应往往是 GPU、英伟达、算力、数据中心。但如果继续往产业链深处看，会发现一个越来越重要的事实：

AI 不是只缺 GPU，而是缺“能把数据快速喂给 GPU 的记忆体”。

这就是 HBM，也就是高带宽内存。

如果说 GPU 是 AI 的大脑，那么 HBM 就像大脑旁边的短期记忆。AI 模型每生成一个 token，都需要不断从内存里读取参数、搬运数据，再交给 GPU 计算。模型越大、参数越多、推理越复杂，对数据搬运速度的要求就越高。

问题是，GPU 的计算速度已经非常快，但内存把数据送过去的速度跟不上。这种瓶颈就是所谓的 Memory Wall，记忆体墙。

在 AI 时代，真正限制芯片发挥性能的，很多时候不是“算不算得动”，而是“数据能不能足够快地搬过去”。

一、HBM 到底是什么？

HBM，全称 High Bandwidth Memory，中文叫高带宽内存。

它和普通电脑里的 DDR 内存条不一样。传统内存更像是放在主板另一端的“仓库”，数据要通过较长的线路传输到 CPU 或 GPU。而 HBM 的设计思路，是把多层 DRAM 芯片垂直堆叠起来，再放到 GPU 旁边，让数据传输距离大幅缩短。

简单理解就是：

普通内存是远处仓库，HBM 是贴身弹药库。

HBM 的优势主要有三点：

第一，带宽更高。
传统 DDR5 的数据总线宽度通常是 64 位，而 HBM3E 可以做到 1024 位，相当于把原来一条窄路，直接拓宽成十几车道的高速公路。

第二，距离更短。
HBM 不是远远插在主板上，而是通过先进封装和 GPU 放在同一个封装系统里。数据传输距离从几厘米缩短到几毫米。

第三，能效更好。
在数据中心里，电费和散热都是实打实的成本。HBM 在单位数据传输上的能耗比传统显存更低，因此不仅提升性能，也帮助降低整体系统能耗。

所以，HBM 不是单纯“更贵的内存”，而是 AI 服务器架构里绕不开的关键组件。

二、为什么 AI 非 HBM 不可？

大型语言模型的核心问题，是参数量巨大。

一个大模型的参数可能达到数千亿甚至更高。每次模型生成内容，都需要反复调用这些参数。GPU 本身很强，但如果内存不能及时把参数送过来，GPU 就会出现“空等”的情况。

这就像一个非常聪明、反应极快的人，旁边却只有一本翻页很慢的笔记本。脑子再快，也得等资料送到眼前。

HBM 解决的正是这个问题。

它通过超高带宽和近距离连接，让 GPU 可以更快读取数据，从而减少等待时间。尤其是在 AI 训练和推理场景中，内存带宽已经成为决定系统效率的重要因素。

这也是为什么 NVIDIA H100、H200、Blackwell，AMD MI 系列，以及 Google TPU、Amazon Trainium 等 AI 芯片路线，都在不断增加 HBM 容量和堆叠数量。

换句话说，无论未来是 GPU 继续主导，还是 ASIC 自研芯片崛起，HBM 的需求都不会消失。

ASIC 不是 HBM 的替代品，反而是新的 HBM 消耗者。

三、HBM 难在哪里？

HBM 之所以贵，不只是因为需求旺盛，更因为它真的难做。

它的核心技术之一是 垂直堆叠。多个 DRAM 芯片像叠松饼一样一层层堆起来，在有限空间里放入更多容量。

但堆起来之后，又有一个新问题：上下层芯片之间怎么传输数据？

这就需要 TSV，穿硅通孔。

可以把 TSV 理解成芯片里的“垂直电梯井”。传统芯片之间通信，可能需要从旁边绕线；而 TSV 是直接在硅片上打孔、填入导电材料，让不同层之间可以垂直互联。

这项工艺的难度非常高。

一个 HBM 堆叠里可能有成千上万个连接点，只要其中一部分出现问题，就可能影响整个封装良率。随着 HBM3E、HBM4 推进，堆叠层数更多、间距更小、接口更宽，对制造精度和良率的要求也越来越高。

所以 HBM 的瓶颈，不是简单砸钱扩产就能马上解决。它需要晶圆制造、堆叠、封装、良率控制、客户认证等多个环节同时成熟。

这也是为什么 SK 海力士能在 HBM 上领先，而三星、美光虽然积极追赶，但短期内也很难一下子改变竞争格局。

四、HBM 离不开 CoWoS

研究 AI 芯片供应链，经常会同时看到三个词：

HBM、CoWoS、先进封装。

这三者的关系可以简单理解为：

HBM 是食材，CoWoS 是厨师，先进封装是厨房。

一颗 AI 加速器不是单独一块 GPU 芯片，而是由 GPU 算力芯片、HBM 内存堆叠、基板和中介层共同组成的复杂系统。

HBM 要发挥作用，必须和 GPU 放得足够近，并且通过极宽的接口高速通信。而把 GPU 和 HBM 精准整合到一起的关键技术，就是台积电的 CoWoS 先进封装。

如果没有 CoWoS，GPU 和 HBM 就很难真正做到近距离、高带宽连接，HBM 的优势会大打折扣。

所以，AI 芯片产业链现在的瓶颈不只是 HBM 本身，还有 CoWoS 产能。

这也解释了为什么市场经常说：

AI 算力短缺，表面看是 GPU 不够，深层看是 HBM 和先进封装不够。

逻辑芯片产能并不是最稀缺的部分，真正卡住出货节奏的，往往是 HBM 供应、CoWoS 封装和高端基板。

五、供给为什么这么紧？

HBM 的供给瓶颈可以分成三层：

第一层是 HBM 晶圆和堆叠制造，主要玩家是 SK 海力士、三星电子、美光。

第二层是 CoWoS 先进封装， $台积电(TSM)$台积电是最核心的供应方。

第三层是基板和相关材料，比如 FC-BGA、T-glass 等。

这三层任何一层出问题，整条链都会堵住。

更关键的是，HBM 不是普通 DRAM，可以快速切换产能。它需要专门的工艺、设备、良率爬坡和客户验证。从建厂到真正形成有效产能，通常需要 18 到 24 个月，甚至更久。

也就是说，2025、2026 年宣布的新增资本开支，真正转化为供给，往往要等到 2027 年甚至更晚。

这就是 HBM 超级周期最核心的支撑：

需求现在就来了，但供给没法立刻跟上。

当库存周数从几十周快速下降到几周时，意味着市场进入非常典型的卖方市场。厂商手里没有太多现货，客户必须提前很久签长期订单，价格自然更容易上涨。

对 HBM 厂商来说，这不仅意味着收入增长，也意味着毛利率和议价能力同步提升。

六、这轮 HBM 周期和传统存储周期有什么不同？

传统存储行业有一个特点：周期性很强。

景气的时候大家扩产，价格上涨；等到产能集中释放，库存上升，价格又会下跌。DRAM 和 NAND 都经历过类似周期。

但 HBM 这一轮有点不一样。

它当然仍然有周期属性，但它不是一个单纯的库存周期，而是嵌套在 AI 基础设施扩张里的结构性周期。

长期来看，AI 对带宽的需求仍然在增长。无论是训练更大的模型，还是推理端计算需求提升，都需要更高带宽、更高容量、更低能耗的内存系统。

中期来看，2025 到 2027 年可能是供需最紧张的阶段。因为 AI 资本开支持续高位，而 HBM 和 CoWoS 的新增产能还没有完全释放。

但到 2027 年之后，如果新产能逐步开出，供需可能从严重短缺走向紧平衡。那时价格涨幅可能放缓，厂商利润率也可能从高位回落。

所以，HBM 既是长期结构性成长方向，也是一个阶段性很强的超级周期。

七、AI 资本开支是最大变量

HBM 需求的背后，本质上是全球科技巨头对 AI 数据中心的持续投入。

Google、Microsoft、Meta、Amazon 等超大规模云厂商，正在把大量资本支出投入 AI 基础设施。AI 服务器、GPU、ASIC、网络设备、存储、散热、电力系统，都在受益。

短期看，只要超大规模厂商的 AI CapEx 没有明显下修，HBM 的需求就很难突然消失。

但这也是市场最大的风险点。

如果未来出现以下情况，HBM 周期就可能发生转向：

比如，AI 商业化进展低于预期，投入产出比被质疑；
比如，宏观经济走弱，科技巨头削减资本开支；
比如，利率环境变化，市场重新压缩高资本开支公司的估值；
再比如，地缘政治或出口管制影响供应链。

因此，投资 HBM 不能只看“现在很缺”，还要持续跟踪下游资本开支有没有变化。

八、三种可能的情景

第一种是基本情景：超级周期延续到 2027 年。

在这个情景下，AI CapEx 继续增长，NVIDIA Blackwell、Rubin 等产品出货顺利，CoWoS 扩产按计划推进，但供给仍然追不上需求。HBM 合约价格继续上涨，SK 海力士、三星电子、美光等厂商盈利维持高位。

这种情况下，HBM 产业链仍然是 AI 主线里最强的方向之一。

第二种是温和转折：2027 年后供需趋于均衡。

随着新增产能释放，HBM 供给逐渐改善。需求还在增长，但最紧缺的阶段过去。价格不一定大跌，但涨幅可能收窄，厂商利润率从高位回落。

这种情况下，市场会从“缺货逻辑”切换到“盈利正常化逻辑”。投资者需要重新审视估值，不能只看当下低 P/E。

第三种是黑天鹅情景：AI CapEx 急剧收缩。

如果大厂削减资本支出，或者 AI 商业化被证伪，HBM 订单可能被取消，库存重新积压，价格快速下跌。那时存储行业可能重演过去的下行周期。

这种风险概率未必最高，但一旦发生，杀伤力会很大。

九、投资者应该重点跟踪什么？

看 HBM，不能只看股价涨跌。更重要的是跟踪几个核心指标。

第一，看超大规模厂商的 CapEx 指引。
Google、Microsoft、Meta、Amazon 的资本开支，是判断 AI 基础设施需求最直接的信号。只要这些公司没有明显下修，HBM 需求就有支撑。

第二，看 NVIDIA 和 AMD 的 AI 芯片出货节奏。
尤其是 Blackwell、Rubin、MI 系列等产品的出货量和排产情况，会直接影响 HBM 消耗。

第三，看 DRAM 库存周数。
如果库存长期维持在低位，说明卖方仍有定价权；如果库存回升到较高水平，就要警惕周期拐点。

第四，看 HBM 合约价格。
如果每季价格仍在上涨，说明供需依然紧；如果涨幅持续收窄，可能意味着紧缺程度下降。

第五，看 CoWoS 产能。
HBM 不是孤立出货的，必须和先进封装配合。台积电 CoWoS 产能扩张节奏，是判断 AI 芯片出货的重要指标。

第六，看 HBM4 的良率和量产进度。
HBM4 会带来更高带宽和更大容量，但也会提高制造难度。如果良率提升很快，供给释放可能超预期；如果良率爬坡缓慢，紧缺时间可能延长。

十、结论：HBM 是一条结构性主线，但不能无脑线性外推

HBM 的投资逻辑，可以用一句话概括：

它是 AI 长期结构性成长里，叠加了 2024 到 2027 年供需超级周期的核心资产。

长期看，AI 对内存带宽的需求不会消失。只要模型继续变大、推理继续增长、数据中心继续扩建，HBM 就仍然是绕不开的基础设施。

中期看，2025 到 2027 年可能是 HBM 供需最紧、盈利弹性最强的阶段。厂商拥有定价权，利润率有望维持高位。

但短期交易上，也不能简单一句“HBM 很缺”就无脑追高。

尤其是像 $南方两倍做多海力士(07709)$SK 海力士这类公司，表面 Forward P/E 看起来可能很低，但这个低估值是建立在超级周期盈利基础上的。如果用十年正常化盈利去看，估值未必真的便宜。

所以，正确的分析方式不是简单说“P/E 低，所以低估”，而是要把两件事分开看：

一部分是 AI 带来的长期结构性价值；
另一部分是供需错配带来的周期性超额利润。

只有把这两部分拆开，才能更清楚地判断 HBM 到底是长期机会，还是阶段性高景气交易。

对投资者来说，HBM 这条线仍然值得重视。但越是在景气度最强的时候，越要盯紧 CapEx、库存、价格、CoWoS 和良率这些信号。

因为真正的周期拐点，往往不是出现在大家都悲观的时候，而是出现在所有人都觉得“永远缺货”的时候。