AI 算力瓶颈升级：HBM 成为稀缺资源，DRAM 扩产滞后或重塑大模型竞争格局

在生成式 AI 持续推高算力需求的背景下，全球半导体产业正遭遇一个更隐蔽但更关键的约束：内存，尤其是面向 AI 加速器的高带宽内存（HBM），正在成为新的“卡脖子”环节。最新产业动向显示，DRAM 产能扩张速度远落后于市场需求，供给仅能覆盖约六成，这一缺口可能在未来数年持续存在，并直接影响大模型训练、推理以及 AI 基础设施的演进路径。

DRAM 不再只是“配角”：AI 时代的核心瓶颈

在传统计算架构中，CPU 或 GPU 通常是性能瓶颈的核心。但在大模型时代，这一逻辑正在被改写。随着模型参数规模从数十亿跃升至万亿级别，内存带宽与容量成为决定训练效率和推理吞吐的关键因素。

HBM（High Bandwidth Memory）作为堆叠式 DRAM，通过 TSV（硅通孔）技术实现更高带宽和更低延迟，已经成为 AI 芯片（如 GPU、AI ASIC）的标配。无论是大规模分布式训练，还是低延迟推理服务，HBM 的供给能力都直接影响模型部署规模和性能上限。

但问题在于，HBM 的制造复杂度远高于传统 DRAM，其产能爬坡速度明显滞后于需求增长。

三星扩产节奏滞后，HBM 要等到 2028 年

作为全球最大的存储芯片制造商之一，三星电子的扩产计划具有行业风向标意义。根据最新披露的信息：

• 位于韩国平泽园区的第四座晶圆厂计划今年启用，但全面量产要到 2027 年甚至更晚；
• 更关键的是，该工厂并非专用于内存，还将承担逻辑芯片制造任务，这意味着其 DRAM 产能扩张空间被进一步压缩；
• 正在规划中的第五座工厂将聚焦 HBM，但预计投产时间在 2028 年之后。

这一时间表与 AI 算力需求的爆发节奏明显错位。过去两年，大模型训练规模几乎呈指数级增长，而核心内存资源却需要数年才能完成一次产能跃迁。

“60% 供给覆盖率”：缺口如何传导到 AI 生态

当前 DRAM 提产速度只能满足约六成市场需求，这意味着剩余四成需求将通过价格机制和资源分配策略被“筛选”。

对于 AI 技术社区而言，这种供需失衡将带来多层影响：

1. 训练成本进一步上升

HBM 已经是 AI 训练集群中最昂贵的组件之一。供给不足将直接推高 GPU 模组价格（尤其是集成 HBM 的高端加速卡），进而抬高大模型训练门槛。

这将加剧头部公司与中小团队之间的资源差距，使得“算力即壁垒”的趋势更加明显。

2. 推理侧优化成为主战场

在内存资源紧张的情况下，推理效率优化的重要性将进一步提升，包括：

• KV Cache 压缩与复用
• 更高效的 attention 机制（如 FlashAttention）
• 模型量化（INT8 / FP4）与蒸馏
• 内存感知调度（memory-aware scheduling）

这些技术路径的核心目标一致：在有限内存带宽和容量下榨取更多性能。

3. 架构创新加速：从“算力中心化”到“存算协同”

内存瓶颈正在推动 AI 硬件架构发生变化，例如：

• 更紧耦合的 CPU-GPU-内存设计
• Chiplet + 先进封装（CoWoS、Foveros）
• 新型存储介质（如 MRAM、ReRAM）探索
• 甚至是“近存计算”（Processing-in-Memory, PIM）

这些方向本质上是在重新平衡“计算 vs 数据搬运”的成本结构。

云厂商与开源生态的应对策略

面对 HBM 短缺，云计算厂商和 AI 基础设施提供商已经开始调整策略：

• 资源池化与调度优化：通过更细粒度的 GPU/内存切分，提高利用率
• 异构算力混用：结合 HBM 与 GDDR GPU，甚至 CPU offloading
• 定制芯片（ASIC）：针对特定模型结构优化内存访问模式
• 开源模型轻量化：社区推动更小参数、更高效率的模型设计（如 MoE、稀疏模型）

可以预见，未来几年 AI 工程的竞争重点，将从“谁有更多 GPU”转向“谁能更高效使用内存与带宽”。

一个被低估的结论：AI 发展节奏将被“物理世界”重新约束

过去两年，大模型的进展更多受算法与数据驱动，但随着硬件资源的边界逐渐显现，半导体制造周期开始重新主导 AI 发展节奏。

HBM 产能的扩张需要数年时间，而不是几个月的工程优化。这种“慢变量”将对 AI 行业产生深远影响：

• 模型规模增长可能阶段性放缓
• 更强调效率而非单纯参数堆叠
• 硬件-软件协同优化成为核心竞争力

从这个角度看，DRAM 与 HBM 的供需失衡，并不仅仅是一次周期性的涨价问题，而是一次对 AI 技术路径的结构性重塑。

对于开发者与研究者来说，理解并适应这一变化，可能比单纯追逐更大的模型，更具长期价值。