内存太贵？黄仁勋撒盐：2029年不太可能过剩

英伟达不只要HBM，把手机内存搬进数据中心2029年内存过剩？市场担心并非没有道理AI越强，内存需求一定越大？

文/睡牛 「科技先生」出品

内存太贵，AI 芯片太贵了，手机太贵了，一切都因内存涨价而变得昂贵，市场也弥漫着内存过剩的担忧。

过去一周，投资者担心内存厂商扩产过快、AI需求可能降温，相关股遭到抛售。更悲观的预测甚至将目光投向2029年：届时新增产能集中释放，内存行业可能结束超级周期，重新陷入价格竞争。

当然，大家都明白，他们担心中国内存厂商产能大爆发。

但黄仁勋并不认同这种判断。

德国当地时间10月22日，英伟达CEO黄仁勋在柏林GTC大会期间接受CNBC采访时表示，到2029年，内存芯片供应不太可能出现过剩。他的理由很直接：AI发展正在创造更多内存需求，而且英伟达使用内存的方式也在发生变化。

“内存的一大好处是，你总是可以用得更多。”他说。

这句话听起来简单，却点出了AI产业链一个容易被忽视的变化：AI芯片的竞争，不只是算力之争，也越来越是内存之争。

谈到内存需求，黄仁勋特别提到了两种产品：高带宽内存HBM，以及原本广泛用于手机的LPDDR内存。

HBM已经是AI加速器的重要组成部分。大模型训练和推理需要处理海量数据，GPU即使拥有强大的计算能力，也需要足够快的内存持续供数。数据传输跟不上，计算能力就难以充分发挥。

这也是为什么，AI产业对HBM的需求不断受到关注。它不是服务器里随手增加的一条普通内存，而是直接关系到高性能计算系统能否充分发挥能力的关键部件。

更值得注意的是LPDDR。

黄仁勋表示，英伟达是全球第一家将手机使用的LPDDR内存引入数据中心的公司，并称这一方案让相关产品的能源效率达到当今其他产品的两倍。他还明确表示，英伟达未来将继续大量使用这种内存。

这背后的思路并不复杂：AI数据中心不仅追求更高算力，也越来越在意每一瓦电能能换来多少计算性能。随着数据中心规模扩大，功耗和能效已经成为无法绕开的成本问题。

LPDDR以低功耗见长，将它引入数据中心，说明AI系统的内存设计正在变得更加多样化。当然，LPDDR与HBM承担的任务并不相同，前者不能简单替代后者。但两条技术路线同时受到重视，意味着AI基础设施对内存的需求，并非单纯依赖一种产品。

对存储厂商来说，这可能比一句“需求还会增长”更值得关注：AI系统正在改变内存的使用场景，也可能改变不同内存产品的需求结构。

黄仁勋看好内存需求，并不意味着市场的担忧毫无根据。

据凤凰网科技援引CNBC报道，韩国一家知名媒体10月15日刊登的专栏文章曾提醒韩国政府，应为AI热潮放缓做好准备。文章援引两位专家的观点称，大量新增供应可能让内存市场在2029年陷入激烈竞争，当前的超级周期也可能走向尾声。

这套逻辑符合典型的周期性产业规律：需求暴涨，厂商扩产；等产能陆续释放，需求增速却可能已经放缓。届时，即使市场规模仍在扩大，供应增长超过需求增长，也足以带来价格压力。

内存行业尤其需要关注这种风险。AI带来的需求增长越强，产业链越有动力增加投入；但建设产能和需求兑现之间存在时间差。一旦判断出现偏差，供需关系就可能迅速改变。

因此，黄仁勋与悲观预测之间的分歧，并不是一方相信AI、另一方不相信AI那么简单。

真正的争议是：未来几年，AI对内存的需求增长，能不能持续消化厂商新增的产能？

黄仁勋的判断是，AI应用会继续拓展内存的使用空间。悲观者担心的则是，厂商扩产可能跑在真实需求前面。两种情况甚至可能同时发生——长期需求继续增长，但某些产品仍然出现阶段性过剩。

从产业逻辑看，AI的发展确实为内存打开了新的增长空间。

一方面，更复杂的模型和更大规模的推理任务，需要更强的计算与数据处理能力；另一方面，数据中心还要在性能、功耗和成本之间寻找平衡。HBM、LPDDR等不同类型的内存，可能在不同环节承担各自的角色。

但这并不意味着内存需求会无限增长。模型架构、推理效率、芯片设计和数据中心投资节奏，都可能改变单位任务所需的硬件资源。即使AI应用持续扩大，内存需求的增速也未必始终保持高位。

这也是判断2029年内存市场时最值得留意的变量：不能只看AI会不会继续发展，还要看AI究竟以多快的速度发展，以及新增产能会以多快的速度进入市场。

黄仁勋的表态，给出了英伟达对未来需求的乐观判断，却还不是整个行业的最终答案。接下来，HBM产能扩张、内存价格变化、数据中心资本开支以及实际出货情况，都将检验这份乐观能否兑现。

至少有一点已经很清楚：在英伟达的AI路线图里，内存远不是一个可以忽略的配角。只要AI计算继续演进，内存的种类、用量和性能要求就可能继续变化。

2029年内存市场会不会过剩，现在还没有定论。但对英伟达而言，眼下显然还没到可以少用内存的时候。

虽然大模型越来越先进，也有 jev 这样的效率模型帮忙，但是，全球 AI 用户需求增长也是惊人的，足以抵消大模型技术迭代带来的算力效率提升。