AI存储需求全面爆发：伯恩斯坦称投资机遇从HBM扩展至DRAM与NAND

根据投资银行伯恩斯坦（Bernstein）分析师的最新报告，人工智能的快速发展正在造成日益严重的内存瓶颈，其需求正从高带宽内存（HBM）迅速蔓延至传统DRAM、NAND闪存和存储解决方案。这一趋势意味着，AI领域的投资机遇正在整个存储产业链中扩展。

AI工作负载差异化，存储需求分层

伯恩斯坦指出，不同的AI工作负载对存储堆栈（memory stack）提出了截然不同的要求，这是投资者理解该领域机遇的关键。AI模型的训练（Training） 过程仍然是计算密集型任务，内存带宽是限制模型规模和计算速度的核心因素。虽然HBM在其中扮演着核心角色，但大规模训练同样需要系统DRAM、本地SSD以及用于数据集、缓存和检查点（checkpoints）的网络存储。

相比之下，推理（Inference） 过程则面临不同的挑战。在处理用户提示并生成第一个词元（token）的初始“预填充（prefill）”阶段，任务主要受计算能力限制，因此GPU和HBM更为重要。然而，在后续生成内容的“解码（decode）”阶段，任务则转为受内存限制。模型需要将先前生成的词元存储在“键值缓存（KV cache）”中，其所需容量会随着上下文长度和并发用户数的增加而急剧上升。

分析师表示，在大型部署中，KV缓存所需的内存可能超过模型权重本身，这或将成为限制AI服务能够支持用户数量的瓶颈。

新兴技术与市场机遇

为了应对上述压力，行业正在催生新的内存层级，包括CXL内存、英伟达的“Storage Next”计划以及CMX上下文存储等。这些新兴技术旨在平衡AI系统在性能、容量和成本之间的需求，以支持更大规模的内存池。

此外，检索增强生成（RAG） 等技术可能进一步扩大需求。伯恩斯坦认为，构建RAG数据库需要大量的SSD或HDD容量以及系统DRAM，而在搜索这些数据库时，DRAM的作用则更为关键。

Ad

而代理式AI（Agentic AI） 的发展可能使需求进一步加剧。随着自主系统需要保留中间结果、与外部工具交互并在代理之间传递输出，对KV缓存和传统服务器中的CPU及常规内存的需求将迅速增长。

投资展望与评级

存储制造商也在积极开发高带宽闪存等前沿技术，试图将类HBM的带宽与NAND的容量及成本优势相结合，但伯恩斯坦指出，相关的技术障碍依然很高。

基于对整个AI存储市场的分析，伯恩斯坦对多家主要存储芯片和设备制造商给出了“跑赢大盘”（Outperform）评级，包括：

• 三星电子 (Samsung Electronics)
• SK海力士 (SK hynix)
• 美光 (Micron)
• 闪迪 (SanDisk)
• 希捷 (Seagate)
• 西部数据 (Western Digital)

与此同时，铠侠（Kioxia）则被评为“跑输大盘”（Underperform）。