据路透社报道，SK海力士正与英特尔磋商，计划首次在美国本土生产存储芯片，消息推动两家公司股价走高。英特尔股价上涨5%，SK海力士在纳斯达克上市的美国存托凭证涨幅约2%。 不过，SK海力士表示，尚未敲定任何具体方案。路透社援引知情人士消息称，其中一种合作方案是SK海力士租赁英特尔俄亥俄州芯片工厂的部分产线。报道还提到，英特尔、SK海力士也可能联合头部云厂商成立合资企业。 路透社称，SK海力士也可考虑其他交易架构。一名消息人士向路透社表示，目前仅为探索性谈判，尚未作出任何最终决定。 9月16日，SK海力士在声明中表示：“SK海力士正在研究多种方案，以强化全球竞争力，但现阶段尚未敲定任何具体计划或安排。文中提及的两种合作方案均没有定论。” 英特尔暂未立刻回应置评请求。 如果这项合作落地，对英特尔而言将是重大利好。英特尔正努力为晶圆代工业务招揽头部大客户，代工业务是CEO陈立武战略规划中的核心支柱。该合作也有助于美国政府推进目标，将更多半导体制造 产能 带回美国本土。 SK海力士是全球领先的高带宽内存（HBM）供应商，HBM是英伟达芯片的核心元器件，同时该企业还生产各类AI应用所需的存储芯片。 路透社援引三位消息人士的说法：英特尔与SK海力士合作生产HBM这类先进存储芯片的方案，可能会遭到韩国政府反对，相关技术被认定为敏感技术。 SK海力士于7月在纳斯达克发行美国存托凭证，是人工智能热潮的主要受益方。全球数据中心建设热潮造成存储芯片紧缺，芯片价格大幅上涨，让SK海力士及其竞争对手三星斩获巨额利润。 SK海力士在韩国本土上市的股票过去一年涨幅达400%。 今年6月份，SK海力士宣布计划未来五年将产能扩大一倍。今年7月份，韩国SK集团董事长崔泰源（Chey Tae-won）接受CNBC采访时称，市场对HBM的需求“极其旺盛”。 SK海力士已有扩大美国产能的规划。上月，该公司位于印第安纳州的美国首座工厂破土动工。SK海力士的CEO Kwak Noh-Jung表示，这座40亿美元的工厂到2030年将使印第安纳州成为“美国核心HBM生产基地”。

因为看好AI技术在更多行业应用的前景，英伟达CEO黄仁勋作出乐观表态。他表示：“ 英伟达明年芯片销量将是今年的两倍。” 同时他强调，不安全产品必须被拦下，“AI安全至关重要”。 美东时间17周四美股盘前黄仁勋发布上述讲话后，英伟达股价进一步上涨，早盘刷新日高时日内涨2.8%，势将连续第三个交易日收涨，进一步脱离此前连跌五个交易日刷新的8月26日以来收盘低位，并扭转上周累计跌超5%的部分跌幅。 当地时间9月17日，黄仁勋在英国苏格兰参加由英国国王查尔斯三世主持的AI峰会时表示，AI不应像社交媒体一样受到监管，因为AI本质上是一项技术，而非一种产品。监管者应针对AI产品及其具体应用场景制定规则，而不是直接监管AI这一底层技术。 AI需求持续扩散，英伟达看好明年芯片销量 据报道，黄仁勋在峰会间隙接受采访时表示，AI正为多个行业带来显著益处。随着AI向不同行业扩散，他预计英伟达未来一年芯片销量将达到今年的两倍。 这一预期延续了英伟达此前对AI需求的乐观判断。 8月英伟达公布的业绩展望预计，公司下一财年销售额将增长约70%。管理层当时表示，如果供应能够满足旺盛需求，营收甚至可能翻倍。 黄仁勋反对照搬社媒监管：AI是底层技术 据报道，黄仁勋认为，AI与社交媒体“差别很大”。社交媒体是一种产品，而AI是一项支撑其他技术和产品的底层技术，因此监管应当落在产品，而非技术本身。 他表示，当前AI领域的安全问题，主要涉及一些尚未准备好发布的产品。监管机构应持续关注AI部署过程中出现的实际问题，并在必要时通过新增法律完善现有监管框架。 黄仁勋还指出，AI已被应用于医疗、交通、娱乐等领域，而这些行业本身已有相应监管规定，因此并非所有AI应用都需要建立一套全新的监管体系。 “不够安全就应暂缓发布”，黄仁勋强调严格测试 在AI安全问题上，黄仁勋强调，开发者必须对系统进行严格测试，并在受控的测试实验室中充分验证产品。 “那些开发AI的人必须严格测试系统。”黄仁勋在峰会简短发言中表示，“当一个产品还不够安全时，我们就应该暂缓发布。” 他认为，确保AI产品安全，本质上属于传统工程问题：产品面向公众发布前，必须经过充分、严格的测试与改进。 查尔斯三世召集AI巨头，安全争论持续升温 此次峰会由英国国王查尔斯三世主持，OpenAI首席财务官萨拉·弗里尔、谷歌DeepMind联合创始人德米斯·哈萨比斯，以及Anthropic公共事务负责人蒂诺·奎利亚尔等人出席。 查尔斯三世在开场讲话中表示，关注人类福祉的人们正急切希望得到保证：人类不会失去对自身命运的掌控。他提出，如何在安全优先的前提下发挥AI的益处，以及如何通过国际合作达成共识，是需要回答的关键问题。 峰会召开之际，AI行业内部对发展速度和潜在风险的争论正在升温。Anthropic CEO达里奥·阿莫迪近期呼吁放缓前沿AI发展，OpenAI CEO萨姆·奥尔特曼也表达了对相关风险的担忧；哈萨比斯则称相关讨论指向了正确的方向。 黄仁勋则持续反对放缓AI发展，主张通过企业责任、严格测试和针对具体产品的监管来应对安全风险。

SK海力士与英特尔合作在美生产存储芯片的消息刚刚提振市场情绪，SK海力士随后的声明，又让这项潜在合作增添了变数。 9月16日，SK海力士表示：“ 我们想澄清，有关与报道中提及的任何特定公司开展合作，或在美国生产存储芯片的事，目前没有任何定论。 SK海力士正在探索多种方案以增强自己的全球竞争力，但还未敲定任何具体计划或安排。”该公司还称，对于报道提到的两种合作情景，目前均未作出决定。 据路透社同日此前报道，三名知情人士透露，韩国半导体巨头SK海力士正与英特尔洽谈合作事宜，计划首次在美国本土生产存储芯片。谈判地点聚焦于英特尔位于俄亥俄州的芯片制造工厂。 消息传出后，英特尔美股盘前一度涨近6%。在SK海力士发布声明后，英特尔盘前涨幅收窄至3%左右。 合作模式仍待确定，美国生产成本或成关键变量 据华尔街见闻此前文章，目前双方讨论的方案主要有两种：一是SK海力士租用英特尔俄亥俄州工厂的部分产能，在当地生产存储芯片；二是SK海力士与英特尔及主要云计算公司成立合资企业，由云厂商通过合作锁定存储芯片供应。 此前报道将双方谈判形容为“探索性”，强调最终方案尚未确定，SK海力士也可能考虑其他合作结构。 路透社称，目前尚不清楚如果协议最终达成，SK海力士将在俄亥俄州生产哪类存储芯片。其产品线包括用于服务器、PC和智能手机的DRAM、NAND闪存，以及用于AI处理器的高带宽内存（HBM）。 如果合作落地，SK海力士的加入可能为英特尔俄亥俄州项目带来新的产能利用和商业化机会。英特尔2022年宣布将在当地投资最多1000亿美元建设大型芯片制造基地，但项目进度已明显推迟，两座工厂的竣工时间分别延至2030年和2031年。 对SK海力士而言，在美国扩大生产布局有助于靠近AI数据中心等主要客户。当前AI和数据中心投资持续增长，云计算企业也在寻求更稳定的存储芯片供应，为潜在合作提供了需求基础。 但美国生产半导体的成本明显高于韩国。报道援引知情人士称， 美国劳动力和建设成本较高，而半导体供应链大部分仍集中在亚洲，推高了美国本土生产的综合成本。

据路透社9月16日报道，三名知情人士透露，韩国半导体巨头SK海力士正与英特尔洽谈合作事宜，计划首次在美国本土生产存储芯片。谈判地点聚焦于英特尔位于俄亥俄州的芯片制造工厂。 目前有两套方案： 方案一 ：SK海力士租用英特尔俄亥俄州工厂的部分产能，直接在当地开展存储芯片生产。 方案二 ：SK海力士与英特尔、主要云计算公司共同组建合资企业。云厂商的动机明确——它们迫切希望锁定存储芯片供应。背景是，AI和数据中心的持续高速投入，已造成存储芯片的严重短缺。 至于具体生产哪类芯片，报道称表示尚未获悉。SK海力士的产品线涵盖用于服务器、PC和智能手机的DRAM芯片、提供长期存储的NAND闪存芯片，以及用于AI处理器的高带宽内存（HBM）——其中HBM领域，SK海力士是全球领先供应商。 目前谈判仍处于探索阶段，知情人士强调“尚未作出任何决定”，具体合作结构也存在多种可能。消息后。英特尔、SK海力士美股夜盘涨超2%。 对英特尔和特朗普政府意味着什么 这笔潜在交易，对两个“急需好消息”的主体都有直接价值。 英特尔方面，公司近年来持续承压，俄亥俄州工厂的建设计划也因此陷入不确定。若SK海力士入局，相当于为这一项目注入外部支撑。 特朗普政府方面，其一直在向芯片企业施压，要求在美国本土建厂。SK海力士若在美国落地生产，将是这一政策的标志性成果。 不过，知情人士指出，韩国政府的潜在反对，可能是交易面临的最大阻碍。 这一担忧并非空穴来风。韩国政府历来对本国核心半导体技术外流保持高度警惕，SK海力士的存储芯片制造能力——尤其是HBM技术——属于战略敏感领域。能否获得首尔的政策许可，将直接决定谈判能否走向落地。

市场近期对AI基础设施投资的信心出现动摇。开源大模型的崛起、AI安全监管呼声升温，以及超大规模云厂商自由现金流转负——三重压力叠加，令科技硬件板块情绪持续低迷。 据追风交易台消息，摩根大通分析师Gokul Hariharan等在9月16日发布的亚洲科技策略报告中，对上述三大疑虑逐一作出回应，结论是： 算力需求的基本面并未动摇，AI安全监管担忧属短期扰动，资本开支周期仍将延续，半导体设备将在2027年前后成为整条供应链最关键的瓶颈。 “购买算力”同样是门好生意 市场的第一个疑虑，是"卖算力"固然赚钱，"买算力"（即AI模型厂商和垂直AI应用商）是否也能持续盈利。 分析师指出，当前推理业务的毛利率已有多份报告显示达到60%至80%。 报告进一步测算： 假设一家模型厂商通过出售AI token，每GW算力每年可产生200亿至400亿美元收入 ，远高于2025年的每GW约100亿美元。 报告还援引Sapphire Venture的数据称，已有逾80家垂直AI公司在极短时间内实现年经常性收入（ARR）突破1亿美元，印证了算力消费下游的价值创造。 开源不是威胁，是需求催化剂 第二个市场担忧，是开源大模型的兴起将压低token价格，侵蚀模型厂商的盈利空间。 摩根大通对此持相反看法。分析师认为，开源模型历史上推动了token成本持续下降（每token成本长期下降幅度达80%至90%），这一趋势会加速AI在各行业的渗透，而非削弱整体算力需求。 分析师指出三个逻辑： 在当前算力供给仍然紧张的环境下，专有前沿模型与开源模型的token消耗量都将保持强劲增长； 开源的普及将推动AI向更广泛的应用层下沉； 更多垂直AI应用公司将利用低成本的开源token，解决特定行业问题，形成新的收入层。 分析师特别指出，2026年上半年token成本出现阶段性反弹，属于算力严重短缺叠加智能体AI兴起所导致的"异常值"，并非趋势逆转。 AI安全监管：短期扰动，不改训练节奏 第三个担忧来自监管层面。据彭博报道，Anthropic首席执行官近期公开呼吁放缓AI模型改进的节奏，引发市场对算力需求前景的担忧。 分析师认为，这一担忧同样被放大了。 他判断：" AI模型正在以更快的速度演进，RSI（递归自我改进）的临近，恰恰说明技术演进和AI扩展定律并未放缓。 " 分析师进一步指出，即便新模型的推出可能受到对齐限制等因素的约束，前沿模型的训练节奏本身不太可能减慢。与此同时，开源模型也不会停下脚步，这反而会倒逼前沿模型实验室加快训练以保持领先。 摩根大通认为，AI安全议题的背后，是技术演进速度过快引发的监管跟进，而非需求萎缩的信号。报告预计，未来1至2年内，生成式AI有望开辟类似过去18个月编程和智能体工作流那样的全新市场空间。 资本开支：杠杆仍低，现金流在加速 超大规模云厂商的资本开支融资能力，是市场的第四个疑虑。多家云厂商已进入自由现金流为负的阶段，外部融资压力上升。 摩根大通的判断是： 未来几年资本开支仍有增长空间。 理由有三： 大型超大规模云厂商的净债务/股权比目前仅为13%，杠杆水平仍然偏低； 公有云业务增速正在加快，且定价更高，将成为经营性现金流增长的重要来源； 超大规模云厂商及算力下游买家的股权融资，可提供额外的资金支撑。 分析师预测，亚马逊、微软、谷歌、Meta、甲骨文、Coreweave和SpaceX七家公司合计资本开支，将从2025年的4430亿美元增至2026年预估的9330亿美元，2027年进一步升至1.577万亿美元，同比增速分别为71%、110%和69%。 分析师同时提示，利率上行环境及部分AI基础设施融资领域风险偏好的变化，仍是需要持续关注的变量。 半导体设备：下一个瓶颈正在形成 在供应链层面，摩根大通认为，展望2027年， 半导体设备（SPE）将从此前的"洁净室及其他领域"瓶颈，转变为整条供应链最核心的制约因素。 需求端驱动因素包括： 台积电将大幅加码N2、N3及A14制程的设备投入； 英特尔、三星晶圆代工及Terafab等挑战者也将增加资本开支； 成熟制程晶圆厂启动四年来首个新投资周期； DRAM和NAND Flash厂商将在2027至2028年随洁净室产能上线而快速扩大设备采购； 中国存储器投资也将在未来两年显著提速。 供给端，摩根大通指出，半导体设备厂商已开始享受罕见的涨价红利——原因是产能紧张、投入成本上升，以及来自多家客户的加急订单。 封装与基板：瓶颈持续，光互连崛起 在元器件层面，摩根大通认为IC基板和先进封装仍是关键瓶颈。 基板供给高度集中于Unimicron、Ibiden等一线厂商，产能扩建周期长达约2.5年。随着AI加速芯片推动单封装基板用量提升，以及2027年底EMIB-T封装技术的引入，供需缺口预计将进一步扩大。 光互连方面，摩根大通预计谷歌、AWS及英伟达将在未来两年全面采用NPO（近封装光学）方案，以解决GPU间、GPU与CPU间及存储互连的性能瓶颈。CPO（共封装光学）是长期方向，但供应链成熟仍需时间。 存储：基本面健康，但情绪仍需修复 存储子板块是摩根大通态度相对审慎的领域。 报告指出，HBM降规格担忧、算法效率提升（如循环Transformer等）对内存用量的压缩，以及KV缓存向DDR或NAND等低层级存储的迁移，使该板块投资逻辑较为嘈杂。 但基本面并不悲观：供需平衡预计不会早于2028年出现，价格应持续上涨至2027年。摩根大通认为，若AI情绪在2026年四季度回暖，存储股有望跟随上涨。但在此之前，投资者的参与意愿可能仍低于其他科技子板块。 2027年哪些环节涨价更强？ 摩根大通梳理了2027年相较2026年价格涨幅有望扩大的细分领域： 晶圆代工 ：台积电预计在2027年对所有制程节点提价（2026年仅限先进制程）；8英寸成熟制程涨幅或达10%至15%，高于2026年的8%至10%； OSAT ：涨价范围扩大至引线键合及成熟倒装芯片封装； 基板 ：涨价周期启动，EMIB-T的引入将进一步收紧供需； 高端CCL （M7及以上）：AI需求与服务器规格升级双轮驱动，供给增速持续落后于需求； 存储 ：涨价节奏预计放缓； PCB材料 ：涨价动能同样趋弱。 分析师指出， 亚洲科技硬件供应链的EPS修正趋势依然健康，估值具有吸引力。 当前市场情绪偏弱，但尚未看到资本开支下行周期即将到来的明确信号。推动下一轮行情的关键催化剂，仍将来自模型层和AI应用层持续变现能力的更多验证。

随着AI浪潮从数据中心向边缘侧和机器人领域蔓延，美光高管警告称，存储已成为决定AI性能上限的最核心瓶颈，而由于新建产能周期漫长且工艺极度复杂，行业供需失衡的局面至少要到2028年后才能迎来实质性的新增产能释放。 9月15日，在Six Five Summit 2026的半导体聚焦论坛上，美光公司CEO高级顾问Sumit Sadana接受了分析师Patrick Moorhead的采访，详细拆解了AI时代下存储行业的供需格局、资本支出计划以及未来的核心增量市场。 在过去的一年里，整个科技行业对存储的认知发生了根本性重塑。这种重塑的根源在于，算力早已不再是衡量AI系统能力的唯一标尺。Sadana在访谈中一针见血地指出了当前AI硬件的底层逻辑：“如今，人工智能系统的性能首先取决于内存子系统的性能和内存容量。这两点真正决定了人工智能子系统的性能水平。” 他解释称，由于AI模型需要存储在内存中，且海量数据需要在内存间来回传输，处理器与内存之间的带宽已成为性能的关键瓶颈。 同时，存储市场正面临着长达数十年积累下来的结构性失衡——上世纪90年代初有多达20多家DRAM公司，如今只剩下寥寥几家；而目前设计处理器的公司却已超过20家。这种“少对多”的漏斗型供给格局，使得面对爆发式的AI需求时，存储供应链显得极为脆弱。 资本支出飙升，实质性新增供应需等到2028年 面对供需之间的巨大缺口，单靠技术转型带来的比特增长已无法满足市场胃口，整个行业被迫进入“新建洁净室和晶圆厂”的重资产扩张周期。 美光正在开启前所未有的资本开支计划。Sadana透露：“单看我们的资本支出计划：2025财年我们的资本支出略高于130亿美元；2026财年将翻一番；2027财年预计将超过450亿美元。我们最近在美国宣布，将投资额从2000亿美元提高到2500亿美元，并加快了时间表。”此外，美光还在美国爱达荷州、纽约州，以及中国台湾、日本和新加坡等地同步推进约20个扩产项目。 然而，远水难解近渴。半导体工厂的建设受制于基础设施、监管审批以及技术工人的严重短缺。 Sadana给出了明确的时间表预期：“我们认为真正意义上有效的新增供应要到2028年才能开始逐步释放，而且这仅仅是初期阶段，产能增长的势头要到之后几年才能真正增强。因此，整个行业需要一段时间才能找到新的平衡点。” 产能释放缓慢的另一大原因在于存储器制造的天文数字级复杂度。以当前火热的HBM为例，Sadana直言其能正常工作“简直是个奇迹”：“想想看，把12层DRAM芯片层层堆叠起来，最底层还有一个连接到GPU的基础芯片。整个系统面临着非常严峻的散热挑战和功耗问题……晶圆厂里大约有2000道工序。从晶圆厂开始生产，到最终能把产品交付给客户，整个周期大约需要五个月。” 告别“随买随卖”，长期“长协”与“深度定制”重塑商业模式 极度紧缺的产能正在倒逼存储行业的商业模式发生蜕变，传统的现货交易和符合JEDEC标准的通用芯片时代正在发生改变。 “我们签订的是多年期合同，承诺向客户供货，客户也承诺提供需求预测。这与以往的一年期协议截然不同——以往客户想买就买，只要有货我们就供货。”Sadana表示，这种被称为“战略客户协议”的模式投资回报率极高，为晶圆厂多年的资本支出提供了底层保障。 更为深刻的变化在于研发端的绑定。为了在AI系统中实现功耗、模型运行速度等方面的差异化，客户正将存储设计提前纳入其5到7年的产品路线图。Sadana指出：“这种模式将合作关系转变为更类似于ASIC芯片的合作模式——客户在设计上拥有更大的自主权，且这种关系具有长期性。” AI走向边缘，人形机器人将成最大增量市场 市场普遍聚焦于数据中心的AI需求，但美光认为，这仅仅是起点。随着AI向智能手机、PC（如采用统一内存架构的Mac mini）以及自动驾驶汽车渗透，存储需求将无处不在。 对于未来的想象空间，Sadana将目光锁定在了机器人赛道，认为这将是继数据中心之后的又一波海量需求浪潮。 “想想人形机器人，它将成为有史以来最大的产品市场之一。”Sadana在展望2030年代的市场时强调了端侧AI对存储的恐怖消耗量：“机器人技术最令人兴奋的地方在于，每个设备需要存储海量数据——每个人形机器人将拥有数百GB的DRAM内存和数TB的NAND闪存。因此，它们将极大地推动DRAM和NAND的需求增长……机器人必须能够自主运行，不能每次都向服务器发送数据。” 以下是访谈正文： Sumit Sadana 00:00 如今，人工智能系统的性能首先取决于内存子系统的性能和内存容量。这两点真正决定了人工智能子系统的性能水平。欢迎回到 2026 年峰会。 Patrick Moorhead 00:22 人工智能的时代已经来临。内存的重要性和战略意义令人惊叹。我一直认为内存很重要，但考虑到人工智能时代，它所赋予我们的能力简直不可思议——坦白说， 如果没有足够的内存、没有合适的内存，我们周围所有令人惊叹的事物都无法实现。 我很高兴地宣布，美光公司将出席本次峰会。很高兴见到你，很高兴你回来了。谢谢你的邀请。这真是太棒了。我从事这个行业 35 年了，从内存的消费者，到内存的合作伙伴，再到现在在分析公司研究内存市场及所有相关领域。我们取得的成就令人惊叹。去年我们交流的时候，我实际上把内存归类为战略性技术——是的，我得为此邀功。坦白说，你更应该得到赞誉，因为你是实际行动者，我只是说说而已。但如今，这种观点似乎更加重要了，越来越多的人开始谈论它。在这个人工智能时代，过去一年里发生了什么变化，让整个行业更加重视内存？ Sumit Sadana 01:44 为什么人工智能实际上加速了这种转变？这是个很好的问题。一年过去了，但就过去一年世界发生的变化而言，感觉却相当漫长。从客户的角度来看，变化尤其巨大。 我们现在面临的情况是，所有市场领域的内存都严重短缺。尽管我们尽了最大努力来增加供应，但目前仍然无法确定何时才能使供应赶上需求，因为需求一直在持续增长。来自各个领域客户的信号，每年都在不断增加。 客户看待内存的方式之所以发生变化，原因有几个。其一是供需之间存在的巨大缺口； 其二是，考虑到人工智能的需求，系统对性能的要求也在不断提高。 当你思考是什么让系统发挥出最佳性能时，你会发现处理器并非唯一因素。如今，内存性能、处理器与内存之间的带宽以及内存本身的容量都至关重要。因为人工智能模型需要存储在内存中， 大量数据需要在内存之间来回传输，处理器与内存之间的带宽就成了性能的关键瓶颈 。因此，客户逐渐意识到，他们需要重新规划产品路线图，并采用不同的内存策略。 Sumit Sadana 03:44 现在，关键在于如何设计内存以获得竞争优势，如何让每个客户的系统脱颖而出。如果内存仍然像几年前那样，采用所有人都使用的、符合 JEDEC 标准的现成内存，那么就很难实现差异化。因此，我们现在与客户合作，将内存设计纳入他们多年的产品路线图。他们现在专注于如何实现差异化、如何改变竞争格局。这意味着要以不同的方式思考内存，与像美光这样的公司合作，设计出一种可以加以应用和利用的新型功能。 Sumit Sadana 04:31 举个例子，我们与英伟达在数据中心低功耗 DRAM（LPDRAM）领域的合作就是个很好的例子。我们是首家将这项技术引入数据中心的公司，并且长期以来一直是该领域的独家供应商，而现在这项技术正逐渐被其他公司所采用。越来越多的客户开始意识到使用低功耗 DRAM 的优势——它能带来更高的密度、更小的尺寸、更强的性能，以及显著降低的功耗，而这对于数据中心来说至关重要。这只是众多例子中的一个。 Patrick Moorhead 05:07 展望未来五年，这些技术正开始蓬勃发展。当我试图解释为什么人们对内存的兴趣如此高涨时，我想起了我大学时上的一门课——那是在 80 年代末，那门课讲的基本原理是：如果你能把操作限制在内存范围内，就能提高性能。当然，现在的情况略有不同。内存越多，你就能获得更好的结果，而且内存越接近你正在处理的事务越好，因为一旦超出内存范围，速度就会变慢。在人工智能时代，这是一个很大的挑战。 这很有意思。我的职业生涯中经历了九个内存周期。我之前在一家 OEM 厂商工作，也曾在一家芯片公司工作，现在在一家分析公司工作了 15 年。内存似乎是周期性最强的，尽管我知道还有其他行业也有类似的周期规律，但内存也被认为相当商品化。你在第一个问题中已经稍微谈到了这一点，但是…… Sumit Sadana 06:17 为什么人工智能正在从根本上改变这种认知？这是一个很好的问题。如果你回顾上世纪九十年代初，当时有超过 20 家公司在做 DRAM，DRAM 行业经历了大量的整合。那时候处理器公司就只有那么几家，而现在，处理器公司已经超过 20 家了。如果你坐下来数一数所有做处理器设计的公司，这个数字很快就出来了。但是做 DRAM 的公司却寥寥无几。 所以，当你思考人工智能设计、人工智能子系统设计时，不仅仅局限于数据中心——当然，数据中心方面要区分训练工作负载与推理工作负载，甚至推理工作负载本身也会越来越细分为不同的推理类型。其中一小部分可以使用 SRAM，但很大一部分仍然非常依赖 DRAM。 我们尽可能地在这些系统中设计出最大的 DRAM 容量。这种趋势甚至延伸到自动驾驶汽车、工业系统，再看看智能手机和个人电脑——由于统一内存架构，Mac mini 销量火爆，掀起了一股"Open Claw"运动。而这一切，归根结底，都与人工智能息息相关。 Sumit Sadana 07:50 如今，系统性能首先取决于内存子系统的性能和内存容量，这两点真正决定了人工智能子系统的性能。因此，当内存成为系统的核心设计点时，你就必须以不同的方式思考内存问题。随之而来的核心问题就是：如何快速推出差异化产品？我认为，未来的内存业务将与过去截然不同，而这又与以下这个理念紧密结合…… Sumit Sadana 08:36 整个行业最终都发展到了需要新建产能的地步，这着实令人意外，因为人工智能驱动的需求增长如此显著。仅仅依靠技术转型无法满足这种需求，而过去几年，技术转型带来的比特增长原本足以满足需求增长。如今，行业需要大幅增加晶圆产量，这意味着必须建设新的洁净室空间。当现有生产基地的洁净室空间告罄时——大多数公司似乎都已面临这个问题——就必须同时在新建厂址扩产，而这需要很长时间。 这是一个非常耗时的过程，而且还受到诸多实际因素的制约，例如世界各地建设速度的差异，以及监管审批的效率。如何在一片荒地上建立起所有必要的基础设施——电力、水和水处理厂？化学品供应以及建立晶圆厂所需的一切配套基础设施，都需要很长时间，这正是整个行业正在经历的现实。 Sumit Sadana 10:01 所以，尽管我们尽了最大努力，也看到了业内其他企业的努力，但我们目前仍然难以满足市场需求。供应需要很长时间才能赶上需求，而这也是影响客户行为的另一个重要因素。 Sumit Sadana 10:27 这就是我们一直在讨论的战略客户协议。这些战略客户协议从根本上改变了我们的商业模式和业务方式。我们签订的是多年期合同，承诺向客户供货，客户也承诺提供需求预测。这与以往的一年期协议截然不同——以往客户想买就买，只要有货我们就供货。现在的协议是承诺供货协议，投资回报率非常高，因此我们可以为多年所需的资本支出提供保障。 当然，这还没有涉及到智能体人工智能，也就是人工智能发展的下一个阶段。 之后还会发展到物理人工智能，那将是下一波巨大的需求浪潮。 如果你观察这些不同的需求浪潮，你会发现它们相互叠加、相互促进，而非相互取代。这就带来了一个很大的挑战，那就是如何将如此大规模的实体供应能力转移到线上。 Patrick Moorhead 11:39 在这段时间里，为了满足所有这些需求，我认为你们的长协计划恰恰证明了内存的战略意义正在提升。我知道很容易将其简单地归结为"我们需要长协计划来锁定未来的产能"，这固然重要，但它也涉及到协同规划。 从技术角度来说，我真的深受震撼，也很高兴你提到了边缘人工智能。最有趣的是，无论是 Open Claw，还是客户端计算领域的一些新设计——例如将内存与 CPU 和 GPU 紧密耦合以增强带宽——客户端计算机的架构变化并不多见，它们已经相当稳定了很长时间。接下来我想谈谈超大规模数据中心，我们之前也稍微讨论过，很多动态都发生在这里，至少在资本支出方面投入巨大，模型和应用方面的创新也主要集中在这些领域。不过，我很好奇，关于自动驾驶汽车、个人电脑、机器人、智能边缘等领域…… Sumit Sadana 13:00 内存需求是否正在改变这些应用场景？是的，这是个很好的问题。当然，这一切都始于数据中心。但当我们思考人工智能的未来发展方向时，它不会仅仅局限于数据中心。这股智能浪潮将向边缘推进，最终，智能将无处不在，渗透到所有设备中。因此，它涵盖各种消费电子产品、汽车，当然，甚至包括工业革命第二阶段——届时，所有这些智能都将分布在全球各地的企业之中。 Sumit Sadana 13:43 您的个人设备，无论是在工作场所还是在家中使用的电脑、您的智能手机，甚至包括一些公司正在考虑开发的新设备——这些设备的外形可能与智能手机或电脑截然不同，完全采用不同的设计。因为当你考虑构建一款原生 AI 设备时，可以想到与传统电脑和智能手机方案完全不同的实现方式。这又回到了如何尽可能降低功耗的问题，例如对于一些需要电池供电的设备而言。如何最大限度地提高性能，如何运行那些既能为消费者提供价值、又足够小以便在设备上运行而无需返回云端的模型——这正是人工智能的新前沿。 这种探索将会持续下去。那些足够小、可以在电脑或智能手机等设备上运行的模型，将随着时间的推移变得越来越好。随着这种情况的发生，数据隐私和保密性的优势就凸显出来了。消费者非常重视这一点，而那些能够让消费者确信其与设备交互的所有内容都不会上传到云端的公司，将催生出一系列全新的应用，带来巨大的价值。 Sumit Sadana 15:30 再看看自动驾驶，它现在发展迅猛，这得益于人工智能技术的进步；而下一代前沿技术则是机器人。 想想人形机器人，它将成为有史以来最大的产品市场之一。 当然，这需要一些时间，但我们正越来越接近那个奇点——届时，你将能够像与其他人交谈一样与人形机器人交谈，其认知能力几乎无法区分。随着时间的推移，这些机器人的物理能力将变得越来越复杂，这将是一项革命性的成果。 最初，它们将应用于工厂自动化之类的环境中，执行非常具体的任务，自由度也较低。一旦从那里"毕业"，最复杂的环境就是家庭，因为家庭环境非常非结构化。但我相信，进入本世纪 30 年代，机器人技术将成为巨大的增长驱动力。而机器人技术最令人兴奋的地方在于，每个设备需要存储海量数据——每个人形机器人将拥有数百 GB 的 DRAM 内存和数 TB 的 NAND 闪存。因此，它们将极大地推动 DRAM 和 NAND 的需求增长。我认为很多人常常无法充分理解这一点：机器人必须能够自主运行，不能每次都向服务器发送数据。确实如此。 Patrick Moorhead 17:25 而且，在你讲解的过程中，我突然意识到美光正在实现到吉瓦的飞跃。想到要发明这项技术，我就觉得有点不可思议。但我认为，人们在想到美光的时候，应该记住这一点。 随着人工智能时代的到来，人们的战略眼光也越来越强，无论是利用尚未发明的前沿设备，还是在不久后发布的、可以直接接入人工智能和大模型的吉瓦级数据中心，都至关重要。 这种共同设计或共同发明的理念我听说过，也和你们的一些合作伙伴聊过，他们谈到了一些正在尝试的想法。我之前也稍微谈到了架构方面的变化——这些变化传统上是通过某种 JEDEC 标准之类的东西来实现的。但现在我们正在探讨的是真正意义上的深度共同设计。您能谈谈您与合作伙伴之间正在发生的这种关系变化吗？ Sumit Sadana 18:45 当然。我们的合作伙伴也希望弄清楚如何在各自的市场中获得优势、战胜竞争对手。内存处理器子系统之所以成为人工智能子系统如此关键的组成部分，是因为内存与处理器之间的交互本质上决定了人工智能系统的许多关键参数—— 它决定了系统的功耗，决定了可以运行哪些类型的模型、模型的大小以及运行速度。 当你想到大语言模型（LLM）领域各种尺寸和类型上正在发生的种种进步时，你会发现，为了在硬件的内存设计周期和处理器设计周期中实现差异化，各个细分市场都必须密切合作。这并非那种即插即用、符合 JEDEC 标准的器件，事后只需进行一些认证即可使用。虽然部分市场确实如此，但客户越来越需要思考：如何实现差异化？我需要创造一些现成产品无法提供的特殊功能。 因此，我们需要与存储器公司合作，就研发路线图展开长达 5 到 7 年的长期讨论。 我们正在融入许多客户的研发路线图，他们提出了许多非常有趣的想法，其中一些可行，而另一些则需要更长时间，才能产生突破性进展所需的发明和创新。 Sumit Sadana 20:28 我们对所看到的多元化理念感到非常兴奋。正如您所说，这些理念涵盖了如此广泛的系统——有些设备功耗极低，因为全部采用电池供电，而有些设备则适用于吉瓦级的数据中心。我们已经在多个细分领域以及每个细分领域的一些领先客户中看到了创新成果涌现，我们将继续见证这些成果，并积极为此努力。 在一些令人振奋的项目中，我们不断拓展自身能力，交付客户渴望实现的创新设计理念。客户无法与多家公司进行如此深度的合作，因此能够开展深度讨论的通常只有一两家公司，其他公司可能要几年后才能跟上。这种模式的优势在于，你可以真正与一两家公司建立极其紧密的合作关系，通常走上这条路，你会成为单一来源供应商，或者在一段时间内只有另一家供应商。这种模式将合作关系转变为更类似于 ASIC 芯片的合作模式——客户在设计上拥有更大的自主权，且这种关系具有长期性。 这是因为双方之间建立的是一种特殊的 ASIC 式合作关系，而不是几年前那种标准内存芯片式的合作关系。我看到的另一个重大变化是，这种模式可以大规模应用。 Patrick Moorhead 22:27 没错。这意味着销量如此之大，坦白说，资金规模足以让双方都进行投资，而当你启动这个项目时，关键就在于差异化。人们都在寻找方法，无论是性能效率还是总拥有成本（TCO），他们都想与众不同。 我想从投资的角度展望一下未来。你刚才谈到了产能方面的投资。有趣的是，有人期望存储器工厂能像写代码一样快速建成。但听着，我曾经在一家拥有晶圆厂的芯片公司工作，即使在今天，这仍然是一个非常困难的资本密集型项目，必须等三四年后才能看到任何有利的结果。您能谈谈您正在进行的哪些投资真正巩固了美光在下一代技术中的地位吗？不管是人工智能，还是其他技术，抑或是人工智能的某种变体。这些投资确实需要很长时间，您已经把这一点说得很清楚了。 Sumit Sadana 23:57 你说得很有道理。顺便说一句，如果有人知道如何快速建成一座 DRAM 工厂，我们非常想知道，因为这会大大简化我们的工作。我们的客户肯定希望尽快拿到货，我们也正在尽一切努力。 我们已经竭尽全力，加快推进了所有这些投资。单看我们的资本支出计划：2025 财年我们的资本支出略高于 130 亿美元；2026 财年将翻一番；2027 财年预计将超过 450 亿美元。随着时间的推移，这个数字不断攀升。我们最近在美国宣布，将投资额从 2000 亿美元提高到 2500 亿美元，并加快了时间表，预计到明年年底将投入 502 亿美元。 这些投资涵盖了所有领域。我们正在投资爱达荷州一号工厂（ID1），它将投产第一批生产线；明年年中，ID2 工厂将紧随其后投产，预计首批晶圆生产线将于 2028 年底投产。我们在台湾收购的晶圆厂也将于 2027 年开始生产晶圆，我们正在进一步扩建该厂。我们在日本和新加坡也在进行扩建，因此我们在全球范围内有大约 20 个不同规模的投资项目正在推进，旨在提升前端和后端产能。 Sumit Sadana 26:06 但这需要很长时间。每一个新建晶圆厂都是如此。在纽约州，我们规划了一个包含四个晶圆厂的集群，第一座工厂预计将于 2030 年投产。我们于 1 月份破土动工，混凝土浇筑这一里程碑已比计划提前完成。 Sumit Sadana 26:22 世界各地还有很多项目正在进行，但这些项目都需要办理各种许可证，还需要建设整个配套基础设施。建筑人才非常紧缺——想想美国和世界许多地方正在同步推进的建设项目吧。 到处都在建设数据中心，这些数据中心需要电力，所以发电厂也在建设中；它们还需要半导体，所以半导体工厂，包括前端和后端，也都在建设中。因此，熟练技术人员的短缺问题非常严重，要完成所有这些极其复杂的建设项目，技术人员的数量远远不够。 Sumit Sadana 27:15 因此，我们正在投资社区、培养人才，确保人才储备充足，这不仅有助于我们推进所有项目，最终也将惠及整个生态系统。我们在进行各种投资，包括人才培养、社区学院建设，以及与我们开展业务的城镇和社区合作。这对我们来说是一项长期事业。 我们预计随着时间的推移，设施规模将持续扩大，因为这些晶圆厂就像是集群化布局，你不能只建一座晶圆厂。你需要规模，需要尽快突破成本曲线的拐点，所以必须持续建设，这意味着未来十年甚至更长时间，扩张都将持续下去。这些都是我们的长期项目。我们认为真正意义上有效的新增供应要到 2028 年才能开始逐步释放，而且这仅仅是初期阶段，产能增长的势头要到之后几年才能真正增强。因此，整个行业需要一段时间才能找到新的平衡点，但具体何时达到平衡，我们目前还无法预测。 Patrick Moorhead 28:54 你举的例子很好，提供的投资信息也很翔实。不过，有一点我觉得有些人可能会误解，那就是存储器的复杂性。我们都知道逻辑芯片很难做。那我们来谈谈存储器的复杂性——存储器是目前最复杂的半导体技术之一。 Sumit Sadana 29:19 我们常说逻辑电路处于技术前沿，但存储也绝对是尖端技术。它使用 EUV 光刻机，这种机器体积庞大。晶圆厂里大约有 2000 道工序。从晶圆厂开始生产，到最终能把产品交付给客户，整个周期大约需要五个月。这令人惊叹，很多人根本难以想象。晶圆厂的生产周期至少要三个半月到接近四个月，然后组装、封装和测试又要一个月，有时甚至一个半月。 Sumit Sadana 30:04 对于更复杂的产品，比如 HBM 产品，其复杂性就更加显而易见了。很多人都称它为奇迹，说它能正常工作简直不可思议。想想看，把 12 层 DRAM 芯片层层堆叠起来，最底层还有一个连接到 GPU 的基础芯片。整个系统面临着非常严峻的散热挑战和功耗问题——如何在如此高的带宽下运行，在处理器和芯片之间来回传输数据时进行有效散热？单是封装技术就如同洁净室环境一般复杂，与我们在逻辑领域长期使用的倒装芯片封装技术截然不同。无论从哪个角度来看，无论是封装技术的复杂性，还是前端工艺技术的进步（例如 EUV 光刻），DRAM 的每个节点都变得越来越难以扩展。 Sumit Sadana 31:18 NAND 端也是如此。我们一层层地堆叠，200 层、300 层、400 层，通过这种方式制造出这些器件，其工艺复杂度简直是天文数字。而这些 NAND 产品还能存储数据并实现相应功能—— 现在一块 SSD 的容量就能达到 245 TB 。如此巨大的容量能塞进如此小的尺寸里，这简直是工程师和制造团队每天努力创造的奇迹。这其中的复杂性令人难以置信，而在未来几年里，我们还要继续扩展这项技术，实现越来越精细的间距，并真正让这项技术大规模发挥作用，这又将是另一个奇迹。 Patrick Moorhead 32:23 这需要大量的时间、精力和技术创新。它的复杂程度令我惊叹，而你能在如此宽广的功耗范围内做到这一切，更是让我叹为观止。我不知道地球上有多少公司能做到这一点。 有趣的是，人们经常说"我永远都无法对此满足"，我觉得这是因为他们想要更多，想要更多令人惊叹的东西。然后，人们又开始讨论价格之类的问题。但我觉得这是一种投资——美光和其他内存行业的公司进行投资是理所当然的，因为坦白说，如果不进行更多投资，创新周期就会停止。我很期待看到美光未来通过其投资能取得怎样的成就，不仅是在晶圆厂建设上，也包括技术本身。我相信机器人技术能带来十倍的增长，它可能会成为一个巨大的增长市场——这是我们产能模型中一个甚至还没有充分考虑到的额外增长点。当然，我们还需要更多证据来确定它何时会真正发挥作用。 非常感谢您这次的对话。难以置信我们一年前就进行了这样的对话，再看看我们现在的情况，一年时间变化真大。

Meta正加快自研AI芯片的部署节奏， 以降低对英伟达的依赖并压缩数据中心运营成本。 该公司表示， 第三代自研芯片MTIA 450（代号Arke）将于明年上半年开始在数据中心投入使用。第四代产品MTIA 500（代号Astrid）的设计工作将在约一个月内完成，预计2027年底进入数据中心，部署规模将更为广泛。 这一芯片路线图标志着Meta在 削减AI基础设施成本方面 取得实质性进展。 Meta工程副总裁Yee Jiun Song表示，与英伟达目前出货的产品相比，自研芯片在运行AI模型时效率更高，"正是因为我们自己承担了大量工程工作"。 在未来12个月内，Meta在自研芯片上的部署承诺已超过1吉瓦的用电当量。Yee Jiun Song表示，此后预计还将加速扩张，前提是AI市场或需求不会出现崩盘。 截至发稿，周二盘中Meta涨0.18%，英伟达涨0.74%。 合作伙伴与技术路线 Meta与博通合作进行芯片设计，与台积电合作负责制造，整体方向是降低对英伟达行业主导地位的依赖。 Meta于2023年首次宣布研发自研芯片计划。目前的第三代产品已于9月1日从台积电收到首批12枚样片，实测性能与仿真结果的误差在2%至3%以内。首日测试中，工程团队成功使用该芯片运行了Meta自有模型。 Yee Jiun Song表示，测试结果显示芯片设计环节不存在明显缺陷，但仍需数月的调试与优化工作，同时台积电一侧的产量也在持续爬坡。 他强调， 该系列芯片主要依赖高带宽内存，定位于通用推理场景 ，而非对响应速度要求极高的超快速推理市场。"这是我们用于通用推理的主力芯片，"他说。 砍掉训练芯片项目，聚焦推理降本 Meta此前曾规划开发一款代号为Olympus的芯片，旨在同时支持AI模型的训练与推理两个阶段，原计划于2028至2029年面世。 但据Yee Jiun Song透露，该项目已被取消，公司转而专注于推理芯片，成本因素是主要考量之一。 "当你开始大规模扩建至数吉瓦的容量时，成本就变得至关重要，"他说。他指出，如果一款同时兼顾训练和推理的芯片价格贵出约30%，这在大规模部署的背景下将"完全无法接受"。 Meta超级智能实验室（Meta Superintelligence Labs）正通过提供未来AI模型的需求信息，协助对芯片进行精细调优，以提升推理阶段的运行效率。 路线图清晰，未来侧重速度与吞吐量 在完成Astrid的开发工作之后，Meta表示后续芯片研发将把重点转向提升运算速度与吞吐量，即单位时间内可处理的AI任务量。光纤技术的引入也有望进一步改善芯片性能。 "我们有一张非常扎实的路线图，"Yee Jiun Song说。"未来几年，我们预计将持续打造出能够与供应商产品相竞争的芯片。" 这一表态反映出Meta希望通过自研硅片逐步掌握AI基础设施的核心技术主动权，同时在成本与能效上建立起长期竞争优势。

9月15日，联发科发布旗舰手机芯片天玑9600 Pro，并同步推出天玑9600M。 终端方面，vivo已宣布X500 Pro系列全球首发天玑9600 Pro；OPPO Find系列产品负责人卓世杰同日确认，Find X10 Pro Max将搭载该芯片。按照目前公布的日程，vivo X500系列和OPPO Find X10系列将分别于9月21日和22日发布。 作为联发科首款2nm旗舰手机芯片，天玑9600 Pro采用台积电2nm工艺，并引入联发科与台积电联合开展的设计技术协同优化，用于改善芯片架构与制造工艺之间的匹配。 CPU方面，天玑9600 Pro采用“2+3+3”全大核架构，包括两颗最高主频4.55GHz的C2-Ultra核心和六颗C2-Pro核心。芯片配置总计34.5MB的二级、三级及系统级缓存，并支持LPDDR6内存和UFS 5.0存储。 据联发科实验室测试，与上一代产品相比，天玑9600 Pro的CPU单核和多核性能最高分别提升17%和15%，多核峰值性能下功耗降低61%。新一代G2-Ultra NX GPU的峰值性能最高提升27%，峰值性能下功耗降低24%，光线追踪性能最高提升18%，支持最高185帧游戏画面。 端侧AI是此次升级的另一项重点。天玑9600 Pro采用双NPU架构，将大模型推理与需要持续运行的低功耗AI任务分开处理。其中，NPU 1090的大模型预填充性能提升51%，单位功耗生成效率最高提升55%，并支持在端侧运行最高300亿参数的混合专家模型。 影像方面，天玑9600 Pro搭载Imagiq 1290影像处理器，加强了ISP与NPU之间的协同，支持NPU驱动的60帧运动捕捉、4K 240帧原生慢动作、4K 120帧Log视频以及最高17档动态范围。 在联发科之前，三星已将2nm Exynos 2600用于Galaxy S26系列的部分版本，苹果也发布了采用2nm工艺的A20 Pro。不同之处在于，联发科向多家手机厂商提供芯片平台，其加入使2nm竞争进一步延伸至安卓旗舰机的通用芯片市场。 随着vivo和OPPO明确搭载计划，天玑9600 Pro已获得首批终端承接。两家厂商将在一周内相继发布新机，联发科这款2nm芯片的产品定位、终端价格和实际供货范围也将随之明朗。

美光科技在服务器内存领域取得新突破，有望为AI数据中心基础设施带来新的硬件路径。 9月15日，美光宣布， 成功完成全球首款512GB DDR5 RDIMM内存模组的演示验证，并已在多个服务器平台上完成测试。 该产品使单台双路服务器的DDR5内存容量上限突破12TB，可为大规模AI推理、内存数据库以及高密度虚拟化等工作负载提供更高的内存容量。AMD与英特尔均已启动对该模组的主动验证，传输速率最高可达9200 MT/s。 对数据中心运营商而言，这款超高密度内存模块的另一大看点是能效。 与采用4条128GB模组的方案相比，单条512GB模组的运行功耗降低逾60%，有望在提升内存容量的同时降低数据中心的电力消耗。 技术突破：垂直封装堆叠实现超高密度 512GB模组的高容量得益于美光自主研发的先进垂直互连封装技术。该技术利用硅通孔（TSV）将多层DRAM裸片进行垂直堆叠和互连，在有限封装空间内提升存储密度，同时保持数据中心架构所需的性能水平。 美光云内存业务部门高级副总裁兼总经理Raj Narasimhan表示， 512GB RDIMM能够支持多太字节级服务器，在不改变现有服务器机箱尺寸的情况下，同时满足更大规模AI和数据库工作负载、更高虚拟化密度以及更高能效的需求。 在性能方面，针对Spark支持向量机（SVM）数据分析等内存密集型工作负载，512GB RDIMM相较256GB DDR5配置可带来最高1.4倍的性能提升。对于RocksDB、Redis等内存数据库和缓存平台，该模组也有望提升吞吐量和并发处理能力，并支持更大规模的数据集。 生态系统验证：AMD与英特尔同步推进 为了推动512GB DDR5 RDIMM进入下一代服务器平台， 美光正与AMD和英特尔展开工程协作，验证产品的兼容性并推进后续部署。 AMD企业副总裁Amit Goel表示，AMD与美光的紧密工程合作，将计算与内存创新进一步结合，有助于客户充分释放AMD平台的性能，并共同应对现代工作负载规模和复杂性不断上升带来的基础设施需求。 英特尔数据中心事业部平台与系统工程总经理Karin Eibschitz Segal则表示，AI及其他数据密集型工作负载的增长，正在对服务器基础设施提出更高要求，内存容量和带宽对整体系统性能的重要性日益提升。英特尔正与美光密切合作，验证512GB DDR5 RDIMM，并推动面向下一代数据中心工作负载的服务器平台落地。 需求驱动：AI工作负载推高内存容量需求 大型语言模型（LLM）、智能体AI、实时推理以及高核心数CPU工作负载的快速扩张，正推动服务器内存市场向更大容量、更高带宽和更优能效演进。 512GB RDIMM能够将更多数据保留在主内存中，减少对较慢存储层级的依赖，从而降低数据搬移带来的性能损耗。 企业端的需求也印证了这一趋势。JPMorganChase基础设施平台首席信息官Darrin Alves表示，随着数据中心工作负载持续增长，如何在整个技术栈中平衡计算、内存和效率变得越来越重要。 美光512GB RDIMM等高容量内存技术，有助于企业承载更大规模的内存工作负载、提升资源利用率，并增强扩展现代计算环境所需的灵活性。 美光表示，512GB DDR5 RDIMM预计将于2027年下半年根据客户需求进入量产阶段。

三星电子与SK海力士拒绝韩国电力公社一项总额25万亿韩元（约186亿美元）的预付电费方案，韩国半导体扩产计划背后的电力保障问题由此再添变数。 9月14日，据路透援引韩国国会议员李哲圭（Lee Chul-gyu）办公室提供的文件报道称， 三星电子和SK海力士完成内部审查后，已正式告知韩国电力公社，难以接受这一预付电费方案。 据此前韩媒报道，韩国电力公社提出这一方案，是希望两家公司按照新建晶圆厂的预期用电量提前支付电费，并利用这笔资金投资电网等配套基础设施，以保障未来新增产能的供电需求。 这一提议与韩国政府推动的半导体产业集群计划直接相关。按照规划，三星电子和SK海力士将在韩国建设大规模芯片制造基地。 随着晶圆厂陆续投产，新增用电需求预计将对当地电网形成较大压力，因此韩国电力公社需要提前筹措资金扩建相关电力基础设施。 不过，两家公司对是否有必要进行如此大规模的电费预付款存在疑虑。报道援引知情人士称， 半导体需求能否长期维持仍存在不确定性，是两家公司拒绝这一方案的重要原因。 在产能利用率和未来需求尚未完全确定的情况下，提前承担大规模电力成本，也意味着企业需要先行锁定一笔巨额资金。 此次预付方案遭拒后，韩国半导体扩产所需的电力基础设施如何融资、建设进度能否与晶圆厂扩产计划匹配，仍有待进一步解决。