HBM需求逻辑生变：Agentic AI兴起，内存配置成扩服务器关键
AI存储市场经历一轮调整之后，HBM依然是值得关注的方向。过去几年，市场对HBM需求的判断，主要建立在AI GPU出货量增长的基础上。英伟达不断推出新一代GPU，HBM容量和带宽持续升级，直接拉动了....
AI存储市场此前经历了一轮调整，不过HBM仍是业内紧盯的方向。过去判断HBM需求，业内主要盯AI GPU出货量的增长。英伟达一代接一代推出新GPU，HBM的容量和带宽跟着往上走，SK海力士、三星、美光的订单因此被直接拉动。可AI应用正从模型训练转向大规模推理，Agentic AI又开始兴起，HBM以及整个服务器内存市场的需求逻辑就在变。
近日，Silicon Atlas发布了一篇题为《After the Selloff, I Still Favor HBM》的分析文章。作者认为，2027年之前，内存需求仍有望保持增长，其中最被看好的存储产品是HBM，其次是大容量服务器DDR5。文章提出，未来内存需求增长将由两个因素共同推动：一是数据中心服务器数量增加，二是每台服务器搭载的内存容量继续提升。两者叠加，可能让内存市场获得比单纯计算芯片出货增长更强的需求支撑。
Agentic AI正在创造新的内存需求
在作者对Agentic AI拉动内存需求的分析上，这篇文章着墨最值得一读。Agent跟传统一问一答式的AI不一样：它要持续执行任务，还得在多次调用之间留住代码、工具、数据和任务状态。一个Agent可能反复调用不同工具、执行代码、等外部任务返回，然后在后续步骤里接着用之前攒下的信息。也就是说，哪怕CPU没有一直在算，相关的运行环境和内存状态也可能得继续保留。
文中引了Vercel的一个真实计费案例：一个持续30分钟的构建与测试任务里，假设CPU利用率只有10%，内存资源费用为0.0848美元，CPU费用仅0.0256美元，前者约是后者的3.3倍。这个例子说明，在Agent和自动化工作流中，计算资源未必是消耗的大头，长时间保留的运行状态一样要花钱。
作者还搭了一个服务器资源模型：假设每秒有10个任务进入系统，每个任务持续60秒、占用4GB常驻内存，而实际只需12个CPU核心秒的计算时间。按这个模型，系统同时存在600个运行环境，要保留2400GB内存状态，实际繁忙的CPU核心却只有120个。若每台服务器配置192个CPU核心和768GB内存，在设定的资源利用率上限下，CPU计算任务一台服务器就能承载，内存状态却要四台服务器才装得下。
这表示运营商或许得增加服务器数量，或者在现有CPU资源之外多配内存。服务器采购不再完全由CPU计算需求说了算，内存容量本身也可能成为扩容服务器的理由。当然，这个模型只是作者用来说明资源配置关系的示例，并非行业的实际平均配置。
除了Agent带来的内存需求，文章还引用了美光和
两条信息放到一起看，除了服务器出货量增长，单台服务器内部的存储配置变化同样值得盯。传统服务器配内存主要看CPU计算能力，Agent工作负载多起来之后，服务器要为更多并发运行环境保留状态数据，内存容量的分量也就跟着上去了。
所以判断未来的内存需求，不能只盯服务器出货量，单台服务器的内存配置也得算进去。哪怕软件优化压低了单个AI任务的内存消耗，只要服务器数量和单机内存配置涨得够快，整个市场的内存需求仍可能继续扩大。
HBM需求不只是容量增长，更是带宽升级
如果说Agentic AI带来的是整个服务器内存市场的新增需求，那么HBM的增长还需要从AI加速器本身的配置变化来看。
英伟达Blackwell Ultra与Rubin的内存配置被拿来做了对照。按英伟达公开的产品参数，两代平台的相关配置都是288GB HBM，可峰值内存带宽从Blackwell Ultra的8TB/s升到了Rubin的22TB/s，涨了2.75倍。
这组对比说明一件事：下一代AI加速器想提性能，未必非得同步把HBM容量往上加。容量不动，带宽大幅拉高，同样能明显增强芯片的数据供给能力。所以看HBM市场需求，光盯每颗GPU装了多少GB不够，还得看每颗芯片要多少带宽，以及这背后占用的HBM堆叠、接口和制造资源。
英伟达早前公布的长期路线图还显示，Rubin Ultra打算在2027年下半年用上1TB HBM4E配置，由四颗大型GPU组成封装系统。这一规划若按目标推进，未来高端AI加速器就不只要更高的HBM带宽，单个封装的HBM容量也可能继续往上走。
英伟达之外，定制AI芯片也在加码HBM配置。微软公布的Maia 300芯片配的是288GB HBM4，比上一代Maia 200多出33%，微软计划2027年推动其生产部署。文章还依据微软公布的机架功耗和HBM配置做了测算：若1GW数据中心容量全部配置这类系统，对应HBM总量约165PB。作者认为，这个规模已经够得上纳入未来HBM采购需求的考量。
也就是说，HBM需求不再只由英伟达GPU决定。微软这类大型云服务商正在推自研AI芯片，其他定制ASIC也在往数据中心里进。计算平台架构各不相同，对高带宽内存的需求却都摆在那里。自研芯片规模一扩大，HBM供应商能面对的客户和应用场景也有望继续增多。
需求在涨，供给端也不能不看。HBM的制造比传统DRAM复杂，要多层DRAM堆叠、TSV、先进封装，产品验证也很严格。所以HBM产能没法简单按晶圆投入量来换算。
文章着重指出，HBM产能增长得把晶圆投入和生产效率放在一起算。作者在分析里设了个假设：HBM在晶圆产能中的分配比例从22%提高到30%，其他条件不变的话，传统内存产品的晶圆投入就会受挤压。按其测算，分配比例出现上述变化时，传统DRAM比特产出的盈亏平衡点约为11.4%的生产效率提升。
有分析者给出一个前提设定：晶圆投片量多出8%，生产效率提高10%，算下来传统内存的比特产出还能增长约6.6%。照此看，HBM扩产并不等于其他DRAM产品的供应就一定减少；但反过来，也不能认定多投的晶圆都能变成可出售的内存比特。真正决定实际供给的，还是最终良率、产品认证、封装能力以及有效出货量这几项。
2027年之前，HBM仍是更值得关注的方向
把需求和供给两头合起来看，Silicon Atlas的判断是：2027年之前内存订单仍有望持续增长，HBM排在最前，其次是大容量服务器DDR5。作者认为，Agentic AI带来的服务器数量增长和单机内存容量提升，有望抵消一部分软件优化造成的内存需求下降。存储市场经历调整之后，其依然更看好HBM，原因也在这里。
文章也提醒，内存需求不只取决于AI应用增长，压缩技术同样可能改变未来的采购规模。比如文中提到，AgentZip在两个工作负载中分别实现了64.29%和88.55%的数据压缩率。这类技术若能在实际生产环境里有效降低内存占用，部分服务器的内存采购需求就可能减少。但压缩率不等于实际采购节省，还得看处理延迟、CPU开销和整台服务器的内存使用情况。内存需求增长与效率优化之间，未来仍存在一定博弈。
放到产业层面看，AI存储市场正显出一个不容忽视的转变：内存需求往上走，已不单是训练模型、部署GPU直接拉动的结果。Agentic AI要求服务器保存更多运行状态，单机内存配置随之抬高；新一批AI加速器又沿着HBM4、HBM4E等技术路线，把带宽和容量继续往上推。两条需求线索交叠，HBM的长期增长逻辑因此变得更加立体。
对存储厂商来说，接下来的竞争不单是抢GPU客户，还要去拿云厂商自研ASIC、Agent服务器和新一代AI基础设施的订单。HBM这门需求生意，眼下正从GPU时代扩展到整个AI数据中心时代。
