AI 需求已将 RAM 成本推回接近 2007 年的水平

据 Tom Hardware 报道，计算机科学家 Daniel Lemire 指出，RAM 的单位成本如今大致回到了 2007 年的水平，这一逆转令人震惊。

这一比较并不意味着买家面对的是二十年前同样的计算市场。现代内存速度更快、密度更高，并搭载于性能更强大的系统中。它意味着，每单位容量的价格已回升至技术进步原本理应早已抛在身后的水平。

Lemire 认为，内存价格在历史上大约每五年下降十倍。近期的短缺在数月内抹去了约二十年的这种常态化进步。AI 基础设施需求是这次逆转的核心，但原因并不只是数据中心购买了更多芯片。

内存制造商已将先进产能转向高带宽内存（HBM），后者能为 AI 加速器快速提供数据。服务器厂商同样需要传统 DRAM，用于 CPU、存储缓存和推理工作负载。由此产生的竞争，使消费级 PC、手机、工作站和普通服务器被排在资金更充裕的 AI 客户之后。

因此，核心矛盾并非 AI 内存与消费级内存这两个孤立市场之间的对立，而是半导体行业长期以来“容量会更便宜”的承诺，与一个日益奖励稀缺、面向 AI 生产的资源分配体系之间的冲突。

Tom Hardware 将 RAM 的逆转置于历史背景中审视

Lemire 这一比较最值得关注的地方，并不是内存进入了又一个价格周期，而是如此多的历史进步消失了。

Tom's Hardware 发布的 RAM 价格分析将 Lemire 的论点追溯至单位容量的历史价格。他的图表将长期下降视为指数趋势，而非直线趋势。

这一区别至关重要。一项技术若在每个相近时期内便宜十倍，那么在数十年的图表上会形成陡峭的下行曲线。短期上涨可能出现，但经标准化后的总体方向仍然向下。

Lemire 表示，当前水平与该历史曲线对 2007 年左右的预测相符。换言之，行业并非只是放弃了一两年的进步，而是在预期成本轨迹上倒退了很长一段距离。

这一比较依赖于标准化，不应被误认为是完整的零售价格指数。单个套装会因容量、速度、延迟、品牌、代际、地区和销售渠道而有所不同。DDR5 不能被直接与 DDR2 相比，仿佛两者能力完全相同。

历史单位容量价格序列还汇集了在不同市场条件下收集的观察数据。零售挂牌价、合约价格和现货市场交易的变动速度可能不同。即便制造商协商提高合约价格，买家仍可能遇到折扣。

尽管如此，这些局限并未改变整体走势。现代内存模块可以提供更高带宽和效率，同时单位容量的可负担性却显著下降。技术进步与成本倒退可以同时存在。

这正是 Lemire 称这一现象不同寻常的原因。技术市场经常经历短缺、上市溢价和投机性飙升。一旦供给赶上需求，制造业持续进步通常会恢复成本下行曲线。

当前短缺挑战了这一预期，因为需求并非与某一个消费级升级周期绑定。它来自训练集群、推理系统、云服务器和 AI 赋能企业基础设施的大规模建设。

这一差异使 Tom Hardware 的报道不止是对 PC 装机者的警告。它提出了一个更大的问题：通用计算的经济性是否已进入结构性绕行。

如果变化只是周期性的，新增产能和疲软的消费需求最终应会恢复原有曲线。如果它具有结构性，买家可能需要重新考虑其设备和软件能够假定拥有多少内存。

AI 需求消耗的不只是 HBM

AI 系统加剧了整个内存层级的需求，因此增加专用 HBM 产量并不能让普通 DRAM 与短缺隔离。

HBM 由通过极宽接口连接的垂直堆叠 DRAM 构成。它提供了持续向现代 AI 加速器输送模型参数和中间数据所需的带宽。

这种描述可能让 HBM 看似与笔记本电脑或传统服务器所使用的内存相互独立。成品不同，但它们共享制造资源、工程投入、先进封装产能和供应商投资。

TrendForce 报告称，制造商在进入 2026 年时，正将先进制程节点和新增产能重新分配给服务器产品和 HBM。其 产能配置研究将这一决定直接与不断增长的 AI 服务器需求联系起来。

HBM 消耗的生产资源也多于其交付容量本身所显示的程度。堆叠芯片需要严苛的制造和封装步骤。良率损失十分重要，因为任何一个缺陷组件都可能减少完整堆叠产品的产出。

与此同时，AI 服务器需要的不只是加速器内存。其 CPU 需要系统 DRAM，通常采用为服务器设计的注册式 DIMM。存储层使用 NAND 闪存，网络和缓存则增加了进一步的内存需求。

推理扩大了这一需求版图。训练形成了庞大但相对集中的基础设施需求。推理则持续响应请求，并可分布在更多机器、地区和应用类型之中。

智能体系统又增加了一层需求。它们保留更长的上下文、管理工具输出、协调多个模型调用，并存储中间状态。KV 缓存会在生成过程中保留注意力数据，随着对话增长，可能消耗大量内存。

TrendForce 表示，高效的 KV 缓存管理已成为推理性能的关键。其 AI 内存预测将不断扩大的推理工作负载与 HBM 和传统 DRAM 的需求联系起来。

这一机制解释了短缺为何蔓延。云服务提供商竞争 HBM 以构建加速器集群。这些部署同样消耗服务器 DRAM、存储和网络组件。制造商随之优先安排与最强合约和最高利润率相关的产品。

消费级内存不必使用与 HBM 完全相同的生产线，消费者也会感受到影响。它只需争夺资本、制程转换、晶圆投片、工程团队或供应商关注即可。

因此，全球三大 DRAM 生产商 Samsung、SK hynix 和 Micron 面临理性的资源分配决策。AI 客户提供大额订单、更长的规划周期和紧迫的性能要求。消费电子则对组件成本更为敏感。

即使零售需求依然健康，这种失衡也会让 AI 基础设施获得优先权。它还削弱了应对高价的常规方式，因为供应商无法立即将投资转化为通过验证的产出。

建设一座新的内存晶圆厂需要多年规划、建设、设备安装和产能爬坡。现有设施仍需进行制程转换和客户验证。HBM 封装还在晶圆制造之外引入额外瓶颈。

因此，这场短缺既是实体层面的，也是经济层面的。没有足够理想的内存产品供应每一个计划中的系统，而供应商有强烈动机优先满足面向 AI 的需求。

消费级计算正在承受压力

眼下的直接输家，是那些无法产生 AI 基础设施利润率、却仍需要大量内存才能保持实用性的设备买家。

PC 制造商可以通过多种方式应对更高的组件成本。他们可以提高整机价格、降低标准内存配置、推迟升级、收窄产品范围，或接受更低利润率。

没有一种方式能做到无声无息地解决问题。内存较少的笔记本电脑可能难以应对现代浏览器、创意应用、本地开发工具和多任务处理。焊接式内存使保守的出厂配置更难在日后纠正。

台式机买家保留了更多灵活性，但仍会面对取舍。装机者可能推迟购买更大容量的套装、选择较慢的内存，或从其他组件中挪出预算。工作站用户会在更大容量级别上面临类似选择。

智能手机厂商面临更严格的物理和商业限制。更多内存支持端侧 AI、相机处理、游戏和更长的软件支持周期。然而，组件通胀使得在整个产品线中提供慷慨配置更加困难。

企业买家面临的是另一种版本的问题。传统服务器需要大型 DRAM 资源池来支持数据库、虚拟化、分析和内存内工作负载。这些应用会与 AI 部署间接争夺供应商产能。

企业可以推迟更换员工笔记本电脑，但老化硬件本身也会带来成本。性能下降、电池续航缩短、安全限制和维修需求会在大型设备群中不断累积。

软件开发者同样感受到压力。本地容器、虚拟机、集成开发环境、测试套件和 AI 编程工具可以同时消耗内存。受限的工作站会将日常开发任务变成资源分配练习。

这种压力可能影响软件设计。此前将内存视为廉价资源的开发者，可能会重新审视缓存大小、后台进程、本地模型占用空间和默认应用行为。

这种调整可能带来好处，但并不意味着短缺无害。优化需要消耗工程时间，而被迫削减可能降低响应速度或限制功能。

需求破坏已经成为市场展望的一部分。TrendForce 发现，尽管整体 DRAM 供应仍然极度紧张，消费市场疲软正在第三季度放缓涨价速度。

这是一个重要区别。涨幅放缓并不一定意味着短缺正在结束。它可能意味着买家已经达到了承受上限。

当消费者推迟购买设备或选择更小的配置时，出货预测会走弱。若服务器需求仍足以抵消这一下降，供应商便可保持定价权。

这种分配效应很难忽视。超大规模云服务商可以通过未来 AI 服务收入来证明稀缺内存的成本合理性。一个更换笔记本电脑的家庭却无法将这笔成本分摊到数百万次模型请求上。

小型企业和独立开发者处于中间位置。他们需要性能足够的系统来构建 AI 产品，却没有大型云服务提供商那样的采购议价能力。

Tom Hardware 的报道为这一压力提供了一个令人印象深刻的历史标记。市场实际上要求普通买家放弃多年本应获得的可负担性，以便 AI 基础设施建设能更快推进。

那场交易并非公开谈判达成。它源于供应商激励、资本承诺，以及现代 AI 系统对技术资源的旺盛需求。

旧成本曲线遭遇新的资源分配现实

最根本的逆转，是作为默认预期的更低计算成本，与基于 AI 盈利能力进行内存分配之间的碰撞。

数十年来，半导体成本下降推动了软件扩张。操作系统变得更庞大，浏览器打开更多进程，应用程序在内存中保留更多数据。

开发者假定，未来的硬件会让今天昂贵的工作负载变得寻常。这一假设支撑了更丰富的界面、托管运行时、本地数据库，以及日益雄心勃勃的创意软件。

内存价格在这段历史中始终波动不定。行业经历过供给过剩、库存调整、工厂中断和需求骤变。但每一轮周期都发生在容量成本整体持续下降的大趋势之中。

AI 引入了一个规模和紧迫性都不同寻常的需求来源。领先企业购买内存，并不只是为了满足既有工作负载；它们是在为未来的模型使用需求建设基础设施。

这种前瞻性采购会使需求持续领先于已实现的收入。云服务提供商担心，容量不足会让它们无法服务客户，或训练出具有竞争力的模型。

供应商则通过锁定长期承诺，并优先发展回报更高的产品来应对。对每个参与者而言，这种行为都可以理解，但其综合结果打破了消费者熟悉的成本演进轨迹。

S&P Global 指出，HBM 已成为半导体行业中利润最丰厚的细分市场之一。其内存供应分析称，更高的利润率促使生产商优先发展与 AI 相关的产品，而非传统企业级和消费级内存。

其结果更像是一场资源分配冲击，而非传统意义上的短缺。供应依然存在，投资仍在增长，制造商也在生产海量内存。然而，最有价值的客户决定了哪些产能会被优先扩张。

这形成了一个反馈循环。稀缺性抬高了已锁定供应的价值。大型 AI 买家随之作出更长期的承诺，从而减少了无法匹敌其采购能力的买家可获得的产能。

更高的内存成本也可能促使 AI 开发者进行优化。量化、更小的模型、缓存压缩和更具选择性的检索等技术，能够减少每次请求的内存消耗。

仅靠效率并不能保证总需求下降。如果每次请求变得更便宜，企业可能会处理更多请求、部署更多智能体，或处理更长的上下文。即使单个工作负载得到改善，整体消耗仍可能继续增长。

这种动态类似于其他技术领域中出现的反弹效应。资源利用效率提高会降低某项活动的成本，进而可能刺激足够多的新增活动，以抵消节省的资源。

因此，旧曲线面临两股相反的力量。更好的工艺、更高的密度和优化的软件推动成本下降；不断加速的 AI 部署和优先资源分配，则将实际可获得性推向相反方向。

最终结果将取决于哪股力量扩张得更快。半导体技术进步的历史趋势依然真实，但它不再保证每一类买家都能在同一时间获得这些收益。

2007 年的类比无法证明什么

这一历史类比捕捉到了逆转的严重程度，但无法证明当前状况会持续多久。

Lemire 的图表是一个有说服力的框架工具，而非全球 DRAM 市场的完整模型。它描述了在产品和数据质量不断变化的漫长时间线中，经标准化处理的容量成本。

零售内存价格的变动可能早于或晚于合约市场。折扣可能反映的是分销商持有的库存，而非晶圆制造供应发生了变化。区域供应情况和货币波动还会造成进一步差异。

产品组合也让比较变得复杂。当前的 DDR5 模组提供了较早期 DDR 世代所不具备的功能和性能。服务器 DIMM、笔记本内存、显存和 HBM 服务于不同的技术需求。

即使容量成本与早期相似，如今的买家获得的能力也更多。这并不会否定可负担性问题，但会改变“回到 2007 年”这一说法的含义。

这句话应描述一个标准化价格点，而不是声称整个计算体验已经倒退。现代系统依然强大得多，其内存子系统也提供了更高的带宽和效率。

因果关系同样需要谨慎看待。AI 需求是行业分析师指出的主导压力，但并非唯一影响因素。供应商纪律、扩产延迟、工艺转换、库存策略和常规服务器需求都会影响供应可得性。

消费者行为也可能迅速改变走势。如果设备出货量大幅走弱，制造商可能会在某些类别中面临库存过剩，即便服务器产品依然紧张。

短暂的零售价格回调不一定会推翻结构性论点。PC 内存套件可能因卖家清理库存而降价，同时长期合约价格依然坚挺。

反过来也一样。合约价格持续上涨并不能证明每一种零售产品都会持续上涨。分销渠道可以吸收或延后价格变化。

中国的 CXMT 带来了另一项不确定性。报道显示，PC 制造商已探索在有限范围内使用其通用 DRAM，尤其是面向中国市场销售的系统。额外竞争最终可能缓解部分消费级细分市场的压力。

不过，认证、区域限制、技术差距和产能规模，限制了新供应商重新平衡全球市场的速度。额外的通用型产出也无法解决所有 HBM 或先进服务器领域的瓶颈。

Micron 的2026 年业绩显示，其在 HBM、低功耗内存、DDR DRAM 和数据中心存储领域持续发展。这种广度说明，将问题简单归结为 HBM 与 PC 之间的对立并不完整。

供应商管理的是彼此关联的产品组合。它们可以在不同产品系列之间调配投资，但客户认证和制造限制使其无法立即调整。

最稳妥的结论，比最戏剧化的标题更为克制。AI 需求帮助造成了内存成本历史性下降趋势的一次非同寻常断裂。其持续时间和最终幅度仍不确定。

这种区别对采购决策至关重要。恐慌性采购假定每种产品都会无限期变得更稀缺；无限期等待则假定旧有的下降曲线会按计划自行恢复。

这两种假设都尚未得到证实。

三项信号将显示短缺是否正在缓解

下一阶段将由合约定价、经过认证的产能以及实际的 AI 内存效率决定，而不是零星的零售折扣。

第一个信号是未来几个季度服务器和 PC DRAM 合约价格的走向。合约市场揭示了大型制造商和买家对短期零售促销之外情况的预期。

TrendForce 报告称，随着消费者需求走弱，第三季度的涨幅正在放缓。但该机构同时形容市场极度紧张，并表示服务器需求仍在提供支撑。

如果服务器和消费级合约价格都持续走平，将削弱行业已进入长期资源分配重置的说法。若设备出货疲软的同时价格仍持续上涨，则会强化这一说法。

因此，读者应区分一套打折内存与广泛的合约价格缓解。一次促销可以让某位买家受益，却不代表供应已经追上需求。

第二个信号是经过认证的生产能力。新建工厂的公告不如实际交付给客户的可用产出重要。

Samsung、SK hynix 和 Micron 必须在扩张先进内存的同时，为 PC、手机和通用服务器保留足够的传统 DRAM。CXMT 及其他生产商可能会在特定市场带来竞争压力。

关键证据将包括工艺节点爬坡、客户认证、HBM 封装产出和稳定良率。仍在建设中的产能无法缓解当前订单压力。

传统 DRAM 可得性的显著提升，将支持市场回归历史成本曲线的判断。主要投向高端 AI 产品的产能，可能会使消费级市场的压力基本保持不变。

第三个信号是每项 AI 任务的内存使用量。模型开发者正在研究量化、缓存管理、更小型的架构，以及将较简单请求分配给要求较低模型的路由系统。

成功的效率提升应减少每单位有效工作所需的内存。只有当总部署规模增长慢于这些节省时，它们才会削弱短缺论点。

如果应用转而运行更多智能体、保留更长的上下文，或将模型嵌入每一个工作流，总需求仍可能上升。届时，效率将支持扩张，而非带来缓解。

关注 AI 公司实际部署的内容，而不仅是实验室基准测试所承诺的结果。在受控测试中降低内存使用量的意义较小；如果生产系统增加了更大的上下文窗口和更多并发用户，情况则不同。

Tom Hardware 的报道最终指出，这是两条指数曲线之间的较量。一条代表内存成本的历史性下降；另一条代表 AI 行业同时扩张基础设施、模型和使用规模的需求胃口。

对买家而言，实际应对方式是进行有纪律的规划。衡量工作负载真正需要的容量，在可能的情况下保留升级灵活性，并评估完整的系统配置，而非单一组件。

对开发者而言，这也是重新将内存效率视为产品约束的理由。分析真实工作负载，限制不必要的后台活动，并测试软件在现实容量限制下的表现。

最重要的是，不要把一个著名的历史比较误认为固定预测。Lemire 的 2007 年标记告诉我们市场已经走了多远；合约趋势、经过认证的供应能力和已部署 AI 的效率，将告诉我们它能否回到原处。