AI 公司买下 70% 的高端内存，将生成式 AI 变成一场工程灾难

今年，AI 公司可能会消耗高端内存产量的 70%，从而让生成式 AI 成为普通电脑消费者面临的一场工程灾难。ChatGPT 和 Claude 等大型语言模型需要海量高速内存才能生成响应。如今，它们的基础设施正与笔记本电脑、智能手机、工作站和企业服务器直接争夺有限的产能。

其结果并不仅仅是又一次暂时性的零部件短缺。内存制造商正在围绕规模最大、利润最高的 AI 客户重组生产。消费电子制造商只能接受更高的成本、降低产品规格、推迟产品上市，或彻底退出利润率较低的市场。

这颠覆了科技行业最古老的承诺之一：随着制造技术进步，计算应该变得更便宜、更普及。然而，生成式 AI 不仅让远程计算变得极其昂贵，还推高了本地计算的成本，而承担这些成本的人甚至从未要求使用 AI 服务。

原始调查将这一矛盾定义为工程失败。该行业在优化模型规模的同时，却未能控制其对物理资源的需求。消费者已经开始为这一选择买单，具体表现为硬件更加昂贵，可负担的选择越来越少。

AI 数据中心正在占据内存市场

关键变化并不在于 AI 服务器使用了大量内存，而在于它们的买家如今掌控着供应链。

根据权威报道引用的行业估算，预计数据中心将消耗 2026 年高端内存产量的约 70%。这一类别包括 AI 加速器和高性能服务器所需的先进组件。

高带宽内存（即 HBM）是封装在加速器旁边、采用垂直堆叠层结构的 DRAM。这种设计的数据传输速度远高于传统内存模块，但也需要更复杂的制造、封装、测试流程和产能。

一块现代 AI 加速器搭载的内存远多于一台典型的个人电脑。Nvidia 的 Blackwell 系列每块加速器可配备 192 GB 内存。因此，一个装有数十块此类处理器的机架，在计入普通服务器内存和存储之前，就已经拥有数 TB 的高速内存。

由于模型提供商并非每次只运行一台机器，需求会成倍增长。ChatGPT、Claude、Gemini 和其他服务会将工作负载分配到大型集群中。训练需要数千块加速器交换数据，而推理则要在模型发布后为数百万个独立请求提供服务。

推理是运行已训练模型以生成答案的过程。它曾被描述为生成式 AI 中资源需求较低的阶段。但推理模型、更长的提示词、生成式视频、编程智能体以及不断增长的用户流量，已经动摇了这一假设。

每一次上下文窗口的延长，都会让更多信息在处理期间保持可用。每一个执行多项任务的智能体，都会将一次用户请求转化为一连串模型调用。当提供商提升响应速度时，它们往往会预留更多计算资源，而非降低总体需求。

这造成了一个不断加剧的基础设施问题。更好的模型会吸引更多用户，更广泛的采用会增加推理量，而新的工作负载则会消耗更先进硬件带来的效率提升。经济学家通常将这种模式称为反弹效应。

内存供应商对此作出了理性的回应。Samsung、SK Hynix 和 Micron 可以通过优先生产 HBM、服务器 DRAM 和企业级存储来获得更高的回报。这些产品还能吸引愿意签署大规模长期供货协议的买家。

TrendForce 报告称，云服务提供商正通过此类协议锁定供应，而制造商则将产能重新分配给服务器应用。其内存预测预计，第二季度传统 DRAM 合约价格将环比上涨 58% 至 63%，NAND 闪存价格则将上涨 70% 至 75%。

这些数据并不能证明 AI 公司确实购买了每台笔记本电脑中使用的同类内存。其作用机制更加间接，但影响也更为深远。供应商将工厂、先进制程节点、封装设备、投资和工程人才投入到 AI 产品中。

这导致用于普通 DRAM 和 NAND 闪存的产能减少。NAND 为固态硬盘提供持久化存储，而 DRAM 则保存处理器需要立即访问的工作数据。二者对现代计算机都不可或缺。

因此，生成式 AI 的工程灾难始于供应链上游。在消费电子制造商甚至还未开始零部件采购谈判之前，最大的客户就已经获得了优先权。规模较小的买家则发现，他们曾经认为可以灵活调配的产能要么无法获得，要么交付延迟，要么价格大幅上涨。

为什么 AI 引发的内存短缺会推高电脑价格

AI 需求会影响整个内存产品组合，因此消费者无法仅靠选择不配备专用 AI 硬件的电脑来避开这种影响。

一台标准笔记本电脑并不包含 Nvidia 加速器旁使用的同类 HBM 堆栈。然而，其制造商需要从供应商处采购 DRAM 和 NAND，而供应商会根据 AI 需求权衡每一条可用生产线的用途。一个产品类别中的产能决策会改变其他类别的供应情况。

内存制造产能无法立即扩张。建造并配备一座晶圆厂需要数年时间。先进封装产能同样需要专用机械、材料、技术人员和认证工作。

制造商可以调整现有生产，但转换会带来取舍。一条转向生产服务器级内存的生产线，将不再以相同规模供应消费级组件。即使整个行业生产的内存总容量有所增加，较旧的产品也可能变得稀缺。

S&P Global Market Intelligence 介绍了向 HBM 转型如何挤压传统 DRAM 的供应。其市场分析还指出了这一变化背后的经济动机。与 AI 相关的内存利润率更高，因此制造商自然会优先生产此类产品。

个人电脑制造商只有少数几种应对方式：提高零售价、接受更低的利润率、减少预装内存、采用容量更小的硬盘，或取消利润较低的机型。没有一种方式能够完全保护消费者。

规格缩水尤其容易被忽视。新机器可以维持与上一代产品相同的市场定位，却配备更少的内存或存储空间。这样一来，消费者得到的硬件实用性更低，却看不到直观的价格上涨。

较少的内存可能缩短设备的实际使用寿命。现代浏览器、协作平台、开发环境、创意应用程序和操作系统本就需要消耗大量内存。如果系统的初始配置有限，软件更新会让它更快触及性能上限。

容量更小的存储设备也会造成类似压力。用户需要将文件转移到外置硬盘、付费购买云存储，或更早更换设备。因此，零部件短缺还可能在首次购买之外产生持续性支出。

IDC 预计，内存短缺至少会持续扰乱市场至 2027 年底。其个人电脑市场展望预测，2026 年出货量将下降 11%，平均售价则将上涨 17%。

这家研究机构还警告称，制造商将难以维持完整的产品组合。低利润率机型面临的风险最大，因为其制造商几乎没有空间消化更高的零部件成本。

Gartner 给出了更加严峻的预测。如果内存成本持续居高不下，价格亲民的入门级个人电脑市场可能会在 2028 年前消失。该预测描述的是一个市场类别在商业上变得不可行，而不是所有廉价二手电脑真的彻底消失。

这种区别很重要，但并不会让该警告变得无足轻重。入门级电脑为学生、家庭、小企业、图书馆、非营利组织以及初入数字化就业市场的劳动者提供支持。它们的消失将加剧能够更换硬件的人与不得不维持老旧系统运行的人之间的差距。

企业买家面临着同一问题的另一个版本。一家需要更换数百台笔记本电脑的公司，无法将内存成本上涨视为孤立的不便。它可能会延长设备更新周期、统一采用更低的配置，或减少可选配置的数量。

开发者和创意工作者会更早感受到压力，因为他们使用的应用程序需要更多内存。本地 AI 开发同样需要大量内存和存储，从而造成一种奇特的冲突：云端 AI 基础设施推高了可作为替代方案的本地硬件成本。

因此，内存短缺改变的不仅是零售价格。它还会改变制造商生产什么、哪些客户能够获得优先权，以及组织会将现有设备使用多久。这正是基础设施需求演变为广泛可及性问题的方式。

生成式 AI 是一场工程灾难，因为成本正在向外转移

核心失败在于成本转嫁：AI 提供商获得产品收益，却将硬件、能源和供应链压力转移给其他所有人。

工程设计通常会根据一整套约束条件来评估系统，其中包括性能、可靠性、成本、资源消耗、维护以及对关联系统的影响。生成式 AI 的开发却高度集中于模型能力和基准测试表现。

在争相验证大型语言模型能否成为实用产品的早期阶段，这种关注方式是合理的。但当这些产品开始在全球范围内运行时，它就越来越难以自圆其说。资源消耗不再只是实验室中的细枝末节。

模型提供商经常强调每个 token 的成本正在下降，也就是生成每个文本单元的费用降低了。即使总基础设施消耗不断上升，这一指标仍然可能得到改善。更多用户、更长的输出、推理步骤和智能体工作流，可能会吞噬每一次效率提升。

同样的衡量问题也存在于硬件领域。新一代加速器的单位电力工作量可能高于前代产品。但如果公司部署了多得多的加速器，并鼓励更庞大的工作负载，总用电需求仍会增加。

内存效率也遵循相同的规律。量化、缓存、稀疏架构和改进后的服务软件可以降低单个任务的资源需求。随后，提供商又会利用节省下来的资源处理更多请求或运行更大的模型。

这正是仅靠效率无法解决生成式 AI 工程灾难的原因。该系统缺少一种能将效率提升转化为绝对资源上限的机制。节省下来的资源会变成进一步增长的额外容量。

这种外部化成本首先出现在采购环节。云服务提供商可以谈判长期供货协议并投入巨额资本，而消费电子公司和规模较小的服务器买家只能争夺剩余的供应。

它接下来会体现在产品设计中。PC 制造商会降低配置，或放弃利润率较低的系统。手机制造商也会对内存和存储做出类似权衡，尤其是在平价设备上。

成本压力也延伸到了电力系统。Gartner 估计，2026 年数据中心的电力消耗将增长 26%。其电力需求预测指出，今年 AI 优化服务器将占数据中心用电量的 31%。

Gartner 预计，到 2027 年，AI 服务器的耗电量将超过传统服务器。它预测，到 2030 年，数据中心总耗电量将超过 1,200 太瓦时，同时警告电网供应将限制未来的建设。

一些开发商已不再等待常规的电网接入。他们正在安装或提议建设现场燃气发电设施。还有一些开发商正在改造源自航空发动机的涡轮机技术，以便在数据中心附近供电。

经过翻新的航空发动机衍生设备可以产生足够一座中小型数据中心使用的电力。在输电项目和公用事业审批需要数年时间的地方，这种方法能够快速部署。它也表明，基础设施规划已经在多大程度上偏离了传统的软件部署模式。

过去，软件的扩展主要是通过将代码复制到另一台机器上实现。生成式 AI 的扩展则需要获得内存、加速器、土地、冷却设备、变压器、输电设施、水和电力。将其视为普通的软件服务，会掩盖这些依赖关系。

该行业通常的应对方式是建造更多设施。科技公司正在规划大规模扩建数据中心，半导体制造商正在增建工厂，公用事业公司也在考虑增加新的发电能力。最终，这些扩张可能缓解个别瓶颈。

然而，增加产能并不能回答资源分配问题。即使供应扩大，仍会优先提供给利润率最高、承诺期限最长的客户。只有当产量追上需求，或 AI 支出放缓时，消费者的可获得性才会改善。

扩张也无法消除环境和社区成本。现场发电可以加快建设，但附近居民需要承受排放和噪声。公用事业投资可以增强电网，但除非监管机构谨慎分配成本，否则这些费用可能由缴费用户承担。

将生成式 AI 称为一场工程灾难，并不意味着其底层模型毫无价值。它意味着该系统的成功标准仍不完整。一项服务可以生成有用的代码、提供研究协助或支持创意工作，同时却无法通过更广泛的可负担性和资源测试。

因此，真正的对立并非 AI 与不喜欢 AI 的人之间的对立，而是行业承诺的丰富智能与实现这一承诺所依赖的物理资源稀缺之间的对立。这种张力将决定下一阶段的普及进程。

需要谨慎解读 70% 这一说法

短缺已有充分记录，但这一醒目的数字混合了预测、市场类别和采购行为，难以进行独立核查。

AI 公司购买了全球 70% 高端计算机内存的说法之所以引人注目，是因为它用一个数字表达了需求的集中程度。读者不应将其理解为对全球生产的每一颗内存芯片的完整统计。

“高端内存”可能指 HBM、先进服务器 DRAM，或范围更广的高端组件。不同研究机构对类别的定义各不相同。数据中心消费预测也可能描述的是年度产量，而非某一特定时刻已经完成的采购量。

长期协议使这种表述变得更加复杂。云服务提供商可以预订未来的产能，而不必立即接收所有组件。这类预订仍会影响其他买家，因为制造商会围绕已有承诺的订单规划产能。

供应链数据也仍有一部分属于私密信息。内存供应商会披露营收、投资和市场状况，但具体客户的配额属于商业敏感信息。分析师通过合同、产量估算、出货数据以及与制造商的交流来推算需求。

负责任的结论应比最耸动的标题更为克制。AI 基础设施已经成为先进内存的主要客户，其需求正将产能从消费级应用中吸走。多个独立的市场指标都支持这一机制。

TrendForce 多次上调预测，进一步强化了这一判断。其第一季度预测认为，传统 DRAM 合约价格将环比上涨 90% 至 95%。该机构还预计，在该季度内，PC DRAM 的价格至少会翻倍。

IDC 的出货量和平均价格预测显示了这种压力向下游传导的影响。内存供应商公开描述了持续的供应限制，而 PC 和手机制造商则在降低配置或重新考虑产品线。即使具体市场份额估算有所不同，这些信号依然相互吻合。

不过，预测并非注定会成为现实。内存行业长期以来一直存在剧烈的周期波动。短缺时期会刺激资本支出，而新增产能和需求疲软随后又可能造成供过于求。

经济放缓可能减少电子产品购买。如果融资、电力供应或模型收入不及预期，AI 提供商可能推迟数据中心项目。架构改进也可能以快于新工作负载消耗效率收益的速度降低内存需求。

中国内存制造商可能会在某些类别中增加供应，尽管贸易限制和技术差异限制了其产品替代领先 HBM 的能力。Samsung、SK Hynix 和 Micron 也在扩大产能。

关于 2028 年平价 PC 的预测同样需要谨慎看待。制造商可以通过使用较旧的组件、较小的配置、替代处理器或补贴型运营模式来保留低成本系统。Chromebooks、翻新设备和二手商务笔记本电脑不会仅仅因为市场预测显示存在压力就消失。

然而，这些替代方案都伴随着妥协。较旧的组件获得支持的时间更短。有限的内存会限制多任务处理，而容量较小的存储设备几乎没有空间容纳应用程序或本地文件。

预测可以在方向上具有价值，而不必准确预言每一种产品。Gartner 的警告指出了吸收组件涨价能力最弱的细分市场。与其说关键在于这一类别是否会彻底消失，不如说选择和性能明显减少这一点更加重要。

批评者还可能指出，消费设备涨价的原因并不只有 AI。关税、汇率变化、劳动力成本、物流和处理器换代都会影响零售价格。内存需求不应成为解释每一次涨价的万能理由。

这一异议是合理的。最有力的证据涉及内存合约价格、供应商配额以及设备配置变化。关于某款具体计算机零售价格的判断，需要结合其完整物料清单和市场背景。

因此，“生成式 AI 工程灾难”这一说法应描述一个经过验证的资源分配问题，而不是对每一台昂贵设备提出未经证实的理论。精确性会使批评更有力。AI 需求不需要解释所有价格变化，也足以造成严重的结构性负担。

内存稀缺影响的不只是 PC 买家

购买力最弱的人面临的后果最为严重，因为资源稀缺首先淘汰的是低利润率产品。

资金雄厚的 AI 实验室可以通过多年期合同锁定内存供应。全球性 PC 制造商可以协商配额并重新设计产品。学校、独立开发者或普通家庭则没有类似的议价能力。

这种失衡将一项工业供应决策转变为分配问题。价值最高的客户会获得最新、最快的内存。其他所有人则只能支付更高价格、接受更低配置，或继续等待。

学校通常会按照大规模设备更换周期进行采购。如果价格在计划更新期间上涨，管理人员可能会减少购买数量，或让已停止支持的系统继续使用更长时间。学生随后不得不共用设备、忍受电池故障，或失去使用需要更新硬件的软件的机会。

小企业面临着类似的限制。大型企业可以协商批量设备价格，并在不同云服务提供商之间转移工作负载。小公司则可能推迟设备更换，直到硬件故障导致工作中断。

独立开发者受到两面夹击。随着 AI 基础设施消耗高端产能，云计算变得更加昂贵。当大内存工作站价格上涨或供应短缺时，本地开发也会变得更加困难。

这种影响可能进一步强化市场集中。大型 AI 公司能够规模化采购基础设施，而初创企业则需要支付更高的云服务费用，或难以获得服务器。成熟企业因此获得与模型质量无关的优势。

汽车制造商同样依赖 DRAM 和 NAND 来支持信息娱乐、驾驶辅助和控制系统。未经漫长的认证流程，它们无法随意替换零部件。即便供应仅出现轻微失衡，也可能引发激进采购，因为缺少一个组件就可能导致整条装配线停产。

电信设备、工业系统和医疗设备也面临类似挑战。它们通常需要多年使用同一类组件，并要求进行广泛验证。当供应商偏向更新、利润率更高的产品时，旧款内存可能变得异常昂贵或无法获得。

此前的全球芯片短缺已经表明，一个小型组件如何中断一件大得多的产品。由 AI 驱动的内存稀缺虽然成因不同，但其传导机制并不陌生。供应商高度集中且制造专业化，使短期调整空间极为有限。

三家公司生产了全球绝大多数 DRAM。这种集中并非新现象，它反映了内存制造所需的巨额成本和极高技术难度。AI 需求使其后果变得更加明显。

短缺也可能影响软件设计。习惯于不断提高硬件配置要求的开发者，可能需要更长时间地支持低内存系统。假设 RAM 充足的应用程序将把更多用户排除在外。

操作系统供应商面临着同样的压力。新的 AI 功能通常会为本地模型预留内存，而组件短缺又使这些内存变得更加昂贵。因此，以 AI 为卖点的计算机可能需要一种因 AI 数据中心而变得稀缺的资源。

本地处理可以提供隐私保护、更低延迟并减少对云端的依赖。然而，本地模型争夺的也是这些受限组件。该行业可能会削弱实现去中心化 AI 最切实可行的途径之一。

即使计算机由雇主购买，知识工作者也应关注这一问题。更长的更换周期会影响电池寿命、性能、安全支持以及新软件的使用。采购压力最终会成为日常生产力问题。

消费者可能会通过延长设备使用时间、购买翻新设备或有选择地升级组件来应对。这些选择可以减少浪费并节省预算，但制造商正越来越多地将内存焊接在主板上。这种设计使许多笔记本电脑无法在日后升级。

因此，可维修性也成为内存问题的一部分。配备可更换 RAM 的系统可以通过针对性升级渡过短缺。封闭式系统则迫使买家在购买时一次性选择足够的内存，否则日后只能更换整台设备。

归根结底，生成式 AI 工程灾难关乎机会成本。在某一时刻，每一片用于 AI 的晶圆、每一条封装生产线、每一台变压器以及每一单位电力，都无法再用于其他目的。市场根据购买力而非公共利益来分配这些资源。

这并不意味着 AI 投资本身就不合理。某些应用可能创造足够的价值，值得投入大量资源。问题在于，服务提供商很少披露足够的信息，让客户、监管机构或社区能够评估这种权衡。

三个信号将表明危机是否正在缓解

内存供应、设备规格和 AI 基础设施投入将揭示当前压力究竟是暂时性的还是结构性的。

第一个信号是 2026 年下半年传统 DRAM 和 NAND 的合约价格。由于商店持有的库存不同，零售价格可能会出现不规律波动。合约价格则反映了大型制造商为未来供应支付的价格。

如果季度涨幅趋缓，同时供应状况有所改善，就说明新增产能和需求减弱正开始推动市场恢复平衡。如果消费级产品出货量下降后价格仍然居高不下，则表明 AI 客户依然控制着边际供应。

第二个信号是为 2026 年假日季及 2027 年初发布的入门级电脑的规格。买家不应只看型号名称，还应比较已安装的 RAM、存储容量、可升级性和支持期限。

零售市场定位保持不变、内存却有所缩减，意味着隐性通胀。产品看似仍属于同一品类，但买家获得的性能却更少。如果制造商还取消可升级的型号，危机将变得更加严重。

规格改善将削弱“经济型计算设备正面临长期衰退”的论断。规格持续缩水则会印证 Gartner 的警告：低利润率系统正变得难以维系。

第三个信号是大型 AI 公司是否会维持其已公布的数据中心建设计划。因电力、融资、审批或收入不足而导致的延误，将降低短期内存需求。建设提速则会延长供应压力。

投资者还应考察 AI 收入能否与基础设施支出同步增长。大量采购内存的服务提供商需要从用户、企业或广告中获得持久收入。否则，资本市场最终会施加限制。

在这种背景下，效率提升方面的声明值得仔细审视。只有当总需求的增速低于效率改善的速度时，降低每次请求的内存用量才真正有帮助。服务提供商应在报告单项任务效率提升的同时，披露基础设施的绝对使用量。

公共部门官员也应发挥作用。监管机构可以要求大型数据中心为必要的电网升级提供资金，并披露资源需求。政府采购机构可以优先采购可维修、可升级，并能跨越多个组件周期持续使用的电脑。

企业应梳理哪些工作流程真正需要大型云端模型。较小的模型、检索系统、传统自动化和本地处理有时能以更少的资源完成相同任务。正确的衡量标准是单位基础设施所完成的有效工作。

消费者无法独自解决产业级短缺问题，恐慌性购买还可能使情况恶化。但他们仍然可以根据已安装内存、升级选项、可维修性和实际软件需求来做出购买决定。这些因素比“AI PC”标签更重要。

在扩展每一项工作负载之前，行业应该提出一个更尖锐的问题：其产出是否值得为之投入稀缺的内存、电力和硬件？这个问题能够区分真正有价值的计算与仅仅因为资本仍然充足而追求的增长。

当生成式 AI 的服务提供商将物理限制视为别人的问题时，生成式 AI 就会演变成一场工程灾难。未来一年将表明，制造商究竟能否恢复平衡，还是经济型计算设备仍会在 AI 规模扩张竞赛中沦为附带牺牲品。