Samsung押注人形机器人内存，SK Hynix加入同一增长赛道
尽管与智能手机、电脑和AI服务器相比，部署规模仍然很小，Samsung正将人形机器人视为一个新的内存市场。Samsung人形机器人内存机遇如今建立在一项引人注目的预测之上：到2030年，整个行业的机器人DRAM需求预计将比2026年增长逾20倍。
SK Hynix则从不同的位置看到了同样的机遇。该公司希望让计算更靠近内存，从而降低制约移动机器人的能耗和数据传输成本。Micron同样将物理AI推广为未来DRAM和存储需求的重要来源。
这尚不是一个有关机器人取代AI数据中心、成为内存行业最大客户的故事。它考验的是：在人形机器人的经济性、可靠性和功耗限制拖慢采用步伐之前，这类产品能否成为一个具有实际规模的设备类别。
Samsung人形机器人内存预测规模庞大，但仍处于早期阶段
这一醒目数字描述的是一条潜在需求曲线，而非芯片制造商已获得的内存订单。
Counterpoint Research估计，人形机器人将在2026年消耗约8,300太比特DRAM。该机构预计，到2030年这一数字将达到约172,000太比特，增长超过20倍。
这种扩张将来自两个方面。制造商需要出货更多机器人，同时每台机器也将配备更多内存。更大的机载AI模型、更丰富的传感器输入以及更长的运行历史，都会增加机器人必须处理的数据量。
DRAM提供进行这类处理所需的工作内存。NAND闪存则在机器人未主动使用这些内容时，存储软件、模型、地图、录制内容和运行数据。
因此，这项预测结合了两个不确定的假设：人形机器人出货量必须快速增长，制造商也必须选择内存配置更丰富的计算系统，而不是高度依赖远程基础设施。
Counterpoint的机器人DRAM预测为Samsung Electronics和SK Hynix提供了一个可信的准备理由。两家公司与Micron一道，构成先进DRAM产品的成熟供应商基础。
不过，172,000太比特需要放在背景中理解。将全行业的比特总量除以单台机器人的容量，可能得出截然不同的出货量假设。如果一台机器人配备数十、数百或数千GB内存，答案都会不同。
产品设计也仍在快速变化。运行多个大型AI模型的研究型机器人，其内存需求不同于接受重复性物料搬运训练的仓储机器。两者都可以具有人形外观，但其计算需求未必相似。
部分工作负载可以在数据中心运行。包括平衡控制和碰撞规避在内的其他任务，则需要在机器上进行低延迟处理。连接性、隐私、安全和能耗将决定开发者在何处划定这条界线。
当机器人在本地处理更多信息时，Samsung人形机器人内存的投资逻辑会更强；当制造商将昂贵的推理工作负载转移至附近服务器，或简化机载运行的模型时，这一逻辑便会减弱。
这一差异之所以重要，是因为汇总预测可能掩盖产品多样性。人形机器人是一种机身形态，而非单一的计算规格。通用型机器与工厂助手或许共享执行器，却可能采用截然不同的内存配置。
Counterpoint称，2025年全球人形机器人安装量增加了16,000台。其安装量展望还预测，到2027年累计安装量将超过100,000台。
这些数字表明，行业正走出孤立的原型验证阶段。但它们并不能证明市场已达到可与手机、汽车或个人电脑相比的大众规模。早期机器人集群也可能集中在实验室、制造商和能够承受较高成本的科技公司。
这项预测最好被理解为一个潜在可服务需求信号。它告诉内存公司：如果机器人部署实现规模化，哪些架构可能变得重要。但它并不能消除验证应用、可靠性和客户预算的必要性。
为什么机器人需要的不只是普通设备内存
人形机器人必须理解周围环境并控制移动中的身体，由此形成既数据密集、又对延迟敏感的工作负载。
机器人可以同时接收来自摄像头、麦克风、深度传感器、力传感器和关节编码器的数据流。其计算平台必须将这些输入转化为决策，同时保持平衡并避开人员或设备。
视觉—语言—动作模型，通常简称为VLA模型，将视觉观察和语言指令与物理动作连接起来。它们可以帮助机器人理解请求、识别相关物体，并选择一系列动作。
运行这些系统不仅需要内存容量，也需要内存带宽。带宽衡量数据能够在内存和处理器之间传输的速度；容量则决定有多少模型数据和运行上下文可以即时调用。
这与在数据中心中为聊天机器人提供服务的问题不同。服务器可以将工作分散到拥有大量散热设施和持续供电的大型机架中。而人形机器人必须在移动机身内部承载电源和散热限制。
机器不能在做出每一项安全决策前都等待远程服务器。网络延迟可能波动，连接中断也不能让机器人停止维持自身稳定。因此，核心控制功能需要可靠的本地处理能力。
与此同时，将所有传感器录制内容发送至云端会带来带宽和隐私问题。工厂、医院和家庭中包含的信息，运营方未必希望持续传输到场所之外。
更多机载内存可以支持本地推理，即直接在机器人上运行已训练的AI模型。它还可以将近期观察结果、操作指令和环境地图保留在处理器附近。
然而，传统内存访问会消耗能量。反复在处理器与独立内存芯片之间移动数据，可能在未产生实际物理工作的情况下耗尽电池。这会减少用于行走、举升、抓取或运行散热系统的能量。
这种压力解释了业界对存内计算（PIM）的兴趣。PIM在内存内部或附近执行特定计算，减少数据必须传输的距离。
SK Hynix表示，其PIM产品将扩展至端侧AI和人形机器人应用。该公司的人形机器人内存路线图重点介绍了GDDR6-AiM、AiMX以及一项仍在开发中的ACiM架构。
AiM将计算功能置于内存中，AiMX则在加速卡上组合AiM芯片。ACiM旨在通过模拟运算将存储和计算结合起来。
这些仍是公司描述的技术和开发计划。它们在商用机器人中的实际价值将取决于软件支持、制造成本、准确性以及可衡量的节能效果。
Samsung可以凭借其广泛的组件组合来解决同一问题。该公司开发DRAM、NAND、处理器、图像传感器、显示器和其他可覆盖机器人系统的电子部件。
这种广度带来了组件整合机会。它也创造了内部测试环境，因为Samsung运营着半导体和电子产品工厂，机器人可在其中执行可控的工业任务。
由此形成的市场，不止是对原始DRAM容量的竞争。供应商将在带宽、功耗、封装、热性能以及与机器人处理器的兼容性等方面展开竞争。
开发者应将内存架构视为整个计算系统的一部分。增加DRAM并不能解决糟糕的软件、低效的模型、性能不足的执行器或不够的电池容量。
核心机制仍然重要。机器人在严格的物理限制下运行，同时产生密集且持续的数据。这一组合使先进内存在其中扮演的角色，比在许多普通联网设备中更重要。
Samsung和SK Hynix在物理AI内存竞赛中面对Micron
人形机器人提供了一条新的增长路径，但三大内存供应商已围绕同一机遇制定战略。
Samsung和SK Hynix已受益于AI基础设施建设。高带宽内存（HBM）向AI加速器提供数据的速度，远高于传统内存配置。
人形机器人将AI内存的逻辑从集中式计算扩展至实体机器。工作负载虽有不同，但两者都要求处理器访问不断增长的模型和传感器数据。
Samsung的优势并不只是规模。该公司可以将半导体研发与更广泛Samsung组织内部的消费电子、制造和机器人计划结合起来。
2026年6月的一份公司披露文件包含了在龟尾建设人形机器人生产线的计划。同一长期规划还包括在温阳和天安地区建设HBM制造设施。
这份投资披露涵盖了一项延续至2040年的、更广泛的韩国国内计划。Samsung明确警告，该计划包含可能随市场状况变化的前瞻性信息。
这一警示很重要。计划中的生产线显示了战略意图，但并未透露机器人的产能、商业发布时点、客户承诺，或每台机器的内存配置。
即使尚未向外部销售大规模机群，Samsung仍可获得有用的信息。内部部署可以揭示机器人在长时间班次中的表现、人类介入的频率，以及哪些任务足以证明其运营成本合理。
SK Hynix的消费业务覆盖面较窄，但在AI内存领域拥有强势地位。其人形机器人战略强调改善数据移动和能效的架构。
这一路径契合移动AI系统面临的最大技术约束。如果计算平台缩短运行时间，或需要不切实际的散热系统，机器人速度再快也价值有限。
Micron让两家韩国公司的竞争图景变得更加复杂。该公司多次将汽车和人形机器人列为未来对内存要求很高的物理AI平台。
在2026财年准备好的发言稿中，Micron称，一台人形机器人可能配备普通L2+级车辆十倍的内存。该公司预计，本十年后期将开启一轮显著的内存需求周期。
Micron还曾将未来人形机器人的需求与高度自动化车辆进行比较。根据其公司展望，这类车辆可配备超过200GB的DRAM和数TB存储空间。
这些数字是供应商预期，而不是机器人制造商采用的标准。不过，Micron的季度材料表明，物理AI的投资逻辑并非Samsung或SK Hynix独有。
因此，核心竞争在于成熟的存储供应商与尚不确定的机器人部署经济性之间。供应商之间的竞争会影响谁能拿下订单，但市场首先需要足够多具备商业可行性的机器。
这颠覆了围绕 AI 基础设施的常见叙事。在数据中心，超大规模客户早已大举投入，而 HBM 短缺随后才成为行业关注焦点。
人形机器人仍处于更早期的应用周期。存储供应商正在描绘这一机会，但机器人开发商仍需证明任务可重复执行、安全性可接受，并且运营成本可行。
不同存储类别的赢家也可能不同。一家供应商可能在移动 DRAM 领域领先，另一家可能主导存储产品，还有一家可能在存算一体产品上占优。机器人设计商也可能从多家供应商采购不同组件。
大型客户也会尽可能寻求第二供应来源。依赖单一存储供应商可能带来供应风险，尤其是在 AI 服务器已经争夺先进半导体产能的情况下。
Samsung 和 SK Hynix 不能假设其 HBM 地位会自动延伸至人形机器人。它们必须让产品适配一个对能耗、重量、散热和价格有着不同侧重的平台。
增长预测仍取决于机器人能否完成有价值的工作
存储需求将跟随成功的应用落地，而非令人印象深刻的演示或乐观的出货目标。
人形机器人开发商偏好人类形态，是因为工作场所本就为人类而设计。楼梯、货架、门、工具和生产线都遵循人体尺度。
这种兼容性可以减少重新设计整个设施的需求。能力足够强的人形机器人或许能在不同任务之间切换，而这些任务原本可能需要多台专用机器完成。
这一理念很有吸引力，但人形也带来了复杂性。双足行走、操控陌生物体以及从错误中恢复，都需要高度复杂的控制能力。
在许多仓库中，轮式机器人可能更便宜、更稳定。在可预测的工作站上，固定式工业机械臂可能比通用型人形机器人表现更佳。形态应服务于任务的经济性，而不是营销类别。
Counterpoint 预计，到 2030 年，智能制造将占人形机器人出货量的 45%。商用及家庭服务预计占 25%，仓储服务则占 20%。
这些细分领域面临不同的采用考验。制造商关注正常运行时间、安全性、精度、集成能力和可预测的回报。家庭买家还关心体积、噪音、隐私和可负担性。
工厂看起来是最有力的早期验证场景。这里拥有结构化环境、重复性工作流程、受过培训的监管人员，以及可衡量的劳动力或安全成果。
Samsung 自身的设施可能支持这一模式。在受控工厂内部运输物料或处理重复性任务的机器人，无需立刻掌握不可预测家庭环境中的复杂情况。
即便如此，商业案例依然严苛。机器人必须完成足够多的生产性工作，才能证明其硬件、维护、软件、集成和监管成本合理。
人工干预尤为重要。一支机器人队伍看似自主运行，但远程操作员可能频繁处理异常情况。这种模式仍可能具有价值，但它会改变节省人力和规模化的经济性。
可靠性也会随时间累积影响。持续几分钟的演示，对于数千小时运行中的表现几乎说明不了什么。当机器在人员或生产设备附近工作时，即使较低的故障率也会带来高昂成本。
在机器人实现完全自主之前，单机存储配置可能已经增加。远程操控、数据收集和持续模型改进仍会带来存储与处理需求。
然而，较高的存储配置并不保证较高的存储收入。机器人制造商会积极议价，在可能的情况下采用成本更低的组件，并优化模型以适配更小的硬件配置。
边缘 AI 设计也可以降低存储需求。开发商可以压缩模型、移除不必要的参数，或将时效性较低的工作转移到本地服务器。
对云端的依赖也有其局限，但混合系统很可能出现。机器人可能将安全和运动控制保留在机身端，同时利用附近基础设施进行规划、训练和机群协调。
这种架构将存储需求分布在机器人和数据中心之间。它可能整体有利于供应商，但会削弱基于每台机器固定 DRAM 用量的简单预测。
供应状况带来了另一层不确定性。AI 服务器、手机、电脑、车辆和工业系统已经在争夺 DRAM 和 NAND 产能。
如果先进存储仍然供应受限，机器人制造商可能面临更高的组件成本或有限的配额。供应商可能优先服务订单规模更大、确定性更强的成熟客户。
因此，Samsung 人形机器人存储业务必须跨越两道门槛。人形机器人的部署必须增长，而且这些机器必须保留足够的机载存储，才能成为具有实质意义的半导体客户。
市场预测无法保证任何一个门槛。两者都需要生产机群、采购合同和稳定产品规格方面的证据支持。
能源效率将决定哪些存储设计胜出
最有价值的机器人存储，将在不消耗运动所需能量的前提下提供实用的 AI 性能。
每个活跃组件都要从有限的功耗预算中分配能量。处理器、存储器、传感器、通信、散热和执行器都在争夺电池容量。
运动本身就高度耗能。更大的 AI 模型可以改善感知或规划，但也可能缩短运行时间。具有商业价值的设计必须平衡这些结果。
存储带宽很重要，因为数据传输过慢时，处理器无法高效工作。但更高性能可能增加功耗并产生更多热量。
在紧凑的移动机器内部，热管理十分困难。风扇、散热器和其他冷却组件会增加重量、占据空间并消耗能量。
这使低功耗存储产品扮演重要角色，也解释了为何供应商正推动处理器、存储器和封装之间更紧密的集成。
PIM 通过减少重复的数据传输改变了这种关系。从理论上看，这种架构可以用更低的延迟和能耗完成常见 AI 计算。
实际应用更加复杂。开发商需要能够将任务分配给存内计算单元的软件工具。计算结果还必须保持足够精确，才能用于实体世界的决策。
制造良率和成本同样重要。如果一种架构生产成本高昂，或难以满足长期服役的认证要求，再优雅也难以推广。
机器人可能需要针对不同功能采用不同存储。高速易失性存储可支持运行中的模型，而 NAND 则存放软件、日志和访问频率较低的信息。
安全系统可采用独立的计算路径。这种分离可以防止大型 AI 模型故障导致基本平衡、停车或避碰功能失效。
这些选择使机器人存储成为系统设计问题。能够尽早与处理器公司和机器人开发商协作的供应商，可以塑造接口和产品要求。
Samsung 的制造布局可以在内部支持这种协作。SK Hynix 则可通过专注的存储开发及其在 AI 硬件市场的广泛关系展开竞争。
Micron 将汽车领域经验带入竞争。车用存储必须满足严苛的温度、寿命和可靠性要求，这与部分机器人需求存在重叠。
没有单一架构注定会占据主导地位。工业机器人可能可以接受更大的供电系统，而移动服务机器人则需要更严格的能效表现。
本地法规和客户政策也可能增加机载存储需求。组织可能要求保留审计日志、事故记录或本地数据，以满足安全和问责要求。
隐私规则可能通过限制云端传输，推动同样的方向。相反，严格的保留政策也可能要求机器人快速删除记录，而不是无限期保存。
开发商和企业买家应通过工作负载测量来评估存储相关主张。实用指标包括任务完成情况、单任务能耗、推理延迟、干预频率和运行时长。
更大的存储规格听起来可能令人印象深刻，却未必改善这些结果。胜出的设计将把存储容量和带宽与可靠的实际工作联系起来。
这正是 Samsung 人形机器人存储机会不同于简单组件升级的原因。存储必须在受限的实体系统中证明其价值。
三项信号将表明机器人存储能否成为增长引擎
接下来的证据应来自部署数据、稳定的硬件规格和商业存储承诺。
第一个信号是持续的工厂运行。Samsung 和其他制造商需要证明，人形机器人能够在正常工作场所条件下长时间完成有价值的任务。
关键指标并非机器人看起来有多自然，而是机器能在多大程度上无需干预地完成工作、运行是否安全，以及从故障中恢复的速度。
如果部署从试点扩展为可重复部署的机群，工厂成果将强化存储逻辑；如果机器人仍只是受监管的演示或高度脚本化的工具，这一逻辑则会被削弱。
第二个信号是机载计算规格趋于收敛。目前，机器人制造商正在探索不同的处理器、模型、传感器和云端策略。
一致的配置将使供应商能够更有把握地规划产品。高容量 DRAM 和 TB 级存储的重复采用，将支持当前预测。
若转向更小的模型和本地服务器卸载，每台机器的需求将会下降。这仍可能推动更广泛的实体 AI 市场增长，但存储将位于其他地方。
第三个信号是披露的商业活动。投资者应关注与机器人相关的供应协议、客户认证、生产订单和营收类别。
关于实体 AI 的笼统表述是有用的战略指标，但其证据力度弱于已签署的承诺，或已针对特定机器人平台完成认证的产品。
财务报告起初可能会将机器人存储归入汽车或边缘产品类别。即便如此，管理层评论仍能揭示样品测试是否正在转化为持续订单。
Samsung 的龟尾生产计划值得在这一脉络中关注。建设进展很重要，但部署范围和硬件配置更重要。
SK Hynix 需要证明，其 PIM 和 ACiM 路线能够从技术开发进入获得支持的机器人平台。软件兼容性将与芯片性能同样重要。
Micron 的实体 AI 客户提供了另一个参照点。竞争性送样公告可显示，机器人开发商是否已在测试多家供应商的下一代产品。
Counterpoint 对 2030 年 172,000 TB 的预测提供了明确基准。在此之前，通往该目标的路径应通过安装量和平均存储配置逐渐显现。
如果人形机器人累计安装量如预测般超过 100,000 台，分析师就可以将实际机群与预期 DRAM 消耗进行比较。这种比较将揭示是出货量假设还是配置容量假设需要修正。
更广泛的行业也需要证据表明，客户重视人类形态。专用机器人的强劲采用可能提高半导体需求，却无法证明人形机器人是核心增长类别。
对开发商而言，眼下的教训在于架构设计。从一开始就应将存储容量、带宽、能耗和云端依赖放在一起评估。
对企业采购方而言，问题在于运营层面。具备先进记忆能力的机器人，仍需在既有的安全、数据和支持要求下可靠地完成工作。
对存储供应商而言，这一机会确实足以支持产品规划。但现在将预测需求视为确定的增长，仍为时过早。
当机器人走出展示性质的演示，成为可重复采购的计算客户时，Samsung 对人形机器人存储业务的押注才会显得更具说服力。在此之前，这一增长二十倍的预测仍只是一项可验证的论点。
密切关注下一支量产机器人队伍。它们能否完成整班运行、配备大量本地存储，并在无需持续协助的情况下完成有价值的任务？这些结果对这一新增长引擎的说明，将胜过又一次精致的机器人演示。
