美光再砸100亿美元：AI时代，为什么存储巨头突然这么“重资产”？

AI最烧钱的是什么？

很多人的第一反应是：

GPU。

但最近几年，一个越来越明显的趋势是：

存储也开始变得越来越“重”。

8月20日，美光宣布将在美国博伊西推进新的研发项目，计划未来十年投入约100亿美元，用于下一代存储技术和计算系统研究。

一家做DRAM和NAND的公司，为什么需要投入如此大的研发资源？

背后的答案其实和AI密切相关。

因为AI正在把“存储芯片”从标准化零部件，逐渐推向高性能计算的核心位置。

一、过去的存储竞争，核心是什么？

传统存储行业最重要的关键词通常是：

成本。

无论DRAM还是NAND，本质上都属于规模效应非常明显的半导体产品。

谁能够做到：

更高密度；
更先进制程；
更高良率；
更低成本；

谁就更有竞争优势。

因此过去很多人理解存储行业，会把它看成一种高度周期化的“制造业”。

价格上涨时赚钱。

价格下跌时削减资本支出。

但AI正在改变这套逻辑。

二、为什么AI让存储技术突然复杂起来？

因为AI对存储提出的要求，不再只有：

容量大。

还需要：

带宽高；
延迟低；
功耗低；
密度高；
数据传输快；
与处理器协同。

最典型的例子就是：

HBM。

它仍然是DRAM。

但和普通DDR相比，HBM已经涉及：

DRAM工艺
+
TSV
+
3D堆叠
+
先进封装
+
GPU协同

这已经不是简单生产一颗标准内存芯片。

而是在参与设计一个完整的AI计算系统。

三、AI为什么让存储企业重新进入“技术军备竞赛”？

原因之一是：

内存墙越来越明显。

GPU性能持续提高。

但GPU想发挥性能，需要不断获得数据。

如果数据供给速度跟不上，就会出现：

GPU等内存。

于是AI服务器开始越来越强调：

HBM带宽
+
HBM容量
+
DDR容量
+
SSD性能

这意味着未来存储产品的技术差异可能越来越大。

谁能够率先提供：

更高带宽
+
更低功耗
+
更高密度

谁就可能获得更高价值量。

四、为什么不仅HBM需要研发？

很多人把“AI存储”等同于HBM。

其实并不完整。

一套AI系统的存储结构大致可能包括：

GPU旁边：HBM

CPU旁边：DDR

服务器本地：企业级SSD

数据中心：大规模Flash存储

不同层级解决不同问题。

HBM解决极高带宽。

DDR提供更大的系统内存。

SSD保存模型、数据集和缓存。

NAND提供大容量数据存储。

所以AI带来的机会，其实贯穿整个Memory + Storage体系。

五、推理时代可能比训练更考验存储

过去AI产业大量讨论训练。

训练大模型需要大量GPU和HBM。

但未来随着模型真正进入应用阶段，另一个市场会快速增长：

推理。

训练一个模型可能只进行有限次数。

但模型上线以后：

每一个用户问题
每一次AI搜索
每一次Agent执行
每一次图片生成

都需要进行推理。

这意味着AI从：

“集中训练”

变成：

“持续运行”。

大量用户同时访问以后，模型参数、KV Cache、向量数据库以及用户数据，都需要不断读取和保存。

存储的重要性反而可能进一步增加。

六、美光、三星、SK海力士真正争的是什么？

表面看，它们都在卖存储芯片。

但AI时代，三家企业真正竞争的范围正在扩大。

过去主要竞争：

DRAM
NAND

现在开始增加：

HBM
先进封装
企业级SSD
AI Memory
新型存储架构

未来甚至还会涉及：

计算与存储融合。

所以存储巨头已经不再只是在争：

“谁能做出更便宜的内存。”

而是在争：

谁能成为AI计算平台的核心供应商。

七、为什么存储越来越像“算力的一部分”？

假设GPU每秒可以完成非常多计算。

但一半时间都在等待数据。

那么理论算力再高，也无法完全发挥。

因此真正的AI性能更应该理解成：

计算能力
×
数据供应能力

也就是：

Compute × Memory。

这也是为什么过去几年AI产业越来越频繁出现：

Memory Wall
Memory Bandwidth
HBM
KV Cache
CXL

这些词。

因为AI发展到一定阶段之后，算力和存储已经很难分开讨论。

八、100亿美元说明了什么？

具体项目未来能产生多少商业回报，目前当然无法提前判断。

但从整个行业趋势看，大规模研发投入至少说明一件事：

存储行业正在进入新的技术升级周期。

过去几年AI率先改变的是GPU。

接下来可能被重新设计的，就是：

内存和存储。

从HBM，到3D NAND，再到CXL和各种新型存储架构，都在试图解决同一个问题：

如何让更多数据，以更低成本、更低功耗、更快速度到达计算芯片。

写在最后

AI时代最容易被低估的技术，其实一直是存储。

模型越大，数据越多。

计算越快，对内存带宽要求越高。

用户越多，对存储容量要求越大。

所以AI基础设施最终不可能只有GPU。

它一定还包括：

Memory + Storage。

美光未来十年的100亿美元研发计划，可以看成存储行业正在变化的一个缩影。

当全球存储巨头都开始围绕AI重新布局时，一个趋势已经越来越明显：

AI不仅正在制造算力需求，也正在重新定义存储。

美光再砸100亿美元：AI时代，为什么存储巨头突然这么“重资产”？