短期看DRAM，長期看儲存體系重構
NAND正在成為AI時代的隱形核心資產
最近在看這篇關於“AI記憶體需求”的研究時，我最大的感受只有一句話：這一次，市場很可能又看錯了。
過去一段時間，幾乎所有人都在講同一個故事——AI爆發，資料中心需求提升，DRAM佔比更高，所以DRAM才是最大者。這個邏輯聽起來很順，甚至已經變成了一種“共識”。
但當我真正把這篇材料從頭到尾看完，尤其是把Sora這類視訊生成模型的底層算清楚之後，我反而越來越覺得：這個結論，可能只是看到了表面。
因為當AI開始從“生成文字”走向“生成視訊”，問題就完全變了。模型不再只是處理幾十K的token，而是一次性處理幾百萬級token；不再只是推理幾秒，而是生成完整的視訊序列。這個過程中，真正被瘋狂消耗的，不只是記憶體容量，而是頻寬、資料搬運，以及背後龐大的儲存體系。
也正是在這裡，一個更清晰的結構開始浮現出來：
HBM在撐算力，DRAM在做配套，而真正承接規模的，是被長期低估的NAND。
換句話說，如果還用“DRAM vs NAND”這樣的框架去理解AI，很可能一開始方向就錯了。
一、這份材料真正想說明什麼？
AI時代的“記憶體之爭”本質被誤判——真正的瓶頸既不在DRAM，也不在單一晶片，而是在“HBM算力記憶體 + NAND資料儲存”的協同體系。
二、市場共識是錯的：DRAM ≠ AI
當前市場觀點：
- DRAM更受益AI（因為資料中心佔比更高）
但作者直接質疑：這個邏輯過於表面
反例：NVIDIA推出大容量NAND儲存平台（單DPU支援150TB）
結論：
AI系統不是“只吃DRAM”，而是同時重度依賴儲存（NAND）
三、底層邏輯變化：AI從“算力問題”變成“記憶體問題”
文件通過Sora / DiT模型給出本質：
AI視訊生成的核心特徵：
- Token規模：≈400萬級
- 模型規模：≈500億參數
帶來的結果：
- 計算不是瓶頸
- 資料搬運 & 儲存成為瓶頸
本質變化：
AI正在從“Compute-bound” → “Memory-bound”
四、真正的核心記憶體：不是DRAM，而是HBM
這是全文最關鍵的結論之一：
單次視訊生成的記憶體需求：
- HBM（GPU視訊記憶體）：≈280GB
- DRAM：≈20–90GB
關鍵判斷：
- HBM才是AI推理的主戰場
- DRAM只是輔助（系統/快取）
結論：
AI記憶體價值正在從“通用記憶體（DRAM）”轉向“高頻寬記憶體（HBM）”
五、NAND被嚴重低估：AI最終是“儲存驅動”的
文件給出兩個關鍵場景：
1️⃣ 推理側（資料中心）
- 每個節點需要 ≈140GB NAND（系統+模型）
2️⃣ 內容側（視訊儲存）
- 單個30秒4K視訊 ≈150MB–268MB
但關鍵在這裡
AI視訊 = 海量生成 × 多版本儲存 × 長尾內容
結論：
真正爆發的是“資料儲存需求”，而不是短期記憶體
六、終局趨勢：AI視訊將引爆“記憶體超級周期”
文件提出一個非常重要的產業推演：
未來形態：即時AI視訊生成（而不是離線生成）
帶來的變化：
- 內容無限供給
- 使用者互動增強
- 廣告嵌入視訊生成
資料規模：全球短影片播放 ≈1兆次/天
那怕：1%變成AI生成
都是天量算力 + 儲存需求
🏁 小編總結
AI時代的記憶體競爭，不是DRAM vs NAND，而是HBM定義算力上限，NAND定義資料規模。 (芯聯匯)