AI存储市场经历一轮调整之后，HBM依然是值得关注的方向。过去几年，市场对HBM需求的判断，主要建立在AI GPU出货量增长的基础上。英伟达不断推出新一代GPU，HBM容量和带宽持续升级，直接拉动了SK海力士、三星和美光等存储厂商的订单。但随着AI应用从模型训练走向大规模推理，特别是Agentic AI开始兴起，HBM及整个服务器内存市场的需求逻辑正在发生变化。

近日，Silicon Atlas发布了一篇题为《After the Selloff, I Still Favor HBM》的分析文章。作者认为，2027年之前，内存需求仍有望保持增长，其中HBM是最值得看好的存储产品方向，其次是大容量服务器DDR5。文章提出，未来内存需求增长将由两个因素共同推动：一是数据中心服务器数量增加，二是每台服务器搭载的内存容量继续提升。两者叠加，可能使内存市场获得比单纯计算芯片出货增长更强的需求支撑。

这篇文章最值得关注的部分，是作者对Agentic AI带来内存需求的分析。与传统的一问一答式AI不同，Agent需要持续执行任务，在不同调用之间保留代码、工具、数据和任务状态。一个Agent可能需要反复调用不同工具、执行代码、等待外部任务返回，并在后续步骤中继续使用此前积累的信息。这意味着，即使CPU没有持续执行计算任务，相关运行环境和内存状态也可能需要继续保留。

文章引用了Vercel的一个实际计费案例：在一个持续30分钟的构建与测试任务中，假设CPU利用率只有10%，但内存资源费用达到0.0848美元，CPU费用只有0.0256美元，前者约为后者的3.3倍。这个例子反映出，在Agent和自动化工作流中，计算资源并不一定是主要的资源消耗，长时间保留的运行状态同样需要付出成本。

作者还构建了一个服务器资源模型：假设每秒有10个任务进入系统，每个任务持续60秒，占用4GB常驻内存，但实际只需要12个CPU核心秒的计算时间。按照这一模型，系统同时存在600个运行环境，需要保留2400GB内存状态，但实际繁忙的CPU核心只有120个。如果每台服务器配置192个CPU核心和768GB内存，在设定的资源利用率上限下，CPU计算任务一台服务器就可以承载，但内存状态却需要四台服务器才能容纳。

这意味着，运营商可能需要增加服务器数量，或者在现有CPU资源之外增加更多内存配置。服务器采购不再完全由CPU计算需求决定，内存容量本身也可能成为扩充服务器的重要原因。当然，这一模型是作者用于说明资源配置关系的示例，并非整个行业的实际平均配置。

除了Agent带来的内存需求，文章还引用了美光和英伟达的数据。美光预计，2026年和2027年全球服务器出货量增长率都将处于高十几的水平。与此同时，英伟达也表示，Agent应用正在加速CPU需求增长，并初步预计其CPU业务收入在2028财年将实现翻倍以上增长。

这两个信息放在一起看，值得关注的不仅是服务器出货量增长，还有单台服务器内部的存储配置变化。传统服务器主要根据CPU计算能力配置内存，而Agent工作负载增加后，服务器需要为更多并发运行环境保留状态数据，内存容量的重要性随之提升。

因此，判断未来内存需求，不能只看服务器出货量，还需要将单台服务器的内存配置纳入考量。即使软件优化减少了单个AI任务的内存消耗，只要服务器数量和单机内存配置的增长速度足够快，整个市场的内存需求仍然可能继续扩大。

如果说Agentic AI带来的是整个服务器内存市场的新增需求，那么HBM的增长还需要从AI加速器本身的配置变化来看。

文章比较了英伟达Blackwell Ultra和Rubin的内存配置。按照英伟达公布的产品参数，两代平台在相关配置中均采用288GB HBM，但峰值内存带宽从Blackwell Ultra的8TB/s提高到Rubin的22TB/s，提升了2.75倍。

这个对比说明，下一代AI加速器的性能提升，并不一定需要同步增加HBM容量。即使容量保持不变，带宽的大幅提升也能显著增强芯片的数据供给能力。因此，判断HBM市场需求，不能只看每颗GPU搭载多少GB，还需要关注每颗芯片所需要的带宽，以及背后对应的HBM堆叠、接口和制造资源。

与此同时，英伟达此前公布的长期路线图显示，Rubin Ultra计划在2027年下半年采用1TB HBM4E配置，通过四颗大型GPU组成封装系统。如果这一规划按目标推进，意味着未来高端AI加速器不仅需要更高的HBM带宽，也可能进一步增加单个封装的HBM容量。

除了英伟达，定制AI芯片也在扩大HBM配置。微软公布的Maia 300芯片配置为288GB HBM4，相比上一代Maia 200增加33%，微软计划在2027年推动其生产部署。文章还根据微软公布的机架功耗和HBM配置进行了测算：如果按照1GW数据中心容量全部配置这类系统，对应的HBM总量约为165PB。作者认为，这一规模已经值得纳入未来HBM采购需求的考量。

这也说明，HBM的需求不再只取决于英伟达GPU。微软等大型云服务商正在推进自研AI芯片，其他定制ASIC也在进入数据中心。不同计算平台虽然采用不同的芯片架构，但对高带宽内存的需求仍然存在。随着自研芯片规模扩大，HBM供应商面对的客户和应用场景也有望进一步增加。

需求增长是一方面，供给端同样值得关注。HBM与传统DRAM相比，制造过程更加复杂，涉及多层DRAM堆叠、TSV、先进封装以及严格的产品验证。因此，HBM产能并不能简单按照晶圆投入量进行换算。

文章特别强调，HBM产能增长需要同时考虑晶圆投入和生产效率。作者在分析中提出，假设HBM在晶圆产能中的分配比例从22%提高到30%，那么如果其他条件不变，传统内存产品的晶圆投入就会受到影响。按照其测算，HBM产能分配比例发生上述变化时，传统DRAM比特产出的盈亏平衡点约为11.4%的生产效率提升。

作者采用的一个工作假设是，晶圆投入增加8%，生产效率提升10%，最终传统内存比特产出仍可增加约6.6%。这说明，HBM扩产并不意味着其他DRAM产品的供给必然下降，但也不能简单认为新增晶圆投入就能完全转化为可销售的内存比特。最终良率、产品认证、封装能力和有效出货量，才是判断实际供给的关键。

综合需求和供给两个方面，Silicon Atlas给出的判断是，2027年之前，内存订单仍有望持续增长，其中HBM优先级最高，其次是大容量服务器DDR5。作者认为，Agentic AI带来的服务器数量增长和单机内存容量提升，有望抵消部分软件优化带来的内存需求下降。这也是其在存储市场经历调整之后，依然更看好HBM的重要原因。

不过，文章也提醒，内存需求并非只取决于AI应用增长，压缩技术同样可能改变未来的采购规模。例如，文章提到AgentZip在两个工作负载中分别实现了64.29%和88.55%的数据压缩率。如果这类技术能够在实际生产环境中有效降低内存占用，就可能减少部分服务器的内存采购需求。但压缩率并不等于实际采购节省，还需要考虑处理延迟、CPU开销以及整台服务器的内存使用情况。未来内存需求增长与效率优化之间，仍然存在一定博弈。

从产业角度看，AI存储市场正在出现一个值得重视的变化：内存需求的增长，不再只是训练模型、部署GPU带来的直接结果。Agentic AI让服务器需要保留更多运行状态，推高了单机内存配置；新一代AI加速器则通过HBM4、HBM4E等技术路线，继续提高带宽和容量。这两条需求线索叠加，使HBM的长期增长逻辑进一步丰富。

对于存储厂商而言，未来的竞争不仅是争夺GPU客户，还包括争夺云厂商自研ASIC、Agent服务器以及新一代AI基础设施的订单。HBM的需求故事，正在从GPU时代走向整个AI数据中心时代。