随着人工智能应用加速落地，全球存储行业正经历前所未有的供需错配。美光科技CEO高级顾问苏米特·萨达纳在近期举行的半导体行业论坛上直言，当前内存短缺已覆盖所有市场领域，真正有意义的新增供应要到2028年才会开始爬坡，供需何时恢复平衡仍难以判断。这一判断背后，是AI技术驱动下需求端持续超预期，以及供应端晶圆厂建设周期带来的刚性约束。对于身处AI创业赛道的团队而言，理解存储行业的这轮变局，或许比以往任何时候都更加重要。
存储供需失衡：AI需求成为核心变量
萨达纳在论坛上透露，美光每年从客户处获得的需求预测都在逐季上调，即使供应商全力扩产，目前也无法判断供应何时能够追上需求。这一表态打破了外界“存储周期即将见顶”的猜测，反而预示着行业高景气度可能持续数年。
值得注意的是，这轮内存短缺并非局限于某个特定高端产品，而是全面覆盖了DRAM、NAND等所有存储品类。从数据中心到PC、智能手机，再到汽车和工业设备，几乎所有终端都在争夺有限的存储产能。究其原因，AI大模型训练和推理对内存容量、带宽和能效的要求远超传统应用，而这类需求增长的速度已经超出了原有供应规划的弹性范围。
传统上，存储行业是典型的周期性行业，供需关系往往在两年左右完成一轮逆转。但AI打破了这一规律。萨达纳预计，2028年才是新增供应的初始爬坡节点，而真正形成规模供给还要再等数年。这意味着存储行业可能将经历一轮罕见的超长上行周期。对于AI创业公司而言，这既是成本压力，也是战略机遇——谁能提前锁定存储资源，谁就可能在模型迭代和产品落地中占据先机。
从最新科技的视角来看，内存子系统正在成为AI算力的新瓶颈。大型模型需要完整驻留在内存中，训练和推理过程中数据反复移动，如果带宽不足，再强的GPU也无法充分发挥性能。因此，存储已经不再是简单的“存取单元”，而是直接影响AI系统整体效率的关键环节。这种变化也促使存储厂商从幕后走向台前，与AI芯片企业、云服务商甚至最终用户展开深度协同。
内存角色转变：从标准化到定制化
数年前，大多数数据中心客户使用的是符合JEDEC标准的通用内存，产品高度相似，厂商难以通过定制设计形成差异。但AI改变了这一模式。萨达纳表示，如今越来越多的客户希望利用内存架构来提升系统性能、降低功耗，从而建立竞争优势。美光也因此更早进入客户的多年产品路线图，与客户共同定义下一代系统所需的内存能力。
这一转变的意义不亚于一次产业革命。过去，内存厂商通常在处理器设计完成后按标准规格供货；现在，内存与处理器需要从系统研发早期就进行联合设计。以美光与英伟达的合作为例，美光率先将低功耗DRAM引入数据中心，并曾长期作为该领域的独家供应商。与传统DRAM相比，低功耗DRAM在密度、体积、性能和能耗方面均有显著改善，对于电力日益紧张的数据中心尤为关键。
定制化趋势正在重塑存储行业的竞争壁垒。萨达纳透露，部分客户已经与美光讨论长达5至7年的研发路线图，这类项目通常只涉及一至两家内存厂商，合作方可能在一段时间内成为独家供应商。这种模式越来越像ASIC定制——双方绑定研发资源，共享技术红利，但也意味着未参与的厂商将被排除在下一代技术生态之外。
对于AI创业企业来说，存储定制化打开了新的想象空间。创业团队如果拥有独特的内存架构设计需求，可以直接与存储原厂展开联合开发，而不必再像以前那样被动接受“标准品”。这正是AI技术深度渗透硬件基础设施的体现。与此同时，AI图片生成等应用对显存容量和带宽的渴求，也在进一步放大定制化存储方案的价值，甚至催生出专门为边缘推理设计的低功耗内存产品。
商业模式的深度变革：战略客户协议与长期承诺
在供货模式上，美光正与部分客户签署“战略客户协议”。过去的内存采购协议通常只有一年期限，属于短期交易行为；而新的战略协议要求双方作出多年承诺——美光锁定供应，客户锁定需求。萨达纳坦言，这些协议需要具备足够明确的投资回报，从而让美光能够为未来数年的资本开支提供依据。
这种模式变化背后，是AI时代供应链对确定性的极度渴求。芯片制造商需要在动辄上百亿美元的工厂投资前获得订单保障，而AI大厂则希望确保未来数年的大规模算力扩展不会因存储短缺而受阻。双方通过长期协议实现风险共担，已成为行业新常态。
对于规模较小的AI创业公司而言，虽然很难直接与存储原厂签署战略协议，但可以通过AI工具导航等平台了解最新供应链动态，寻找与云服务商或ODM厂商的合作机会。事实上，很多云服务商已经将存储配额作为算力套餐的一部分，这也为创业团队提供了间接获取产能的渠道。
萨达纳还指出，这种长期战略合作将加速行业整合。那些无法承担多年研发投入和产能承诺的中小存储厂商，可能会逐渐退出头部客户的供应链体系。而拥有深厚技术积累和资本优势的厂商，则能在企业数字化转型浪潮中占据更有利的位置。存储行业的“马太效应”将愈发明显。
智能体AI与物理AI：下一波需求浪潮叠加而至
萨达纳认为，当前数据中心AI并非内存需求的终点。智能体AI和物理AI将成为新的增长来源，且不会替代上一轮需求，而是相互叠加。大模型训练仍要继续，推理规模还会扩大，智能体AI将增加新的计算负载，自动驾驶、工业设备和机器人则会把AI带入更广阔的现实世界。
这一判断对AI创业具有重要指导意义。智能体AI意味着模型不仅要会“回答”，还要能“行动”，这将大幅增加对长期记忆和上下文缓存的需求。物理AI则要求传感器数据、视觉信息与决策模型实时交互，同样需要高带宽、低延迟的存储支持。可以说，每一层AI能力的扩展，都会在存储端产生倍数级的需求增量。
在端侧设备方面，随着AI能力从云端向边缘扩散，汽车、PC、智能手机、工业设备以及新的AI原生终端都将搭载更强的本地模型。端侧模型需要在有限功耗和电池容量下运行，既要足够大以提供有价值的功能，又要足够小以完整装入设备。这种“既要又要”的约束，对内存堆叠工艺和新型存储技术提出了极高要求。
更令人震撼的是人形机器人的存储需求。萨达纳预计，每台人形机器人可能搭载数百GB的DRAM以及数TB的SSD NAND，单机存储价值量远高于手机或电脑。一旦实现规模化，人形机器人可能成为“有史以来规模最大的产品市场之一”，同时拉动DRAM和NAND需求大幅攀升。虽然全面普及仍需较长时间，但这一远景足以让存储巨头提前数年进行产能布局。
对于AI创业者来说，选择“边缘AI+特定场景”的切入点，也许可以利用AI技术的力量开发出人形机器人、工业检测设备等专用存储方案。与此同时，抠图和背景去除这类轻量级AI工具看似与存储无关，但其后台同样离不开海量图像数据的实时处理，这也在潜移默化中贡献着存储需求。
产能扩张的硬约束：晶圆厂无法速成
面对旺盛需求，存储厂商并非不想快速扩产。但萨达纳反复强调，晶圆厂无法迅速建成。新厂需要完成审批、基础设施建设、设备安装、调试和良率爬坡，整个过程通常以年为单位。DRAM晶圆制造包含大约2000道工序，从晶圆开始生产到最终产品交付，完整周期约为5个月，其中前端晶圆制造接近四个月，组装、封装和测试还需一个月至一个半月。
美光2025财年资本开支略高于130亿美元，2026财年预计接近翻倍，2027财年可能超过450亿美元。同时，公司将美国长期投资计划由2000亿美元提高至2500亿美元，并提前了部分投资时间表。然而，这些钱并不能立刻变成产能。爱达荷州ID1晶圆厂预计2027年年中产出首批晶圆，ID2晶圆厂预计2028年末前后产出首批晶圆；纽约州规划四座晶圆厂，首座预计2030年实现产出。日本、新加坡等地也在推进扩产，但多数项目短期内无法转化为实际供应。
这种产能刚性意味着，即便所有厂商都在拼命建设，市场供需平衡也要到2028年以后才可能迎来拐点。更关键的是，萨达纳指出“新增供应爬坡”不等于“供需平衡”，新增产能还要在之后数年才能逐步形成规模。美光的产能建设计划已经延伸至未来十年甚至更长时间。
对于依赖存储芯片的AI创业公司而言，提前规划库存和供应链风险已成为必修课。与其被动等待价格回落，不如通过AI工具箱整理出一套弹性供应链策略，例如采用混合云架构以减少本地存储依赖，或者选择高性价比的存储方案来平衡性能与成本。这些“软优化”在供应紧张周期内往往能发挥奇效。
AI创业者的战略启示：在不确定性中寻找确定性
存储芯片的这场盛宴，既是AI技术基础设施化的直接体现，也对每一位AI创业者提出了新的生存法则。第一，算力与存储成本在AI项目总成本中的占比将持续上升，创业团队需要将存储预算纳入模型训练和推理成本的核心变量，而非当作边缘开销。第二，存储定制化趋势预示着软硬件协同设计的重要性——未来AI应用的成功，可能取决于你能否与存储供应链建立深度协作关系。
从最新科技的发展节奏来看，AI普及已经进入“深水区”，单纯依靠算法创新已经不够，必须与底层硬件协同进化。美光所述的智能体AI、物理AI和人形机器人场景，实际上为AI创业指明了方向：不要只盯着大语言模型的“军备竞赛”，更应关注AI如何融入物理世界，解决真实问题。这些领域对存储的需求更大，竞争也更可能建立在工程能力而非资金规模之上。
值得注意的是，AI画图和文生图等应用迅速崛起，让内容创作进入了全新阶段。这些AIGC工具每生成一张图片、一段视频，都会消耗大量的推理资源与存储带宽。反过来，它们也为存储行业贡献了看得见的需求增量。AI创业者可以从中得到启示：只要抓住一个具体场景，哪怕是一个看似细分的功能，也能在技术浪潮中获得可观的发展空间。
综合来看，存储需求的长坡厚雪，是AI技术落地的必然结果。对AI创业者而言，与其担忧存储涨价带来的成本压力，不如调整心态，把存储当作观察市场需求最直接的“温度计”。当存储厂商敢于把资本开支提高数倍，并把扩产周期拉长到十年，就意味着AI市场的前景远比想象中更加广阔。谁能抓住这个窗口期，谁就有机会在下一轮增长中抢占先机。