这也是我今天更愿意看海力士的原因：在这一轮预算筛选里，HBM 比许多“未来可能很重要”的环节，更靠近已经发生的需求。

市场把它们一起卖掉，很容易；但云厂花钱时，并不会把 GPU、HBM、普通存储和光互联看成同一件事。

如果预算无限，当然每一层都可以扩：更多 GPU、更多内存、更快互联、更大的数据中心。

可一旦每一美元都要被问“回报在哪里”，采购顺序会变得残酷：先让已经跑起来的训练和推理系统不堵车，再谈下一阶段更大范围、更复杂的互联。

GPU 像发动机。可大模型越大、上下文越长、推理要求越实时，发动机旁边的内存带宽和容量就越像油箱。没有它们，发动机并不是不能转，而是很难持续高效地转。

这也是我对 HBM 的理解：它不是把普通内存简单提速；它把 DR­AM、堆叠、封装、良率和客户协同绑在一起，更不是只属于训练时代的一次性红利。对于前沿 GPU 和加速器上的训练，以及越来越多追求低延迟的高端推理，HBM 已经进入系统性能的物理约束。

新一代大模型把“快一点”从体验问题变成了竞争问题。模型要更快地响应、处理更长的上下文、承载更多并发，存储不再只是后台配角。

所以，AI 资本开支即便不再无差别扩张，也未必会先削减这一层。

$SK海力士(SKHY)$ $美光科技(MU)$  $长鑫科技(688825)$