核心观点：

AI 存储路线图：更大容量、更大带宽、更低功耗。随着人工智能的快速发展，大模型的参数量指数级增长，不仅推升了处理器的算力需求，同时也对与处理器匹配的内存系统提出了更高的要求。一方面，大量模型数据的传输要求更大的内存带宽，以缓解“内存墙”问题，提升HPC 系统计算效率；另一方面，内存系统的容量需要大幅拓展，以存储千亿参数乃至更大规模的大模型。

如何理解内存系统层级及关键参数？对于单个乃至多个处理器组成的系统而言，内存系统自下而上可以分为单元、阵列、die、封装、系统几个层级。根据处理器设计和应用的不同，所配置的内存类型、规格选择和配置数量也有所不同，需要和处理器总线宽度、时钟频率等参数相匹配。内存最重要的性能参数是容量、带宽和延迟，同时还需要考虑能耗和性价比。不同类型的DRAM 各有优势，在设计处理器系统架构的时候需要针对不同的应用，选择合适的内存系统设计。

DDR+LPDDR 路线图：面向CPU，构建高效大容量内存系统。DDR 是最传统、最主流的DRAM 类型。广泛用于PC、服务器、HPC 等领域。目前，DDR5 是最新一代DDR 标准，提供更高的速度、更高的效率和更大的容量。LPDDR 正在成为数据中心CPU 的新选择，其原因是需要在大规模AI 和HPC 工作负载的带宽、能效、容量和成本之间取得最佳平衡。随着前端先进制造技术接近物理极限，DRAM 芯片本身的性能提升越来越难，从内存模组和系统架构层面进行性能提升成为新的方向。MCRDIMM/MRDIMM 允许并行访问同一个DIMM 中的两个阵列，从而大幅提升DIMM 模组的容量和带宽。CXL 是一种高速互连技术，提供处理器与专用加速器、高性能存储系统之间的高效、高速、低延时接口，以满足资源共享、内存池化和高效运算调度的需求。

GDDR+HBM 路线图：面向GPU，HBM 高带宽优势成为AI 大模型训练推理关键。GDDR 是专为图形处理应用设计的高速内存技术，搭配GPU 用于图形处理、数据中心加速和AI 等需要高带宽数据处理的场景。HBM 是一种新型内存，得益于堆叠结构和垂直TSV 互连，HBM 具有更高的传输带宽、更高的存储密度、更低的功耗以及更小的尺寸，高带宽优势对大模型训练和推理的效率提升至关重要。近年来，大部分高端数据中心GPU 和ASIC 均使用HBM 作为内存方案，GDDR 在 推理等场景中具备性价比优势。未来，HBM 技术持续向更高带宽、更大容量发展，12Hi-16Hi HBM4 有望2026 年进入量产。

风险提示。半导体行业周期性波动风险；人工智能行业发展不及预期风险；新技术进展不及预期风险。