AI爆发遭遇内存墙：服务器内存五年停滞8TB，3D堆叠成破局关键

当前，内存已成为人工智能领域面临的关键瓶颈之一。一方面，AI模型对内存带宽与容量的需求持续攀升，算力发展遭遇显著的“内存墙”制约；另一方面，内存价格大幅上涨，单位容量成本甚至超过GPU等核心计算芯片，不仅抬高了AI基础设施的总体投入，也波及个人电脑与智能手机等终端产品的制造成本。

值得注意的是，尽管算力芯片迭代迅速，内存技术却在近数年内明显放缓，尤其在单颗芯片容量密度方面进展有限。有分析显示，自1990年起至今三十余年间，服务器平台原生支持的最大内存容量整体呈近似线性增长：起始于256MB，2010年突破256GB，2020年跨越4TB门槛，2021年达到8TB。此后，该数值便再未提升——截至2026年9月，服务器原生内存容量上限仍停留在8TB，已连续五年未见实质性突破。

这一停滞背后，既有架构演进的因素，也有技术路径的现实约束。随着AI计算重心由传统CPU转向GPU、XPU等异构加速单元，系统对高带宽存储的依赖逐步转向显存体系，如从GDDR向HBM迁移。然而，当前HBM单封装容量仍处于300GB至400GB区间，迈入TB级规模尚需约两年时间。与此同时，DRAM工艺演进亦趋于平缓。所谓“10纳米级”制程，实为行业沿用的代际命名惯例，并非严格对应逻辑芯片的工艺节点。目前主流厂商已推进至第六代“10纳米级”，实际特征尺寸仅从19纳米微缩至约12纳米，单位面积容量提升幅度显著收窄。

相较而言，NAND闪存通过三维堆叠技术实现了十余年的持续高密度增长。DRAM若要重拾快速增长势头，3D堆叠结构将成为必然选择；此外，晶体管单元结构亦需革新，例如由现行的6F²布局转向更紧凑的4F²设计。唯有双轨并进，方有望在未来数年内将服务器单系统内存上限拓展至10TB、12TB乃至16TB，从而支撑更大规模模型训练与推理任务的落地需求。