AI基础设施的叙事正在悄悄换轴。从最初围绕GPU算力的军备竞赛，逐渐滑向一个更“沉默”的环节：DRAM。
Atreides Management创始人Gavin Baker在一档播客里把这个判断说得很直接——真正卡住AI扩张速度的，不是模型，也不是GPU，而是内存带宽和容量。听上去有点反直觉，但放到数据中心的实际架构里，又变得相当现实。GPU再强，如果数据搬运跟不上，算力就会以更低利用率空转。
这也解释了为什么过去一段时间，市场开始重新盯上存储链条，而不是单纯的芯片算力层。HBM价格的上行曲线已经提前释放了信号，DRAM正在从“配套组件”变成“核心成本项”。
他提到一个更具体的结构：消费级DRAM可以被更多新玩家逐步覆盖，比如长鑫存储这类厂商在中低端市场的渗透，会逐步缓解终端设备成本压力。但一旦进入AI服务器级别的需求，结构就明显收敛，只剩三星、SK海力士和美光三家在主导供给。
这个格局并不新，但在AI周期里被重新放大了。原因不复杂——训练和推理对带宽的需求是指数级增长的，而不是线性扩展。每一代模型参数规模上升，背后对应的不是单纯GPU数量增加，而是内存子系统整体升级。
更关键的是资本开支结构正在变化。Gavin Baker提到，到2027年，DRAM可能占据超大规模数据中心30%到40%的资本支出。这句话的含义其实很直接：存储不再是“附属成本”，而是决定数据中心投资节奏的核心变量之一。
如果回看过去十年的云计算周期，资本开支主要压在服务器、网络和GPU三大块，而存储更多被视作线性扩容。但AI时代的不同在于，数据流动速度本身成为瓶颈，内存层级的优化直接影响单位算力产出。
市场也开始出现分层。一边是以长鑫存储为代表的国产DRAM厂商，试图在消费电子和部分通用市场建立成本优势；另一边是高度集中化的高端服务器DRAM市场，被三家巨头牢牢控制。这种结构很难在短期内被打破，因为工艺、良率和资本投入都处在极高门槛区间。
某种程度上，这也解释了为什么存储厂商的周期弹性在这一轮AI行情中被重新定价。过去它们是典型的周期股，现在更像是AI基础设施的“隐形权重股”。
GPU的叙事已经被市场讲了两年，而DRAM这条线才刚刚被真正拉出来。等到数据中心扩张进入更密集阶段，成本结构可能会重新排序——算力不一定是最贵的那一项，搬运数据的那层，反而开始变得更沉。
