Micron Technology 发布财报，业界推测千亿美元级长期人工智能基础设施合约可能推动内存和HBM需求

Meta的Muse和OpenAI的Astra推动了AI应用向持续执行、多步骤执行和协作智能体工作流程的根本性转变。这种扩展迫使人们广泛重新评估这些系统的CPU、内存和存储需求，对整个AI基础设施供应链产生了重大影响。

市场通过提高对主要计算电源供应商（包括SK海力士、三星、美光、NVIDIA、AMD和台积电）的增长预期做出了回应。因此，美光计划于9月30日发布的财报已成为衡量内存超级周期轨迹和未来AI基础设施投资规模的关键指标。

美光报告第三季度收入为414.56亿美元，同比增长约346%，调整后每股收益为25.11美元。对于第四季度，该公司指导收入为500亿美元，上下浮动10亿美元，毛利率约为86%，调整后每股收益为31美元，上下浮动1美元。更重要的是，美光披露在其16个战略客户协议中，有14个按合同最低价格定价，在剩余合同期内产生累计收入约1000亿美元。这为未来的收入和盈利能力提供了非同寻常的可见性。

这一指导的力度与华尔街共识一致，表明市场的关注焦点已经超越本季度的潜在上升空间，转向2027财年的价格、出货量和长期订单是否能持续推动收益估计修正。瑞银分析师将全球超大规模云计算提供商的2027年营业现金流预期提高了30%，而摩根士丹利预计北美四大超级云和AI供应商的合并资本支出将从2026年的917亿美元激增至2027年的1.47万亿美元和2028年的1.64万亿美元。根据标普全球9月22日的共识，Meta、Alphabet、Amazon和微软预计在2026至2028年间共投入2.8万亿美元的资本支出。华尔街相应地将美光2027财年每股收益预期从3月份的约90美元提高到约156美元。

为什么随着AI在执行任务方面变得更加强大，CPU和内存仍然不可或缺？

深刻的转变在于单个用户命令能够启动持续运行的工作流程。智能体任务——研究、编程或企业运营——通常涉及规划、信息检索、网页浏览、文件阅读、代码执行、结果验证和错误纠正。这些步骤经常多次调用模型，在每次迭代时生成新的上下文数据。Meta的Muse在具有自己独立浏览器的安全云端虚拟机中运行，允许任务即使在关闭应用程序后也能继续执行。OpenAI强调Astra在计算机操作、浏览器使用和跨软件专业工作流程方面的增强能力。

随着这些任务从小型高级用户群体扩展到企业范围的流程，基础设施需求同时由用户基础规模、任务频率、任务持续时间和峰值并发驱动。这解释了市场对基于AMD、Intel和Arm架构的数据中心CPU的重新关注。虽然GPU和ASIC处理大规模神经网络计算，但CPU管理虚拟机、浏览器、代码沙箱、任务调度、数据预处理和工具执行。高效的任务完成取决于模型推理和实际执行之间的平稳协调；CPU、数据库或输入/输出阶段的任何延迟都会降低昂贵加速器的利用率。AMD的PACE技术明确采用协作方法，CPU进行编排，GPU执行繁重的推理。Arm类似地将智能体沙箱和工具执行确定为关键的云CPU工作负载，为扩大CPU需求提供了具体的工程基础，并将服务器DRAM、存储和网络定位为同一需求链中的关键环节。

从大型模型推理的角度来看，预填充阶段处理输入上下文，而解码阶段持续生成输出；模型权重和键值缓存消耗内存容量和带宽。更长的上下文、更高的并发性和更多的并行任务增加了系统必须同时维护的状态量。这明确划分了存储责任：HBM为加速器支持高带宽访问，服务器DRAM处理CPU工作负载和缓存的部分，企业级SSD存储文件和应用程序状态，还在分层缓存系统中托管推理上下文的部分。NVIDIA的CMX解决方案在GPU内存和共享存储之间集成了一个以太网连接的闪存层，使上下文能够在节点间存储、迁移和重用。存储容量、访问速度和网络带宽共同影响推理服务吞吐量。

这些需求的规模已经在生产系统中显而易见。OpenAI披露其Habitat在线存储平台每秒处理超过7000万个请求，管理超过500艾字节的数据，在多个产品中处理路由、压缩、加密和校验和验证。随着越来越多的智能体进入生产环境——增加执行节点、数据库访问和节点间数据交换——对服务器、内存、企业级SSD和高速互连的需求将进一步加强。已部署容量预计将从2025年的35吉瓦扩展到2028年的145吉瓦，推动采购需求扩展到光学互连、电源分配和冷却系统。