英伟达坚守HBM路线：SRAM虽快，却难解AI芯片容量瓶颈
1月8日，科技媒体Tom's Hardware发布博文，披露了在CES 2026展会期间的一次问答环节中，英伟达首席执行官黄仁勋就“是否采用成本更低的SRAM替代高成本HBM”的行业热议给出回应。
SRAM（Static Random Access Memory，静态随机存取存储器）因其基于触发器的结构，拥有极低的延迟和高访问速度，但密度和容量受限，通常用于片上缓存。而HBM（High Bandwidth Memory，高带宽内存）则是基于3D堆叠工艺的DRAM架构，具备高密度、低功耗和超大带宽特性，广泛应用于GPU和AI系统，作为系统级主存与SRAM形成互补。
当前AI产业正积极推动降本增效。随着SRAM加速器、GDDR推理平台以及开源大模型的普及，业界逐渐萌发了减少对英伟达高端硬件依赖的可能。
尤其在基准测试和控制实验中，SRAM的快速响应特性使其表现出色，甚至被部分观点视为HBM的潜在替代选择。
黄仁勋并未否定SRAM在特定工作负载中的性能优势，但他指出：“在某些场景下，SRAM确实快得令人惊讶。”然而，当进入实际部署的AI系统后，SRAM的容量短板会迅速暴露。
据黄仁勋分析，SRAM的容量扩展速度远远落后于现代AI模型对存储资源的需求。其能承载的模型规模通常仅为HBM系统的1%。一旦模型规模超出SRAM的承载能力，系统必须切换至外部存储，从而抵消原本的速度优势。
他还强调了AI工作负载的高度多样性。当前主流模型涵盖混合专家架构（MOE）、多模态处理、扩散模型及自回归模型等，对硬件架构的要求各不相同。部分模型依赖显存容量，另一些则对互连带宽（如NVLink）提出更高需求，且这些需求在实际运行中可能随时变化。
因此，如果硬件设计过度优化某一特定模式（如纯SRAM架构），那么在工作负载转变后，高性能芯片可能陷入闲置。
基于上述考量，英伟达选择了继续推进HBM路线。黄仁勋指出，在数据中心环境中，硬件的灵活性直接影响整体经济效益。即使某种专用硬件在少数任务中表现出色，但若无法处理90%以上的通用任务，也会造成资源浪费。
尽管HBM的物料成本较高，但它能够适应算法和模型架构的快速演进，从而保障硬件在长周期运行中保持较高的利用率。
面对关于“开源模型是否会削弱英伟达技术壁垒”的提问，黄仁勋指出，开源并不等同于降低基础设施门槛。事实上，随着开放模型整合更长的上下文长度和更多模态，其对内存的需求也在同步增长。
英伟达选择承担HBM带来的高成本与复杂系统设计，正是为了保留“可选性”（Optionality）：一方面，避免客户受限于单一性能路径；另一方面，确保自身硬件能够灵活应对模型架构的持续演进。