AI 买走全球七成内存，你的下一台电脑在替它买单

350 美元的硬盘，两年后再看，800 美元。

想下单，缺货。

这不是段子，是 The Atlantic 一个记者自己的账单。他两年前为了存调查素材买了几批硬盘，两周前想补货，发现单价翻了一倍还多，再一刷新，直接没货了。他顺着这条线挖下去，写成了一篇调查报道，昨晚被顶上 Hacker News 首页，标题起得很凶，生成式 AI 是一场工程灾难。

报道里有一串数字，我挑几个给你看。AI 公司可能已经买走了全球 70% 的高端计算机内存。部分笔记本电脑价格涨了 50%。有市场预测说，平价入门级电脑可能在 2028 年前消失。而且这场短缺预计还要持续好几年。

你可能没订 ChatGPT Plus，没买 Claude 会员，一分钱没给 AI 行业花过。但只要你打算装机、换电脑、加根内存条，你就已经在付 AI 税了。今天想跟你唠的就是这笔账，它是怎么一步步算到你头上的，以及接下来该怎么办。

先说钱去哪了。

答案不意外，数据中心。科技公司现在扩建数据中心的速度，报道里的说法是，计划在未来几年把美国数据中心总容量扩大 8 倍。8 倍是什么概念，过去二十年互联网攒下来的全部家当，再翻三番。这些站点的电力需求已经大到什么程度，有公司开始改装喷气发动机来发电。

好家伙，喷气发动机。烧航空燃料，就为了让聊天机器人回答你的问题。

但光说「内存被数据中心买走了」还是太粗。为什么偏偏是内存，为什么偏偏是这两年，这里面有个供应链的连环反应，我给你顺一遍。

全球能造高端内存的厂就三家，三星、SK 海力士、美光。AI 加速卡最缺的是 HBM，高带宽内存，就是一层层叠起来焊在 GPU 旁边的那种特殊显存，一颗的利润比普通内存条高出好几倍。三家一看，同样一片晶圆，切给 HBM 和服务器内存赚得多得多，产线自然就往那边倒。消费级的 DDR5、固态硬盘的 NAND 颗粒，产能被硬生生挤掉一大块。

供给砍了，需求那头 AI 公司还在无限量扫货，价格就只有一个方向。去年下半年那波你可能有印象，DDR5 现货价几个月里接近翻倍，固态硬盘跟着涨。美光干脆宣布退出消费内存业务，英睿达这个牌子以后不做零售条子了，产能全部供数据中心。连树莓派都在官方博客发公告涨价，一块面向学生和创客的小板子，被内存成本逼到不得不加钱。

你想想看，树莓派诶。这个项目当年成立的初衷就是让穷学生也能有台能编程的电脑。现在它给出的涨价理由是，AI 行业把内存买光了。

写到这我得停一下，因为涨价只是症状。The Atlantic 那篇报道真正扎人的地方是病根，它用了一个行业内部人不太爱听的说法，生成式 AI 在工程上根本不 scale。

scale 这个词圈外朋友可能不熟，我用人话讲一下。风投看一家互联网公司，最核心的指标之一是从一千用户涨到一百万用户要花多少钱。健康的软件生意，每多服务一个用户，摊到这个用户头上的成本应该越来越低。视频网站是这样，你多看一部剧，平台几乎不用多花什么钱。云服务是这样，智能手机也是这样。全球几十亿人每天刷视频听歌，也没见硬盘被买断货。

计算机科学里管这叫效率，它几乎是这个学科的立身之本。本科第一年就会学到，写个程序给 50 个单词排序，谁都会。给它 5000 万个单词，没学过算法的写法会直接把内存跑爆。这门学科的大半内容，就是研究怎么让程序吃进更多输入的时候，处理每一份增量反而更省。做到了，就是现代手机和电脑又强又便宜的原因。

大语言模型把这条路反着走了。

技术上的原因说来也简单，模型生成每一个新词的时候，注意力机制要拿它跟前面所有的词都算一遍关系。你给它的上下文翻一倍，计算量不是翻一倍，是奔着四倍去的。学术点讲叫二次方增长。任何一个计算机系的学生看到自己代码里有这种复杂度，第一反应都是完了，得重写。

而整个行业的反应是，加卡。

这块我确实有点发言权。我的日常工作就是给大模型搭脚手架，让模型真正能干活的那层工程，工具调用、上下文管理、token 预算这些。这个岗位有个职业病，天天盯推理账单。上下文一长，成本和延迟的涨法真的就是教科书级的二次方曲线，所以我们这行搞出了一整套花活，prompt 缓存、上下文裁剪、KV cache 复用，一个比一个精巧。但干久了心里其实清楚，这些全是在给那个二次方擦屁股。病根一天不动，擦得再干净也是擦。

那为什么没人去动病根。

报道里引了 Ilya Sutskever 的话，OpenAI 联合创始人、前首席科学家，他在去年 11 月一次采访里讲得非常直白，公司走暴力堆算力的路线，是因为这是一种风险极低的资源投入方式。往一个正在积累万亿美元估值的产品里投钱，谁都敢签字。投一项可能把现有产品推倒重来的效率研究，没人敢。

再往上一层，是信仰问题。行业观察到大模型往往比小模型强，就把这个经验总结成了 Scaling Laws，规模法则，然后一路信成了图腾，仿佛任何问题都能靠把模型做大来解决。Altman 去年 9 月在自己博客里写，也许有了 10 吉瓦的算力，AI 就能想出怎么治愈癌症。10 吉瓦，差不多十座核电机组的输出。我不评价这句话的科学性，我就是觉得，把「买更多电」写成通往治愈癌症的路径，这个句式本身就挺值得玩味的。

我也曾经觉得 Scaling Laws 有点子牛逼，大力真能出奇迹。但奇迹的账单现在摊开了，Epoch AI 专门测算过各家公开模型的服务成本，曲线一路指数上翘。模型从 2020 年的 1750 亿参数涨到今天估算超过一万亿，每加一个参数带来的提升却越来越小，于是只能更快地变大来维持进步的体面。报道作者问了几位研究员，现实世界里还有没有第二个软件规模化表现这么差的例子。

没有一个人答得上来。

有意思的是，反方向的路其实有人在走。微软有个研究员叫 Alexia Jolicoeur-Martineau，去年凭一篇微型递归模型的论文拿了 5 万美元的奖，模型小到不需要什么算力，在特定的逻辑推理任务上却能打过大得多的模型。她论文里有句话我很喜欢，认为必须依赖某家大公司花几百万美元训练的巨型模型才能搞定困难任务，这个想法是个陷阱。她接受采访时说得更冲，这有点疯狂，到某个时候你总得学会更高效一点。

但你看资金和注意力流向哪，就知道行业的选择是什么。她这样的项目拿到的钱，跟数据中心一天烧掉的比，四舍五入约等于零。

更糟的是，这一切发生的时机特别差。摩尔定律那条让芯片稳定变快变便宜的曲线，这几年撞上了分子层面的物理极限，元器件小不下去了。以前硬件的进步能兜住软件的挥霍，现在兜不住了。与此同时 LLM 还在被塞进一切东西，Windows 和 macOS 都集成了，Photoshop 和 Word 也加了，你就算一个 AI 功能都不用，跑个系统都比以前吃配置。硬件在涨价，软件在变重，两头一起夹你。

行了，抱怨的部分到此为止。你如果最近正好要装机、换电脑，我把我的判断和做法摊出来，不一定对，但都是能直接抄的动作。

第一，刚需别等。这波短缺不是炒作出来的周期波动，是产能被结构性挪走了，上游几家的扩产计划排到后年，多数分析都认为要缺到 2027 往后。你要是赌半年后降价，大概率赌输。现在需要，现在买。

第二，买能后补的平台。台式机的优势突然回来了，内存插槽和硬盘位就是你的对冲工具，先上 32GB 用着，真跌价了再补到 64GB。反过来 Mac 这种统一内存的机器没有后悔药，内存焊死在芯片上，买的时候就得按未来五年的需求一步到位，这笔加价现在很痛，但比两年后整机换新便宜。

第三，认真看看二手和上代。DDR4 平台整个生态都在降价出清，上代的洋垃圾服务器条子、拆机盘，性价比窗口反而被这波涨价衬托出来了。对预算紧的学生朋友，一台上代准系统加二手内存，比全新入门机划算太多。

第四，想本地跑大模型的，先算账再下单。为了跑 70B 模型加到 128GB 内存，这笔钱按现价够你租大半年的云 GPU。除非有数据隐私的硬约束，否则量化模型加云端按需租用，几乎总是比堆本地硬件划算。这个建议两年前我不会给，那时候内存便宜，折腾本地是真快乐，现在这份快乐要加价 50% 了。

第五，硬盘策略改一改。热数据固态，冷数据回机械盘或者干脆冷备到外部，别再无脑全固态了。NAND 颗粒的涨幅比内存还邪门。

最后还是回到那块 350 美元的硬盘。它涨到 800 美元这件事，教科书会归因为供需关系，但我觉得更诚实的说法是，一个行业把自己欠下的工程债，通过供应链，摊派给了每一个跟它无关的人。风投的钱、电网的电、你装机预算里多出来的那两千块，都是同一笔债的不同还款人。

整个行业在往一个方向全速航行，燃料是从每个人的甲板上拆下来的木板。我不知道这艘船最后能不能开到 AGI 那个港口，但作为天天在机舱里干活的人，我知道船票在悄悄涨价，而大部分乘客还没看到账单。

现在你看到了。