LLM推論應用擴張 啟動記憶體超級循環

　AI大型語言模型（LLM）推論應用全面擴張，全球記憶體市場正進入前所未見的爆發期。根據研調機構的報告指出，以OpenAI的GPT-5為例，其推論過程所帶來的HBM、DRAM與NAND需求，將足以啟動一波記憶體超級循環（Memory Supercycle）。

　該報告指出，AI應用正從訓練階段轉向推論階段，這一轉變徹底改變了記憶體的使用結構。AI伺服器通常採三層記憶體架構：一是HBM（高頻寬記憶體）：直接整合於GPU封裝內，負責即時高速資料交換；二是DRAM（系統記憶體）：容量較大，承擔模型載入、暫存及快取延展。三是NAND Flash（SSD儲存層）：負責模型權重載入、KV快取溢出及RAG（檢索式生成）查詢。該報告指出，AI推論需要持續載入模型參數、生成KV快取並進行檢索操作，造成對高頻寬與大容量記憶體的雙重壓力。

　以GPT-5為例，估算該模型擁有4.5兆參數（trillion parameters），採用 Mixture-of-Experts（MoE）架構。每次推論僅有部分專家模型被啟用，平均每個模型複本需約1TB HBM。若以全球用戶同時生成每秒2,400萬tokens計算，總高頻寬記憶體需求約26.8PB，其中模型權重佔約24PB，KV快取占約2.8PB。此外，為支撐推論過程中的快取重用與上下文再取（Context Reuse），需搭配9.1EB DRAM 儲存中繼資料；同時，RAG資料庫與多重備援結構，使NAND需求高達200EB。另據TrendForce資料，2025年全球DRAM總供給為36.5EB、NAND為925EB。

　惟研調報告指出，僅GPT-5一款模型即新增約全球DRAM供給的25％、NAND供給的22％。若2026年Token生成量再倍增，其對應需求將分別提升至43％與39％，意味AI推論流量，已足以吞噬全球記憶體新增產能。TrendForce亦預測，2026年DRAM與NAND供給僅將年增17％與12％；惟LLM推論所帶動的記憶體需求可能年增逾100％，導致市場出現明顯供需落差。AI推論的即時性、連續性與超高頻存取特性，使HBM、DRAM、NAND成為AI時代的基礎戰略資源。

　隨著主要記憶體廠仍維持保守擴產策略，全球供給缺口恐於2026年進一步擴大，記憶體價格上漲趨勢可望延續數年。