历史记忆体价格演变深度解读 (1960-2026)

背景

在人工智能算力需求呈指数级增长的当下，存储与内存（Memory and Storage）的成本结构已成为制约技术迭代的关键变量。本文基于 David Shim（斯坦福大学 DAM 项目）整理的数据集，回顾并分析了从 1960 年至 2026 年预测期间的内存与存储价格历史。

该数据集致敬了 John C. McCallum 经典的内存价格数据集，旨在通过交互式图表展示不同代际 DRAM、NAND 闪存以及高带宽内存（HBM）的价格走势。数据不仅涵盖了零售市场的最低价格，还结合了 Epoch AI 对 AI 加速器成本的拆解模型，为理解 AI 硬件的经济性提供了宏观与微观相结合的视角。

核心内容

1. 长期价格趋势：每 GB 成本演变

数据以对数坐标轴展示了历史上各类存储介质的最低每 GB 价格（$/GB）。主要追踪三类介质：

• DRAM（动态随机存取存储器）
• NAND Flash（闪存）
• HBM（高带宽内存）

2. DRAM 代际价格拆解

上述 DRAM 的总体趋势线被进一步拆解为具体的代际演变，包括：

• Pre-DDR (SDRAM/core)
• DDR
• DDR2
• DDR3
• DDR4
• DDR5

注：由于早期产品的代际信息主要基于产品描述推断，因此较旧的数据点可能存在近似性。

3. AI 加速器成本拆解

引用 Epoch AI 的模型估算，展示了季度内四大主要 AI 加速器设计商（Nvidia、AMD、Google [TPU] 和 Amazon [Trainium]）的加速器成本构成。成本按组件堆叠显示，包括：

• HBM
• Logic Die（逻辑芯片）
• Packaging/CoWoS（封装技术）
• Auxiliary（辅助组件）

该数据为生产量加权平均值，反映了当前 AI 芯片高昂的制造成本结构。

4. HBM 价格与带宽成本

HBM 的价格趋势按代际划分（HBM2e → HBM3 → HBM3e → HBM4）。

• 数据性质：HBM 仅通过保密合同向加速器制造商出售，不存在公开现货市场。因此，数据来源于 TrendForce 和 SemiAnalysis 等行业分析师的稀疏估算，而非实际交易价格。
• HBM4 预测：HBM4 预计于 2026 年第三季度发布，数据为预测值。
• 衡量指标：此处使用的单位是 $/TBps（每单位内存带宽的成本），计算公式为：堆栈价格 ÷ 每堆栈带宽。

5. 方法论与局限性

• 数据来源：
  • DRAM 和 NAND 的 $/GB 数据每月从 Keepa 刷新。
  • HBM 数据每季度由 Epoch AI 更新。
  • McCallum 的历史基础数据和 HBM 估算值保持固定。
  • 所有数据点均可在下载的 CSV 文件中查看其具体来源。
• 关键局限性：
  • 名义美元价格：$/GB 指的是名义美元下的最便宜零售价，非合同价、平均价或经通胀调整后的价格。零售价通常滞后于合同定价。
  • 清仓效应：最低报价往往反映的是即将停产（End-of-Life）代际产品的清仓价格，而非最新技术。代际图表清晰地展示了这一现象。
  • 非确认销售：数据反映的是时间序列中的最低挂牌价（via Keepa），而非已确认的销售记录。
  • 数据清洗：对于 SSD 数据，剔除了明显的发布错误（例如，若某驱动器在一个月内以低于其典型价格 60% 以上的价格列出，如 $130 的 SSD 标价为 $4，则该数据点被移除）。
  • 数据拼接：DRAM 数据在 2024 年中从 McCallum 数据集切换至 Keepa 数据集。由于 Amazon 的最便宜清仓价可能低于 McCallum 的代表性低价，此处会出现微小的阶梯状跳跃。
  • HBM 估算性质：HBM 数据为模型估算（成本份额和支出），并非实测价格。

关键要点

• 存储成本持续下降：从 1960 年至今，DRAM 和 NAND 的每 GB 成本呈现显著的长期下降趋势，尽管具体代际间存在波动。
• AI 算力成本高昂且结构复杂：Nvidia、AMD 等巨头的 AI 加速器成本中，HBM、先进封装（CoWoS）和逻辑芯片占据了主要部分，反映了当前 AI 硬件制造的复杂性。
• HBM 缺乏透明市场：由于 HBM 仅通过保密合同交易，其价格数据主要依赖行业分析师估算，且 HBM4 的价格为基于 2026 年 Q3 发布的预测值。
• 零售价与合同价存在偏差：公开数据主要反映零售市场的“清仓”或“最低挂牌”价格，这通常低于大规模企业合同采购价，且可能滞后于市场实际供需变化。
• 数据可靠性经过清洗：原始数据经过严格清洗，剔除了明显的标价错误，并在 2024 年中对 DRAM 数据来源进行了平滑处理，但仍需注意代际切换带来的微小数据跳跃。

意义与影响

这份数据集不仅是一份价格历史记录，更是理解当前 AI 基础设施经济性的关键工具。

首先，它揭示了摩尔定律在存储领域的延续与瓶颈。虽然传统 DRAM 和 NAND 的成本持续优化，但 AI 训练对 HBM 的需求使得内存带宽成为新的竞争焦点。HBM 作为加速器成本的重要组成部分，其稀缺性和高成本直接推高了 AI 芯片的整体售价。

其次，成本结构的透明度有助于行业预测。通过拆解加速器成本（HBM vs. Logic vs. Packaging），投资者和技术决策者可以更清晰地看到，随着 HBM 代际从 HBM3 向 HBM3e 和 HBM4 演进，带宽成本的优化路径。这为评估 Nvidia 等公司在未来几年的利润率提供了依据。

最后，数据的方法论警示了“低价”的误导性。对于普通消费者或小型企业而言，看到的“最低 $/GB”往往是过时技术的清仓价，而非购买最新技术的成本。对于大型数据中心而言，理解零售价与合同价之间的滞后性和差异，对于制定长期采购策略至关重要。

该数据集由 David Shim 维护并开源，为研究人员、分析师和科技爱好者提供了一个权威、可交互且持续更新的分析平台，有助于更理性地看待 AI 硬件背后的经济逻辑。