人形机器人内存大考：美光押注EIM，200GB起步的存储革命

在美光科技（Micron Technology）看来，人工智能正在经历一场从“云端训练”向“终端推理”的重心转移。随着人形机器人等物理AI硬件加速进入工程验证阶段，传统的存储架构已显得捉襟见肘。

2026年10月，在韩国首尔SEDEX 2026展会上，美光副总监李哲（Lee Cheol）首次公开确认了针对人形机器人及边缘AI应用场景量身定制的边缘推理存储器（Edge Inference Memory， EIM）。这一消息不仅标志着美光试图在通用型HBM（高带宽内存）之外开辟新的增长曲线，也揭示了存储行业对于下一个万亿级市场的预判逻辑：未来的竞争力，不仅仅取决于算力的堆叠，更取决于谁能在端侧解决“记忆”的能耗与速度问题。

边缘计算的新物种：EIM如何定义？

长期以来，全球半导体产业的注意力主要集中在云端的数据中心。HBM作为AI服务器的核心部件，凭借极高的数据传输速率成为兵家必争之地。然而，随着端侧大模型（On－device LLM）技术的发展，算力需求开始向下渗透。

美光此次发布的EIM方案并非简单的性能升级，而是一次架构层面的重构。该方案的核心设计理念是将低功耗DRAM直接堆叠于逻辑芯片之上（Logic－on－DRAM），通过缩短信号传输距离来降低延迟并减少功耗。在人形机器人这样对电池续航极其敏感的移动设备上，这种设计尤为关键。据业内评估，相比于传统的主存分离架构，EIM方案能够在同等功耗水平下提供高出30％以上的吞吐量，特别是在处理高频小规模推理任务时具备明显优势。

虽然美光早在2025年3月就已宣布推出EIM架构并定位为面向“端到云”设备的产品，但此次参展明确指出了其在人形机器人领域的专属性。这意味着，面对特斯拉Optimus、Figure。ai等头部企业的量产时间表，存储厂商必须提前卡位，以防止下游整机厂自建供应链或转向其他替代方案。

算力焦虑：为什么人形机器人这么“吃”内存？

推动EIM诞生的最直接动力，是单台高端人形机器人的恐怖内存消耗。根据美光此前披露的技术路线图，一款搭载先进多模态模型的商用人形机器人，其单机配置量可能高达200GB DRAM以及4TB存储空间。

这一数字如果放到消费电子领域，是一个令人震惊的量级。目前主流智能手机的高配版本通常仅配备12GB至16GB的运行内存。即便是搭载L2＋级别自动驾驶系统的乘用车，其所需的单车存储容量也仅为高端人形机器人的十分之一左右。

为何差异如此巨大？原因在于任务复杂度的跨越。人形机器人不仅需要执行基础的运动控制（平衡、步态），还需要实时进行环境感知（SLAM）、物体识别和多模态交互。以当前的技术趋势为例，一个能够处理视觉、语音和触觉信号的端到端大模型，参数量动辄达到数十亿甚至百亿级别，且必须在本地完成实时推理而非依赖云端回传（受制于延迟和网络稳定性）。这就导致了对高带宽、大容量、低延迟存储介质的刚性需求。

赛道修正：被误读的千亿级增量市场

关于该赛道的市场规模，市场上流传最广的数据来自Counterpoint Research的一份报告。该报告预测，到2030年全球人形机器人市场的DRAM总需求将达到17．2万Tbit（约172万亿比特），较2025年的基数增长超过20倍。

然而，在进行投资判断时，必须对这一数据进行更为细致的拆解。根据对该报告的溯源核查发现，这17．2万Tbit的数字实际上是全球所有人工智能赋能设备（涵盖手机、PC、IoT、汽车及机器人）的累计DRAM需求总和，而非仅仅指代人形机器人。尽管将总量归功于单一细分领域存在过度解读的嫌疑，但这依然描绘出一个宏大的愿景：随着AI从云端走向终端，整个嵌入式存储市场的蛋糕正在急剧膨胀。

即便剔除其他类别的增长，人形机器人作为一个从零到一的爆发赛道，其带来的边际增量也是惊人的。对于任何一家存储企业而言，只要能在20％的市场中占据份额，其所对应的营收规模都将足以构成重要的利润支柱。目前，行业内对于人形机器人正式量产的普遍预期集中在2027年至2028年之间。美光方面透露，针对特定客户定制的EIM产品有望在2028年下半年实现规模化量产交付。这个时间窗口，正是决定未来格局的关键期。

巨头角力：美光的差异化突围路径

在全球存储市场，三星（Samsung）、SK海力士和美光构成了稳固的“三足鼎立”态势。在过去的两三年里，由于AI服务器的爆发，拥有先进封装技术的SK海力士在HBM领域占据了较大先机，三星和美光则在奋力追赶。但在人形机器人所需的定制化边缘存储方向上，三家企业的表现呈现出有趣的不对称性。

据报道，虽然三星和SK海力士均在嵌入式AI内存（eAIP）和车规级存储上保持着高强度的研发投入，并拥有成熟的LPDDR产品线，但截至目前尚未有明确的针对人形机器人形态的专属存储器官宣计划。相比之下，美光选择了一条更为激进的差异化路线——直接切入一个尚未被完全定义的细分市场，并试图通过定制化的解决方案建立技术壁垒。

这种策略的风险在于新市场的规模尚不确定；但其潜在回报同样可观。一旦某种技术标准（如特定的堆叠工艺或接口协议）被头部整机厂采纳，后来者将面临极高的切换成本和验证周期壁垒。在半导体行业，“先发优势”往往意味着“锁定效应”。

落地倒计时：从实验室到产业链的拷问

尽管蓝图宏大，但对于关注存储板块的投资人来说，仍需冷静观察接下来的几个验证节点：

首先是BOM清单的确定。美光EIM能否顺利进入特斯拉或Figure等头部企业的物料清单，将是检验市场需求强度的第一块试金石。其次是定价权的问题。由于EIM涉及复杂的3D堆叠工艺，其初期良率和成本结构与传统成熟制程截然不同，业内预估其溢价幅度可能在20％－30％之间。这将对人形机器人的整体制造成本产生深远影响。

最后是技术路线的演变。尽管目前的方案倾向于在端侧运行大模型，但随着云端算力的迭代和通信技术的发展（如5G－A／6G），部分负载是否会重回云端从而改变端侧存储的配置标准，仍存在一定的变数。

无论如何，美光押注EIM这一动作本身释放了一个明确的信号：存储芯片的产业逻辑正在从单纯的“摩尔定律驱动”向“场景化应用驱动”转型。在这场关于物理AI的记忆争夺战中，谁能更早地帮工程师们把内存问题解决好，谁就能在接下来的十年里掌握更多话语权。