智通财经APP获悉，花旗在最新全球半导体行业报告中表示，随着人工智能从传统的训练和推理模式进一步迈入“持续学习”时代，全球存储芯片市场可能迎来新一轮结构性需求增长。与当前AI模型主要依赖一次性训练不同，持续学习要求模型不断吸收新数据、更新自身知识，同时保留并调用此前学习的信息，这意味着HBM、服务器DDR5以及企业级SSD(eSSD)可能同时迎来需求扩张，并推动全球存储市场供应短缺在2028年进一步加剧，甚至持续至2031年。
花旗认为，持续学习将成为未来五年AI发展的关键主题之一。在这一模式下，AI模型不再只是完成训练后保持相对静态，而是能够持续根据新的任务、数据和知识进行增量训练，同时避免遗忘此前获得的信息。由此产生的持续模型更新以及历史数据访问需求，将显著提高AI系统对于计算和存储资源的消耗。
该行预计，从2027年开始，AI训练与推理对存储的需求有望同时加速。其中，HBM将受益于持续训练和模型更新，服务器DDR5及SoCAMM2将受益于AI推理和CPU工作负载增加，而eSSD则将承担大量历史数据和KV Cache等数据的长期存储需求。
在这一趋势下，花旗将三星电子、SK海力士(SKHY.US)、美光科技(MU.US)、闪迪(SNDK.US)和铠侠列为存储领域首选标的；在半导体设备及材料领域，则看好澜起科技、应用材料(AMAT.US)、泛林集团(LRCX.US)、TES、Eugene Technology和TechWing。
AI进入“持续学习”时代 存储需求逻辑正在发生变化
花旗指出，当前AI模型存在一个重要限制：模型虽然能够保留训练过程中学到的知识，并不会自动将用户后续交互以及不断产生的新数据直接整合进模型参数之中。
持续学习试图解决这一问题。模型需要持续接受新的任务和知识训练，同时保留此前已经掌握的信息，其中最大的技术挑战之一就是避免所谓的“灾难性遗忘”，即模型在学习新知识时丢失原有能力。
这一变化可能重塑整个AI存储产业链。
2022年至2024年，随着AI训练模型规模不断扩大，HBM需求率先出现爆发式增长，而传统DRAM和NAND需求相对疲软。但自2025年下半年开始，随着AI推理任务变得更加复杂，服务器DDR5和eSSD需求开始快速增长。
花旗预计，2027年至2028年上半年将进入持续学习的第一阶段。在此期间，AI服务器既需要持续训练、更新模型，又需要执行越来越复杂的推理任务，因此HBM、服务器DRAM、SoCAMM2和eSSD需求可能首次出现同步快速增长。
到了2028年下半年以后，个人AI和实体AI(Physical AI)可能进一步成为新的需求驱动力。随着边缘AI、本地数据管理、机器人等应用逐渐普及，终端设备将需要拥有持久记忆并持续适应周围环境，届时本地和边缘存储需求也可能加入这一增长周期。
值得注意的是，AI Token使用量已经呈现高速扩张。报告第3页数据显示，从2025年1月至2026年8月，AI Token月度使用量的复合月增长率约为31%，2026年8月同比增幅达到2434%。花旗认为，这一趋势进一步支持AI工作负载及存储强度长期上升的判断。
HBM需求2027年或增62% 2028年再增69%
在所有存储产品中，HBM仍然是AI训练和持续学习最直接的受益领域之一。
尽管市场近期对AI芯片降低HBM配置规格以及AI安全问题存在担忧，花旗认为，这并不代表HBM整体需求开始转弱。相反，AI芯片厂商正在从“Scale-up”向“Scale-out”架构转移，即通过部署更多加速器来扩大整体计算能力，这仍将推动系统层面的HBM需求持续上升。
花旗预计，2027年HBM bit需求将同比增长62%至752亿Gb，2028年进一步同比增长69%至1270亿Gb，相当于此前预测的约两倍。除了英伟达之外，博通(AVGO.US)、谷歌等ASIC芯片需求也将成为重要增长来源。
更重要的是，即便存储厂商积极扩产，HBM供应仍可能无法追上需求。
花旗预计，2027年HBM需求将由2026年的464亿个1Gb等效单位增至752亿，而供应则由361亿增至593亿，该行预计2027年HBM供应仍将明显不足，供应缺口约为21%；到2028年，随着ASIC出货进一步增长，这一缺口可能进一步扩大至约36%。
因此，花旗将近期所谓的HBM“降规格”更多视为供应不足情况下提高资源效率、最大化AI加速器出货量的一种应对方式，而非需求疲软的信号。
AI推理成为第二增长引擎 服务器DRAM需求2027年或激增51%
如果说HBM主要受益于AI训练，那么服务器DRAM则有望成为AI推理及持续学习扩张的重要受益者。
花旗预计，在持续学习推动下，2027年服务器DRAM需求将增长超过50%，与此同时eSSD需求也可能增长约50%。随着AI推理任务复杂程度不断提高，CPU需求以及服务器内存容量都将进一步增加。
具体来看，该行预计，服务器DRAM需求将由2026年的2263亿个1Gb等效单位增长至2027年的3417亿个，同比增长约51%。届时服务器将贡献全球DRAM需求的约67%，继续成为最大应用市场。
这一趋势还与AI芯片降低单颗加速器HBM配置形成联动。当部分KV Cache等内存工作负载从HBM向服务器DRAM或外部存储卸载时，反而可能进一步增加服务器DRAM和eSSD的需求。
花旗指出，存储客户正在把部分长期供应协议(LTA)的期限从三年延长至五年，也反映出市场对于未来多年存储需求能见度正在提高。
eSSD需求或迎爆发 2027年预计增长近53%
NAND市场同样可能成为持续学习时代的重要受益者。
持续学习意味着AI模型不仅需要不断学习新信息，还必须保留过去已经获得的大量数据，因此需要更大的长期存储容量。
花旗预计，2027年全球NAND需求将同比增长29.1%，高于21.2%的供应增长；其中，企业级SSD需求预计同比增长52.9%，明显高于整体SSD约45%的增长速度。
推动这一增长的重要因素之一是KV Cache卸载。随着部分AI加速器降低HBM配置，越来越多KV Cache以及其他内存工作负载可能被转移至外部存储，高容量QLC企业级SSD因此有望获得更多需求。
花旗还指出，AI服务器正在增加GPU附近的存储配置，包括采用QLC SSD，使更多数据能够储存在加速器附近，从而提高模型记忆和数据访问效率。
与此同时，消费电子NAND需求可能受到手机和PC市场相对疲软的拖累，但花旗预计AI推理带来的企业级需求增长足以抵消这一影响。报告还提到，包括中国在内的AI数据中心正在越来越多考虑使用SSD替代HDD，这可能从2027年开始进一步扩大eSSD的潜在需求。
DRAM供需缺口2028年或扩大至9.7% 涨价周期有望延续
需求快速增长的另一面，是存储行业供给扩张仍然受到限制。
花旗预计，2027年全球DRAM bit需求将同比增长约30.2%，明显高于18.8%的供应增速，推动市场由2026年的基本平衡转向供应短缺，缺口约为8.7%；到2028年，供应缺口预计进一步扩大至约9.7%。
供给受限主要来自两个因素。一方面，三星电子、SK海力士和美光正在把更多DRAM产能分配给HBM；另一方面，先进制程迁移速度放缓，加上新建晶圆厂需要较长建设周期，使新增bit供应无法迅速释放。
花旗预计，2027年DRAM行业平均晶圆产能仅同比增长约8%，而全年DRAM bit供应增长约18.8%，因此供应紧张可能贯穿整个2027年。
供需紧张也意味着存储价格仍可能维持强势。
花旗预计，在2026年DRAM综合平均售价大涨242.4%之后，2027年DRAM综合ASP仍可能同比上涨23.1%。尽管涨幅较2026年的极端水平明显放缓，但HBM和传统DRAM持续供不应求仍将支撑价格进一步上涨。
NAND同样进入供应紧张阶段 短缺或持续至2031年
NAND市场的供应压力也在加大。
花旗预计，2027年NAND需求将同比增长约29%，而供应仅增长约21%，供应缺口预计达到约6.1%；2028年需求预计增长33%，继续高于25%的供应增速，市场仍将处于供应短缺状态，缺口约为5.5%。
造成这一局面的一个重要原因，是全球存储厂商目前正在优先扩大DRAM和HBM产能，从而限制了NAND新增产能。
花旗预计，在持续学习、高密度eSSD、英伟达KV Cache卸载以及2028年以后个人AI和实体AI需求共同推动下，全球存储供应紧张可能在2028年进一步恶化，并延续至2031年。
这意味着，当前存储周期可能不再只是由智能手机、PC补库存等传统因素推动的短期周期，而越来越呈现由AI计算架构变化驱动的结构性需求特征。
存储厂商大举扩产 设备与材料公司同步受益
面对长期需求扩张，存储厂商正在启动更大规模资本开支，而这也可能将AI存储投资机会进一步向半导体设备和材料产业链扩散。
花旗预计，全球DRAM和NAND资本开支将由2026年的约549亿美元增至2027年的804亿美元，同比增长46.5%；其中DRAM资本开支预计达到586亿美元，同比增长51.6%，NAND资本开支则达到218亿美元，同比增长34.2%。
更长期来看，报告预计全球DRAM与NAND资本开支到2031年可能进一步达到约3225亿美元，其中DRAM约2540亿美元，NAND约685亿美元。
因此，花旗认为，这一轮存储景气上行不仅利好存储芯片制造商，也有望逐渐传导至半导体设备和材料厂商。
在存储领域，该行将三星电子、SK海力士、美光科技、闪迪和铠侠列为首选标的；设备和材料领域则看好澜起科技、应用材料、泛林集团、TES、Eugene Technology和TechWing。花旗认为，随着持续学习以及中长期个人AI的发展推动存储需求结构性增长，存储厂商将直接受益于持续的供应短缺，而设备和材料企业则有望受益于大规模资本开支以及更高的晶圆厂产能利用率。