谷歌拆旧服务器捡内存，咋想的？

当谷歌开始把退役服务器搬回机房、一颗颗拆下DDR4内存条的时候，你就该意识到：AI产业的钱和焦虑，已经从GPU转移到了内存上。

这不是段子，也不是标题党。2026年9月初，谷歌供应链基础设施高级总监尼基尔·切里安（Nikhil Cherian）在行业峰会上亲口确认了这件事。与此同时，英伟达被曝给下一代旗舰降配HBM，研究机构算了一笔账：省下来的钱，一分没少花，只是换了个地方。

一句话概括当下的局面：算力不缺了，缺的是内存；内存省下的钱，正在流向网络。

“说明：本文涉及两家研究/媒体信源的关键数据，口径不同，先说清楚——Wccftech报道引用的是AI服务器整机BOM物料成本口径（只算元器件采购价），SemiAnalysis算的是英伟达产品总资本成本口径（含整机系统）。两组数字不可直接对比，下文分别标注。

📉 瓶颈换了位置：从算力焦虑到内存焦虑

金句先行：过去两年大家担心“买不到卡”，现在大家担心“卡买到了，喂不饱”。

切里安的原话很直白：人工智能产业的核心瓶颈，已经从“算力不足”转变为“内存受限”。这不是一家云厂商的抱怨，而是整个产业的共同体感。

数据更能说明问题的严重程度。据Wccftech报道援引的供应链数据（口径：整机BOM物料成本），在典型的AI服务器中，高性能内存的物料成本占比已经高达约75%——一台AI服务器，四分之三的元器件采购费用压在内存上。放到英伟达最新的产品上，换一个口径算（SemiAnalysis测算，口径：产品总资本成本），HBM和DRAM涨价之后，内存也占到了英伟达产品总成本的约40%。两个口径一高一低并不矛盾：BOM口径放大了内存权重，资本成本口径则把网络、整机、供电散热一起算了进来——但无论用哪把尺子，量出来的结论一致：内存已经是AI硬件成本的第一大头。

内存为什么突然成了卡脖子环节？逻辑链条其实很清晰：

HBM本质上是把DRAM堆叠起来贴在GPU旁边，用的是同一条产业链、同一批上游产能。HBM需求爆发，先吃掉先进制程产能，再向上挤压常规DRAM的供应，最后连服务器用的DDR4、DDR5都跟着涨价。内存紧缺从来不是单一产品的问题，而是整条DRAM产业链的连锁反应。

于是，就有了谷歌拆机捡内存这一幕。

🔧 拆机救急：谷歌的“内存内循环”

金句先行：当一家全球顶级云厂商开始拆旧服务器捡内存，说明什么备选方案都用过了。

根据Wccftech的报道（单一媒体信源，谷歌未就此置评），谷歌的做法颇为直接：有计划地将退役服务器重新调回机房，拆解并回收其中仍可使用的DDR4内存模组，构建起一套内部循环利用的供应链体系。

更值得关注的是第二个细节——在某些应用场景中，谷歌甚至已经被迫采用相对保守的方案：用DDR4内存模组替代新型AI服务器原计划搭载的DDR5模组。为此，公司专门设计了硬件转接卡，让上一代内存方案能够接入新一代AI服务器系统。

给最先进的AI服务器做DDR4转接卡，这个画面的工程喜感很强，但背后的逻辑非常严肃：高端内存短缺已经严重到值得为兼容性付出额外的设计和验证成本。

当然，谷歌不是只有这条“捡破烂”路线，它的主路径依然在堆最好的硬件。面向推理任务优化的TPUv8i芯片，采用了专用分层存储体系：整机层面依托高速DDR5内存做数据预处理，每颗TPUv8i芯片还配备288GB HBM3e高带宽内存，兼顾容量与带宽。

软件端的动作同样密集：谷歌持续调整底层函数库、模型架构及KV缓存压缩算法，尽可能降低单位算力下的内存开销。

硬件上分层、软件上压缩、供应链上回收——三管齐下，说明内存缺口不是短期阵痛，而是一个需要系统性应对的结构性问题。据多位接近云厂商供应链的人士私下透露（单一匿名信源，未经独立核实），这种“什么招都用”的状态，在过去几个季度正在变成行业常态，而非谷歌一家的特殊操作。

✂️ 降配的艺术：Rubin Ultra砍掉的HBM

金句先行：旗舰产品做减法，从来不是技术退步，而是算的是另一笔账。

SemiAnalysis近期发布报告（下文降配数据均出自该报告），对英伟达Rubin Ultra的内存降配方案做了拆解。核心变化一句话：HBM显存规格从HBM4E 12-Hi（384GB）降到了HBM4 8-Hi（192GB），容量直接砍半，三星电子正配合其要求开发8层HBM产品。

这个变化不孤立。TrendForce集邦咨询研报指出，自2026年第三季起，英伟达对Rubin Ultra的HBM配置已从HBM4e 12hi，改为并行评估HBM4e 8hi、HBM4 12hi、HBM4 8hi等多种设计。而且不止英伟达一家——部分云端服务供应商（CSP）也在考虑调降下一代自研ASIC的HBM容量设计。

我们把核心账目摆成一张表（数据出处：SemiAnalysis，口径为总资本成本）：

注意一个关键判断：SemiAnalysis强调，即使考虑到2026年HBM价格上涨的预期，内存成本占总资本成本的比例也将从40%降至28%。

为什么敢砍？因为价值重心在迁移。随着单卡显存下调带来的性能缺口，英伟达不再一味追求堆料，转而依靠大规模集群互联来补——单卡给不了你的容量，让整个机架、整个集群给你。

换句话说，英伟达的降配不是省钱，是搬家。

🔀 钱去哪了：网络吃了内存的预算

金句先行：内存占比降下来的12个百分点，一分没剩，全被网络吃掉了。

SemiAnalysis的拆解给出了最关键的数字：以NVL576 NPO SKU来看，随着光模块取代机架间互连，纵向扩展网络（Scale-up Networking）成本占机架总支出的比例从4%增长到12%，增长了两倍。（出处：SemiAnalysis，口径：机架总支出。）

这不是简单的此消彼长，而是AI硬件价值创造逻辑的重构。华泰证券的判断是：产品代际迭代正在将价值创造从单芯片性能外溢至网络、机柜与系统集成，超节点和AI工厂的系统级交付能力将更为关键。随着单通道速率持续提升，机柜内外的传输距离、功耗和可靠性约束更加突出，光互连向Scale-up域渗透的路径正在清晰化。

国金证券则从制造难度角度做了补充：Rubin Ultra NVL576原定2027年下半年推出，Kyber机架存在制造延期传闻，平台功耗密度与互联复杂度大幅抬升，倒逼底层互连材料升级，PTFE混压成为Rubin Ultra的潜在路线之一。同时，由于NVL576服务器必须突破传统铜线网络在长距离信号传输上的局限，将引入CPO技术——AI集群规模扩大、信号传输速率提升后，CPO在功耗、成本、低损耗上的优势明显，需求明确，供给端CPO供应链也逐渐成熟。

对设备、材料环节的从业者来说，这份拆解传递的信号很实在：AI硬件的资本开支没有减少，只是采购清单变了——从“更贵的HBM”变成“更多的光模块、更复杂的机架、更先进的高端PCB和互连材料”。

一个时间线可以帮你看清这条线索的推进节奏：

• 2026年9月 : 谷歌确认拆机回收DDR4救急
• 2026年Q3起 : 英伟达并行评估Rubin Ultra多种HBM配置
• 2026-2027年 : HBM价格上行 CSP考虑下调自研ASIC显存
• 2027年下半年 : Rubin Ultra NVL576原定推出节点

💰 博通的账本：1GW 300亿ARR，真这么算？

金句先行：最乐观的数字，往往要接受最尖锐的提问。

内存荒的另一面，是定制算力路线的顺风局。博通CEO Hock Tan在2026财年第三季度财报电话会上给出了一个非常激进的中长期图景：1GW Ironwood已经落地，2027年Anthropic追加5GW TPU v8订单；AI收入翻倍至1150亿美元，2028年再增10GW，届时半导体收入达到2300亿美元。按其说法，每GW算力可创造300亿美元的年度经常性收入（ARR）。

这个模式为什么吃到了内存荒的红利？因为TPU这类定制路线可以更精细地做分层存储设计——像谷歌那样，用DDR5做整机预处理、HBM3e做高带宽层、软件压缩做兜底，把每一GB内存都花在刀刃上。通用GPU在内存配置上的自由度要小得多。

但电话会上的气氛并非只有掌声。有分析师当面提出了质疑：“按照你给的数据，你单价卖得比英伟达便宜那么多，这账到底怎么算出来的？”

这个问题问到了定制算力叙事的软肋：如果TPU v8在单卡层面（尤其是HBM容量）并不追求堆料，那么“每GW 300亿ARR”的隐含单价，就必须靠系统级效率、集群规模和客户黏性来撑。而在内存成本高企、网络开支膨胀的当下，系统级账本里的每一项都在变——HBM占比降、网络占比升、软件优化要求更高，任何一项的假设偏差，都会被GW级的体量放大成巨额出入。

这场问答没有当场分出胜负，但它揭示了一个正在成形的共识：AI算力的比价，正在从“每张卡多少TFLOPS”变成“每GW多少有效产出、每TB内存花在哪里”。

独立推演：300亿/GW到底坚不坚固？

信源只给到电话会原文，下面这笔账是我们自己算的，先亮结论：300亿/GW更像是“满负荷运行+多年兑现+系统级收入”的理想化口径，而不是第一年就能落袋的现金流。

推理过程不复杂。按当前行业普遍认知，一套GW级算力集群的全口径资本开支（芯片+整机+网络+供电散热+机房）大约在每瓦35至45美元区间，即1GW对应约350亿至450亿美元的一次性投入。用300亿美元ARR去除，意味着资本回报率（ARR/资本开支）高达65%到85%，静态回本周期只有一年出头。作为对照，过去两年GPU云租赁的ARR/资本开支通常落在25%到40%之间——博通的隐含回报是行业常态的两到三倍。要补上这个缺口，只有三条路：利用率常年逼近100%、单位token定价显著高于现货市场、或者ARR口径里捆绑了网络、存储乃至软件服务收入。任何一条单独成立都勉强，三条叠加就更像融资叙事的锚点，而非可审计的经营预测。

再往深看一层，还能发现一个信源没点破、但值得所有买方记住的结构性事实：Hock Tan这套叙事的真正底气，恰恰来自内存成本占比较低。按SemiAnalysis同口径拆解，英伟达旗舰的内存成本占比将从40%降至28%——而定制ASIC本来就敢在HBM容量上做减法（TrendForce已证实CSP在下调自研芯片显存配置），叠加博通自家的Scale-up网络和整机交付能力，其GW收入里被内存涨价侵蚀的敞口，比通用GPU路线小得多。换句话说，博通讲的不只是“比英伟达便宜”，而是“比英伟达更不怕内存涨价”——这才是300亿/GW背后最硬的一块承重墙，也是分析师该问而没问的那一问。

当然，反过来说，5GW Anthropic订单按300亿/GW折算是1500亿美元的隐含ARR，而Anthropic自身的收入体量距离这个数字还差一个数量级——除非订单分期上线、收入按多年爬坡确认，否则这个缺口只能靠“长期愿景”来填。投资者盯住两个验证点即可：2027至2028财年AI收入的实际确认节奏，以及GW上线进度与收入确认之间是否存在明显的时间差。

🧭 结语：内存荒改写的不是价格，是价值分配

回到开头那幕：谷歌拆机捡DDR4、给新服务器做转接卡，看似抠门的动作，其实是整个产业价值分配重构的缩影。

AI产业的核心矛盾，已经从“算力够不够”转向“内存贵不贵、互连通不通”。谷歌用三招应对——硬件分层、软件压缩、供应链回收；英伟达用一招应对——砍HBM、上光互连，把预算从内存搬到网络；博通则趁势讲出GW级定制算力的故事，同时要面对分析师对账本的拷问。

把三家的动作放在同一张坐标图上，本文的结论可以收敛为一句话：内存从“元器件”变成了“资本开支主体”，AI硬件的定价权随之下沉一层——从芯片公司手里，转移到能把“内存容量、互连带宽、软件效率”三者一起做优化的系统级玩家手里。谷歌、英伟达、博通路径不同，但都指向同一个动作：把每一TB内存和每一瓦网络的开销，摊到整个机架乃至整个集群去优化。单芯片的时代还在，但单芯片叙事的时代正在结束。

对产业观察者而言，接下来值得盯住三件事：HBM价格走势与8层产品量产节奏、Scale-up网络（尤其是CPO）渗透速度、以及CSP自研ASIC的显存配置决策。内存荒何时缓解尚未可知，但可以确定的是——AI硬件的钱包，再也不会只围着单芯片转了。

毕竟，拆旧服务器捡内存条这种事，只有一家公司会嫌丢人；全行业一起干的时候，它就叫“循环供应链”。