在近期举办的CES 2026展会上，英伟达首席执行官黄仁勋就行业热议的“是否能用低成本SRAM替代昂贵HBM”问题给出了明确回应。这一讨论源于AI领域对降本增效的迫切需求——随着SRAM加速器、GDDR推理方案及开放权重模型的兴起，部分从业者认为这些技术可减少对英伟达高成本硬件的依赖。
SRAM（静态随机存取存储器）凭借其基于触发器的高速特性，在基准测试中展现出无延迟的访问优势，甚至被视为HBM（高带宽内存）的潜在替代者。黄仁勋承认，对于特定工作负载，SRAM的速度表现“令人惊叹”，但其致命缺陷在于容量限制——当前SRAM可容纳的模型规模仅为HBM系统的百分之一。当AI模型因上下文扩展或功能增加而超出SRAM容量时，系统必须调用外部内存，导致效率优势瞬间丧失。
他进一步指出，现代AI模型的多样性加剧了硬件适配的难度。混合专家模型（MOE）、多模态任务、扩散模型及自回归模型等架构对硬件的需求差异显著：有的依赖显存容量，有的依赖互连带宽（如NVLink），且需求随任务变化动态调整。若硬件过度优化某一特性（如纯SRAM方案），一旦工作负载类型改变，昂贵的芯片将因无法兼容而闲置，造成资源浪费。
基于这一判断，英伟达坚持选择HBM作为核心内存方案。黄仁勋解释，在共享数据中心场景中，硬件的灵活性直接决定经济效益。尽管HBM的物料成本更高，但其能适配算法和模型架构的快速迭代，确保硬件在数周甚至数月的运营周期内保持高利用率。相比之下，专用硬件虽能在5%-10%的任务中表现极致，却无法覆盖其余90%的通用需求，长期来看反而增加成本。
针对“开放模型是否会削弱英伟达技术壁垒”的质疑，黄仁勋回应称，开放并不等同于降低硬件要求。随着开放模型整合更长上下文和更多模态，其内存占用同样会呈指数级增长。英伟达选择承担HBM的高成本与复杂系统设计，正是为了保留“可选性”——既避免客户被锁定在狭窄的性能范围，也保护自身硬件免受模型架构快速迭代的冲击。这一策略的核心在于平衡短期成本与长期适应性，以应对AI技术演进的不确定性。
