共计 1065 个字符，预计需要花费 3 分钟才能阅读完成。
预测失效的那刻, 存储行业撞见物理 AI 的边界
人形机器人需要多少存储, 近期出现了两种截然不同的答案 。Counterpoint 测算未来五年需求增长 20 倍, 马斯克直斥“荒谬”, 并称机器人所需内存将超过地球上其他所有设备总和。数字反差背后, 是两套时间尺度与前提假设完全不同的推演体系。
📌 两套测算, 前提并不相同
- 重点: 先锚定具身智能想要抵达的终局, 再反向推导底层基础设施需要具备怎样的能力上限。
- 重点: 当前公开信息主要集中在产品、策略或节奏变化上。
- 重点: 后续仍需关注官方更新、落地范围以及实际反馈。
Counterpoint 沿用半导体行业常见方法: 以单机存储规格、终端出货量为基础, 叠加渗透率假设 , 估算赛道整体增量。自动驾驶是重要参照, 因为任务边界清晰、场景结构化程度高, 算力与存储搭配已有落地数据。
按此路径, 人形机器人先落地搬运、巡检、简易装配等场景 , 端侧负责感知与基础规划, 复杂推理回传云端, 存储主要承载图像、点云、短时状态缓存和策略权重。需求随良率、成本和场景渗透逐步释放。
🔍 马斯克从终局倒推
马斯克的质疑跳出了终端增长框架。他指向 “原子级塑形”: 智能体持续维护高保真、强耦合的物理世界模型, 实时追踪形变、接触力学、摩擦、热传导和材料相变。每次抓取、组装或改写物质结构, 都会带动庞大状态空间同步更新。
此时存储压力不再由模型参数量决定, 而由持续演化的物理状态空间决定 。传统大模型的数据可分片、采样和压缩, 面向原子尺度操控的系统却存在强因果关联, 局部扰动会沿物理链路传导。
💡 构想落地仍有硬约束
“深空计算节点”同样受制于光速时延: 地表机器人的力控、触觉交互和精密装配依赖毫秒级闭环反馈, 远端算力难以承接实时操控 。在轨芯片还要面对辐射加固、发射成本、维护困难、星间激光通信稳定性和存储介质寿命衰减。
📊 产业同时押注两条路线
存储产业链眼下并行两套叙事。 一套是温和放量:LPDRAM、高可靠存储和高带宽接口随人形机器人商业化渗透稳步增长 , 增量可量化, 产能便于规划, 风险在于落地不及预期。
另一套是范式跃迁: 若智能任务底层逻辑切换, 近存计算、高带宽堆叠、持久内存、分布式共享状态池可能获得新场景 , 兑现概率低, 却可能重塑价值分配。产业资本因此把多数筹码押在中期确定性上, 同时留出小部分资源预研新架构。
🚀 总结
围绕“预测失效的那刻, 存储行业撞见物理 AI 的边界”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
