预测失效的那刻，存储行业撞见物理AI的边界 - 游戏攻略

在AI PC领域经过两年发展后，Windows阵营终于推出了能与Mac生态直接抗衡的高端产品。

微软与英伟达合作，发布了配备RTX Spark超级芯片的Surface Laptop Ultra。这并非微软在硬件领域的常规更新，而是Windows生态首次采用英伟达这款一体化顶级SoC，借助终端强大算力弥补长期存在的不足。

微软Windows与设备执行副总裁帕万·达武卢里周三在旧金山的一场公司活动中透露，Surface Laptop Ultra现已接受预购，计划于10月16日发货。该设备配置了磁吸式USB-C端口，与苹果的MagSafe充电接口类似。

Counterpoint Research此前预测，人形机器人对存储的需求将在5年内增长20倍，马斯克直接反驳称这一说法“荒谬”，并指出机器人所需的内存容量将超过地球上其他所有设备的总和。

为了让机器人在物理基础上运作，才能实现原子级别的塑造。超级智能的算力需求将远超这一规模，但几乎所有超级智能算力都将部署在深空计算节点。

然而，双方的分歧并非围绕DRAM需求量的数字博弈：一方基于成熟调研体系，沿商业化终端增长路径进行线性外推；另一方则将具身智能的终极目标定义为物质重构，并从这一终点倒推基础设施的需求上限。

由此可见，两套体系讨论的并非同一时间尺度和任务形态。

两套估算框架，错位的前提假设

分析师的测算框架，根植于半导体行业长期使用且广泛接受的估算范式。

其逻辑链条并不复杂：以单机存储规格和终端出货量为核心，结合渗透率假设，估算整个赛道的需求。

自动驾驶是该框架最具参考价值的案例。量产辅助驾驶的任务范围相对可控，典型场景结构化程度高，算力和存储的搭配方案积累了充足的实际数据，可供横向比较。

这使得过去一段时间，许多机构在测算人形机器人硬件增量时，习惯于参照车载算力的落地经验进行外推。

但这套推演建立在若干隐性前提之上，这些内容很少在调研报告中明确说明。

首先，是任务范围的限制。短期商业化人形机器人的应用场景集中在搬运、巡检、简易装配和人机协同等标准化作业，配套的世界模型偏向轻量化和局部化，按需触发更新，无需持续维护全局高精度的物理状态表征。

其次，是算力调度的分层设计：感知和基础规划在终端完成，复杂模型推理和长周期任务调度回传云端。存储负载主要处理图像、点云、短时状态缓存和策略权重，其构成与车载系统较为接近。

第三，增长路径是渐进式的：需求随着良率优化、成本降低和场景渗透而稳步提升。这是半导体市场基础上的新增量，而非颠覆现有产业框架的范式变革。

这套推演并非空想，它与当前Optimus及绝大多数人形机器人厂商的量产思路高度契合。为控制BOM成本并推动商业化落地，工程师通常选择压缩板载内存并优先保障带宽，通过模型蒸馏降低硬件算力压力。

这也暴露了讨论中最常见的混淆：许多观点将面向量产的短期硬件方案，与马斯克描绘的远期终局放在同一维度比较。

量产工程需要解决的是如何稳定且低成本地交付产品，而那句“荒谬”的评价则指向一套时间尺度和前提假设完全不同的智能愿景。

归根结底，Counterpoint提供的是面向中期商业化周期的增量测算。

它假设人形机器人作为新型终端融入现有生产体系，任务复杂度可控且成本红线刚性，迭代节奏参考消费电子和汽车电子已验证的路径。

报告并未预判硅基智能能否改造物质世界，只回答一个问题：如果人形机器人按当前路线落地，存储市场将迎来多大增量。

马斯克的质疑则直接跳出了这一预设。他不再以现有终端形态为标尺，而是重新定义具身智能的终极目标：原子级塑形。

基于这一设想，智能体需要持续维护高保真、强耦合的物理世界模型，追踪形变、力学反馈、摩擦、相变等物理过程。每一次抓取、接触或对物质的干预，都会带动模型状态同步更新。

在此前提下，决定存储需求规模的并非大模型参数量，而是这套持续演化且相互耦合的物理状态空间。

构想背后，难以绕开的工程硬约束

原子级塑形，并非放大版的3D打印。

它指向一套闭环且可持续的物质操控能力：智能体需要维护高保真、强耦合的物理世界模型，实时追踪固体形变、接触力学、摩擦效应、热传导、材料相变等动态过程。

每一次抓取、组装或改写物质结构，都需要同步更新规模庞大的状态空间。

传统大模型处理文本、图像等符号化信息时，数据支持分片、采样与压缩，一定程度的失真可以接受；而面向原子尺度操控的具身智能，各状态之间存在强因果关联，局部微小扰动会沿物理链路持续传导扩散。

那句“内存容量超过地球上其他所有设备总和”，也常被简化误解为单台机器人需要搭载海量存储。

更贴合原始表述逻辑的解读，指向集群协同场景：大量机器人不再独立执行零散指令，而是协同完成物质重塑，共享并同步一套全局物理世界模型。任何一次物理交互都会驱动全局状态同步刷新。

当然，支撑这一猜想成立的前提条件极为苛刻：全局状态空间是否支持分片、分层缓存？如果将高频局部状态留在终端，低频全局推演交给远端算力，能否有效分摊存储压力？围绕这些问题，行业尚未形成成熟的工程落地路径，目前仍只是一个有待验证的假说。

深空计算节点的构想，也不应简单贴上科幻标签。

它本质上是一套试图突破地面算力天花板的思路。地面超算集群长期受多重刚性约束：散热极限、能源密度、重力扰动以及土地与电力成本。

一旦具身智能的目标从信息生成转向大规模物质改造，算力需求可能膨胀到地表基建难以承载的程度。向外寻找新的算力载体，在逻辑上是一个值得探讨的方向。

算力选址的迁移脉络有迹可循：从分散机房到大型数据中心，再到海底、极地算力集群，背后共同的逻辑是寻找温度、能源和电磁干扰条件更优的部署环境。

深空计算节点可被视为这条演进线索推至极限的一种猜想。但光速时延是这套构想难以绕开的约束，也是最核心的工程矛盾。

地表人形机器人的力控、触觉交互与精密装配，高度依赖毫秒级闭环反馈。地表与深空节点之间存在固定光程延迟，远端算力难以承接这类对实时性要求严苛的物理操控任务。

基于这一约束，一套折中分工框架可能逐渐成型：终端机器人保留局部物理模型、实时感知与闭环控制，承接低时延刚需；深空超级节点负责长周期任务规划、全局物质系统优化、超大尺度世界模型推演以及远期路径搜索。

这套分工模式有望降低深空算力落地的门槛，但也可能同步弱化其不可替代性。

如果绝大多数高价值的实时闭环控制都留在地表终端，深空节点更接近远期补充算力池，而非这套具身智能体系中不可或缺的核心。

此外，在轨芯片还需应对辐射加固、高昂发射成本、在轨维护困难、星间激光通信稳定性、存储介质在空间环境下的寿命衰减等一系列高门槛挑战。

它并非一条随时可用的备选路线，只有在地面方案真正遇到实质性瓶颈后，才有可能进入严肃的路线评估环节。

综合这两层约束不难看出：马斯克描绘的图景是一套逻辑自洽的思想实验，但其成立依赖于一连串苛刻假设同时兑现。

只要任意一环工程瓶颈无法打通，这套关于存储与算力需求的推演逻辑就可能大幅收敛。

它可以成为长期技术探索的方向，却难以用来修正未来五年的产业需求曲线。

两套并行叙事，一场筹码分配游戏

存储产业链目前并存着两套截然不同的叙事剧本，厂商与资本也在两种预期之间分配筹码。

第一套是温和放量的剧本，与Counterpoint的测算逻辑一致。

LPDRAM、高可靠存储与高带宽接口，将随着人形机器人商业化渗透带来稳步增长的需求。这条路线的增量可量化，产能便于有序规划，二级市场也可沿用成熟估值框架定价。

其风险集中在商业化落地不及预期、场景拓展缓慢、终端需求迟迟无法起量。这也是当前产业资源投入的主线：存储厂商的扩产计划、存储接口标准迭代、配套测试方案开发，大多以这套叙事为基准。

这条路线足够保守，风险边界清晰，更适合头部大厂与公开市场资金押注。

第二套是范式跃迁的剧本，对应马斯克提出的远期假设。

需求不再沿现有曲线线性放大，而是随着智能任务底层逻辑的切换，可能倒逼整套存储架构重构。近存计算、高带宽堆叠、持久内存、分布式共享状态池有望迎来全新落地场景。这条路线兑现概率偏低，但一旦跑通，将重塑存储赛道内部的价值分配格局。

目前参与其中的更多是前沿实验室、小型研发团队以及一级市场风险资本。尽管尚无法主导当下的产能规划，但它们在潜移默化中抬升了部分前沿技术路线的研发优先级。

产业资本的布局策略也随之分化：将大部分筹码押注在确定性更强的中期增量上，同时拿出小部分资源提前预研适配超大物理状态空间的新型存储架构。

这套双线布局本身并不矛盾。

Optimus团队持续压缩单机内存配置并优先扫清量产障碍，其长期研究小组也在推演面向物理世界模型的下一代硬件形态。短期工程落地优化与远期技术猜想，完全可以在同一主体内部共存。

分析师的预测本质上是对已有成熟范式做线性外推。这套方法擅长估算手机、服务器、车载电子带来的硬件增量：样本充足、变量收敛，历史数据的相关性能够为预测提供支撑。

可一旦技术目标发生底层切换，AI不再局限于感知和解读信息世界，转而走向对物质结构的主动改造，依托历史样本画出的增长曲线很可能失去参照基础。

马斯克的判断并非标准意义上的产业需求预测。它更像一份目标陈述：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的能力上限。

一套叙事向后看，依托历史规律推演增量；另一套向前锚定终点，倒推硬件体系的极限边界。

在未来很长一段时间里，存储行业都将悬浮在两套叙事之间，没有人能笃定哪条路径必然成型。产业只能踩着看得见的台阶稳步推进商业化，同时为那些遥远甚至最终无法落地的设想悄悄埋下技术伏笔。

分歧的核心从来不是5年20倍或更高的需求量级，而是我们愿意为硅基智能划定怎样的能力边界。

本文来自微信公众号“硅碳变量”，作者：胡一刀，36氪经授权发布。