在近期舉辦的CES 2026展會上，英偉達首席執行官黃仁勛就行業熱議的“是否能用低成本SRAM替代昂貴HBM”問題給出了明確回應。這一討論源于AI領域對降本增效的迫切需求——隨著SRAM加速器、GDDR推理方案及開放權重模型的興起，部分從業者認為這些技術可減少對英偉達高成本硬件的依賴。

SRAM（靜態隨機存取存儲器）憑借其基于觸發器的高速特性，在基準測試中展現出無延遲的訪問優勢，甚至被視為HBM（高帶寬內存）的潛在替代者。黃仁勛承認，對于特定工作負載，SRAM的速度表現“令人驚嘆”，但其致命缺陷在于容量限制——當前SRAM可容納的模型規模僅為HBM系統的百分之一。當AI模型因上下文擴展或功能增加而超出SRAM容量時，系統必須調用外部內存，導致效率優勢瞬間喪失。

他進一步指出，現代AI模型的多樣性加劇了硬件適配的難度。混合專家模型（MOE）、多模態任務、擴散模型及自回歸模型等架構對硬件的需求差異顯著：有的依賴顯存容量，有的依賴互連帶寬（如NVLink），且需求隨任務變化動態調整。若硬件過度優化某一特性（如純SRAM方案），一旦工作負載類型改變，昂貴的芯片將因無法兼容而閑置，造成資源浪費。

基于這一判斷，英偉達堅持選擇HBM作為核心內存方案。黃仁勛解釋，在共享數據中心場景中，硬件的靈活性直接決定經濟效益。盡管HBM的物料成本更高，但其能適配算法和模型架構的快速迭代，確保硬件在數周甚至數月的運營周期內保持高利用率。相比之下，專用硬件雖能在5%-10%的任務中表現極致，卻無法覆蓋其余90%的通用需求，長期來看反而增加成本。

針對“開放模型是否會削弱英偉達技術壁壘”的質疑，黃仁勛回應稱，開放并不等同于降低硬件要求。隨著開放模型整合更長上下文和更多模態，其內存占用同樣會呈指數級增長。英偉達選擇承擔HBM的高成本與復雜系統設計，正是為了保留“可選性”——既避免客戶被鎖定在狹窄的性能范圍，也保護自身硬件免受模型架構快速迭代的沖擊。這一策略的核心在于平衡短期成本與長期適應性，以應對AI技術演進的不確定性。