交易者为何应关注忆阻器：
下一场AI硬件革命？

立即开始交易

人工智能已迅速成为全球市场最重要的投资主题之一。最初主要围绕软件和AI模型展开的叙事，如今已扩展为更广泛的科技周期，并推动对半导体、先进存储、网络设备、数据中心和电力的需求。

随着AI产业持续扩张，一个关键问题日益凸显：如何在不让计算成本和能源消耗同步大幅上升的情况下，让AI系统变得更强大？

其中一项越来越受到关注的技术就是忆阻器。

忆阻器目前仍属于新兴技术。它们并没有取代支撑当前AI热潮的GPU，也无法保证未来会成为计算机的主流组件。不过，忆阻器有望将信息存储与处理结合起来，从而改变某些计算类型的设计方式。

对交易者而言，这正是忆阻器值得关注的原因。如果这项技术最终具备商业可行性，它可能影响AI硬件的成本结构、半导体行业的竞争格局，以及开发下一代计算系统的相关企业。

什么是忆阻器？

忆阻器是一种双端电子元件，其电阻会根据此前接收到的电信号发生变化。简单来说，它能够保留此前电气状态的信息，因此具备类似“记忆”的特性。

这一概念最早由电气工程师蔡少棠（Leon Chua）于1971年提出。直到材料科学和纳米技术取得进展后，实际可用的忆阻器件才逐渐出现，使这一概念更接近现实。

忆阻器尤其引人关注的一点，是它有潜力在同一系统中同时实现信息存储和计算。

传统计算机通常将这两项功能分开。处理器负责计算，存储器则保存计算所需的数据，数据必须不断在两者之间传输。

对于需要处理海量数据的AI系统而言，这种数据传输会消耗大量时间和能源。

在数据存储位置直接计算

忆阻器正在被用于研究一种被称为“存内计算”的概念，即某些计算有望直接在信息存储的位置完成。

如果这一方法成功，它可以减少数据传输，并提高特定AI工作负载的效率，从而有望降低延迟和能耗。

不过，对市场而言，关键问题并不只是这项技术能否在实验室中运行，而是这些潜在优势最终能否转化为具备商业可行性的产品。

为什么AI需要更高效的计算？

对更高效计算的需求，正是由AI本身推动的。

每一代更先进的AI模型都需要更强的处理能力和更多数据，这促使科技公司竞相开发速度更快、性能更强的硬件。

但单纯增加算力也会带来经济成本：

更高的电力消耗
不断上升的运营成本
更复杂的冷却需求
更高的基础设施支出

国际能源署（IEA）预计，到2030年，全球数据中心用电量将增长至约945太瓦时，是目前水平的两倍以上。其中，主要用于AI工作负载的加速服务器用电量预计将增长得尤其迅速。

这并不意味着未来每一款AI芯片都会消耗更少的电力。相反，它说明了为什么计算效率正变得越来越有价值。

随着AI越来越深入地融入经济活动，能够以单位能源提供更多有效计算性能的企业，可能获得竞争优势。

忆阻器正是目前为应对这一挑战而研究的多种技术之一。

忆阻器与半导体行业

与市场最直接的联系来自半导体行业。

AI已经带动GPU、高带宽存储器、网络设备和专用AI加速器的巨大需求。为了满足这一需求，半导体制造商正在大举投资产能和先进设计。

忆阻器最终可能成为这一更广泛生态系统的一部分。

不过，如果简单地把忆阻器视为未来GPU的替代品，会具有误导性。目前的研究更倾向于认为，忆阻技术可能与GPU、CPU以及其他先进存储形式共同组成专用计算架构的一部分。

不同技术可以处理不同类型的工作负载，而忆阻器可能特别适合那些能够从“直接在存储器中处理信息”中受益的计算任务。

机会可能出现在哪里？

如果这项技术成功发展，潜在受益领域可能包括：

存储技术
半导体制造
AI加速器
专用计算架构

对交易者而言，这一区别很重要。新兴技术可以重塑一个行业，但并不意味着现有市场领导者会立即失去重要性。

英伟达与下一场AI硬件竞赛

英伟达是观察AI硬件市场快速演变的一个重要参考。

英伟达仍是AI硬件领域最重要的参与者之一，其财务表现也越来越与市场对AI支出的预期紧密相关。英伟达最近预计，下一财年的营收将增长约70%，凸显当前AI计算需求的强劲程度。

与此同时，英伟达正在更广泛的硬件生态系统中扩大自身角色。

2026年8月31日，英伟达宣布向联发科投资35亿美元，进一步加强双方在定制AI芯片开发方面的合作，这些芯片旨在与英伟达的数据中心架构进行整合。

其意义并不局限于这笔交易本身。

这表明AI硬件市场正越来越转向专用解决方案和完整的计算架构，而不是依赖单一类型的处理器。

这正是忆阻器等技术未来可能找到商业应用空间的环境。

为什么数据中心很重要？

数据中心也是忆阻器发展故事中的重要一环。

关键问题并不只是建设了多少数据中心，而是运营这些数据中心的经济成本。

AI设施越来越依赖持续运行的专用硬件。即使只是相对较小的效率提升，当其应用到数千台设备上时，也可能产生显著影响。

如果基于忆阻器的系统最终能够以更低的能耗和延迟处理某些AI工作负载，数据中心运营商可能从以下方面受益：

更低的运营成本
更高的计算能力
更高效地利用现有基础设施

当前投资规模说明了这一问题为何重要。Anthropic最近与Lambda达成一项价值350亿美元的云计算协议，其中涉及位于美国得克萨斯州的一座数据中心，预计可提供约350兆瓦的容量。

对交易者而言，信息很明确：计算效率正在成为一个经济问题，而不仅仅是技术问题。

与能源市场的联系

能源方面的影响远不止忆阻器本身。

无论忆阻器最终是否成为主流，AI已经在成为重要的电力需求来源。更值得关注的问题是，计算效率的提升将如何改变AI增长与电力消耗之间的关系。

可能出现两种结果。

更高效的计算可以降低单个工作负载所需的电力。不过，更低的计算成本也可能鼓励企业更广泛地使用AI，从而抵消部分效率提升带来的节能效果。

对于关注以下领域的交易者而言，这一区别十分重要：

公用事业
电力生产商
电力基础设施
电网相关企业

目前来看，忆阻器更适合被视为整个AI能源议题中的一种潜在效率提升技术。

AI基础设施与铜的联系

AI基础设施建设也与工业大宗商品产生联系，尤其是铜。

虽然AI是一项数字技术，但支撑它的基础设施却是实体的。数据中心需要电气设备、电缆、变压器、网络系统和冷却设施，而半导体制造也依赖广泛的工业供应链。

铜尤其值得关注，因为它被广泛应用于电力基础设施。

关键并不是忆阻器本身会突然推高铜需求，而是如果AI持续成功扩张，需求可能会向多个与最初推动投资周期的技术相隔数个环节的行业传导。

这使半导体的故事成为一个更广泛工业主题的一部分。

超越AI：神经形态计算的兴起

忆阻器的应用潜力也可能超出目前AI叙事中占据主导地位的大型数据中心。

其中最值得关注的领域之一是神经形态计算。

神经形态系统旨在模拟生物神经网络的某些特征。忆阻器之所以适合这类架构，是因为其既能存储信息又能参与计算的特性，与高度并行、受大脑启发的处理方式天然契合。

潜在应用包括：

机器人技术
自主系统
边缘计算
互联设备

在这些应用中，本地处理信息可以降低延迟，并减少与中央数据中心持续通信的需求。

如果这些应用最终实现商业化，忆阻器的潜在机会可能远远超出当前的AI服务器市场。

忆阻器市场正在增长，但预测差异较大

市场预测也反映出外界对这项技术日益浓厚的兴趣。

一项2026年的估算显示，2025年全球忆阻器市场规模约为5.889亿美元，并预计到2034年可能超过120亿美元。

不过，由于市场定义和纳入的应用范围不同，各项预测之间存在很大差异。因此，交易者更应关注行业的发展方向，而不是把任何单一预测视为确定结果。

与成熟的半导体行业相比，忆阻器市场目前仍然较小。更大的机会取决于忆阻器能否成功从研究和原型阶段走向具备商业可行性的产品。

有哪些风险？

忆阻器之所以仍属于新兴技术，是有原因的。

准确性与可靠性

其中最大的挑战之一是准确性。模拟忆阻器系统可以带来颇具吸引力的能效优势，但现实中的器件并非完全一致。器件差异、噪声以及其他物理缺陷都可能给计算带来误差。

研究人员仍在探索如何在保持高计算准确性的同时，不牺牲忆阻计算最具吸引力的能源效率优势。

大规模制造

实验室中的成功原型，与能够以低成本、稳定且一致地进行超大规模生产的元件完全是两回事。

忆阻技术还必须能够与现有半导体制造工艺整合，并与其他组件共同可靠运行。

对交易者而言，这一区别至关重要。

一篇突破性的研究论文可能会吸引关注，但真正进入客户手中的产品，对企业和市场造成的影响可能要大得多。

交易者应该关注什么？

最重要的信号，将是那些显示忆阻器正逐步接近商业化应用的进展。

技术进步很重要，但合作关系和实际产品可能释放更强的信号。因此，交易者应关注半导体制造商、AI公司和研究机构的相关公告。

值得关注的关键进展包括：

新的AI加速器设计这可能表明忆阻组件正在成为实际计算系统的一部分。
企业资本支出如果大型半导体公司投入大量资源发展基于忆阻器的生产，说明行业看到的可能不只是科研价值，而是真实的商业机会。
政府资助与战略投资公共资金支持可以加快研究进程，并帮助新兴技术向制造阶段推进。
客户采用与营收这可能是所有信号中最重要的一个，因为这意味着整个故事开始从技术潜力转向可以衡量的商业影响。

交易者的重点

忆阻器不仅仅是一个有趣的科技故事，因为它未来可能同时影响市场中的多个领域。

交易者并不需要今天就判断忆阻器是否会在十年后主导计算行业。一个更有意义的问题是：

如果这项技术具备商业可行性，市场可能会发生什么？

一个可信的技术突破可能改善市场对半导体公司的情绪，因为这意味着AI硬件周期又出现了新的创新来源。

一款成功商业化的产品，也可能促使投资者重新评估竞争格局，尤其是那些开发先进存储器和专用加速器的公司。

对于数据中心公司而言，其潜在意义在于改善计算的经济性。

对于能源市场而言，关键问题是效率提升究竟会降低每个工作负载所需的电力，还是反而让AI应用扩张得更快。

对于纳斯达克而言，更广泛的问题是，另一项技术突破能否进一步延长市场对AI行业增长和盈利能力的预期。

从研究到营收：真正重要的里程碑

并不是每一条有关忆阻器的新闻都会对金融市场产生实质影响。

大学研究成果的公布可能引发关注，成功的原型可能更具意义，而商业化产品的重要性则更高。

最有可能改变市场预期的里程碑包括：

成功的原型
商业化产品
重大制造投入
整合进AI加速器
客户采用
可衡量的营收

这些进展可能更持久地影响市场对半导体公司、AI硬件以及更广泛科技行业的预期。

相反的情况也有可能发生。如果准确性问题迟迟无法解决、制造成本持续过高，或者竞争技术被证明更加实用，投资者热情可能迅速降温。

更大的图景：AI的下一个挑战是效率

AI投资叙事正逐渐从单纯追求规模，转向同时关注效率。

过去几年，行业一直在打造更大的模型和更强大的计算系统。接下来的挑战，是如何让这些计算变得更快、更便宜，同时减少对资源的需求。

忆阻器是可能的答案之一。

未来，它可能成为AI加速器、神经形态系统或其他专用计算形式中的重要组件。另一种可能是，它仍然是一项很有前景的技术，却难以跨越从实验室研究到大规模生产之间的现实障碍。

现阶段，两种结果都不能被视为理所当然。

正是这种不确定性，让忆阻器从市场角度看值得持续关注。

给交易者的最后思考

关键并不是孤立地交易某一条忆阻器新闻。

相反，交易者应寻找这项技术正在走向商业化的证据，例如真实产品、企业投资、制造投入、加速器整合以及客户采用。这些进展才可能开始改变市场对半导体公司、AI硬件和更广泛科技行业的预期。

更广泛的启示是，下一轮重要的AI市场机会不一定来自开发下一个AI模型的公司，也可能来自那些解决底层硬件挑战、决定AI最终能够扩展到何种程度的企业。

忆阻器可能只是很小的电子元件，但围绕它的经济问题却大得多：

下一代计算能否在不按比例消耗更多能源的情况下，提供更多有用的AI性能？

如果最终答案是肯定的，其影响可能远远超出半导体行业，并波及数据中心经济性、科技公司估值、能源需求以及更广泛的工业供应链。

对交易者而言，这使忆阻器在今天就值得纳入关注范围，即使它最重要的市场影响可能仍需要一段时间才会显现。