01 触发事件

36kr 引述业内消息称，截至 2025 年底，SK 海力士员工总数达到 34549 人，同比增加 2159 人；对照看，三星电子负责芯片业务的 Device Solutions 部门员工从 78699 人降到 78064 人。两家科技巨头芯片相关从业人员合计 112613 人，同比增加 1554 人。

这不是一条普通的韩国就业新闻。

这是一个很具体的 AI 供给侧信号：在韩国整体就业市场放缓的背景下，SK 海力士还在逆周期加人，说明 memory，尤其是 AI 相关高带宽存储的约束并没有缓解。

我没在 SK 海力士内部看过 headcount 的岗位拆分，所以不能直接把这 2159 人全都等同于 HBM 产线、封装或研发人员；但即便如此，方向已经够清楚了：公司在为一轮不是季度级、而是年度级的需求做准备。

原文给出的最重要信息，不是“新增员工超 2000”，而是“SK 海力士加人，三星芯片部门略减人”。

02 这事的真正含义

表面上看，这是“AI 热潮带动存储芯片需求”。

问题不在这句废话本身，而在更深一层：AI 产业今天最稀缺的资源，越来越不是模型参数，不是 pretraining 配方，甚至短期也不是单纯的 GPU 数量，而是每一块算力能否被 memory subsystem 高效喂饱。

HBM 的战略地位，就是这么来的。

训练也好，推理也好，模型越大、context window 越长、KV cache 占用越高，对 memory 带宽和容量的依赖就越强。尤其过去 18 个月，行业讨论重心已经从“谁有更大的模型”转向“谁能在单位延迟、单位 token 成本下稳定提供服务”。这时，memory 不是配角，而是 token 经济学的一部分。

很多人会说，GPU 才是 bottleneck。

这话没错，但只说对了一半。

因为 GPU 的有效供给，从来不是裸芯片数量，而是“GPU + HBM + 封装 + 服务器整机 + 供电散热”这一整套系统的联合供给。没有 HBM，GPU 只是昂贵但吃不饱的数据通道。真正会被定价的，不是 FLOPS，而是可交付、可上线、可稳定跑长上下文和高并发推理的系统吞吐。

这也是为什么 SK 海力士的 headcount 变化值得看，而不是把它当成制造业噪音。

如果一家 memory 厂在宏观就业走弱时还继续扩招，说明它判断：

  • 订单不是短单
  • 客户承诺不是试探性的
  • 产能建设和工艺爬坡仍然缺人
  • AI demand 至少在它的规划周期内没有见顶

我可能误判的一点是，新增员工里可能有相当比例是传统 NAND/DRAM、管理支持或新产线泛化岗位，而非纯 HBM。但即便这样，资本和组织资源被继续压向 memory 侧，本身就是供给紧张的间接证明。

这才是 SK 海力士在说的事：AI 计算的核心约束，正在从“有没有模型”转成“能不能规模化把 token 送出来”。

03 历史类比 / 结构对照

这让我想到 2014 年前后的 AWS。

当时很多人把云计算理解成“租服务器更方便”，但 AWS 真正改变行业的地方不是 convenience，而是把原本企业内部看不见的基础设施约束，变成了开发者可消费、可计价、可弹性调用的服务层。 从那一刻起，软件公司的竞争边界被改写了。

今天的 HBM 和 memory 供应链，处在类似的位置。

差别在于，AWS 当年解决的是 compute provisioning；现在 memory 侧约束决定的是 AI inference economics。开发者表面上买的是 model API，背后实际消耗的是一整条高度稀缺的 memory 带宽链路。也因此，OpenAI、Anthropic、Google、xAI、Meta 之间的竞争，不只是谁模型更聪明，还包括谁更早锁定了上游 capacity。

更像一点说，这也有 2007 年 iPhone 供应链拐点的味道。

iPhone 的意义从来不只是手机发布，而是苹果开始重塑上游关键零部件和制造协同，把别人难以复制的供应链组织能力转成产品优势。今天 AI 领域的对应物不是触摸屏，而是 HBM、CoWoS 类先进封装、以及围绕它们的整机交付能力。

如果这个类比成立，那么接下来会发生的，不是“更多模型上线”这么简单，而是：

  • 大模型公司继续向上游锁 capacity
  • cloud provider 更深介入 memory 优化与硬件软件 co-design
  • API 层的价格战，越来越受上游 memory 成本曲线约束
  • 中小模型供应商更难拿到稳定、低成本的推理资源

我没法从这一则新闻直接推出“HBM 供给危机再次恶化”，这个结论证据还不够。但把它视为供给侧没有明显宽松、且龙头继续押注 AI memory 周期，我认为是合理的。

历史上，真正定义产业结构的，常常不是终端产品发布会，而是上游产能分配权开始倾斜的那一刻。

04 对 AI builder 意味着什么

对 AI builder、模型 API 消费者和做 routing 的团队，这条新闻的含义很具体。

第一，不要把 2026 年的 inference 成本线性外推为必然继续快速下滑。

很多人默认 token 会越来越便宜，这在长期也许成立；但中期里，若 memory 侧仍偏紧，长 context、低延迟、高并发场景的边际成本未必会按想象下降。特别是依赖 KV cache、大上下文 agent、代码补全和多轮工具调用的产品，成本可能比 benchmark 上显示得更硬。

第二，model routing 的价值会上升。

当不同供应商受制于不同 capacity 结构时，价格、延迟、可用性会出现更频繁波动。对 API 网关、聚合层、内部推理平台来说，真正的机会不是“接更多模型”，而是把 memory 约束映射成流量调度策略：什么时候用便宜模型跑 bulk 请求，什么时候切到稳定但贵的模型，什么时候利用 batch API、prompt caching 或 async 任务吸收成本峰值。

第三，长 context 产品要重新算账。

市场上很多产品把 128k、200k、1M context 当作 marketing checkbox，但这类能力背后本质上在烧 memory。问题不在“能不能做”，而在用户是否真的愿意为更高 memory footprint 买单。如果你的 retention 不是由长上下文直接驱动，那它大概率只是成本泄漏口。

第四，应用层 moat 不能建立在“某家模型无限供给、价格持续下探”这个假设上。

更稳的做法是：

  • 保持 multi-provider 接入
  • 把 prompt 结构做成可移植
  • 把 caching、session compaction、context truncation 当成产品能力而不是 infra 细节
  • 在 SLA 上预留 capacity 波动空间

我没在你们各自业务里看到真实 token mix，所以这条建议未必适用于每个团队。比如低频、高客单价的 vertical agent，可能根本不在乎 memory 成本波动。但对高并发、低 ARPU、依赖快速响应的产品，这已经不是优化项，而是生死线。

这个月值得调整的，不是模型排行榜，而是你的 token P&L。

05 反方观点 / 风险

最需要警惕的是：我可能把一条 headcount 新闻解读得过重了。

第一，招聘不等于产能立刻释放。

半导体扩产有长周期，新增员工也可能对应未来产线、研发储备，甚至只是组织补位。它是领先指标，不是交付结果。若后续 HBM 良率、封装、客户导入节奏不及预期，这个信号会被高估。

第二，AI memory 紧缺也可能被架构创新部分绕开。

如果 MoE、MLA、量化、KV cache 优化、speculative decoding、甚至新型 memory hierarchy 设计持续进步，那么单位 token 所需的 memory 压力会下降。届时，上游瓶颈不一定像今天这样卡得死。我没在内部跑过这些大规模优化组合，低估算法侧缓释能力是完全可能的。

第三，三星 headcount 下降，不一定意味着它在 AI memory 竞争里落后。

大公司内部组织调整、自动化、业务切分都可能影响人数口径。单看员工数变化，不能直接推导成市场份额变化。把“SK 海力士加人、三星减人”简单读成胜负手，证据还远远不够。

第四，若 cloud provider 和模型厂开始更激进地自研硬件、优化软件栈，上游 memory 厂的议价权也未必会无限走强。产业链里没有谁能永远吃掉全部 rent。

但即便把这些反方都放进去，我还是会保留核心判断：这条新闻的价值，不在就业，不在韩国，不在单一公司；而在它再次提醒市场，AI 的扩张速度仍然受制于极其具体的物理供给。

模型可以一夜发布。

capacity 不会。