隨着AI浪潮從數據中心向邊緣側和機器人領域蔓延，美光高管警告稱，存儲已成為決定AI性能上限的最核心瓶頸，而由於新建產能周期漫長且工藝極度複雜，行業供需失衡的局面至少要到2028年後才能迎來實質性的新增產能釋放。

9月15日，在Six Five Summit 2026的半導體聚焦論壇上，美光公司CEO高級顧問Sumit Sadana接受了分析師Patrick Moorhead的採訪，詳細拆解了AI時代下存儲行業的供需格局、資本支出計劃以及未來的核心增量市場。

在過去的一年裏，整個科技行業對存儲的認知發生了根本性重塑。這種重塑的根源在於，算力早已不再是衡量AI系統能力的唯一標尺。Sadana在訪談中一針見血地指出了當前AI硬件的底層邏輯：「如今，人工智能系統的性能首先取決於內存子系統的性能和內存容量。這兩點真正決定了人工智能子系統的性能水平。」

他解釋稱，由於AI模型需要存儲在內存中，且海量數據需要在內存間來回傳輸，處理器與內存之間的帶寬已成為性能的關鍵瓶頸。同時，存儲市場正面臨着長達數十年積累下來的結構性失衡——上世紀90年代初有多達20多家DRAM公司，如今只剩下寥寥幾家；而目前設計處理器的公司卻已超過20家。這種「少對多」的漏斗型供給格局，使得面對爆發式的AI需求時，存儲供應鏈顯得極為脆弱。

資本支出飆升，實質性新增供應需等到2028年

面對供需之間的巨大缺口，單靠技術轉型帶來的比特增長已無法滿足市場胃口，整個行業被迫進入「新建潔淨室和晶圓廠」的重資產擴張周期。

美光正在開啓前所未有的資本開支計劃。Sadana透露：「單看我們的資本支出計劃：2025財年我們的資本支出略高於130億美元；2026財年將翻一番；2027財年預計將超過450億美元。我們最近在美國宣佈，將投資額從2000億美元提高到2500億美元，並加快了時間表。」此外，美光還在美國愛達荷州、紐約州，以及中國台灣、日本和新加坡等地同步推進約20個擴產項目。

然而，遠水難解近渴。半導體工廠的建設受制於基礎設施、監管審批以及技術工人的嚴重短缺。Sadana給出了明確的時間表預期：「我們認為真正意義上有效的新增供應要到2028年才能開始逐步釋放，而且這僅僅是初期階段，產能增長的勢頭要到之後幾年才能真正增強。因此，整個行業需要一段時間才能找到新的平衡點。」

產能釋放緩慢的另一大原因在於存儲器製造的天文數字級複雜度。以當前火熱的HBM為例，Sadana直言其能正常工作「簡直是個奇蹟」：「想想看，把12層DRAM芯片層層堆疊起來，最底層還有一個連接到GPU的基礎芯片。整個系統面臨着非常嚴峻的散熱挑戰和功耗問題……晶圓廠裏大約有2000道工序。從晶圓廠開始生產，到最終能把產品交付給客戶，整個周期大約需要五個月。」

告別「隨買隨賣」，長期「長協」與「深度定製」重塑商業模式

極度緊缺的產能正在倒逼存儲行業的商業模式發生蛻變，傳統的現貨交易和符合JEDEC標準的通用芯片時代正在發生改變。

「我們簽訂的是多年期合同，承諾向客戶供貨，客戶也承諾提供需求預測。這與以往的一年期協議截然不同——以往客戶想買就買，只要有貨我們就供貨。」Sadana表示，這種被稱為「戰略客戶協議」的模式投資回報率極高，為晶圓廠多年的資本支出提供了底層保障。

更為深刻的變化在於研發端的綁定。為了在AI系統中實現功耗、模型運行速度等方面的差異化，客戶正將存儲設計提前納入其5到7年的產品路線圖。Sadana指出：「這種模式將合作關係轉變為更類似於ASIC芯片的合作模式——客戶在設計上擁有更大的自主權，且這種關係具有長期性。」

AI走向邊緣，人形機器人將成最大增量市場

市場普遍聚焦於數據中心的AI需求，但美光認為，這僅僅是起點。隨着AI向智能手機、PC（如採用統一內存架構的Mac mini）以及自動駕駛汽車滲透，存儲需求將無處不在。

對於未來的想象空間，Sadana將目光鎖定在了機器人賽道，認為這將是繼數據中心之後的又一波海量需求浪潮。

「想想人形機器人，它將成為有史以來最大的產品市場之一。」Sadana在展望2030年代的市場時強調了端側AI對存儲的恐怖消耗量：「機器人技術最令人興奮的地方在於，每個設備需要存儲海量數據——每個人形機器人將擁有數百GB的DRAM內存和數TB的NAND閃存。因此，它們將極大地推動DRAM和NAND的需求增長……機器人必須能夠自主運行，不能每次都向服務器發送數據。」

以下是訪談正文：

Sumit Sadana 00:00

如今，人工智能系統的性能首先取決於內存子系統的性能和內存容量。這兩點真正決定了人工智能子系統的性能水平。歡迎回到 2026 年峯會。

Patrick Moorhead 00:22

人工智能的時代已經來臨。內存的重要性和戰略意義令人驚歎。我一直認為內存很重要，但考慮到人工智能時代，它所賦予我們的能力簡直不可思議——坦白說，如果沒有足夠的內存、沒有合適的內存，我們周圍所有令人驚歎的事物都無法實現。

我很高興地宣佈，美光公司將出席本次峯會。很高興見到你，很高興你回來了。謝謝你的邀請。這真是太棒了。我從事這個行業 35 年了，從內存的消費者，到內存的合作伙伴，再到現在在分析公司研究內存市場及所有相關領域。我們取得的成就令人驚歎。去年我們交流的時候，我實際上把內存歸類為戰略性技術——是的，我得為此邀功。坦白說，你更應該得到讚譽，因為你是實際行動者，我只是說說而已。但如今，這種觀點似乎更加重要了，越來越多的人開始談論它。在這個人工智能時代，過去一年裏發生了什麼變化，讓整個行業更加重視內存？

Sumit Sadana 01:44

為什麼人工智能實際上加速了這種轉變？這是個很好的問題。一年過去了，但就過去一年世界發生的變化而言，感覺卻相當漫長。從客戶的角度來看，變化尤其巨大。我們現在面臨的情況是，所有市場領域的內存都嚴重短缺。儘管我們盡了最大努力來增加供應，但目前仍然無法確定何時才能使供應趕上需求，因為需求一直在持續增長。來自各個領域客戶的信號，每年都在不斷增加。

客戶看待內存的方式之所以發生變化，原因有幾個。其一是供需之間存在的巨大缺口；其二是，考慮到人工智能的需求，系統對性能的要求也在不斷提高。當你思考是什麼讓系統發揮出最佳性能時，你會發現處理器並非唯一因素。如今，內存性能、處理器與內存之間的帶寬以及內存本身的容量都至關重要。因為人工智能模型需要存儲在內存中，大量數據需要在內存之間來回傳輸，處理器與內存之間的帶寬就成了性能的關鍵瓶頸。因此，客戶逐漸意識到，他們需要重新規劃產品路線圖，並採用不同的內存策略。

Sumit Sadana 03:44

現在，關鍵在於如何設計內存以獲得競爭優勢，如何讓每個客戶的系統脫穎而出。如果內存仍然像幾年前那樣，採用所有人都使用的、符合 JEDEC 標準的現成內存，那麼就很難實現差異化。因此，我們現在與客戶合作，將內存設計納入他們多年的產品路線圖。他們現在專注於如何實現差異化、如何改變競爭格局。這意味着要以不同的方式思考內存，與像美光這樣的公司合作，設計出一種可以加以應用和利用的新型功能。

Sumit Sadana 04:31

舉個例子，我們與英偉達在數據中心低功耗 DRAM（LPDRAM）領域的合作就是個很好的例子。我們是首家將這項技術引入數據中心的公司，並且長期以來一直是該領域的獨家供應商，而現在這項技術正逐漸被其他公司所採用。越來越多的客戶開始意識到使用低功耗 DRAM 的優勢——它能帶來更高的密度、更小的尺寸、更強的性能，以及顯著降低的功耗，而這對於數據中心來說至關重要。這只是衆多例子中的一個。

Patrick Moorhead 05:07

展望未來五年，這些技術正開始蓬勃發展。當我試圖解釋為什麼人們對內存的興趣如此高漲時，我想起了我大學時上的一門課——那是在 80 年代末，那門課講的基本原理是：如果你能把操作限制在內存範圍內，就能提高性能。當然，現在的情況略有不同。內存越多，你就能獲得更好的結果，而且內存越接近你正在處理的事務越好，因為一旦超出內存範圍，速度就會變慢。在人工智能時代，這是一個很大的挑戰。

這很有意思。我的職業生涯中經歷了九個內存周期。我之前在一家 OEM 廠商工作，也曾在一家芯片公司工作，現在在一家分析公司工作了 15 年。內存似乎是周期性最強的，儘管我知道還有其他行業也有類似的周期規律，但內存也被認為相當商品化。你在第一個問題中已經稍微談到了這一點，但是……

Sumit Sadana 06:17

為什麼人工智能正在從根本上改變這種認知？這是一個很好的問題。如果你回顧上世紀九十年代初，當時有超過 20 家公司在做 DRAM，DRAM 行業經歷了大量的整合。那時候處理器公司就只有那麼幾家，而現在，處理器公司已經超過 20 家了。如果你坐下來數一數所有做處理器設計的公司，這個數字很快就出來了。但是做 DRAM 的公司卻寥寥無幾。

所以，當你思考人工智能設計、人工智能子系統設計時，不僅僅侷限於數據中心——當然，數據中心方面要區分訓練工作負載與推理工作負載，甚至推理工作負載本身也會越來越細分為不同的推理類型。其中一小部分可以使用 SRAM，但很大一部分仍然非常依賴 DRAM。我們儘可能地在這些系統中設計出最大的 DRAM 容量。這種趨勢甚至延伸到自動駕駛汽車、工業系統，再看看智能手機和個人電腦——由於統一內存架構，Mac mini 銷量火爆，掀起了一股"Open Claw"運動。而這一切，歸根結底，都與人工智能息息相關。

Sumit Sadana 07:50

如今，系統性能首先取決於內存子系統的性能和內存容量，這兩點真正決定了人工智能子系統的性能。因此，當內存成為系統的核心設計點時，你就必須以不同的方式思考內存問題。隨之而來的核心問題就是：如何快速推出差異化產品？我認為，未來的內存業務將與過去截然不同，而這又與以下這個理念緊密結合……

Sumit Sadana 08:36

整個行業最終都發展到了需要新建產能的地步，這着實令人意外，因為人工智能驅動的需求增長如此顯著。僅僅依靠技術轉型無法滿足這種需求，而過去幾年，技術轉型帶來的比特增長原本足以滿足需求增長。如今，行業需要大幅增加晶圓產量，這意味着必須建設新的潔淨室空間。當現有生產基地的潔淨室空間告罄時——大多數公司似乎都已面臨這個問題——就必須同時在新建廠址擴產，而這需要很長時間。

這是一個非常耗時的過程，而且還受到諸多實際因素的制約，例如世界各地建設速度的差異，以及監管審批的效率。如何在一片荒地上建立起所有必要的基礎設施——電力、水和水處理廠？化學品供應以及建立晶圓廠所需的一切配套基礎設施，都需要很長時間，這正是整個行業正在經歷的現實。

Sumit Sadana 10:01

所以，儘管我們盡了最大努力，也看到了業內其他企業的努力，但我們目前仍然難以滿足市場需求。供應需要很長時間才能趕上需求，而這也是影響客戶行為的另一個重要因素。

Sumit Sadana 10:27 這就是我們一直在討論的戰略客戶協議。這些戰略客戶協議從根本上改變了我們的商業模式和業務方式。我們簽訂的是多年期合同，承諾向客戶供貨，客戶也承諾提供需求預測。這與以往的一年期協議截然不同——以往客戶想買就買，只要有貨我們就供貨。現在的協議是承諾供貨協議，投資回報率非常高，因此我們可以為多年所需的資本支出提供保障。

當然，這還沒有涉及到智能體人工智能，也就是人工智能發展的下一個階段。之後還會發展到物理人工智能，那將是下一波巨大的需求浪潮。如果你觀察這些不同的需求浪潮，你會發現它們相互疊加、相互促進，而非相互取代。這就帶來了一個很大的挑戰，那就是如何將如此大規模的實體供應能力轉移到線上。

Patrick Moorhead 11:39

在這段時間裏，為了滿足所有這些需求，我認為你們的長協計劃恰恰證明了內存的戰略意義正在提升。我知道很容易將其簡單地歸結為"我們需要長協計劃來鎖定未來的產能"，這固然重要，但它也涉及到協同規劃。

從技術角度來說，我真的深受震撼，也很高興你提到了邊緣人工智能。最有趣的是，無論是 Open Claw，還是客戶端計算領域的一些新設計——例如將內存與 CPU 和 GPU 緊密耦合以增強帶寬——客戶端計算機的架構變化並不多見，它們已經相當穩定了很長時間。接下來我想談談超大規模數據中心，我們之前也稍微討論過，很多動態都發生在這裏，至少在資本支出方面投入巨大，模型和應用方面的創新也主要集中在這些領域。不過，我很好奇，關於自動駕駛汽車、個人電腦、機器人、智能邊緣等領域……

Sumit Sadana 13:00

內存需求是否正在改變這些應用場景？是的，這是個很好的問題。當然，這一切都始於數據中心。但當我們思考人工智能的未來發展方向時，它不會僅僅侷限於數據中心。這股智能浪潮將向邊緣推進，最終，智能將無處不在，滲透到所有設備中。因此，它涵蓋各種消費電子產品、汽車，當然，甚至包括工業革命第二階段——屆時，所有這些智能都將分佈在全球各地的企業之中。

Sumit Sadana 13:43

您的個人設備，無論是在工作場所還是在家中使用的電腦、您的智能手機，甚至包括一些公司正在考慮開發的新設備——這些設備的外形可能與智能手機或電腦截然不同，完全採用不同的設計。因為當你考慮構建一款原生 AI 設備時，可以想到與傳統電腦和智能手機方案完全不同的實現方式。這又回到瞭如何儘可能降低功耗的問題，例如對於一些需要電池供電的設備而言。如何最大限度地提高性能，如何運行那些既能為消費者提供價值、又足夠小以便在設備上運行而無需返回雲端的模型——這正是人工智能的新前沿。

這種探索將會持續下去。那些足夠小、可以在電腦或智能手機等設備上運行的模型，將隨着時間的推移變得越來越好。隨着這種情況的發生，數據隱私和保密性的優勢就凸顯出來了。消費者非常重視這一點，而那些能夠讓消費者確信其與設備交互的所有內容都不會上傳到雲端的公司，將催生出一系列全新的應用，帶來巨大的價值。

Sumit Sadana 15:30

再看看自動駕駛，它現在發展迅猛，這得益於人工智能技術的進步；而下一代前沿技術則是機器人。想想人形機器人，它將成為有史以來最大的產品市場之一。當然，這需要一些時間，但我們正越來越接近那個奇點——屆時，你將能夠像與其他人交談一樣與人形機器人交談，其認知能力幾乎無法區分。隨着時間的推移，這些機器人的物理能力將變得越來越複雜，這將是一項革命性的成果。

最初，它們將應用於工廠自動化之類的環境中，執行非常具體的任務，自由度也較低。一旦從那裏"畢業"，最複雜的環境就是家庭，因為家庭環境非常非結構化。但我相信，進入本世紀 30 年代，機器人技術將成為巨大的增長驅動力。而機器人技術最令人興奮的地方在於，每個設備需要存儲海量數據——每個人形機器人將擁有數百 GB 的 DRAM 內存和數 TB 的 NAND 閃存。因此，它們將極大地推動 DRAM 和 NAND 的需求增長。我認為很多人常常無法充分理解這一點：機器人必須能夠自主運行，不能每次都向服務器發送數據。確實如此。

Patrick Moorhead 17:25

而且，在你講解的過程中，我突然意識到美光正在實現到吉瓦的飛躍。想到要發明這項技術，我就覺得有點不可思議。但我認為，人們在想到美光的時候，應該記住這一點。

隨着人工智能時代的到來，人們的戰略眼光也越來越強，無論是利用尚未發明的前沿設備，還是在不久後發布的、可以直接接入人工智能和大模型的吉瓦級數據中心，都至關重要。

這種共同設計或共同發明的理念我聽說過，也和你們的一些合作伙伴聊過，他們談到了一些正在嘗試的想法。我之前也稍微談到了架構方面的變化——這些變化傳統上是通過某種 JEDEC 標準之類的東西來實現的。但現在我們正在探討的是真正意義上的深度共同設計。您能談談您與合作伙伴之間正在發生的這種關係變化嗎？

Sumit Sadana 18:45

當然。我們的合作伙伴也希望弄清楚如何在各自的市場中獲得優勢、戰勝競爭對手。內存處理器子系統之所以成為人工智能子系統如此關鍵的組成部分，是因為內存與處理器之間的交互本質上決定了人工智能系統的許多關鍵參數——它決定了系統的功耗，決定了可以運行哪些類型的模型、模型的大小以及運行速度。

當你想到大語言模型（LLM）領域各種尺寸和類型上正在發生的種種進步時，你會發現，為了在硬件的內存設計周期和處理器設計周期中實現差異化，各個細分市場都必須密切合作。這並非那種即插即用、符合 JEDEC 標準的器件，事後只需進行一些認證即可使用。雖然部分市場確實如此，但客戶越來越需要思考：如何實現差異化？我需要創造一些現成產品無法提供的特殊功能。因此，我們需要與存儲器公司合作，就研發路線圖展開長達 5 到 7 年的長期討論。我們正在融入許多客戶的研發路線圖，他們提出了許多非常有趣的想法，其中一些可行，而另一些則需要更長時間，才能產生突破性進展所需的發明和創新。

Sumit Sadana 20:28

我們對所看到的多元化理念感到非常興奮。正如您所說，這些理念涵蓋了如此廣泛的系統——有些設備功耗極低，因為全部採用電池供電，而有些設備則適用於吉瓦級的數據中心。我們已經在多個細分領域以及每個細分領域的一些領先客戶中看到了創新成果湧現，我們將繼續見證這些成果，並積極為此努力。

在一些令人振奮的項目中，我們不斷拓展自身能力，交付客戶渴望實現的創新設計理念。客戶無法與多家公司進行如此深度的合作，因此能夠開展深度討論的通常只有一兩家公司，其他公司可能要幾年後才能跟上。這種模式的優勢在於，你可以真正與一兩家公司建立極其緊密的合作關係，通常走上這條路，你會成為單一來源供應商，或者在一段時間內只有另一家供應商。這種模式將合作關係轉變為更類似於 ASIC 芯片的合作模式——客戶在設計上擁有更大的自主權，且這種關係具有長期性。這是因為雙方之間建立的是一種特殊的 ASIC 式合作關係，而不是幾年前那種標準內存芯片式的合作關係。我看到的另一個重大變化是，這種模式可以大規模應用。

Patrick Moorhead 22:27

沒錯。這意味着銷量如此之大，坦白說，資金規模足以讓雙方都進行投資，而當你啓動這個項目時，關鍵就在於差異化。人們都在尋找方法，無論是性能效率還是總擁有成本（TCO），他們都想與衆不同。

我想從投資的角度展望一下未來。你剛纔談到了產能方面的投資。有趣的是，有人期望存儲器工廠能像寫代碼一樣快速建成。但聽着，我曾經在一家擁有晶圓廠的芯片公司工作，即使在今天，這仍然是一個非常困難的資本密集型項目，必須等三四年後才能看到任何有利的結果。您能談談您正在進行的哪些投資真正鞏固了美光在下一代技術中的地位嗎？不管是人工智能，還是其他技術，抑或是人工智能的某種變體。這些投資確實需要很長時間，您已經把這一點說得很清楚了。

Sumit Sadana 23:57

你說得很有道理。順便說一句，如果有人知道如何快速建成一座 DRAM 工廠，我們非常想知道，因為這會大大簡化我們的工作。我們的客戶肯定希望儘快拿到貨，我們也正在盡一切努力。

我們已經竭盡全力，加快推進了所有這些投資。單看我們的資本支出計劃：2025 財年我們的資本支出略高於 130 億美元；2026 財年將翻一番；2027 財年預計將超過 450 億美元。隨着時間的推移，這個數字不斷攀升。我們最近在美國宣佈，將投資額從 2000 億美元提高到 2500 億美元，並加快了時間表，預計到明年年底將投入 502 億美元。

這些投資涵蓋了所有領域。我們正在投資愛達荷州一號工廠（ID1），它將投產第一批生產線；明年年中，ID2 工廠將緊隨其後投產，預計首批晶圓生產線將於 2028 年底投產。我們在台灣收購的晶圓廠也將於 2027 年開始生產晶圓，我們正在進一步擴建該廠。我們在日本和新加坡也在進行擴建，因此我們在全球範圍內有大約 20 個不同規模的投資項目正在推進，旨在提升前端和後端產能。

Sumit Sadana 26:06

但這需要很長時間。每一個新建晶圓廠都是如此。在紐約州，我們規劃了一個包含四個晶圓廠的集群，第一座工廠預計將於 2030 年投產。我們於 1 月份破土動工，混凝土澆築這一里程碑已比計劃提前完成。

Sumit Sadana 26:22

世界各地還有很多項目正在進行，但這些項目都需要辦理各種許可證，還需要建設整個配套基礎設施。建築人才非常緊缺——想想美國和世界許多地方正在同步推進的建設項目吧。

到處都在建設數據中心，這些數據中心需要電力，所以發電廠也在建設中；它們還需要半導體，所以半導體工廠，包括前端和後端，也都在建設中。因此，熟練技術人員的短缺問題非常嚴重，要完成所有這些極其複雜的建設項目，技術人員的數量遠遠不夠。

Sumit Sadana 27:15

因此，我們正在投資社區、培養人才，確保人才儲備充足，這不僅有助於我們推進所有項目，最終也將惠及整個生態系統。我們在進行各種投資，包括人才培養、社區學院建設，以及與我們開展業務的城鎮和社區合作。這對我們來說是一項長期事業。

我們預計隨着時間的推移，設施規模將持續擴大，因為這些晶圓廠就像是集群化佈局，你不能只建一座晶圓廠。你需要規模，需要儘快突破成本曲線的拐點，所以必須持續建設，這意味着未來十年甚至更長時間，擴張都將持續下去。這些都是我們的長期項目。我們認為真正意義上有效的新增供應要到 2028 年才能開始逐步釋放，而且這僅僅是初期階段，產能增長的勢頭要到之後幾年才能真正增強。因此，整個行業需要一段時間才能找到新的平衡點，但具體何時達到平衡，我們目前還無法預測。

Patrick Moorhead 28:54

你舉的例子很好，提供的投資信息也很翔實。不過，有一點我覺得有些人可能會誤解，那就是存儲器的複雜性。我們都知道邏輯芯片很難做。那我們來談談存儲器的複雜性——存儲器是目前最複雜的半導體技術之一。

Sumit Sadana 29:19

我們常說邏輯電路處於技術前沿，但存儲也絕對是尖端技術。它使用 EUV 光刻機，這種機器體積龐大。晶圓廠裏大約有 2000 道工序。從晶圓廠開始生產，到最終能把產品交付給客戶，整個周期大約需要五個月。這令人驚歎，很多人根本難以想象。晶圓廠的生產周期至少要三個半月到接近四個月，然後組裝、封裝和測試又要一個月，有時甚至一個半月。

Sumit Sadana 30:04

對於更復雜的產品，比如 HBM 產品，其複雜性就更加顯而易見了。很多人都稱它為奇蹟，說它能正常工作簡直不可思議。想想看，把 12 層 DRAM 芯片層層堆疊起來，最底層還有一個連接到 GPU 的基礎芯片。整個系統面臨着非常嚴峻的散熱挑戰和功耗問題——如何在如此高的帶寬下運行，在處理器和芯片之間來回傳輸數據時進行有效散熱？單是封裝技術就如同潔淨室環境一般複雜，與我們在邏輯領域長期使用的倒裝芯片封裝技術截然不同。無論從哪個角度來看，無論是封裝技術的複雜性，還是前端工藝技術的進步（例如 EUV 光刻），DRAM 的每個節點都變得越來越難以擴展。

Sumit Sadana 31:18

NAND 端也是如此。我們一層層地堆疊，200 層、300 層、400 層，通過這種方式製造出這些器件，其工藝複雜度簡直是天文數字。而這些 NAND 產品還能存儲數據並實現相應功能——現在一塊 SSD 的容量就能達到 245 TB。如此巨大的容量能塞進如此小的尺寸裏，這簡直是工程師和製造團隊每天努力創造的奇蹟。這其中的複雜性令人難以置信，而在未來幾年裏，我們還要繼續擴展這項技術，實現越來越精細的間距，並真正讓這項技術大規模發揮作用，這又將是另一個奇蹟。

Patrick Moorhead 32:23

這需要大量的時間、精力和技術創新。它的複雜程度令我驚歎，而你能在如此寬廣的功耗範圍內做到這一切，更是讓我嘆為觀止。我不知道地球上有多少公司能做到這一點。

有趣的是，人們經常說"我永遠都無法對此滿足"，我覺得這是因為他們想要更多，想要更多令人驚歎的東西。然後，人們又開始討論價格之類的問題。但我覺得這是一種投資——美光和其他內存行業的公司進行投資是理所當然的，因為坦白說，如果不進行更多投資，創新周期就會停止。我很期待看到美光未來通過其投資能取得怎樣的成就，不僅是在晶圓廠建設上，也包括技術本身。我相信機器人技術能帶來十倍的增長，它可能會成為一個巨大的增長市場——這是我們產能模型中一個甚至還沒有充分考慮到的額外增長點。當然，我們還需要更多證據來確定它何時會真正發揮作用。

非常感謝您這次的對話。難以置信我們一年前就進行了這樣的對話，再看看我們現在的情況，一年時間變化真大。