斯坦福 DAM 做了内存价格长表，但别把它读成采购价

斯坦福 DAM 项目把一件很容易被误读的事做成了图：从 DRAM、NAND flash 到 HBM，再到 AI 加速器成本拆分，都能在交互页面里看历史走势，还能下载 CSV。

这类数据最诱人的地方，是一眼看出“每 GB 价格在长期下降”。但最危险的地方也在这里：图上的 $/GB，是名义美元下的最低挂牌零售价。它不是成交价，不是合同价，不是行业均价，也没有做通胀调整。

所以我更在意的不是曲线本身，而是它能不能帮我们少犯一个错误：把一张研究用的长表，当成今天的采购报价单。

这套数据覆盖什么，也没覆盖什么

DAM 这页的价值，在于把来源摊开了。

DRAM 的深度历史主要接自 John C. McCallum 的经典内存价格数据。到 2024 年中之后，数据源转向 Keepa 追踪的 Amazon 新消费级 DIMM 最低价。NAND 主要看 2016 年以来消费级 NVMe SSD 的最低零售价，2010-2016 年只有近似锚点。

HBM 更特殊。它没有公开现货市场。DAM 里的 HBM2e、HBM3、HBM3e，以及预测中的 HBM4，来自 TrendForce、SemiAnalysis 等行业估算。

AI 加速器成本拆分则来自 Epoch AI。它不是拆某一颗芯片的账本，而是对 Nvidia、AMD、Google TPU、Amazon Trainium 做产量加权后的模型估计。

这张表最适合做“趋势底稿”。研究者可以用它校准长期叙事，产业团队可以用它检查自己对价格方向的判断。

但它不适合拿来做结算依据。差之毫厘，谬以千里。最低挂牌价和真实采购价之间，隔着渠道、批量、合同周期、产品等级和库存状态。

DRAM、NAND、HBM 不能直接横向比价

DRAM 和 NAND 看起来都用 $/GB，读起来像同一把尺。其实不是。

DRAM 在 2024 年中有一次数据源拼接：从 McCallum 转到 Keepa。Amazon 上的最低价可能来自清仓产品，也可能低于旧数据中的代表性低价。拼接处如果出现跳变，不必急着解释成行业突然降价。

NAND 的边界更窄。2016 年后，它主要追踪消费级 NVMe SSD 的最低零售价。这个口径能说明消费级 SSD 的价格压力，却不能直接推出云厂商采购企业级 SSD 的合同价。

HBM 更不能按零售品理解。它通常绑定 AI 加速器供应链，不存在像 DRAM 条、SSD 那样可公开抓取的现货市场。DAM 里的 HBM 价格和代际数据，目前只能当行业估算使用。

这对两类人影响最直接。

AI 硬件和半导体从业者，可以把这套数据放进成本假设表里做压力测试：如果 HBM 或先进封装权重上升，整机降价空间可能被压住。但不应拿图上的 HBM 数字去反推某家厂商的实际采购价。

科技产业研究者更适合把它当作引用底稿。写长期趋势、代际切换、成本结构，可以用；写具体厂商利润、单颗芯片 BOM、季度采购价格，就要另找证据。

用它判断 AI 硬件成本，要看结构而不是点位

Epoch AI 的加速器成本拆分，是这套数据里和 AI 产业最贴近的一块。

它把 Nvidia、AMD、Google TPU、Amazon Trainium 纳入产量加权模型，拆出 HBM、逻辑裸片、先进封装和辅助部件的大致占比。这个视角能解释一个现实约束：AI 芯片降本，不只看算力芯片本身，也看 HBM 供给和封装产能。

但模型仍然是模型。它不会告诉读者某一代 Nvidia GPU、AMD MI300X、Google TPU 或 Amazon Trainium 的单独 BOM。也不能拿来推厂商毛利。

更稳妥的用法，是把它当成本结构罗盘。

采购团队可以用它判断是否需要延后部分配置决策，等待 HBM 或封装约束更清楚。芯片和服务器团队可以用它检查方案取舍：继续堆 HBM 容量，还是在性能、容量、供货稳定性之间重新配比。

后面最该盯三处，不是某一个漂亮价格点。

回到开头那张图。它的意义不是给采购盖章，而是把“价格下降”这句话拆开：哪一类产品在降，按什么口径在降，数据从哪里来，哪些部分只是估算。

能把边界写清楚的数据，比一串没有来源的价格传闻更有用。前提是读者也守住边界。