Mac Mini M6 和 Mac Studio M5 Ultra 一发布，留言区清一色在问同一件事：统一内存到底是什么？
32GB、128GB、512GB，这些数字听起来跟一般电脑差不多，但 Apple 的内存跟 Windows PC 的运作方式完全不同。搞懂统一内存在做什么，就能理解为什么一台桌面型 Mac 可以在本机跑四百亿参数的 AI 模型，而一张快两千美元的 Nvidia 显卡办不到。
这篇是 AI 硬件供应链一条龙 的内存延伸篇，从消费端的统一内存切入，看它的设计逻辑、AI 应用场景，以及它在供应链里被夹击的处境。
统一内存是什么？一句话加一个画面
先给画面。
一般 Windows 电脑里，CPU 用的系统内存（DDR5）和显卡上的显存（VRAM，通常是 GDDR7）是两块分开的内存，中间靠 PCIe 总线（主板上连接各元件的高速通道）搬数据。CPU 要把一张图交给 GPU 处理，得先“复制一份”送过去。
Apple Silicon 把这件事砍掉了。CPU、GPU、Neural Engine（Apple 芯片里专门加速 AI 运算的硬件单元）共用同一块 LPDDR5X 内存，直接焊在芯片旁边，距离只有几毫米。任何一个处理器要用数据，不用复制，直接读同一块。
一句话：统一内存就是“所有处理器共用同一块”，数据不用搬家。
跟传统电脑的内存差在哪
| 传统架构（Windows PC＋独立显卡） | Apple Silicon 统一内存 | |
|---|---|---|
| 内存种类 | 系统 DDR5 加显卡 GDDR7，各一块 | 一块 LPDDR5X，全部共用 |
| 数据怎么搬 | CPU → PCIe → GPU，要复制 | 不用搬，直接读同一块 |
| GPU 能用多少内存 | 只有显卡上那块（RTX 5090 是 32GB） | 全部。M5 Ultra 512GB，GPU 能用 512GB |
| 扩充 | 系统内存可换；显卡内存不能 | 出厂焊死，买的时候就决定 |
差异的核心在“GPU 能用多少内存”。
传统架构下，Nvidia RTX 5090 只有 32GB 显存。模型塞不进去就得把一部分暂存在系统内存，再通过 PCIe 一批一批喂过来，速度大幅下降。统一内存不分家，512GB 全在 GPU 可以直接访问的范围内。
代价也很明确：LPDDR5X 的带宽比不上 Nvidia 用的 GDDR7。RTX 5090 的内存带宽 1.79TB/s，M5 Ultra 是 1.2TB/s，M5 Max 只有 614GB/s。同一个模型、两边都塞得下的情况下，Nvidia 显卡算得快。但模型一旦大到塞不进显卡内存，统一内存的容量优势就压过了带宽差距。
核心数据快照
2026 年 8 月的 Apple Silicon 统一内存阵容，以及 Nvidia 旗舰显卡的对照。
| 芯片 | 最大统一内存 | 内存带宽 | 制程 | 搭载产品 | 起价（NT$） |
|---|---|---|---|---|---|
| M6 | 32GB | 170 GB/s | 2 纳米（N2） | Mac mini | NT$29,900 |
| M5 Pro | 64GB | 307 GB/s | 3 纳米 | Mac mini | NT$59,900 |
| M5 Max | 128GB | 614 GB/s | 3 纳米 | Mac Studio、MacBook Pro | NT$84,900（Studio） |
| M5 Ultra | 512GB | 1.2 TB/s | 3 纳米（四芯粒） | Mac Studio | NT$199,900 |
| Nvidia 显卡 | VRAM | 内存带宽 | 建议售价 | 2026 实际市场价格 |
|---|---|---|---|---|
| RTX 5090 | 32GB GDDR7 | 1.79 TB/s | US$1,999 | US$5,000 以上 |
| RTX 5080 | 16GB GDDR7 | 960 GB/s | US$999 | 多数渠道缺货 |
带宽 Nvidia 赢，容量 Apple 赢。这个落差在跑 AI 的时候会被放到最大。
为什么统一内存跟 AI 扯上关系
跑 AI 模型有两道门槛：内存容量决定“能不能跑”，带宽决定“跑多快”。容量是第一道，模型塞不进去，带宽再高也没用。
拿“在自己电脑上跑大型语言模型”这件事当例子。
一个 70B 参数的模型（如 Llama 3 70B），经过量化压缩后大概需要 40GB 内存。RTX 5090 的 32GB 塞不下，只能把一部分搬到系统内存再通过 PCIe 慢慢喂，推理速度从每秒二十几个 token 直接掉到个位数。M5 Max 的 128GB 轻松装得下，用 Apple 的 MLX 框架（专门为统一内存设计的 AI 框架）跑，每秒能吐十几个 token。
40B 参数的 MoE（混合专家模型，如 Llama 4 Maverick）更夸张。压缩后大约要两百多 GB，就算买两张 RTX 5090 加起来也只有 64GB，根本不够。M5 Ultra 的 512GB 是 2026 年唯一能在单台桌机上完整装下这种模型的方案，不用服务器、不用云端，每秒约十二个 token。
所以规律很简单：模型越大，统一内存的容量优势就越明显。 小模型两边都跑得动，Nvidia 靠带宽赢；大模型 Nvidia 塞不下，Apple 靠容量赢。
MLX 之所以能发挥，也是因为统一内存省掉了 CUDA 工作流里“把 tensor 从 CPU 内存搬到 GPU 内存”这个步骤。数据本来就在同一块上，启动快、内存利用率高。
供应链角色：LPDDR5X 的争夺战
统一内存用的 LPDDR5X，跟手机用的是同一种内存规格。供应商就三家：三星、SK 海力士、美光。
这件事在 2026 年变成大问题。
SK 海力士和美光把大量产能转去做 HBM（AI 数据中心 GPU 专用的高带宽内存），利润更好，排产优先。结果 LPDDR5X 的产能被挤压。2026 年第二季度，LPDDR5X 价格单季暴涨近九成；交期从十几周拉长到四十到五十八周。三星补上了部分缺口，目前供应 Apple 六到七成的 iPhone 内存，但报道指出 Apple 接受了三星开出的翻倍报价。Tim Cook 在财报会上称这波涨价是“百年洪水”。
涨价直接反映在 Mac 售价上。Mac mini M6 的起价从上一代的 NT$19,900 跳到 NT$29,900，涨幅超过五成。MacBook Air 和 MacBook Pro 也各涨了近两成。美国甚至有联邦诉讼指控内存厂商联合定价。
结构性的问题在更深的地方：Nvidia 也开始大量采购 LPDDR5X，用在边缘 AI 平台（如 Jetson Thor）。预估 Nvidia 的 LPDDR 采购量将超过传统手机厂商，成为全球最大的 LPDDR 需求方。Apple 和 Nvidia 抢同一块内存的局面，要到 2028 年内存厂扩产完成后才可能缓解。
Apple 试过找第四家内存供应商来分散风险，据报道没有成功。整个 DRAM 市场到 2027 年前预计不会有新玩家进场。
这一关的重点
统一内存做的事很直观：把所有处理器的内存合成一块，不分家、不用搬。这个设计在 AI 时代找到了新的意义。当模型越来越大，“内存容量”成了比“运算速度”更先撞到的天花板，统一内存的容量优势就变成本机跑 AI 的入场券。M5 Ultra 的 512GB 是目前个人桌机的最大值，能装下过去只有服务器才跑得动的模型。
但它也把 Mac 的命运更深地绑在内存供应链上。LPDDR5X 被 HBM 挤压产能、被 Nvidia 分食需求，价格暴涨直接推高 Mac 整条产品线的售价。这块内存的供需角力，会是接下来几年影响 Apple 产品定价和出货节奏的大变数。当 Nvidia 边缘 AI 平台也开始大量吃 LPDDR，消费端和数据中心的内存战争到底会怎么分化，目前还看不到底。
想接着看 AI 数据中心用的另一种内存，可以读 HBM 是什么；想看整条 AI 硬件供应链八个关卡怎么串起来，回到 供应链总览。
本文为 AI 硬件产业的知识整理，所有规格与价格以发布时点为准，会随时间更新，不构成任何投资建议。