【AI+Hardware】"Lobster" OpenClaw Drives Shift in Hardware Demand, Will Memory Prices Continue to Rise? Morgan Stanley: Execution Requires More DRAM Than Thinking

Recientemente, OpenClaw ha provocado una ola de entusiasmo por la “crianza de langostas”. Morgan Stanley señala que los agentes de inteligencia artificial (IA) representados por OpenClaw están provocando un cambio en la demanda de hardware, ya que el cuello de botella de la IA pasa de la potencia de cálculo a la gestión de datos. Ejecutar tareas requiere más DRAM (Memoria de Acceso Aleatorio Dinámica), lo que hará que la oferta de DRAM sea aún más ajustada.

La firma ha elevado el objetivo de precio de SK Hynix a 1.3 millones de wones coreanos y también ha aumentado el objetivo de Samsung Electronics para sus acciones ordinarias a 251,000 wones, manteniendo ambos la calificación de “sobreponderar”.

El informe prevé que los precios de la memoria acelerarán su crecimiento anual, situándose actualmente en una fase intermedia de subida. Específicamente, para el segundo trimestre de 2026, se espera que el precio de la DRAM DDR5, utilizada principalmente en cálculos de alta gama, suba más del 50% trimestre a trimestre, mientras que la DDR4, con aplicaciones más amplias, podría experimentar un aumento del 30% al 40%. Los precios de los productos NAND eSSD para servidores podrían duplicarse.

Cambio en el cuello de botella de hardware y tensión en la demanda de DRAM en modo de “ejecución autónoma” de IA

A diferencia de IA generativa como ChatGPT, que responde a preguntas, OpenClaw funciona más como un equipo de asistentes eficiente, que busca información en la web de forma autónoma, utiliza herramientas externas, lee y analiza documentos e incluso ejecuta código, para finalmente derivar resultados complejos.

Morgan Stanley opina que la coordinación en múltiples pasos, la invocación de herramientas y la orquestación de procesos cambian el cuello de botella del hardware de la IA de la GPU (procesador gráfico) a la CPU (procesador central) y a la memoria. El tiempo de cálculo de la CPU ralentiza toda la tarea. Además, los múltiples agentes deben compartir continuamente el contexto, descargar la caché KV (Key-Value Cache), almacenar y recuperar los resultados de cada paso intermedio, lo que consume en exceso la capacidad de DRAM.

En la era de los modelos de lenguaje grande (LLM) tradicionales, la potencia de la GPU se consideraba el cuello de botella decisivo, ya que la CPU solo necesitaba convertir los tokens (que representan recursos de cálculo o unidades de facturación de servicios de IA) en texto, y la DRAM solo debía encargarse de tareas de lectura y escritura en caché.