近日，“国产存储第一股”长鑫存储正式登陆创业板，并以暴涨 500% 的惊人表现引爆全场。尽管近期存储板块整体仍受回调余波扰动，但 AI 存储依然在当下的科技叙事浪潮中被资本疯狂重估。与此同时，Web3 领域的去中心化存储却陷入了长期的沉寂与失落。为什么同样冠以“存储”之名，市场表现却冰火两重天？究其原因，根本答案在于底层价值函数的彻底分野。
AI 时代的存储重估，本质上是一场关于 “ 热数据效率 ” 的狂欢，它服务于 算力利用率 与 商业变现 的极致最大化；而去中心化存储坚守的，则是 “ 冷数据可信 ” 的价值主张，它捍卫的是 数据公平、抗审查与人类文明的长期记忆 。前者是热数据的效率系统，后者是冷数据的可信系统。当前的资本市场无疑坚定地站在“效率”一侧，但人类文明最终依然需要不可篡改的记忆底座。可信冷存储的长期价值从未消失，它只是蛰伏于周期的暗面，等待被时代重新定价。
存储为什么重新成为 AI 产业链焦点
在传统 IT 时代，存储是一门「容量生意」。企业 CIO 关注的是单位容量成本、硬盘可靠性、灾备方案、归档策略以及长达 3–5 年的设备更新周期。存储被视为一种跟随服务器采购的附属品。
本轮存储热潮并非传统周期复苏，而是 AI 对数据流动能力的重新定价。大模型时代，存储逻辑从“容量优先”质变为“效率至上”，死磕 GPU 喂饱率、Checkpoint 写入与 RAG 极低延迟等极限指标。这标志着存储价值正从“ 数据的最终停放地 ”，跃升为“ 数据进入计算的高速通道 ”。
AI 基础设施的资源瓶颈演进，本质上是一场「木桶效应」的补齐战。算力的真实利用率并非单一资产的线性叠加，而是严苛的乘数效应：算力真实利用率 = GPU × HBM × DRAM × SSD × 网络 × 文件系统，任何一环的短板，都会导致整体算力利用率崩溃。 AI 时代，存储第一次从「成本中心」变成了「效率引擎」 。 这正是存储被重新定价的根本逻辑。
AI 存储架构全景：从 HBM 带宽器官到数据湖底座
AI 存储绝非单一硬件的堆砌，而是一个紧密耦合、分层调度的复杂体系。在这一体系中，产业价值与资本焦点高度向 HBM、企业级 SSD、SSD 主控、NVMe/CXL 协议及高性能存储系统 集中。为清晰拆解其价值流向，我们将 AI 存储架构自上而下划分为四大核心层级：
- 计算近端内存层（带宽核心） ：以 HBM 为绝对主力，辅以 DRAM 与 CXL 内存池化技术。该层直接贴合 GPU/CPU 封装或总线，旨在打破“内存墙”，是决定算力能否被充分释放的第一道关口。
- 高速持久化存储层（IO 枢纽） ：核心逻辑为 企业级 SSD = NAND 颗粒 + SSD 主控 + NVMe/PCIe 数据通路。该层承接高频 Checkpoint 写入、海量训练集加载与 RAG 热数据缓存，是 AI 数据中心最明确的持久化存储增量。
- 低成本大容量存储层（容量底座） ：由 HDD、冷存储与数据湖归档系统构成。面对指数级膨胀的多模态原始数据、历史日志与合规备份，该层依然提供不可替代的 TCO（总拥有成本）优势。
- AI 存储系统与数据软件（调度大脑） ：包括高性能并行文件系统、分布式对象存储、向量数据库及 RAG 数据治理层。AI 真正消费的并非裸硬件，而是被软件栈高效组织、索引与权限化后的数据可用性。
作为生态延伸，去中心化存储不直接卷入 AI 热数据的毫秒级竞速，转而锚定公共数据集存证、AI 训练数据溯源（Provenance）与长期冷记忆归档，确立了其作为“可信冷层”的独特生态位。
HBM：AI 存储链条中最接近算力的“带宽器官”
高带宽内存 (High Bandwidth Memory) 并非传统存储，而是 GPU 近端的高带宽内存层。其核心使命不是保存数据，而是以极高带宽向算力持续“喂养”数据。HBM 是 AI 存储链中最靠近算力、确定性最高的环节，直接决定 GPU 能否被“喂饱”，是当前最核心的供应链瓶颈。
HBM 核心架构为“3D DRAM 堆叠 + 2.5D 先进封装”：通过 TSV 垂直堆叠与 CoWoS 异构集成，极致压缩存算距离，实现带宽的代差级跃升。其产业壁垒不只是 DRAM 设计，而是 DRAM 制程、TSV、超薄堆叠、封装、散热、测试与客户认证的系统工程。 任何一环的良率瑕疵，均会导致整颗 HBM Stack 报废。
目前全球仅 SK 海力士 、 Samsung 、 美光Micron 三巨头能稳定量产，构筑了顶级 DRAM 制程、封装能力与 NVIDIA/AMD 客户认证的三重护城河。
代际
容量/颗
带宽
接口位宽
量产时间
主要客户
HBM2e
8–16GB
460 GB/s
1024-bit
2019–2020
成熟代际，用于 A100 等上一代 AI 加速器
HBM3
24GB
819 GB/s
1024-bit
2022
SK hynix 在 H100 周期获得显著先发优势
HBM3e
24–36GB
1.2 TB/s
1024-bit
2024–2025
当前 AI GPU 放量主力。供应商以 SK hynix、Micron、Samsung 三家为核心
HBM4
32–48GB
>2 TB/s
2048-bit
2025–2026
2026年面向下一代 AI ，
量产导入/客户认证阶段
HBM4E
64GB+
>2 TB/s
2048-bit+
2027后
2027 年后 规划/研发
DRAM 与 CXL： 系统内存底座与内存池化引擎
HBM 解决 GPU 近端极限带宽，DRAM 夯实服务器系统内存底座，CXL 则试图打破物理边界，重构数据中心内存资源的组织方式。
- DRAM： 主要承载 CPU 侧缓存、数据预处理、中间状态暂存及系统运行，是服务器最基础的系统内存层。全球 DRAM 市场高度集中于 SK hynix、Samsung、Micron 三巨头；长鑫存储（CXMT）则是中国 DRAM 国产替代的核心变量。
- CXL( Compute Express Link ) ：是面向数据中心的新一代缓存一致性互联协议，旨在突破传统 DIMM 插槽、本地内存容量和服务器内存资源孤岛的限制，推动内存架构向扩展、池化与共享演进。当前 CXL 仍处于从平台支持走向规模部署的早期阶段，中长期架构价值较高；核心公司包括Astera Labs与澜起科技。
企业级 SSD：NAND、主控与 NVMe 构筑的数据枢纽
企业级 SSD 是 AI 数据中心最核心的高吞吐持久化增量，以极高吞吐、极低延迟与稳定 QoS，将数据持续"喂养"给 GPU，贯穿训练数据加载、Checkpoint 写入、RAG 检索、推理缓存与日志回流等全生命周期。
在 AI 存储架构中，SSD 并非孤立硬件，而是一个高度耦合的系统，可提炼为产业公式：企业级 SSD = NAND 颗粒 + SSD 主控 + NVMe/PCIe 数据通路。三层代表独立的产业链环节：
- NAND 颗粒（原材料层） ：决定存储密度与单位成本，主控掌控性能释放与寿命管理 代表公司Samsung、SK hynix (Solidigm)、Micron、Kioxia、Western Digital、长江存储
- SSD 主控（性能赋能层） ：决定性能释放、数据纠错、QoS 稳定性与磨损均衡。代表公司Phison（群联）、Silicon Motion（慧荣）、Marvell、Maxio（联芸）。
- NVMe/PCIe（数据通路层） ：决定数据从存储到计算的传输效率。结合 GPUDirect Storage 技术，减少 CPU 内存 bounce buffer 与 CPU 参与，显著缓解 I/O 瓶颈 。代表公司：Broadcom、Marvell、Astera Labs
HDD / 冷存储 / 归档：AI 数据湖的低成本底座
AI 不会消灭 HDD。随着多模态大模型对视频、图像数据的渴求，以及企业合规日志、历史数据集的指数级膨胀，低成本冷数据存储需求正同步暴增。在 AI 存储架构中，SSD 与 HDD 基于业务价值的分层协同：SSD 负责热数据与高吞吐，HDD 负责低成本与长周期保存。代表公司包括 Seagate、Western Digital、Toshiba。
AI 存储软件栈：数据可用性的调度中枢
AI 真正消费的从来不是裸盘，而是被软件栈精密组织后的“数据服务”。该架构将底层硬件转化为上层 AI 可直接调用的知识资产，具体分为四层：
- 高性能存储系统（供料系统） ：以并发吞吐与低延迟为核心，通过并行文件系统解决 GPU 集群的“数据饥饿”问题，保障训练与推理的极速流转。代表公司：VAST Data、WEKA、Pure Storage。
- 对象存储（原始数据湖） ：以 Object、Key 与 Metadata 管理为核心 ，承载海量非结构化数据。不追求极致低延迟，以低成本与云原生特性构筑容量底座。代表公司：AWS S3
- 向量数据库（语义索引层） ：向量数据库负责存储、索引和检索由 embedding 模型生成的向量 ，让 AI 从海量知识中精准定位相关内容。代表公司：Pinecone、Milvus
- RAG 数据层（知识调用层） ：超越单一检索，涵盖数据切片、清洗、权限控制与引用溯源，确保企业数据能被大模型安全、准确、可追溯地调用。代表公司：Databricks
从 AI 热存储到去中心化冷记忆：效率最大化 vs 可信最大化
AI 存储 是极致的效率驱动系统，其价值函数聚焦于最大化计算产出。 HBM 带宽 决定 GPU 能否被喂饱， SSD 吞吐 决定数据集与 Checkpoint 读写效率，低延迟关乎 RAG 与推理的实时体验。这些指标最终汇聚为 GPU 利用率 与 单位 Token 成本 ，直接决定 AI 应用的商业盈亏。AI 存储的终极目标不是保存，而是 加速 ，服务对象是 生产力 。
而去 中心化存储 的价值函数截然不同。它追问数据十年后是否依然存在、是否被篡改、能否抵御单点审查。通过密码学证明与分布式网络，它构筑了开放访问且永久保存的公共数据底座。其终极目标是捍卫数据的绝对真实与主权独立，服务于 公平性、抗审查需求与文明记忆 。
维度
AI 热存储
去中心化冷存储
核心价值
效率最大化 — 加速数据进入计算
可信最大化 — 保证数据不被篡改删除
数据类型
热数据 / 温数据 / 实时推理
冷数据 / 永久归档 / 公共记忆
关键指标
带宽、吞吐、延迟、GPU利用率
可验证、抗审查、不可篡改、永久保存
付费来源
云厂商、AI Lab、企业 RAG 系统
公共数据集、长期归档、链上应用
终极目标
不是保存，而是加速
不是速度，而是可信
市场状态
火热 — 超级周期进行中
寂静 — 估值坍塌、叙事被抽血
AI 存储是为未来生产力提供燃料的「热存储」，去中心化存储是为人类文明保存不可删除历史记录的「冷记忆」。前者服务于效率，追求极致速度；后者服务于可信，捍卫沉默的记忆。前者决定模型跑得多快，后者决定记忆是否会被删除。当前，市场机制奖励生产力的效率，AI 存储处于风口浪尖，而去中心化存储似乎正在经历估值坍塌、叙事被抽血的寂静。
去中心化存储的愿景与现实
去中心化存储项目众多，但按行业心智与生态沉淀，核心代表始终是 Filecoin 与 Arweave。两者虽然都属于「去中心化存储」，但底层架构哲学几乎是两条完全不同的路径——前者用市场化合约逼近 AWS 的弹性，后者用一次性社会契约逼近图书馆的永恒。
免责声明：本文仅用于信息交流，不构成投资建议。数字资产具有高风险，请自行判断。
← 返回最新