存储的黄金时代，存储厂商却在失去定义权

编辑：包永刚

2025 年，存储行业的黄金时代拉开序幕。

集邦咨询（TrendForce）预计，全球存储器产业产值今年将达到 5516 亿美元，2027 年还将继续增长 53%，逼近 8427 亿美元。

景气的同时，供给端被进一步锁死：三星、SK 海力士、美光三大存储原厂，今年 8 月就已提前敲定 2027 年全年的 DRAM（动态随机存取内存）和 HBM（高带宽内存）产能分配，多数客户仅能拿到 60% 到 70% 的供货量，瑞银预测 2027 年 HBM 均价将同比上涨超过 79%。

这样的顺周期，对存储人来说，放在过去很难想象。但赚钱的另一面，是存储行业始终没能真正跨过去的一道坎。

过去，存储厂商应对需求增长的方式相对线性：制程演进、容量提升、接口升级，扩产、涨价，按周期赚钱，逻辑并不复杂。这一次需求涌进来时，首先撞上的，是存储和计算之间那道由来已久、被业内称为“存储墙”的鸿沟。

“存和算之间隔着一条河，存储墙永远存在。如何过河，是搭几座小桥还是修一条高速，这是存储架构的永恒命题。”关注存储的投资人陈伦这样形容存储和计算之间的关系。

他指的，是一个存在了几十年、却在 AI 时代被急剧放大的矛盾：计算性能涨得很快，存储带宽的提升速度却根本跟不上。

随着模型参数量和上下文长度不断膨胀，这堵墙还在变宽，而眼下所有重点的存储方向，本质上都是在回答同一个问题：怎么过河？

过去，存储厂商在这堵墙前并非完全被动，支撑它们的，是一套长期形成的产业协同机制：通过标准定义产品，通过规模化供应满足不同市场需求。

这种模式能够持续几十年，一个重要前提是需求端足够多元。PC、手机、服务器等市场的发展节奏不同，单一客户很难凭借自身需求改变整个行业的技术路线。因此，存储产业形成了一种相对稳定的循环：标准按照行业共识推进，厂商围绕标准迭代产品，客户根据自身需求选择方案。

但AI的出现，正在改变这套平衡。

首先被打破的是产业演进的节奏。

以 HBM 为例，从 2013 年第一代 HBM 标准（JESD235）发布，到 2016 年 HBM2 确立，再到  2022 年前后 HBM3 推出，以及 2025 年 HBM4 标准正式落地，每一代标准的演进周期通常需要数年时间。

过去，市场需求足够分散，行业总能在长期协商中找到一个最大公约数。但 AI 时代，计算架构的变化速度远远超过传统存储标准的迭代周期，存储开始面对一个由 AI 芯片厂商主导的新需求环境。

AI 存储解决方案销售郑凯认为，问题在于“英伟达几乎每年推出新一代 GPU，而 JEDEC 制定一个内存标准需要的时间远远超过一年，所以如果 HBM 只做标准化产品，它永远追不上 GPU 的节奏”。

当存储需要围绕 GPU 架构、封装方式和系统性能进行快速调整时，过去依靠行业共识推进的标准化路径，开始难以满足 AI 基础设施的迭代速度。

于是，定制化 HBM 正在日益成为行业共识：产品逻辑从“先定标准、后卖产品”，转向“围绕客户架构共同设计”。这种变化已经体现在产业实践中：多家存储厂商都在围绕头部 AI 芯片企业的需求，提前参与设计和产能规划，为不同架构提供定制化方案。

郑凯把这种关系比作“为某一位客户量身定制西装”：产品可以更贴近客户需求，但一旦客户需求发生变化，专用设计的价值也会迅速下降。

而变化并不只发生在产品迭代速度上。

过去，客户选择存储产品时，关注的是容量、性能、寿命和价格等指标，标准化参数基本可以完成采购决策。但 AI 时代，客户提出的问题已经超出了传统存储规格表的范围：大模型推理中的 KV Cache 应该放在哪一层存储架构中？GPU 是否能够绕开传统路径直接访问存储？存储设备内部是否需要承担部分计算任务？

这些问题关注的已经不是一块存储产品本身，而是存储如何融入整个 AI 基础设施。

正如英韧科技创始人吴子宁所判断：“介质不再是被动适配的标品，而是与系统架构共同设计的部件。”

当存储从一个独立产品变成 AI 系统中的关键组件，新的问题随之出现：如果存储需要与系统共同设计，那么谁将在这场重新定义中占据主导权？

存储产品之前的评价体系相对清晰：容量、带宽、延迟、寿命和价格，基本构成了一块存储器件的核心指标。但 AI 正在改变这套评价逻辑。

在传统场景中，客户更多关注单个器件能够提供怎样的性能；而在 AI 基础设施中，存储价值越来越取决于它能否与计算系统形成匹配。换句话说，存储不再只是提供更快的数据读写，而是需要保证数据能够按照 GPU 的计算节奏持续供给，避免昂贵的计算资源因为等待数据而闲置。

HBM 的发展，就是这种变化最直接的体现，它本质上是 GPU 算力增长对存储架构的反向牵引。

无论是训练阶段的大规模参数和梯度同步，还是推理阶段不断生成新的 Token，GPU 计算能力的提升都要求存储系统提供更高的数据吞吐能力。尤其在大模型推理过程中，随着上下文长度和并发请求增加，KV Cache 等中间数据不断膨胀，数据搬运正在成为影响 GPU 利用率的重要因素。

这也是为什么 HBM 持续向更高带宽演进。

按照 JEDEC 标准，HBM3 的带宽达到 819GB/s，而 2025 年 4 月正式确立的 HBM4 标准进一步提升至 2TB/s，同时通道数量从 16 个增加到 32 个。

短短几年间，HBM带宽提升超过两倍，但这种增长并没有终结存储瓶颈。原因在于，AI模型规模、上下文长度以及推理并发量也在同步增长，计算需求不断重新吞噬新增的存储带宽。

如果说HBM代表的是 AI 对“速度”的重新定义，那么 QLC 代表的则是 AI 对“规模”和“效率”的重新定义。TLC（三级单元）和 QLC（四级单元）是 SSD（固态硬盘）使用的两种 NAND  闪存类型。

solidigm 销售副总裁倪锦峰提到，在 AI 基础设施的存储分层中，过去第四层通常承担容量型、持久化的数据存储任务，主要由机械硬盘承担，并通过前端 TLC SSD 提供缓存加速。但随着 GPU 集群规模扩大，AI数据量持续增长，传统方案在空间占用、功耗以及运维复杂度上的压力逐渐显现。

因此，部分北美智算中心开始采用以 QLC SSD 为代表的大容量 SSD 替代部分传统容量层方案。相比机械硬盘，QLC SSD 能够在更小空间内提供更高密度的数据存储，同时降低系统功耗和访问延迟。

对于需要承载几十 PB 甚至更大规模数据的智算中心而言，在有限的机架空间和电力预算下，存储系统能够提供多少有效容量、支持多少数据访问，以及最终带来怎样的总体拥有成本，是更重要的。

这种变化也解释了为什么存储在 AI 基础设施中的价值正在被重新评估。

从建设阶段看，GPU 通常占据智算中心投资的大部分比例，存储投入相对有限。但进入运营阶段，存储系统是否高效，会直接影响 GPU 资源利用率。如果数据无法及时供给计算节点，再强大的 GPU 也可能处于等待状态。

因此，AI 时代衡量存储价值的标准正在发生变化。英韧科技创始人吴子宁提出，未来更重要的指标可能是“每 TB 功耗”和“每瓦性能”：存储竞争的重点，不只是单块设备能跑多快，而是在整个 AI 系统中，如何以更低的能源消耗支撑更多有效计算。

曾经，一块盘的性能主要由自身参数决定；而现在，什么样的存储才算高性能，需要放在 GPU 架构、数据流动方式以及 AI 负载需求中重新衡量。

性能评价体系变化之后，问题进一步延伸到了系统层面：当一块存储设备不再只需要提供固定的容量、带宽和延迟，数据究竟如何在 GPU、内存和存储之间流动，也开始成为存储价值的一部分。

过去，存储与上层系统之间存在着相对成熟的分工。存储设备通过 SATA、NVMe 等标准接口提供容量和性能，主机、操作系统和应用软件则负责如何使用这些资源。

对于数据库、文件系统和普通应用而言，这种分工已经足够有效。

而AI改变的，是数据访问本身。

大模型推理并不是简单地从存储中读取数据。随着上下文不断增长，KV Cache 的容量持续膨胀；不同模型、不同推理框架对于 KV Cache 的生成、迁移和复用方式也并不相同。

数据放在哪里、什么时候迁移、哪些数据需要留在高带宽内存中、哪些可以下沉到更低成本的存储层，逐渐成为影响推理效率的重要问题。

这意味着，存储开始面对一批传统参数表无法直接描述的新需求。

月之暗面的 Mooncake，是这种变化的一个典型案例。

在 Kimi 的底层推理系统中，Mooncake 将 Prefill 和 Decode 拆分为两个相对独立的资源池：前者主要处理输入 Prompt，计算密集且更容易并行；后者负责逐 Token 生成，对内存访问和数据供给更加敏感。

在此基础上，Mooncake 进一步将 CPU、DRAM、SSD 和高速网络组织起来，构建统一的 KV Cache 资源池，并根据数据访问情况进行分层管理。

SSD 被放进了完全不同的数据流中，尽管介质的能力是固定的，但它被访问的方式、被调度的逻辑、被评价的标准，全部由上层推理系统重新定义。

问题随之落到了一个新的产业环节：上层软件提出的数据访问需求，如何真正落实到底层介质？

吴子宁将这一过程称为一层“翻译”。

存储原厂主要负责 NAND 等介质本身的技术演进；模型公司和云厂商则从应用和系统层面定义新的数据访问方式。而在两者之间，需要有人理解不同介质的特性，并将上层软件提出的访问语义转化为具体的设备行为。

主控厂商正在承担越来越多这样的工作。

主控芯片以前最核心的任务，是管理不同厂商、不同代际的闪存颗粒，将底层复杂的物理特性封装成稳定、可预测的 SSD 产品。

而随着 AI 系统对存储提出更多差异化需求，主控固件也开始成为上层系统与底层介质之间的重要衔接层。

吴子宁所说的“翻译”，本质上描述的正是这种变化：上层系统决定需要怎样的数据访问方式，主控则需要理解这些需求，并结合介质特性，将其落实为具体的数据调度、访问和管理机制。

而当这种协同从单个存储设备继续向外扩展，问题就进入了更大的系统范围。

中科曙光提出的“算存传一体化”正是指向的是同一种变化：计算、存储和网络之间原本相对独立的资源边界，正在被放到同一个系统中重新组织。

曙光 8000 十万卡AI超集群上线首周即实现满载运行，日均处理作业数突破 15 万个，说明了这种系统级协同的实际效果。

这种协同的需求并不止步于存储与计算的配合。当集群规模继续扩大，资源之间的物理边界开始成为效率瓶颈，互联层的重构就变得不可避免。以服务器为中心的紧耦合架构，正在被解耦为更大范围的资源池。

CXL 提供的是一条通用化的实现路径，它基于 PCIe 生态，以内存语义实现 CPU、内存和其他设备之间的统一编址和高效访问，让不同厂商的设备可以接入同一个内存池。

有意思的是，存储原厂对 CXL 的态度并不积极。三星、SK 海力士、美光三大原厂已经同步叫停了 CXL 控制器的自研商业化计划。

原因在于，自研集成方案可能蚕食其核心 DRAM 模块业务。如果 CXL 把内存变成了可池化的资源，客户就不需要买那么多高价的专用内存模组了。这块市场空白，正在被澜起科技、Astera Labs 等第三方芯片公司填补。

当计算、内存、存储和网络开始作为一个整体被设计，存储的角色也随之发生变化。

它仍然需要在介质密度、带宽、延迟和可靠性上持续进步，但这些能力如何被使用，越来越取决于上层的数据流设计、主控固件的实现以及系统级的资源编排。

存储产业原本相对直接的链条——介质、设备、主机——正在被拉长。模型和应用提出新的访问需求，系统软件决定数据如何流动，主控和设备层负责将这些需求转化为可执行的机制，最终再落到底层介质。

在这个过程中，新的价值不只产生于存储介质本身，也产生在不同层之间的衔接处。谁能够把上层 AI 负载的需求，更有效地传导到底层硬件，谁就有机会成为 AI 存储产业链中新的关键节点。

随着数据流和资源架构被重新组织，AI 又把问题推进了一步：当数据搬运本身越来越成为性能和功耗的负担，计算究竟应该有多少进入存储？

这个问题的答案，决定的不只是芯片架构，也关系到存储厂商能够在 AI 计算链条中向前走多远。

把计算单元放得越靠近数据，理论上越有可能减少数据在不同层级之间反复搬运带来的带宽和功耗损失。但计算能力一旦进入存储，也会改变原本的芯片分工：存储厂商需要决定，哪些计算值得由自己承担，又有哪些部分仍然应该留给专门的计算芯片。

围绕这条边界，产业里正在形成两种不同的推进方式。

第一条路径，是存储原厂推动的存内处理（PIM）。

三星、SK 海力士等公司近年来持续推进 PIM，希望直接在 HBM 等存储器内部加入一定的计算能力，让部分数据密集型任务能够在数据附近完成，减少 GPU 与存储之间的反复数据传输。

三星曾公开披露，搭载 HBM-PIM 的方案相比仅采用HBM的系统，一年可减少约 2100 吉瓦时能耗。

但存储原厂对于“计算进入存储”的推进相对克制。

后摩智能先进存算技术研发部负责人陈刚认为，这与 DRAM 产业的商业模式有关。DRAM 制造依赖专用工艺，原厂通常采用高度整合的 IDM 模式，巨额的制造和研发投入需要依靠大规模出货摊薄。因此，当计算能力被加入 DRAM，原厂需要考虑的不只是技术是否可行，还包括这项能力能否覆盖足够广泛的需求，并维持产品原有的规模效应。

这决定了 PIM 更容易从具有较强共性的计算任务切入。

GEMV 这类矩阵—向量乘法就是一个典型例子。它与大模型推理解码阶段的数据访问特点高度相关，同时计算模式也相对明确。对于存储原厂而言，把这类任务推进到存储侧，可以减少部分数据搬运，又不需要让 DRAM 承担完整的通用计算功能。

如果继续把计算向数据推进，存储原厂之外的新玩家也开始进入这块空间。

知存科技、后摩智能、光羽芯星辰等新型芯片公司选择从芯片架构本身切入。它们探索 SRAM、DRAM、RRAM 等不同技术路线，目标并不是简单地给传统存储增加一个处理单元，而是重新安排计算单元与存储阵列之间的关系，让更多原本需要在计算单元完成的操作直接在数据附近完成。

对存储产业而言，这种变化的意义在于：当“减少数据搬运”成为新的计算需求时，存储原厂并不天然拥有这部分新增价值。

原厂的优势仍然在于介质和制造能力，但新进入者可以凭借架构创新，在特定场景中承接一部分原本属于 GPU、NPU 或存储设备的功能。

真正决定两类玩家竞争空间的，是计算究竟被推进到了数据链路的哪个位置。越靠近数据，理论上越能减少搬运，但也越容易与特定算法和应用绑定。对存储原厂而言，这意味着要在保持存储产品通用性的同时，逐步增加计算能力；对新型芯片公司而言，则是在更强的场景针对性与软件生态、商业化成本之间做取舍。

最终，产业链的主导权也可能因此从“谁制造存储”，逐渐转向“谁能够设计新的计算—存储架构”。

吴子宁判断，原厂可以继续深耕介质创新，这是存储最难被替代的能力，主控厂商则守住连接不同介质、协议和系统的“翻译层”。在这套分工里，存储不需要承担越来越多的计算功能，而是把介质管理和系统适配做到足够深，以此守住自己的价值边界。

也正是在这个意义上，“黄金时代”不再只是一个关于市场规模和景气周期的判断。

它不只是存储需求的黄金时代，也是存储产业重新寻找自身位置的时代。真正的变化不是存储会不会继续增长，而是当存储越来越重要之后，谁能够把这种重要性转化成自己的产业话语权。

这或许才是 AI 给存储产业留下的真正命题：市场变大只是第一步，如何在市场变大的同时，让自己的价值边界也随之扩大

注：陈伦，郑凯为化名。