作者 | 楊依婷

編輯 | 包永剛

去年的CFMS｜MemoryS峰會上，存儲廠商們討論的是：價格何時企穩(wěn)、QLC何時上量、AI PC何時落地。彼時，“AI會讓存儲變得更基礎(chǔ)、更關(guān)鍵”，還更像是一種行業(yè)判斷，一種面向未來的趨勢預(yù)演。

一年之后，站在MemoryS 2026的會場里，問題已經(jīng)徹底變了。

人們談?wù)摰牟辉僦皇俏辉杀?、顆粒供給和容量節(jié)奏，而是GPU利用率、token成本、系統(tǒng)調(diào)度效率，甚至物理AI場景中的實時決策能力。那些原本屬于AI基礎(chǔ)設(shè)施和系統(tǒng)架構(gòu)層面的議題，正在越來越頻繁地出現(xiàn)在存儲產(chǎn)業(yè)的討論中心。

在傳統(tǒng)計算架構(gòu)里，存儲的職責(zé)更多是“存”。數(shù)據(jù)被寫入、留存，在需要時調(diào)取，不需要時則靜靜停留在系統(tǒng)邊緣。它長期是BOM成本中的一項，是容量規(guī)劃的問題，而很少直接參與算力效率的定義。

但在大模型訓(xùn)練與推理時代，這一角色被徹底改寫。

KV Cache的訪問延遲，開始直接影響token生成速率；Checkpoint的寫入效率，決定著GPU在訓(xùn)練過程中的等待時間；SSD的IOPS密度，則進一步影響大模型推理場景下的并發(fā)能力和系統(tǒng)吞吐。

存儲開始進入計算主路徑，它決定數(shù)據(jù)流動的速度，也在某種程度上決定GPU算力能否被充分兌現(xiàn)。而這，正在反向重塑整個存儲產(chǎn)業(yè)鏈的分工邏輯。

存儲進入計算路徑，舊分工開始失效

AI推理有一個被反復(fù)討論的瓶頸：KV Cache。

大模型在處理長上下文時，需要把每一層、每一個token生成過程中的Key和Value結(jié)果臨時保存下來，以避免重復(fù)計算。上下文越長，并發(fā)越高，這部分緩存的體量就越驚人。

當(dāng)高帶寬顯存無法繼續(xù)承接，KV Cache只能向下一層存儲介質(zhì)下沉，NVMe SSD由此正式進入大模型推理的實時數(shù)據(jù)路徑。

如果說過去SSD的使命是“提升加載速度”，那么在AI時代，它開始直接約束或決定推理吞吐的上限。

慧榮科技總經(jīng)理茍嘉章的總結(jié)更為直接：“新一代存儲，正在從數(shù)據(jù)存儲進入計算存儲?！?/p>

這句話幾乎點破了整個行業(yè)變化的本質(zhì)。一旦存儲進入計算路徑，它就不再只是靜態(tài)保存數(shù)據(jù)，而是開始影響token生成效率：訪問時延影響輸出速度，IOPS密度決定并發(fā)能力，寫入效率左右Checkpoint節(jié)奏，最終共同作用于單位token成本。

也正因如此，AI場景對存儲提出的要求，已經(jīng)明顯超出了“標(biāo)準(zhǔn)顆粒 + 通用主控 + 標(biāo)準(zhǔn)模組產(chǎn)線”這套舊模式的能力邊界。

2026年，全球也許沒有任何一款主流AI存儲產(chǎn)品能夠?qū)崿F(xiàn)供需平衡。

表面看，這是先進產(chǎn)能持續(xù)向高毛利AI產(chǎn)品傾斜，消費級市場被進一步擠壓；但更深層的問題在于，即便產(chǎn)能跟上，舊有分工模式也難以高效承接AI場景對定制化、快速迭代的需求。

存儲廠商集體越界

當(dāng)存儲真正進入計算路徑，產(chǎn)業(yè)鏈上原本清晰的角色邊界開始松動：主控廠介入系統(tǒng)定義，模組廠延伸至固件與方案優(yōu)化，各自補全過去并不屬于自己的能力版圖。

以慧榮為例，傳統(tǒng)主控的核心任務(wù)，是管理閃存介質(zhì)、優(yōu)化讀寫效率，并在穩(wěn)定性、兼容性和壽命之間尋找平衡。但在AI時代，這套能力模型已經(jīng)不夠。

如今，慧榮開始反復(fù)強調(diào)一種新的能力——性能動態(tài)調(diào)節(jié)。

慧榮科技總經(jīng)理茍嘉章在與雷峰網(wǎng)交流時多次強調(diào)，主控需要“根據(jù)工作負(fù)載、功耗和需求量，在動態(tài)中快速調(diào)整”。這已經(jīng)不再是傳統(tǒng)意義上的硬件參數(shù)調(diào)優(yōu)，而是直接響應(yīng)英偉達(dá)新架構(gòu)中“上下文內(nèi)存存儲（Context Memory Storage）”對實時調(diào)度的需求。

換句話說，主控正在從“閃存控制器”，演變?yōu)锳I存儲系統(tǒng)里的調(diào)度層，它不只是負(fù)責(zé)把數(shù)據(jù)寫進去、讀出來，更開始參與數(shù)據(jù)在GPU、顯存和SSD之間的流動節(jié)奏定義。

這種變化，也在推動主控廠進一步向下游延伸。

慧榮正在積極與長江存儲聯(lián)合推進車規(guī)級方案，目標(biāo)是在第三季度末至第四季度實現(xiàn)規(guī)模上量，直接供貨國內(nèi)車廠。過去賣芯片的公司，如今越來越多地以“聯(lián)合方案提供方”的身份出現(xiàn)。

這意味著主控廠的商業(yè)角色也在變化：一方面向上理解AI工作負(fù)載，把主控納入系統(tǒng)調(diào)度；另一方面向下輸出完整方案，從賣芯片走向賣系統(tǒng)能力。

未來存儲產(chǎn)業(yè)的競爭，不再只發(fā)生在顆粒、主控或模組層，而是進一步延伸到封裝架構(gòu)、異構(gòu)互連和系統(tǒng)級協(xié)同，是生態(tài)、技術(shù)、產(chǎn)能、客戶、資本的綜合戰(zhàn)爭。

端側(cè)AI反向定義存儲

AI對存儲的重構(gòu)，顯然不只發(fā)生在數(shù)據(jù)中心。

另一條同樣重要的戰(zhàn)場正在端側(cè)迅速展開——AI PC、機器人、游戲掌機、智能眼鏡，乃至更多尚未被完全定義的新型終端，都在把存儲推向更核心的位置。

正如眾多廠商在峰會上提到的，物理AI/端側(cè)AI將迎來更廣泛的發(fā)展，并帶來更智能化的體驗。而這些更新更好的體驗將帶來更多的產(chǎn)品溢價，足以抵抗存儲價格上漲的壓力。 “

這句話背后，點出了端側(cè)AI最現(xiàn)實的商業(yè)邏輯：只要體驗提升足夠明顯，存儲成本就不再只是成本，而會轉(zhuǎn)化為產(chǎn)品價值的一部分。

但與數(shù)據(jù)中心不同，端側(cè)AI面臨的不是單一性能問題，而是高度碎片化的場景挑戰(zhàn)。

一臺AI PC，需要在本地運行大模型，對存儲的核心訴求是大容量 + 高速讀?。灰慌_機器人，需要在高震動、高移動性的復(fù)雜環(huán)境中持續(xù)穩(wěn)定運行，同時還要支持后期擴容；一副智能眼鏡，則把需求進一步推向極致的小尺寸、低功耗和高集成度。

可插拔、可擴容、高抗震、小尺寸、高容量——這些要求往往彼此拉扯，很難通過同一款標(biāo)準(zhǔn)化模組同時滿足。

這也是為什么，端側(cè)AI正在比數(shù)據(jù)中心更早倒逼存儲方案走向場景化重構(gòu)。

佰維給出的解法非常具有代表性。

針對機器人場景，其推出了一套 “BGA SSD + Mini SSD” 的組合方案：BGA SSD直接焊接在主板上，以更強抗震性承擔(dān)系統(tǒng)盤角色，保障操作系統(tǒng)和本地AI模型穩(wěn)定運行；Mini SSD則采用類SIM卡槽設(shè)計，支持用戶無工具插拔，作為數(shù)據(jù)盤解決嵌入式設(shè)備后期無法擴容的長期痛點。

這套方案的關(guān)鍵，并不只是形態(tài)創(chuàng)新，而是它背后的產(chǎn)品邏輯：把“穩(wěn)定”和“靈活”拆分為兩個獨立部件，并分別做到最優(yōu)。這本質(zhì)上已經(jīng)不是傳統(tǒng)意義上的“賣一塊SSD”，而是在重新定義機器人存儲架構(gòu)。

更值得關(guān)注的是，佰維的動作并未停留在單一產(chǎn)品層面。

它正在推動Mini SSD從企業(yè)級方案，進一步走向行業(yè)標(biāo)準(zhǔn)。通過聯(lián)合產(chǎn)業(yè)鏈上下游成立IP公司，并同步制定激勵機制和權(quán)益金分配規(guī)則，佰維試圖把“可插拔存儲”推進為下一代AI終端的標(biāo)準(zhǔn)能力。

其目標(biāo)場景并不局限于機器人，而是進一步覆蓋AI PC、游戲掌機等多類設(shè)備——這些終端當(dāng)前仍采用不同形態(tài)的本地存儲方案，而Mini SSD的野心，是用統(tǒng)一接口去重新組織它們。

換句話說，它爭奪的不只是產(chǎn)品份額，而是下一代端側(cè)AI設(shè)備的標(biāo)準(zhǔn)定義權(quán)。

而在這個過程中，過去那套面向PC和手機時代的標(biāo)準(zhǔn)化存儲模組，已經(jīng)越來越難承接碎片化、多形態(tài)、高迭代的終端需求。

更深層的變化在于，設(shè)備與存儲之間的關(guān)系，正在發(fā)生方向性的逆轉(zhuǎn)——過去，是設(shè)備定義存儲：設(shè)備要做什么，存儲就被動適配什么。

而現(xiàn)在，隨著本地AI能力越來越依賴容量、帶寬、功耗和形態(tài)協(xié)同，存儲開始反過來影響設(shè)備形態(tài)、產(chǎn)品定義，乃至最終用戶體驗。

下一戰(zhàn)：功耗、延遲、智能

AI最大的痛點并非算力不足，而是數(shù)據(jù)在存儲與計算單元間的頻繁搬運，降低系統(tǒng)效率。如何減少數(shù)據(jù)在存儲與計算單元之間的頻繁搬運，已成為行業(yè)共同攻關(guān)的核心命題。

這句話放在一年前，可能還有點抽象。但經(jīng)過過去一年產(chǎn)業(yè)鏈上下游一連串幾乎同步發(fā)生的變化之后，它開始落到一個個極其具體的技術(shù)指標(biāo)上：KV Cache的訪問時延、Checkpoint的寫入效率、單位token成本等等。

過去十年，產(chǎn)業(yè)比拼的是單位容量的成本；下一個十年，勝負(fù)手將取決于數(shù)據(jù)在計算與存儲之間流動的效率、功耗與智能。

至于那些仍固守在舊分工里、只盯著顆粒價格波動的玩家，留給他們的時間，或許真的不多了。

雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。