文章核心观点 - 当前市场对AI驱动的存储需求周期存在低估 存储行业正经历由AI驱动的结构性变革 从大宗商品模式转向定制化解决方案 行业利润率、周期波动和估值体系可能因此重构 [4][14][15] AI应用对存储需求的量化分析 - 定义日均消耗1000万tokens的用户为重度用户 其每天产生的SSD存储需求为50到100GB [6] - 普通用户日均消耗100万tokens 对应的存储需求约为12GB 是重度用户的十分之一 [6] - AI系统通过“共享仓库索引”机制优化并发用户存储需求 但多agent协作应用（如编程工具）会显著增加存储压力 [7] - 多模态应用导致存储需求呈指数级增长 从文本到音频增长10倍 从音频到视频再增长100倍 一分钟视频的存储体积是同样时长文本的10000倍 [8] AI推理场景下的存储层级与技术要求 - AI系统存储分为四层金字塔结构：最顶层是HBM 用于存储模型权重 如一颗H100 GPU有90GB HBM [10] - 第二层是DRAM 容量通常是HBM的4到5倍 用于存储KV cache [10] - 第三层是SSD 容量从1TB到15TB不等 是推理场景下的主力存储 用于RAG知识库、用户历史会话等 [10] - 第四层是HDD 仅用于训练数据归档和冷备份 在推理场景下无法满足实时响应要求 [9][10] - 一个运行INT4精度的万亿参数模型 需要500GB HBM、700到800GB DRAM以及5TB SSD 以实现1000 tokens/秒的推理速度 [11] 行业级存储需求预测与市场结构变化 - 根据JPM数据 2026到2027年全球超大规模云服务商的SSD需求预计达到200到300 EB [12] - 该需求构成中：训练检查点占50%到60% RAG数据湖占10%到15% 其余为数据复制、备份及多模态推理状态 [13][14] - AI在Memory市场占比快速提升：DRAM市场中AI需求占比将从2023年的9%升至2026年的37%和2028年的53% [14] - NAND闪存市场中AI需求占比将从2023年的2%升至2026年的32%和2028年的41% [14] - 2024到2028年 AI DRAM的价值总可寻址市场年复合增长率为105% 非AI DRAM仅为51% [14] 供给侧约束与行业商业模式转型 - 供给端存在多重约束 包括晶圆厂物理空间限制、HBM损耗率与良率挑战、Agent应用爆发及物理AI带来的超预期需求 [15] - AI正推动Memory行业商业模式从大宗商品向定制化解决方案转型 如HBM、SOCAMM、eSSD等产品需要与客户深度绑定、联合设计 [15] - 这一转型可能抬升存储厂商的利润率中枢 熨平周期波动幅度 并重构行业估值体系 [15]