AI 存储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？

撰文：Jacob Zhao，IOSG

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。

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。

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。

• Filecoin：通过 PoRep 与 PoSt 构建了最完整的可验证经济系统。其不应继续在消费级网盘上与 AWS 死磕，而应转向 AI 数据溯源（Provenance）、公共数据集托管与合规归档，为模型审计与版权证明提供可验证链。必由之路是封装为 S3 兼容 API 并支持法币支付，从「便宜存储市场」升级为「可验证计算基础设施」。
• Arweave：以「一次付费，永久存储」的叙事，通过 Blockweave 与 SPoRA 机制倒逼激励矿工保存并快速访问尽可能多、尤其是稀缺的历史数据。其最佳位置是人类公共记忆底座——保存人权记录、战争罪证、文化典籍，归档法律与金融历史，为 AI Agent 提供永久可访问的长期记忆。Arweave 的价值不在于速度，而在于穿越周期的文明记忆承载能力。

Filecoin、Arweave 等去中心化存储项目的困境，不在于价值主张错误，而在于产品化、检索体验、真实需求与 Token 激励的长期错配。这揭示了从极客理念到主流商业应用的巨大鸿沟：

• 供需激励错配： 以 Filecoin 为代表的早期网络通过 Token 快速扩容，却未构建足够强的付费需求侧，导致容量巨大但利用率与付费转化不足。奖励「我能存」，而非「需要我存」。
• 企业级服务能力缺失：AWS 的壁垒不是硬盘，而是 API、SLA、权限管理、合规审计与技术支持构成的「数据操作系统」。企业购买的是「放心」，而非需要自行处理密钥与节点选择的实验性基础设施。
• 检索体验短板： 「存进去」不等于「稳定、低延迟地取出来」。节点分散、拓扑复杂、缺乏统一 SLA，使其难以承接 AI 热数据工作流，更适合可信冷归档与数据溯源。
• 隐私合规不足： 企业私有数据不能简单写入公共永久网络；删除权与永久不可篡改存在天然冲突。去中心化存储更适合公共数据与长期档案，而非无差别承接核心私有数据。
• Token 经济放大周期：牛市金融化掩盖需求不足，熊市矿工 ROI 下滑暴露商业化短板。Token 可冷启动供给，但不能自动创造需求与可持续收入。

而其他去中心化存储项目多聚焦特定生态或细分赛道：Storj/Sia 跨周期行业心智与 Web3 叙事影响力弱于 Filecoin / Arweave；BNB Greenfield/Walrus 绑定 BNB 或 SUI 的特定公链生态；Celestia/EigenDA 等属于数据可用性（DA）层，服务于 Rollup 交易确认而非长期归档；0G 等 AI / DA 混合叙事项目试图将存储、数据可用性、计算与 AI agent 结算整合为一套 AI-native 模块化基础设施，但其真实需求、开发者采用和商业化闭环仍有待验证。 

去中心化存储的未来机会 ：效率与可信的长期钟摆

在技术红利爆发期，资本疯狂追逐效率，GPU、HBM 等资产被赋予极高溢价，主张「可信与公平」的去中心化存储自然被边缘化。然而，历史的钟摆不会永远停留在效率一端。超级平台的无理封禁与内容删除、AI 版权诉讼爆发倒逼数据来源证明、地缘冲突引发的数据主权争夺、数据垄断导致公共档案消失，以及监管对模型训练数据合规性的审计压力等等事件都有可能酝酿「可信存储」的重新定价，而去中心化存储的未来机会依然有机会在以下方向体现独特价值：

• AI 数据 Provenance：结合密码学证明构建「数据血统证明」，应对监管与审计压力。
• 公共数据集与文明档案：锚定被审查档案与文化遗产，构筑不可替代的不可删除记忆。
• 可信归档与合规存证：通过 Hash 存证实现可信自证，提供高等级数字公证。
• ZK/TEE/DID 技术融合：化解隐私张力，从单一「存储协议」升级为「可信数据基础设施」。
• 隐形化产品路线：提供 S3 兼容 API 与法币计费，让用户直接购买「可信归档」服务。

AI 存储与去中心化存储，一个追求极限效率，为我们奔向未来提供燃料；另一个捍卫沉默的记忆，守住我们回望过去的权利。当前市场毫无保留地奖励效率，去中心化存储因此显得寂静甚至坍塌；但当 AI 时代进一步放大数据垄断、版权争议与历史记忆的脆弱性时，去中心化存储可能会以「可信冷层」的姿态迎来价值重估。那些不能被平台、公司或任何单一权力轻易抹除的记忆，也许会从理想主义的浪漫，从边缘信仰变成必要基础设施。

免责声明：本文在创作过程中借助了 Claude Opus 4.8,ChatGPT-5.5, Qwen 3.7 等 AI 工具辅助完成，作者已尽力校对并确保信息真实与准确，但仍难免存在疏漏，敬请谅解。需特别提示的是，本文内容仅用于信息整合与学术 / 研究交流，不构成任何投资建议，亦不应视为任何代币的买卖推荐。