AI算力產業鏈中，存儲環節為何出現供需失衡及漲價趨勢？

在Agent AI時代，大模型應用從“單輪問答”走向“多輪推理+工具調用+長上下文記憶”，存儲環節正從被動承載數據轉向主動支撐推理效率。傳統大模型應用中，推理過程中的中間狀態相對短暫；而進入Agent AI階段后，模型需要持續保留歷史上下文、任務狀態、工具調用結果和多輪交互記憶，導致KV Cache的規模隨上下文窗口和并發請求同步膨脹。AI對存儲的拉動不再僅停留在訓練數據集和模型參數層面，而是進一步延伸至推理過程中的高速緩存、內存擴展和大容量SSD存儲。

具體而言，PD分離（Prefill和Decode分離）架構強化了KV Cache的存儲與傳輸屬性。Prefill階段側重算力，Decode階段側重存儲帶寬和容量。該架構使KV Cache從單卡內部臨時狀態轉變為跨節點傳輸、分層存放和反復復用的數據對象，進一步放大對存儲體系的要求。在分層架構下，HBM承載最熱數據，DRAM承擔二級緩沖，SSD承接冷數據與長期上下文，從而拉動HBM、DRAM、SSD三層需求。

盡管海外存儲大廠正加速擴產，但短期供需缺口難以快速彌合，主要原因在于存儲擴產周期長，且HBM對晶圓資源的擠占效應顯著。三大原廠HBM投片量占整體DRAM投片量的比例預計將持續提升，但HBM bit供給占整體DRAM bit供給的比例較低。這意味著HBM雖然占用了越來越多的DRAM晶圓資源，但由于Die size更大、堆疊和封裝難度更高、良率爬坡更復雜，其轉化為有效bit供給的效率顯著低于傳統DRAM。隨著HBM向更高版本迭代，AI芯片單顆配套容量繼續提升，HBM對傳統DRAM產能的排擠將進一步加劇。即便海外大廠已啟動擴產，新增產能仍需經歷廠房建設、設備進場、良率爬坡和客戶認證等環節，難以在短期內完全對沖AI需求上行，從而推動存儲漲價趨勢延續。