AI推理如何驅(qū)動存儲需求爆發(fā)及周期演變？

AI推理驅(qū)動存儲需求爆發(fā)的核心機制

大模型推理的解碼階段本質(zhì)是memory-bound，核心存儲負載包括模型權(quán)重、KV Cache、激活值、RAG向量庫等。KV Cache是隨上下文長度和并發(fā)數(shù)動態(tài)膨脹的張量數(shù)據(jù)，推理性能（TTFT/TPS）高度依賴對KV Cache的保存和管理效率。在傳統(tǒng)馮·諾依曼架構(gòu)下，大模型推理時的大量高維張量數(shù)據(jù)和Transformer的自注意力機制加劇了內(nèi)存墻問題，數(shù)據(jù)搬運成本高，嚴重拖慢推理效率。因此，提升存儲帶寬和容量可以顯著增強推理性能、降低推理成本，“以存代算”是必然趨勢。

存儲范式的改進與架構(gòu)演進

面對大模型推理的訪存受限問題，產(chǎn)業(yè)界從模型優(yōu)化和硬件優(yōu)化雙線推進。存儲體系正從單一層級向高帶寬+大容量+分級管理的協(xié)同架構(gòu)演進。1）高帶寬存儲器解決方案：包括HBM、WOW 3D堆疊DRAM、HBF。HBM向更高帶寬、更大容量升級，HBF通過堆疊NAND閃存提供巨大容量兼具成本優(yōu)勢，定位是HBM的補充。2）優(yōu)化存儲分級管理系統(tǒng)：CXL內(nèi)存池化技術(shù)實現(xiàn)內(nèi)存資源的整合與統(tǒng)一調(diào)度；英偉達GTC2026推出的最新方案將Prefill和Decode階段分機柜部署，實現(xiàn)物理分離，優(yōu)化資源利用。

供需狀況與長協(xié)簽訂拉長周期能見度

2026年存儲器下游需求中，服務器占比有望提升至40%左右，DRAM下游需求中服務器占比有望提升至50%-60%。本輪周期由AI需求驅(qū)動，供需高度緊張，預計26年全年價格上漲，27年至少保持高位。現(xiàn)貨價占市場10%左右，近期有回調(diào)；合約價占90%左右，北美CSP因擔心拿不到產(chǎn)能，陸續(xù)與原廠簽訂3-5年長約，國內(nèi)模組廠也有簽。客戶與原廠基本達成價格共識，周期能見度拉長。LTA（長期供貨協(xié)議）鎖定高底價，要求高額預付款，違約成本高，議價權(quán)完全逆轉(zhuǎn)至供應商，使存儲廠商利潤率維持在更高且更穩(wěn)定的水平。