從熱存儲到冷記憶：AI 時代存儲熱潮下的去中心化存儲

作者：Jacob Zhao @ IOSG

今日，「國產存儲第一股」長鑫儲存正式登陸創業板，並以暴漲 500% 的驚人表現引爆全場。 儘管近期儲存板塊整體仍受回調餘波擾動，但 AI 儲存仍在當下的科技敘事浪潮中被資本瘋狂重估。 同時，Web3 領域的去中心化儲存卻陷入了長期的沉默與失落。 為什麼同樣冠以「儲存」之名，市場表現卻冰火兩重天？ 究其原因，根本答案在於底層價值函數的徹底分野。

AI 時代的儲存重估，本質上是一場關於 「熱數據效率」 的狂歡，它服務於算力利用率與商業變現的極致最大化；而去中心化儲存堅守的，則是 「冷數據可信」 的價值主張，它捍衛的是數據公平、抗審查與人類文明的長期記憶。 前者是熱數據的效率系統，後者是冷數據的可信任系統。 目前的資本市場無疑堅定地站在「效率」一側，但人類文明最終仍需要不可竄改的記憶底座。 可信冷儲存的長期價值從未消失，它只是蟄伏於週期的暗面，等待被時代重新定價。

儲存為何重新成為 AI 產業鏈焦點

在傳統 IT 時代，儲存是一門「容量生意」。 企業 CIO 關注的是單位容量成本、硬碟可靠性、災備方案、歸檔策略以及長達 3–5 年的設備更新周期。 儲存被視為一種跟隨伺服器採購的附屬品。

本輪儲存熱潮並非傳統週期復甦，而是 AI 對資料流動能力的重新定價。 大模型時代，儲存邏輯從“容量優先”質變為“效率至上”，死磕 GPU 餵飽率、Checkpoint 寫入與 RAG 極低延遲等極限指標。 這標誌著儲存價值正從“資料的最終停放地”，躍升為“資料進入運算的高速通道”。

AI 基礎設施的資源瓶頸演進，本質上是一場「木桶效應」的補齊戰。 算力的真實利用率並非單一資產的線性疊加，而是嚴苛的乘數效應：算力真實利用率 = GPU × HBM × DRAM × SSD × 網路 × 檔案系統，任何一環的短板，都會導致整體算力利用率崩潰。 AI 時代，儲存第一次從「成本中心」變成了「效率引擎」。 這正是儲存被重新定價的根本邏輯。

AI 儲存架構全景：從 HBM 頻寬器官到資料湖底座

AI 儲存絕非單一硬體的堆砌，而是一個緊密耦合、分層調度的複雜體系。 在這體系中，產業價值與資本焦點高度向 HBM、企業級 SSD、SSD 主控、NVMe/CXL 協定及高效能儲存系統 集中。 為清楚拆解其價值流向，我們將 AI 儲存架構自上而下劃分為四大核心層級：

• 計算近端記憶體層（頻寬核心）：以 HBM 為絕對主力，輔以 DRAM 與 CXL 記憶體池化技術。 此層直接貼合 GPU/CPU 封裝或總線，旨在打破“記憶體牆”，是決定算力能否被充分釋放的第一道關卡。

• 高速持久化儲存層（IO 樞紐）：核心邏輯為 企業級 SSD = NAND 顆粒 SSD 主控 NVMe/PCIe 資料路徑。 此層承接高頻 Checkpoint 寫入、海量訓練集載入與 RAG 熱資料緩存，是 AI 資料中心最明確的持久化儲存增量。

• 低成本大容量儲存層（容量底座）：由 HDD、冷儲存與資料湖歸檔系統所構成。 面對指數級膨脹的多模態原始資料、歷史日誌與合規備份，該層仍提供不可取代的 TCO（總擁有成本）優勢。

• AI 儲存系統與資料軟體（調度大腦）：包含高效能並行檔案系統、分散式物件儲存、向量資料庫及 RAG 資料治理層。 AI 真正消費的並非裸硬件，而是被軟體堆疊高效組織、索引與權限化後的資料可用性。

作為生態延伸，去中心化儲存不直接捲入 AI 熱資料的毫秒級競速，轉而錨定公共資料集存檔、AI 訓練資料溯源（Provenance）與長期冷記憶歸檔，確立了其作為「可信冷層」的獨特生態位。

並非傳統存儲，而是 GPU 近端的高頻寬記憶體層。 其核心使命不是保存數據，而是以極高頻寬向算力持續「餵養」數據。 HBM 是 AI 儲存鏈中最靠近算力、確定性最高的環節，直接決定 GPU 能否被“餵飽”，是目前最核心的供應鏈瓶頸。

HBM 核心架構為「3D DRAM 堆疊 2.5D 先進封裝」：透過 TSV 垂直堆疊與 CoWoS 異構集成，極致壓縮存算距離，實現頻寬的代差級躍升。 其產業壁壘不只是 DRAM 設計，而是 DRAM 製程、TSV、超薄堆疊、封裝、散熱、測試與客戶認證的系統工程。 任何一環的良率瑕疵，均會導致整顆 HBM Stack 報廢。

目前全球僅 三巨頭能穩定量產，構築了頂級 DRAM 流程、封裝能力與 NVIDIA/AMD 客戶認證的三重護城河。

HBM 解決 GPU 近端極限頻寬，DRAM 夯實伺服器系統記憶體底座，CXL 則試圖打破物理邊界，重構資料中心記憶體資源的組織方式。

• DRAM：主要承載 CPU 側快取、資料預處理、中間狀態暫存及系統運行，是伺服器最基礎的系統記憶體層。 全球 DRAM 市場高度集中在 SK hynix、Samsung、Micron 三巨頭；長鑫儲存（CXMT）則是中國 DRAM 國產替代的核心變數。

• CXL (Compute Express Link)：是面向資料中心的新一代快取一致性互聯協議，旨在突破傳統 DIMM 插槽、本地記憶體容量和伺服器記憶體資源孤島的限制，推動記憶體架構向擴展、池化與共享演進。 目前 CXL 仍處於從平台支援走向規模部署的早期階段，中長期架構價值較高；核心公司包括Astera Labs與瀾起科技。

企業級 SSD 是 AI 資料中心最核心的高吞吐持久化增量，以極高吞吐、極低延遲與穩定 QoS，將資料持續「餵食」給 GPU，貫穿訓練資料載入、Checkpoint 寫入、RAG 檢索、推理快取與日誌回流等全生命週期。

在 AI 儲存架構中，SSD 並非孤立硬件，而是一個高度耦合的系統，可提煉為產業公式：企業級 SSD = NAND 顆粒 SSD 主控 NVMe/PCIe 資料通路。 三層代表獨立的產業鏈環節：

• NAND 顆粒（原料層）：決定儲存密度與單位成本，主控掌控性能釋放與壽命管理    代表公司Samsung、SK hynix (Solidigm)、Micron、Kioxia、Western Digital、長江儲存

• SSD 主控（性能賦能層）：決定性能釋放、資料糾錯、QoS 穩定性與磨損均衡。 代表公司Phison（群聯）、Silicon Motion（慧榮）、Marvell、Maxio（聯芸）。

• NVMe/PCIe（資料通路層）：決定資料從儲存到運算的傳輸效率。 結合 GPUDirect Storage 技術，減少 CPU 記憶體 bounce buffer 與 CPU 參與，顯著緩解 I/O 瓶頸 。 代表公司：Broadcom、Marvell、Astera Labs

AI 不會消滅 HDD。 隨著多模態大模型對影片、影像資料的渴求，以及企業合規日誌、歷史資料集的指數級膨脹，低成本冷資料儲存需求正同步暴增。 在 AI 儲存架構中，SSD 與 HDD 基於業務價值的分層協同：SSD 負責熱數據與高吞吐，HDD 負責低成本與長週期保存。 代表公司包括 Seagate、Western Digital、Toshiba。

AI 真正消費的從來不是裸盤，而是被軟體堆疊精密組織後的「資料服務」。 此架構將底層硬體轉化為上層 AI 可直接呼叫的知識資產，具體分為四層：

• 高效能儲存系統（供料系統）：以併發吞吐與低延遲為核心，透過平行檔案系統解決 GPU 叢集的「資料飢餓」問題，保障訓練與推理的極速流轉。 代表公司：VAST Data、WEKA、Pure Storage。

• 物件儲存（原始資料湖）：以 Object、Key 與 Metadata 管理為核心 ，承載海量非結構化資料。 不追求極致低延遲，以低成本與雲原生特性構築容量底座。 代表公司：AWS S3

• 向量資料庫（語意索引層）：向量資料庫負責儲存、索引和檢索由 embedding 模型產生的向量 ，讓 AI 從海量知識中精準定位相關內容。 代表公司：Pinecone、Milvus

• RAG 資料層（知識調用層）：超越單一檢索，涵蓋資料切片、清洗、權限控制與引用溯源，確保企業資料能被大模型安全、準確、可追溯地呼叫。 代表公司：Databricks

從 AI 熱儲存到去中心化冷記憶：效率最大化 vs 可信最大化

是極致的效率驅動系統，其價值函數聚焦於最大化運算產出。決定 GPU 能否被餵飽，決定資料集與 Checkpoint 讀寫效率，低延遲關乎 RAG 與推理的即時體驗。 這些指標最終匯聚為 與單位 ，直接決定 AI 應用的商業損益。 AI 儲存的終極目標不是保存，而是，服務對像是。

而的價值函數截然不同。 它追問數據十年後是否依然存在、是否被竄改、能否抵禦單點審查。 透過密碼學證明與分散式網絡，它建構了開放存取且永久保存的公共資料底座。 其終極目標是捍衛數據的絕對真實與主權獨立，服務於。

AI 儲存是為未來生產力提供燃料的「熱儲存」，去中心化儲存是為人類文明保存不可刪除歷史記錄的「冷記憶」。 前者服務效率，追求極致速度；後者服務於可信，捍衛沉默的記憶。 前者決定模型跑得多快，後者決定記憶是否會被刪除。 目前，市場機制獎勵生產力的效率，AI 儲存處於風口浪尖，而去中心化儲存似乎正在經歷估值坍塌、敘事被抽血的寂靜。

去中心化儲存的願景與現實

去中心化儲存項目眾多，但依產業心智與生態沉澱，核心代表始終是 Filecoin 與 Arweave。 兩者雖然都屬於「去中心化儲存」，但底層架構哲學幾乎是兩條完全不同的路徑——前者用市場化合約逼近 AWS 的彈性，後者用一次性社會契約逼近圖書館的永恆。

• Filecoin：透過 PoRep 與 PoSt 建構了最完整的可驗證經濟系統。 其不應繼續在消費級網盤上與 AWS 死磕，而應轉向 AI 資料溯源（Provenance）、公共資料集託管與合規歸檔，為模型審計與版權證明提供可驗證鏈。 必由之路是封裝為 S3 相容 API 並支援法幣支付，從「便宜儲存市場」升級為「可驗證運算基礎設施」。

• Arweave：以「一次付費，永久儲存」的敘事，透過 Blockweave 與 SPoRA 機制倒逼激勵礦工保存並快速存取盡可能多、尤其是稀缺的歷史資料。 其最佳位置是人類公共記憶底座——保存人權記錄、戰爭罪證、文化典籍，歸檔法律與金融歷史，為 AI Agent 提供永久可訪問的長期記憶。 Arweave 的價值不在於速度，而在於穿越週期的文明記憶承載能力。

Filecoin、Arweave 等去中心化儲存專案的困境，不在於價值主張錯誤，而在於產品化、檢索體驗、真實需求與 Token 激勵的長期錯配。 這揭示了從極客理念到主流商業應用的巨大鴻溝：

• 供需激勵錯配：以 Filecoin 為代表的早期網路透過 Token 快速擴容，卻未建構足夠強的付費需求側，導致容量巨大但利用率與付費轉換不足。 獎勵“我能存”，而不是“需要我存”。

• 企業級服務能力缺失：AWS的障礙不是硬碟，而是 API、SLA、權限管理、合規審計與技術支援構成的「資料作業系統」。 企業購買的是"放心"，而非需要自行處理金鑰與節點選擇的實驗性基礎設施。

• 檢索體驗短板：「存進去」不等於「穩定、低延遲地取出」。 節點分散、拓樸複雜、缺乏統一 SLA，使其難以承接 AI 熱資料工作流程，更適合可信任冷歸檔與資料溯源。

• 隱私合規不足：企業私有資料無法簡單寫入公共永久網路；刪除權與永久不可竄改有自然衝突。 去中心化儲存較適合公共資料與長期檔案，而非無差別承接核心私有資料。

• Token 經濟放大週期：牛市金融化掩蓋需求不足，熊市礦工 ROI 下滑暴露商業化短板。 Token 可冷啟動供給，但無法自動創造需求與永續收入。

而其他去中心化儲存項目則多聚焦於特定生態或細分賽道：Storj/Sia 跨週期產業心智與 Web3 敘事影響力弱於 Filecoin / Arweave；BNB Greenfield/Walrus 綁定BNB或SUI的特定公鏈生態；Celestia/EigenDA 等屬於數據可用性（DA）層，因此服務於服務可用性（DA）層，確認替代品交易。 混合敘事計畫試圖將儲存、數據可用性、計算與 AI agent 結算整合為一套 AI-native 模組化基礎設施，但其真實需求、開發者採用和商業化閉環仍有待驗證。

去中心化儲存的未來機會 ：效率與可信的長期鐘擺

在科技紅利爆發期，資本瘋狂追逐效率，GPU、HBM 等資產被賦予極高溢價，主張「可信與公平」的去中心化儲存自然被邊緣化。 然而，歷史的鐘擺不會永遠停留在效率一端。 超級平台的無理封禁與內容刪除、AI 版權訴訟爆發倒逼數據來源證明、地緣衝突引發的數據主權爭奪、數據壟斷導致公共檔案消失，以及監管對模型訓練數據合規性的審計壓力等等事件都有可能醞釀“可信存儲”的重新定價，而去中心化存儲的未來機會依然有機會在以下方向體現獨特價值：

• AI 資料 Provenance：結合密碼學證明建構“資料血統證明”，以應對監管與審計壓力。

• 公共資料集與文明檔案：錨定被審查檔案與文化遺產，建構不可取代的不可刪除記憶。

• 可信任歸檔與合規存檔：透過 Hash 存檔實現可信任自證，提供高等級數位公證。

• ZK/TEE/DID 技術融合：化解隱私張力，從單一「儲存協定」升級為「可信任資料基礎架構」。

• 隱形化產品路線：提供 S3 相容 API 與法幣計費，讓使用者直接購買「可信任歸檔」服務。

AI 儲存與去中心化存儲，一個追求極限效率，為我們奔向未來提供燃料；另一個捍衛沉默的記憶，守住我們回望過去的權利。 當前市場毫無保留地獎勵效率，去中心化儲存因此顯得寂靜甚至坍塌；但當 AI 時代進一步放大資料壟斷、版權爭議與歷史記憶的脆弱性時，去中心化儲存可能會以「可信冷層」的姿態迎來價值重估。 那些不能被平台、公司或任何單一權力輕易抹除的記憶，也許會從理想主義的浪漫，從邊緣信仰變成必要基礎設施。