IOSG：从热存储到冷记忆，AI时代存储热潮下的去中心化存储

吃瓜群众

AI总结

AI总结中

作者：0xjacobzhao、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。

代际

容量/颗

带宽

接口位宽

量产时间

主要客户

HBM2e

8–16GB

460 GB/s

1024-bit

2019–2020

成熟代际，用于 A100 等上一代 AI 加速器

HBM3

24GB

819 GB/s

1024-bit

2022

SK hynix 在 H100 周期获得显著先发优势

HBM3e

24–36GB

1.2 TB/s

1024-bit

2024–2025

当前 AI GPU 放量主力。供应商以 SK hynix、Micron、Samsung 三家为核心

HBM4

32–48GB

>2 TB/s

2048-bit

2025–2026

2026年面向下一代 AI ，

量产导入/客户认证阶段

HBM4E

64GB+

>2 TB/s

2048-bit+

2027后

2027 年后 规划/研发

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。

维度

AI 热存储

去中心化冷存储

核心价值

效率最大化 — 加速数据进入计算

可信最大化 — 保证数据不被篡改删除

数据类型

热数据 / 温数据 / 实时推理

冷数据 / 永久归档 / 公共记忆

关键指标

带宽、吞吐、延迟、GPU利用率

可验证、抗审查、不可篡改、永久保存

付费来源

云厂商、AI Lab、企业 RAG 系统

公共数据集、长期归档、链上应用

终极目标

不是保存，而是加速

不是速度，而是可信

市场状态

火热 — 超级周期进行中

寂静 — 估值坍塌、叙事被抽血

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。
  

维度

Filecoin — 可验证存储市场

(数据截至2026年6月来源 Filfox)

Arweave — 永久公共记忆层

(数据截至2026年6月来源 ViewBlock)

核心哲学

"存储是市场" — 价格发现、弹性供给、合约到期可不续费

"存储是公共品" — 一次性社会契约，数据存在不依赖任何主体持续付费

底层结构

标准区块链 + IPFS 内容寻址；数据与链分离存储

Blockweave — 每个新区块同时链接前一区块和一个随机历史「召回区块」

共识机制

Expected Consensus（EC）：复制证明（PoRep）+时空证明（PoSt）

SPoRA（简洁随机访问证明，2021年迭代自 PoA）

存储证明逻辑

PoRep 证明矿工生成了数据的唯一副本；PoSt 持续证明该副本仍被完整保存

挖矿需证明可访问随机召回区块——倒逼矿工保留尽可能多的历史数据，包括冷门数据

市场结构

双层市场架构：Storage Market（存储交易）+ Retrieval Market（检索交易），链上撮合、链下数据传输

单层永久写入；无独立检索市场，依赖 Gateway（如 AR.IO）提供检索服务

付费模型

存储市场 / 合约制 — 客户与存储提供商（SP）签订定期租赁协议，按需付费

Endowment 永久捐赠模型 — 一次性付费，资金存入孳息池，理论上永久支付矿工

数据可用性保证

保证完整性（数据未被篡改），但不内生保证检索速度，需额外购买检索服务

保证持久性与可访问性；任何人持有交易 ID 即可永久查看下载，无需依赖原始上传者钱包

典型场景

企业冷归档、合规存证、AI 训练数据可验证快照、按需弹性存储

Permaweb 永久网站、NFT metadata、历史档案、AI Agent 长期记忆（AO 计算层）

代币模型

FIL 最大供应上限为 20 亿枚，实际流通受区块奖励释放、质押、惩罚与销毁机制影响

AR 最大供应量约 6600 万枚，流通比例已接近上限，新增通胀影响较小。

网络规模

Quality Adjusted Power：约 14,848 PiB

Network Size：约 20.2 PiB

累计存储数据

Active deals stored data：约 1,110 PiB

Weave Size 约 0.345 PiB

矿工 / 节点

约 611 活跃矿工

约100 在线节点

存储成本

Filecoin Cloud $2.50/TiB/月/副本

约 10.4–10.7 AR/GiB（≈$20–21）

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。

Source URL: https://www.panewslab.com/zh/articles/019fa6fa-f802-75f7-8702-bc11808cd173