存儲漲價之后，如何讓AI走向數據？丨ToB產業觀察

國家數據局數據顯示，從2024年到2026年，中國日均Token調用量從1000億飆升至140萬億（截至2026年3月），兩年增長超過千倍，而在這組數據的背后，體現了AI正在從實驗室里的模型訓練，全面進入生產生活中的應用落地。

過去以“數據保存”為核心使命的存儲設備，如今被賦予了“數據賦能”的全新職責——它不再是被動承載數據的“容器”，而是主動參與數據處理、支撐AI高效運轉的“核心樞紐”。

對于存儲行業來說，這個拐點帶來的不是溫和的增量增長，而是一場全面重構。在這場重構的背后，不再是讓數據走向AI，而是讓AI走向數據。

存儲架構迎來“基因重組”

“原來的企業存儲是做數據保護，現在AI存儲的第一目標是效率提升——如何充分滿足GPU對于數據的需求，而不讓它空轉”，浪潮信息存儲產品部副總經理郭海峰用這樣一句話概括了存儲使命的根本性變化。

這不僅是產品定位的調整，而是整個技術架構的“基因重組”。郭海峰指出，傳統企業級存儲是“通算架構”——以CPU為核心，數據需要由CPU進行路徑解析、從內核態進行復制和轉發，再傳給GPU進行計算。這種架構在服務關系型數據庫和傳統應用時運轉良好，但當它面對智算時代的GPU集群時，效率極為低下：如果存儲成為瓶頸，昂貴的GPU就會空轉。

數據可以說明問題的嚴重性。IBM大中華區存儲事業部總經理吳磊告訴筆者，如今GPU部署動輒百卡、千卡、萬卡規模，投資以億甚至十億計，“1%的閑置就意味著上億元的浪費”。無獨有偶，郭海峰同樣曾公開表示，存儲和網絡在整個智算系統中可能只占5%-10%的成本，但如果GPU空轉，這5%-10%的成本就會毀掉其余90%以上的投資回報。

為了滿足當前企業對于算力利用率的需求，存儲也迎來了“基因重組”的新階段。目前來看，從軟件和硬件兩個層面切入，都可以優化整體存儲架構。這個過程中，浪潮信息與IBM就是很好的兩個方面的代表。比如，浪潮信息在其新發布的A9000系列產品中就采用了“全鏈路免鎖零拷貝的用戶態AI原生并行架構”，將數據傳輸路徑從內核態切換到用戶態協議棧，實現端到端的免拷貝，將延遲從傳統的毫秒級降至微秒級，單節點帶寬達到160GB/s（行業主流水平為60GB/s至80GB/s）。

在軟件層面的架構變革背后，暗含著一條更深層的技術主線，那就是KV Cache。在AI推理場景中，為了加速模型響應、避免重復計算，系統需要將鍵值對緩存保留在高速存儲中。但隨著上下文窗口的急劇擴大，KV Cache的規模已經遠遠超出了GPU顯存（HBM）和本地DRAM的承載能力。郭海峰向筆者詳細解釋了這一技術邏輯：通過PD分離（Prefill與Decode分離），利用GlobalCast技術和“雙路徑”設計，將空閑的帶寬整合利用，顯著縮短首Token產生時間。浪潮信息公布的數據顯示，通過Agent Memory外置存儲架構，A9000可將首Token延遲（TTFT）降低97%，Token吞吐量提升超過20倍。

與之相對，IBM則從另一個維度切入。IBM推出的Storage Scale并行文件系統在萬卡集群中支撐高頻的checkpoint數據落盤，確保數據能夠在極短時間內寫入存儲，充分釋放GPU的計算效率。

除了“軟件”層面的優化之外，IBM還在其自研的第五代閃存核心模塊（FlashCore Module 5）的每塊NVMe閃盤上嵌入一顆專用芯片和高性能處理器，實現硬件級的壓縮、去重和加密。吳磊透露，這一設計可以將壓縮比做到1:5，并且因為壓縮在盤上完成，不會對存儲控制器的性能造成影響。

種種技術的變化都揭示了AI時代存儲架構的另一個重要方向：存儲不再只是數據的被動容器，而是具備感知和計算能力的主動節點。

漲價是暫時的，效率優化才是關鍵

當存儲節點不再是被動容器，而是進化為承載KV Cache、主動參與計算卸載的智能樞紐之時，業界對高帶寬、低延遲存儲介質的依賴便呈指數級攀升。這種由架構變革催生的龐大缺口，直接投射在了上游供應鏈的產量傾斜與價格博弈之上。

據多方數據顯示，2026年第一季度DRAM內存合約價漲幅達90%-95%，NAND Flash閃存合約價漲幅達55%-60%。這輪漲價潮的直接推手是AI——大模型訓練和推理需求井噴，DRAM和NAND原廠將大量產能從消費級產品轉向高利潤的企業級AI產品，TrendForce預測，2026年第二季度NAND閃存合約價將繼續大幅跳升70%至75%。

但吳磊與郭海峰不約而同地認為，存儲漲價是一時的，真正需要關注的是效率優化。郭海峰提到，有的企業將存儲遷移到高帶寬方案后，GPU利用率提升了15%——“用不到整個項目10%的錢采購存儲，把卡的利用率提升了15%”。吳磊則算了一筆更直觀的賬：通過FCM的1:5壓縮技術，用戶在漲價后開啟壓縮功能，實際可用容量的單位成本甚至比漲價前更低。

然而成本優化遠不只是一個壓縮比的問題。存儲行業正在經歷的，是對“數據應該放在哪里”這一根本問題的重新思考。傳統企業級存儲中，“熱、溫、冷”數據分層管理已經是成熟理念，但AI時代的分層邏輯遠比過去復雜。

這時候，五層存儲體系也就應運而生了，其出現是AI給存儲行業帶來的最直觀的結構性變化。按照業界通行的分類：第一層是HBM（高帶寬內存），第二層是本地DRAM，第三層是本地SSD，第四層是傳統企業級外置存儲。而在第三層和第四層之間，現在出現了一個“3.5層”——這是一個專門服務于推理場景的外置緩存層。

為什么需要3.5層？郭海峰向筆者解釋道：“3.5層是為了效率，放棄一定的可靠性，數據比是1:1，大不了數據丟了重新算，但不能犧牲效率?！边@與第四層傳統存儲“數據保護優先”的理念形成了鮮明對比。無獨有偶，吳磊也給出了類似的判斷：“全用HBM當然最好，但HBM太貴了?！痹诮洕鷮W約束下，分層是必然選擇。

而在五層存儲體系分層的影響下，“磁帶存儲”這個“古老”的存儲技術又一次成為了企業性價比之選。據吳磊介紹，過去幾年多家大廠已部署EB級甚至10EB級的磁帶庫，包括百度智能云在底層的冷數據存儲。LTO聯盟由IBM、HPE和Quantum聯合推動，LTO-10已實現40TB原始容量，2.5:1壓縮比下可達100TB，未來LTO-11可達70TB、LTO-12可達110TB。吳磊提供了一個實用視角：磁帶機械臂從最遠端抓取數據大約需要一分五十多秒，但如果一個數據三個月甚至六個月才訪問一次，兩分鐘的等待完全可以接受。

讓AI走向數據

這一輪存儲行業的變革不僅僅是五層存儲體系所能完整體現的，而是映射出了一個更為深層的變化，傳統的“讓數據走向AI”模式已經不能滿足當前用戶的需求，讓AI走向數據將取而代之。

在傳統數據使用模式中，AI應用是“索取方”：應用發起請求，存儲響應。這種模式在小規模、低頻次場景下可行，但面對EB級數據、百萬并發請求時，完全不可持續。更致命的問題是數據一致性的崩塌。吳磊用一段生動的比喻描述了這一困境：“我們每個人可能好幾個TB的照片、視頻，企業是幾百個TB、幾百個PB，甚至EB級的時候，哪一個副本數據說出來的是真話，哪個副本數據說出來的是假話？”

面對此，IBM給出的解決方案是內容感知存儲（Content-Aware Storage，CAS），結合單一數據副本和即時感知數據變化的機制。其核心理念是：數據發生了變化，模型能夠即時感知，而不是通過繁瑣的副本生產和傳輸來同步。吳磊強調：“過去部分廠商出于銷售目的建議客戶擴容升級。存儲管理員疲于應對報告和遷移?，F在有了AI智能體，可以把所有數據分析完，一次性做出決策，甚至可以做到跨洲的數據遷移。”

這意味著存儲的角色從被動的數據倉庫轉變為主動的數據編排平臺。而這個解題思路似乎已經行業的一個共識。IBM提出的內容感知存儲核心理念與浪潮信息提出的“AI Data Platform”概念有著許多相似之處。郭海峰告訴筆者，“AI Data Platform”概念強調的是數據不是靜態的“湖”，而是“一條不斷流淌的河流，不斷有數據進來，不斷去處理、清洗、打標和再優化，重新訓練模型”。這種動態的數據管理邏輯，與傳統的“存下來以后再說”的思路有著本質區別。

從產業視角看，“讓AI走向數據”正在催生新的產業協同模式。浪潮信息利用全棧能力（從底層算力到上層平臺）為合作伙伴提供基礎設施，郭海峰將其形容為“搭臺唱戲”——浪潮信息搭臺，伙伴唱AI這場戲。IBM則宣布與英偉達進一步擴大合作，在GTC 2026上展示了深度集成方案：Storage Scale System 6000可提供10PB高性能存儲，用于支撐GPU原生分析引擎，IBM同時計劃于2026年第二季度初在IBM Cloud上提供英偉達Blackwell Ultra GPU。

但這一切的最終落點仍然是人。吳磊在溝通會上反復強調：“AI是一個工具，不能代替人，它沒有情感，它沒有辦法做決定，最終做決定的是人類?！睙o論是浪潮信息讓GPU“不空轉”，還是IBM用AI智能體讓存儲管理員管理數十個同構或異構節點，終極目標都是將人從繁瑣的運維中解放出來，將注意力投向創新。

IBM商業價值研究院的調研顯示，76%的CEO對自己企業的IT架構“非常自信”，但43%的CIO感到焦慮。這種認知落差恰恰說明，AI時代的數據基礎設施挑戰，遠比表面看到的更復雜?！白尨鎯θ谌肫綍r的業務中，而不是讓業務等存儲”——金鑫這句總結，或許是這個時代對存儲行業最樸素也最關鍵的要求。

回望過去兩年，存儲行業經歷了從波瀾不驚到驚濤駭浪的轉變。當全球AI總支出逼近萬億美元量級，當Token成本的每一次下降都直接影響大模型的經濟可行性，存儲不再只是技術的終點，而正在成為AI價值鏈條中不可或缺的一環。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）