存储涨价90%背后：AI倒逼存储"基因重组"

「1%的闲置就意味着上亿元的浪费。」当IBM吴磊说出这句话时，存储行业的底层逻辑已经彻底变了。

2024年到2026年，中国日均Token调用量从1000亿飙升至140万亿。两年千倍增长，AI正从实验室训练全面杀入生产生活。但这组疯狂数字背后，藏着一个被忽视的瓶颈——存储。

过去存储是"数据保险箱"，现在成了"算力水龙头"。GPU集群动辄千卡万卡，投资以亿甚至十亿计。存储一旦卡壳，昂贵的GPU集体空转。这不是性能优化，是生死线。

一、存储使命的"基因重组"：从保护数据到喂养GPU

浪潮信息郭海峰用一句话点破本质：「原来的企业存储是做数据保护，现在AI存储的第一目标是效率提升——如何充分满足GPU对于数据的需求，而不让它空转。」

这不仅是产品定位调整，是技术架构的底层重写。

传统企业级存储是"通算架构"——CPU为核心，数据经CPU路径解析、内核态复制转发，再传给GPU。这套架构服务关系型数据库时运转良好，面对智算时代的GPU集群却效率极低。

数据印证了严重性。吴磊透露，GPU部署规模已至百卡、千卡、万卡级别，「1%的闲置就意味着上亿元的浪费」。郭海峰也曾公开表示：存储和网络只占智算系统5%-10%成本，但GPU空转时，这5%-10%会毁掉其余90%以上的投资回报。

存储的"基因重组"从软硬件两个维度同时展开。

硬件层面，浪潮信息A9000系列采用"全链路免锁零拷贝的用户态AI原生并行架构"。数据传输路径从内核态切至用户态协议栈，端到端免拷贝，延迟从毫秒级压到微秒级，单节点带宽160GB/s——行业主流水平仅60GB/s至80GB/s。

软件层面，一条更深的技术主线正在浮现：KV Cache（键值缓存）。

AI推理场景中，为加速响应、避免重复计算，系统需将键值对缓存留在高速存储。但上下文窗口急剧扩大后，KV Cache规模已远超GPU显存（HBM）和本地DRAM的承载极限。

郭海峰详细解释了技术逻辑：通过PD分离（Prefill与Decode分离），利用GlobalCast技术和"双路径"设计，整合空闲带宽，显著缩短首Token产生时间。浪潮信息数据显示，Agent Memory外置存储架构可将首Token延迟（TTFT）降低97%，Token吞吐量提升超20倍。

IBM则从另一维度切入。Storage Scale并行文件系统在万卡集群中支撑高频checkpoint数据落盘，确保数据极短时间内写入存储，充分释放GPU计算效率。

更激进的硬件创新来自IBM自研的第五代闪存核心模块（FlashCore Module 5）。每块NVMe闪盘嵌入专用芯片和高性能处理器，实现硬件级压缩、去重和加密。吴磊透露，压缩比可达1:5，且因压缩在盘上完成，不影响存储控制器性能。

这些技术变化指向同一方向：存储不再是被动容器，而是具备感知和计算能力的主动节点。

二、涨价90%的连锁反应：效率优化成唯一解

当存储节点进化为承载KV Cache、主动参与计算卸载的智能枢纽，业界对高带宽、低延迟存储介质的依赖呈指数级攀升。这种架构变革催生的庞大缺口，直接投射在上游供应链的价格博弈上。

2026年第一季度，DRAM内存合约价涨幅达90%-95%，NAND Flash闪存合约价涨幅达55%-60%。TrendForce预测，2026年第二季度NAND闪存合约价将继续大幅跳升70%至75%。

涨价推手明确：大模型训练和推理需求井喷，DRAM和NAND原厂将大量产能从消费级转向高利润的企业级AI产品。

但吴磊与郭海峰不约而同地认为，存储涨价是一时的，效率优化才是核心命题。

郭海峰提到实例：有企业将存储迁移至高带宽方案后，GPU利用率提升15%——「用不到整个项目10%的钱采购存储，把卡的利用率提升了15%」。吴磊的账更直观：通过FCM的1:5压缩技术，用户涨价后开启压缩功能，实际可用容量的单位成本甚至比涨价前更低。

成本优化远非压缩比这么简单。存储行业正在重新回答"数据应该放在哪里"这一根本问题。

三、五层存储体系：AI时代的数据"定居点"重构

传统企业级存储中，"热、温、冷"数据分层已是成熟理念。但AI时代的分层逻辑远比过去复杂。

五层存储体系应运而生，这是AI给存储行业最直观的结构性变化。

按业界通行分类：第一层HBM（高带宽内存），第二层本地DRAM，第三层本地SSD，第四层传统企业级外置存储。而在第三层和第四层之间，出现了一个"3.5层"——专门服务于推理场景的外置缓存层。

为什么需要3.5层？郭海峰的解释很直白：「3.5层是为了效率，放弃一定的可靠性，数据比是1:1，大不了数据丢了重新算，但不能牺牲效率。」这与第四层传统存储"数据保护优先"的理念形成鲜明对比。

吴磊给出类似判断：「全用HBM当然最好，但HBM太贵了。」经济学约束下，分层是必然选择。

五层体系的影响向下传导，一个"古老"技术重新成为性价比之选——磁带存储。

据吴磊介绍，过去几年多家大厂已部署EB级甚至10EB级磁带库，包括百度智能云底层的冷数据存储。LTO联盟由IBM、HPE和Quantum联合推动，LTO-10已实现40TB原始容量，2.5:1压缩比下可达100TB，未来LTO-11可达70TB、LTO-12可达110TB。

吴磊提供了一个实用视角：磁带机械臂从最远端抓取数据约需一分五十多秒，但如果数据三个月甚至六个月才访问一次，两分钟等待完全可以接受。

这一轮变革远不止五层体系所能完整概括。

四、从"数据走向AI"到"AI走向数据"：范式转移的底层逻辑

存储行业的重构，本质是AI基础设施范式的根本转移。

过去是"数据走向AI"——数据被搬运到计算中心，由模型处理。现在是"AI走向数据"——计算能力下沉到数据所在位置，存储节点主动参与推理过程。

这种转移的驱动力来自经济现实。GPU算力成本高昂，任何数据搬运的延迟和冗余都是不可承受的浪费。存储必须从"成本中心"进化为"效率杠杆"。

浪潮信息与IBM的技术路线差异，恰恰映射了这场变革的多元路径。前者从架构底层重写数据传输逻辑，后者从硬件颗粒度和系统级优化切入。两条路径指向同一终点：存储即计算，数据即服务。

KV Cache的外置化、PD分离的架构创新、硬件级压缩的芯片嵌入——这些技术细节的累积，正在重塑企业级存储的产品定义。未来的存储采购决策，将不再以容量和可靠性为单一维度，而是以"每Token成本"和"GPU利用率提升幅度"为核心指标。

这对科技从业者意味着什么？

首先，基础设施团队的技能栈需要扩展。传统的存储管理员熟悉RAID、备份策略和容量规划，现在必须理解推理延迟、KV Cache命中率和checkpoint写入带宽。存储与AI工程的边界正在模糊。

其次，成本核算模型必须更新。存储采购不能再按"每GB多少钱"简单计算，而要建立全栈效率模型——存储投入如何转化为GPU利用率提升，进而影响整体推理成本。

最后，技术选型需要更长期的供应链视角。DRAM和NAND的价格波动将持续，但架构决策的影响周期更长。选择支持硬件压缩的存储平台，或提前布局五层体系的分层策略，是对冲价格风险的有效手段。

存储行业的这场"基因重组"，远未结束。

当140万亿日Token成为常态，当万卡集群成为中型企业的标配，存储架构的每一次优化都将被放大为巨额的经济效益或损失。这不是关于技术的抽象讨论，是关于资源如何配置、效率如何衡量、竞争力如何构建的硬核商业问题。

浪潮信息和IBM已经亮出了自己的牌。更多玩家正在入场。而真正的考验在于：当存储从"容器"变成"枢纽"，你的基础设施团队准备好重新理解数据的位置了吗？