黑龙江
分享至
直接说结论：SSD
- 价值量核心差异：训练场景的存储成本重心在HBM，是 AI 算力升级的直接受益者；推理场景的存储成本重心在SSD，模型数量爆炸带动容量需求爆发。
- DDR 是通用底座：两个场景均需大容量 DDR5，随 AI 服务器扩容稳步增长，弹性弱于 HBM 和高端 SSD，但确定性最强。
- 成本占比持续抬升：AI 驱动下，存储在 AI 服务器总成本中的占比从传统服务器的 10%-15%，提升至 20%-30%；其中 HBM 和企业级 SSD 是增量最大的两个品类。
- 供需紧张程度分化：HBM 供给刚性最强，价格弹性最大；企业级 SSD 受 AI + 传统服务器双需求拉动，2026 年价格涨幅显著；DDR5 受服务器整体扩容带动，价格周期与 AI 需求共振。
AI 大模型的训练与推理，本质是海量张量数据的反复搬运与计算，存储是限制算力发挥的核心瓶颈。三者在 AI 数据中心（AI DC）中形成明确的分层协作体系：
1. AI 训练场景：海量数据迭代，带宽决定训练效率
训练阶段需要反复加载数据集、前向传播、反向更新权重，数据吞吐极大，对存储的带宽、容量、稳定性要求最高。
- HBM：核心计算载体，训练速度的瓶颈
- DDR：系统级缓冲，衔接存储与显存
- SSD：海量数据底座，持久化存储
推理阶段单批次计算量小，但模型权重大、并发请求多，访存耗时占比更高，“内存墙” 问题更突出。
- HBM：推理性能的核心约束
- DDR：请求调度与多模型缓存
- SSD：全量模型库与冷数据存储
- HBM：堆叠层数持续提升（从 8 层到 16 层、24 层），带宽向 2TB/s + 迈进，内嵌散热结构，HBM4/5 代际持续升级；
- DDR：向 DDR5/6 演进，容量更大，配合 CXL 协议实现内存池化，让多 GPU 共享远端 DDR 内存，缓解 HBM 容量不足；
- SSD：向高密 QLC/PLC、PCIe 6.0 演进，单盘容量突破 200TB，同时靠近计算节点部署（近端存储），缩短数据搬运路径。
附图：
特别提示：内容基于公开信息整理，仅作知识科普，不构成投资建议，投资有风险，入市需谨慎
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
