作者：0xjacobzhao、IOSG

近日，「國產存儲第一股」長鑫存儲正式登陸創業板，並以暴漲 500% 的驚人表現引爆全場。儘管近期存儲板塊整體仍受回調餘波擾動，但 AI 存儲依然在當下的科技敍事浪潮中被資本瘋狂重估。與此同時，Web3 領域的去中心化存儲卻陷入了長期的沉寂與失落。為什麼同樣冠以「存儲」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 時代的存儲重估，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；而去中心化存儲堅守的，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系統。當前的資本市場無疑堅定地站在「效率」一側，但人類文明最終依然需要不可竄改的記憶底座。可信冷存儲的長期價值從未消失，它只是蟄伏於周期的暗面，等待被時代重新定價。

存儲為什麼重新成為 AI 產業鏈焦點

在傳統 IT 時代，存儲是一門「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 年的設備更新週期。存儲被視為一種跟隨伺服器採購的附屬品。

本輪存儲熱潮並非傳統週期復甦，而是 AI 對數據流動能力的重新定價。大模型時代，存儲邏輯從「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。這標誌著存儲價值正從「數據的最終停放地」，躍升為「數據進入計算的高速通道」。

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，存儲第一次從「成本中心」變成了「效率引擎」。 這正是存儲被重新定價的根本邏輯。

AI 存儲架構全景：從 HBM 頻寬器官到數據湖底座

AI 存儲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。在這一體系中，產業價值與資本焦點高度向 HBM、企業級 SSD、SSD 主控、NVMe/CXL 協定及高效能存儲系統 集中。為清晰拆解其價值流向，我們將 AI 存儲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。該層直接貼合 GPU/CPU 封裝或匯流排，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口。
• 高速持久化存儲層（IO 樞紐）：核心邏輯為 企業級 SSD = NAND 顆粒 + SSD 主控 + NVMe/PCIe 數據通路。該層承接高頻 Checkpoint 寫入、海量訓練集載入與 RAG 熱數據快取，是 AI 數據中心最明確的持久化存儲增量。
• 低成本大容量存儲層（容量底座）：由 HDD、冷存儲與數據湖歸檔系統構成。面對指數級膨脹的多模態原始數據、歷史日誌與合規備份，該層依然提供不可替代的 TCO（總擁有成本）優勢。
• AI 存儲系統與數據軟體（調度大腦）：包括高效能並行檔案系統、分散式物件存儲、向量資料庫及 RAG 數據治理層。AI 真正消費的並非裸硬體，而是被軟體堆疊高效組織、索引與權限化後的數據可用性。

作為生態延伸，去中心化存儲不直接捲入 AI 熱數據的毫秒級競速，轉而錨定公共資料集存證、AI 訓練數據溯源（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。

HBM：AI 存儲鏈條中最接近算力的「頻寬器官」

高頻寬記憶體 (High Bandwidth Memory) 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 存儲鏈中最靠近算力、確定性最高的環節，直接決定 GPU 能否被「餵飽」，是當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」：通過 TSV 垂直堆疊與 CoWoS 異構整合，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 SK 海力士、Samsung、美光Micron 三巨頭能穩定量產，構築了頂級 DRAM 製程、封裝能力與 NVIDIA/AMD 客戶認證的三重護城河。

DRAM 與 CXL：系統記憶體底座與記憶體池化引擎

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，重構數據中心記憶體資源的組織方式。

• DRAM：主要承載 CPU 側快取、數據預處理、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 市場高度集中於 SK hynix、Samsung、Micron 三巨頭；長鑫存儲（CXMT）則是中國 DRAM 國產替代的核心變數。
• CXL(Compute Express Link )：是面向數據中心的新一代快取一致性互聯協定，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。當前 CXL 仍處於從平台支持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：NAND、主控與 NVMe 構築的數據樞紐

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「餵養」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 並非孤立硬體，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（原材料層）：決定儲存密度與單位成本，主控掌控效能釋放與壽命管理 代表公司Samsung、SK hynix (Solidigm)、Micron、Kioxia、Western Digital、長江存儲
• SSD 主控（效能賦能層）：決定效能釋放、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）：決定資料從儲存到計算的傳輸效率。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

HDD / 冷儲存 / 歸檔：AI 資料湖的低成本底座

AI 不會消滅 HDD。隨著多模態大模型對影片、圖像資料的渴求，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 負責熱資料與高吞吐，HDD 負責低成本與長週期保存。代表公司包括 Seagate、Western Digital、Toshiba。

AI 儲存軟體堆疊：資料可用性的調度中樞

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

• 高效能儲存系統（供料系統）：以並行吞吐與低延遲為核心，透過平行檔案系統解決 GPU 叢集的「資料饑餓」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 模型生成的向量 ，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、可追溯地調用。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

AI 儲存是極致的效率驅動系統，其價值函數聚焦於最大化計算產出。HBM 頻寬決定 GPU 能否被餵飽，SSD 吞吐決定資料集與 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 GPU 利用率與單位 Token 成本，直接決定 AI 應用的商業盈虧。AI 儲存的終極目標不是保存，而是加速，服務對象是生產力。

而去中心化儲存的價值函數截然不同。它追問資料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路，它構築了開放存取且永久保存的公共資料底座。其終極目標是捍衛資料的絕對真實與主權獨立，服務於公平性、抗審查需求與文明記憶。

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」。前者服務於效率，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。當前，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

去中心化儲存專案眾多，但按行業心智與生態沉澱，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路硬碟上與 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「可驗證計算基礎設施」。
• 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 提供永久可存取的長期記憶。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，卻未構建足夠強的付費需求側，導致容量巨大但利用率與付費轉化不足。獎勵「我能存」，而非「需要我存」。
• 企業級服務能力缺失：AWS的壁壘不是硬碟，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、低延遲地取出來」。節點分散、拓撲複雜、缺乏統一 SLA，使其難以承接 AI 熱資料工作流，更適合可信冷歸檔與資料溯源。
• 隱私合規不足： 企業私有資料不能簡單寫入公共永久網路；刪除權與永久不可篡改存在天然衝突。去中心化儲存更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，但不能自動創造需求與可持續收入。

而其他去中心化儲存專案多聚焦特定生態或細分賽道：Storj/Sia 跨週期行業心智與 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 等屬於資料可用性（DA）層，服務於 Rollup 交易確認而非長期歸檔；0G 等 AI / DA 混合敘事專案試圖將儲存、資料可用性、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

在技術紅利爆發期，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 版權訴訟爆發倒逼資料來源證明、地緣衝突引發的資料主權爭奪、資料壟斷導致公共檔案消失，以及監管對模型訓練資料合規性的審計壓力等等事件都有可能醞釀「可信儲存」的重新定價，而去中心化儲存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：結合密碼學證明構建「資料血統證明」，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，構築不可替代的不可刪除記憶。
• 可信歸檔與合規存證：透過 Hash 存證實現可信自證，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「可信資料基礎設施」。
• 隱形化產品路線：提供 S3 相容 API 與法幣計費，讓用戶直接購買「可信歸檔」服務。

AI 儲存與去中心化儲存，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。目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。