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。

代際	容量/顆	頻寬	接口位寬	量產時間	主要客戶
HBM2e	8–16GB	460 GB/s	1024-bit	2019–2020	成熟代際，用於 A100 等上一代 AI 加速器
HBM3	24GB	819 GB/s	1024-bit	2022	SK hynix 在 H100 週期獲得顯著先發優勢
HBM3e	24–36GB	1.2 TB/s	1024-bit	2024–2025	當前 AI GPU 放量主力。供應商以 SK hynix、Micron、Samsung 三家為核心
HBM4	32–48GB	>2 TB/s	2048-bit	2025–2026	2026年面向下一代 AI ，量產導入/客戶認證階段
HBM4E	64GB+	>2 TB/s	2048-bit+	2027後	2027 年後規劃/研發

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。

維度	AI 熱儲存	去中心化冷儲存
核心價值	效率最大化 — 加速資料進入計算	可信最大化 — 保證資料不被竄改刪除
資料類型	熱資料 / 溫資料 / 即時推理	冷資料 / 永久歸檔 / 公共記憶
關鍵指標	頻寬、吞吐、延遲、GPU利用率	可驗證、抗審查、不可竄改、永久保存
付費來源	雲端廠商、AI Lab、企業 RAG 系統	公共資料集、長期歸檔、鏈上應用
終極目標	不是保存，而是加速	不是速度，而是可信
市場狀態	火熱 — 超級週期進行中	寂靜 — 估值坍塌、敘事被抽血

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。

維度	Filecoin — 可驗證存儲市場 (數據截至2026年6月來源 Filfox)	Arweave — 永久公共記憶層 (數據截至2026年6月來源 ViewBlock)
核心哲學	“存儲是市場” — 價格發現、彈性供給、合約到期可不續費	“存儲是公共品” — 一次性社會契約，數據存在不依賴任何主體持續付費
底層結構	標準區塊鏈 + IPFS 內容定址；數據與鏈分離存儲	Blockweave — 每個新區塊同時鏈接前一區塊和一個隨機歷史「召回區塊」
共識機制	Expected Consensus（EC）：複製證明（PoRep）+時空證明（PoSt）	SPoRA（簡潔隨機訪問證明，2021年迭代自 PoA）
存儲證明邏輯	PoRep 證明礦工生成了數據的唯一副本；PoSt 持續證明該副本仍被完整保存	挖礦需證明可訪問隨機召回區塊——倒逼礦工保留儘可能多的歷史數據，包括冷門數據
市場結構	雙層市場架構：Storage Market（存儲交易）+ Retrieval Market（檢索交易），鏈上撮合、鏈下數據傳輸	單層永久寫入；無獨立檢索市場，依賴 Gateway（如 AR.IO）提供檢索服務
付費模型	存儲市場 / 合約制 — 客戶與存儲提供商（SP）簽訂定期租賃協議，按需付費	Endowment 永久捐贈模型 — 一次性付費，資金存入孳息池，理論上永久支付礦工
數據可用性保證	保證完整性（數據未被篡改），但不內生保證檢索速度，需額外購買檢索服務	保證持久性與可訪問性；任何人持有交易 ID 即可永久查看下載，無需依賴原始上傳者錢包
典型場景	企業冷歸檔、合規存證、AI 訓練數據可驗證快照、按需彈性存儲	Permaweb 永久網站、NFT metadata、歷史檔案、AI Agent 長期記憶（AO 計算層）
代幣模型	FIL 最大供應上限為 20 億枚，實際流通受區塊獎勵釋放、質押、懲罰與銷燬機制影響	AR 最大供應量約 6600 萬枚，流通比例已接近上限，新增通脹影響較小。
網路規模	Quality Adjusted Power：約 14,848 PiB	Network Size：約 20.2 PiB
累計存儲數據	Active deals stored data：約 1,110 PiB	Weave Size 約 0.345 PiB
礦工 / 節點	約 611 活躍礦工	約 100 在線節點
存儲成本	Filecoin Cloud $2.50/TiB/月/副本	約 10.4–10.7 AR/GiB（≈$20–21）

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。

Filecoin與Avalanche合作擬建置原生跨鏈資料橋

熱門文章