2026年SK海力士公司研究报告：AI全栈存储的价值重估

SK 海力士：AI 全栈存储的价值重估

从历史维度看，我们认为 AI 的发展路径与历次工业革命具有高度可比性。第一次工业革命 以蒸汽机为代表，解决的是动力从哪里来的问题；第二次工业革命通过电力、流水线与化 工体系，实现规模化与标准化；第三次工业革命以半导体和信息技术为核心，使工业体系 进入数字化时代。而当前以大模型和算力基础设施为核心的 AI 浪潮，本质上是在解决将数 据与算力转化为智能生产力的问题，其影响范围具备跨部门、跨产业的通用性特征。 从技术成熟度来看，当前 AI 所处阶段更接近工业革命早期而非中后期。历史经验显示，无 论是电力、计算机还是互联网，技术突破到全面商业化之间往往存在长时间滞后。以电力 为例，发电技术在 19 世纪末已基本成熟，但真正推动制造业效率跃升，是随后几十年围绕 工厂布局、设备形态与流程再造的系统性重构；计算机在 1950-1970 年代已进入商用，但 直到 PC 普及与软件生态成型，才真正释放生产率红利。对比当前 AI 仍主要集中在模型能 力提升与算力扩张阶段，应用层更多停留在结构化场景替代和工具性能的增强，距离深度 嵌入业务流程与组织结构尚有明显空间。 从产业形态看，AI 正在重塑类似 AI Factory 的新型生产组织。在这一体系中，能源、数据 与算力作为核心投入，经由 GPU、内存与互联等基础设施转化为 Token 级别的智能输出， 再进一步转化为决策、内容与自动化执行结果。这一过程是完整产业链的形成，包括上游 算力与存储、中游平台与模型、下游行业应用与服务。正如电力革命不仅催生发电设备， 也重塑了制造业、交通与城市结构，AI Factory 的成熟同样意味着企业 IT 架构、劳动分工 乃至商业模式的系统性变化。 因此我们认为，当前阶段更接近基础能力的快速搭建期，而非商业价值的完全兑现。随着 AI Factory 持续扩张、成本曲线下移以及应用生态逐步完善，AI 长期商业化空间和产业深 度，均有望超出当前市场的线性外推预期。

AI 推理时代的新存储层级将使全栈内存厂商受益

AI 推理如何催生新存储层级？

AI 计算堆栈对带宽、延迟和容量的极致需求，催生了金字塔式的分层存储架构。AI 推理所 具备的高并发量、长上下文、多模态、外部知识检索持久化的趋势下自然催生了多层级存 储体系。1）大模型推理的 KV Cache 容量随上下文长度线性增长。例如 70B 模型在 4k context下需要约40-60GB的KV Cache，而在128k-1M context时代，同一模型的KV Cache 需求可直接扩大几十倍。HBM 只能承担高速、热数据的即时访问，因此大部分 KV Cache 必须放在 DDR5/LPDDR 或更大容量的 SSD 上。2）RAG（Retrieval-Augmented Generation） 引入外部知识库，导致数据吞吐量跳变，RAG 推理过程包含：embedding 计算、向量数据 库检索、拼接上下文和 LLM 推理。在第二步中，RAG 系统需要频繁访问海量的嵌入向量 （embedding vectors），这些向量通常存储在 DRAM、CXL Memory 以及 NVMe SSD 中， 随着检索频率上升，传统 DRAM-only 方案已无法维持成本与容量，必须引入扩展存储和 SSD 构成的多层级架构。3）多模态推理（图像、语音、视频）带来输入数据量大幅上升和 中间 embedding 特征膨胀，同样要求实现系统级的分层存储调度。

核心层 HBM：位于 GPU 或 ASIC 芯片封装内部的近存单元。HBM 通过 TSV 技术将 8 层、12 层至 16 层 DRAM Die 垂直堆叠，并直接通过中介层（Interposer）与逻辑芯片 互联。HBM 是 AI 训练与推理的绝对瓶颈，GPU 的算力利用率直接取决于 HBM 的带宽。

主存层 DDR5 RDIMM/LPDDR：在 AI 服务器中，DDR5 主要承担数据预处理、模型 加载以及作为 HBM 的二级缓冲池，主要为服务器 CPU（如 Intel Xeon 6 或 AMD EPYC Turin）挂载的主系统内存。为了容纳万亿参数级别的模型权重和 KV Cache，单条 128GB 甚至 256GB 的 RDIMM 成为标配。此外，原本专为移动设备设计的低功耗内 存（LPDDR，Low Power DDR），也已渗透至高性能计算领域。英伟达的 Grace/Vera CPU 以及苹果的 M 系列芯片均采用 LPDDR5X，利用其更高的能效比来降低数据中心 的电力负担。据 2025 年 11 月韩媒 New Daily、亚洲经济等报道，英伟达计划将 LPDDR 取代传统服务器使用的 DDR5，引入新服务器中产品，已与内存厂商就 2026 年量产 LPDDR 供应提前展开谈判。

数据湖层企业级 SSD：AI 训练需要吞吐海量的原始数据（文本、图片、视频），这要 求存储介质具有极高的顺序读取速度。当前主要产品为 PCIe Gen 5 SSD。企业级 SSD 通常部署在机架上层或与服务器节点共同集成使用，承担对延迟相对敏感的频繁访问 数据存储职责。相比传统 SSD，eSSD 在耐久度（DWPD）、并行性、I/O 一致性、断 电保护以及端到端数据路径完整性方面都经过专门优化，以适应大规模数据中心 7× 24 的工作负载特性。

Nearline HDD：为面向数据中心的高容量机械硬盘，位于数据中心架构的“冷数据” 层，是支撑云厂商对象存储（如 AWS S3、Azure Blob、GCP Cloud Storage）的关键 组件。尽管其随机访问性能无法与 SSD 相比，但其成本优势极为显著，尤其是单位容 量密度在大规模存储场景中仍具备不可替代性。Seagate、Western Digital 近年来持 续推进 20TB+、22TB、26TB（SMR）等高容量 Nearline HDD，并预计在 2026-2027 年进入 30TB+ HAMR/HCMR 时代。

我们认为，英伟达在 CES 2026 发布 BlueField-4，把推理时代 KV cache 与可复用上下文 从单机内存问题，转换为集群级可调度的存储层问题，并且初步指出了实现路径。同时验 证了 AI 新存储层级的趋势：推理系统开始需要介于内存与传统共享存储之间的共享上下文 层，容量远大于 DRAM/HBM，但访问路径和调度方式又明显短于传统对象存储或通用共 享存储。BlueField-4 集成 64 核 Grace CPU、128GB LPDDR5X 内存与 CX9 网络，并提 供最高 800Gb/s 超低时延以太网或 InfiniBand 链接能力，同时提供用于加密与数据完整性 校验的硬件引擎，可进行线速加密与 CRC 保护。我们认为，原来很多需要 CPU 参与的存 储协议终止、数据搬运、加密校验、以及 KV cache 的元数据和放置决策，可以被下沉到 DPU 侧执行，从而减少主机 CPU 参与的路径长度与串行化开销。英伟达在 ICMS 方案里 明确写到，BlueField-4 会在推理 KV 的 I/O 与控制面上加速，并在计算节点的 DPU 与 ICMS 侧控制器之间协同，减少对主机 CPU 的依赖并降低主机内存拷贝与序列化。 更关键的是，BlueField-4 与 Context Memory 平台将 KV Cache 从 GPU 内存中解耦，新 增了一层以以太网连接的闪存层，定位在 GPU HBM 与可扩展共享存储之间。据 TomsHardware 测算对应每 GPU 额外获取约 16TB 分布式上下文存储，这层足够靠近计算 节点、可以通过 RDMA 低抖动访问，并支持在 pod 级别共享与复用上下文，用来在 KV 从 HBM 与主机内存被逐出后保留历史上下文，并支持频繁预取回 GPU 或主机内存而尽量不阻 塞解码。英伟达表示：1）该平台可带来最高 5 倍每秒 tokens（TPS）提升，并且相对传统 存储实现 5 倍功耗效率；2）强调硬件加速的 KV cache 放置由 BlueField-4 管理，能够消除 元数据开销、减少数据搬运，并为 GPU 节点提供隔离访问。此外我们认为，BlueField-4 的 推出也让存储厂商的竞争方向纳入能否做出与该架构匹配的 KV 优化存储平台。

海力士各层级竞争力如何？ 在传统服务器 DRAM 层面，海力士在 2024 年 8 月率先完成 1c 制程的 16Gb DDR5 开发， 据TrendForce报道，已于 2025年 2月批量供货。在 2025 年 5月的 DTW 和6月的 Computex 上，海力士重点展示了基于 1c 制程的 DDR5 RDIMM 和 MRDIMM，单条容量覆盖 64-256GB， 其中 96GB DDR5 RDIMM、256GB 3DSDDR5 RDIMM 以及 96/256GB DDR5 MRDIMM 已 形成完整产品族，RDIMM 速率可达 8Gbps，MRDIMM 可达 12.8Gbps 级别，对标 AI 服务 器对带宽/容量同步拉升的需求。在 CXL 方向，公司于 2025 年 4 月宣布完成基于 CXL2.0 的 CMM-DDR5 96GB 模组客户认证，采用 1bnm 32Gb DDR5 的 128GB 产品也已进入客 户验证流程，公司 CMM-DDR5 带宽较传统 DDR5 方案提升约 30%，容量提升约 50%，瞄 准大模型推理、内存池化和内存分级场景下的 TCO 降本。应用上，RDIMM/MRDIMM/CMM 主要面向搭载 Intel/AMD 新一代服务器 CPU AI 训练与推理服务器、HPC 集群以及大型内 存数据库，在 Dell Technologies World 与 OCP 等活动中已经有整机展示和联合推广。我们 认为，海力士在服务器 DRAM 上一方面通过 1c 工艺在性能/功耗/成本上抬高门槛，另一方 面通过 MRDIMM 与 CXL 模组提前卡位高带宽大容量的池化内存需求，或将受益于 AI 服务 器长周期升级。

在 LPDDR 领域，2023 年 1 月海力士推出了当时行业最快的 LPDDR5T，速率 9.6Gbps， 比此前 8.5Gbps 的 LPDDR5X 再提升约 13%，并采用 HKMG 工艺来兼顾高速度与低功耗， 随后与高通完成了兼容性验证，可以直接搭配 Snapdragon 8 Gen3 使用，16GB 封装样品 的数据吞吐可达 77GB/s。高容量方面来看，海力士于 2023 年 8 月已量产全球首个 24GB LPDDR5X 封装，同样引入 HKMG 工艺，在 1.01–1.12V 超低电压下运行，单封装可提供 约 68GB/s 吞吐，首批已供货 OPPO 高端智能手机，之后也逐步扩展到其他安卓旗舰厂商。 此外，海力士于2024年4月在TSMC技术研讨会展示了LPCAMM2模组，尤其适用于AIPC、 轻量 AI 工作站和边缘服务器。从下游看，LPDDR5X/5T 既服务于安卓旗舰和折叠屏手机， 也通过 LPCAMM2 进入高端笔电和 on-device AI 设备。

SOCAMM 作为面向 AI 数据中心的新型高性能、低功耗内存，主要使用铜互连键合技术连 接 LPDDR5X 内存堆栈。每个 GB300 搭载 4 个 SOCAMM 模块，共 256 个 DRAM die，而 下一代 Vera Rubin 或将搭载 8 个 SOCAMM 模块。美光在此领域具备较强竞争力，其于 2025 年 10/22 宣布其基于 1γDRAM 制程的 192GB SOCAMM2 已成功送样，此前 3/18 宣布第一 代 SOCAMM 为行业唯一进入 GB300 供应链。不过据 TomsHardware 9/14 报道 SOCAMM1 可能已被英伟达搁置，并对三家厂商开启 SOCAMM2 的样品测试。据 TomsHardware 12/18 报道，三星 SOCAMM2 也已成功送样英伟达，并有望在 2026 年初进入全面量产阶段，海 力士正筹备 2026Q2 开始，基于 1γDRAM 大规模生产 SOCAMM2。我们认为 SOCAMM 迭 代的时间窗口或能让三星和海力士在 SOCAMM 领域获得追赶美光的机会。 作为高带宽显存架构，GDDR 的核心优势在于其高 I/O 数据速率、相对较低的封装复杂度 与更具成本效率的系统部署能力。英伟达于 2025 年 5 月/9 月发布 RTX PRO 6000/Rubin CPX 产品线，其中 RTX PRO 6000 搭载 96GB GDDR7，Rubin CPX 搭载 128GB GDDR7 显，主要负载特点是面向边缘推理、图形大模型、多模态 AI 以及轻量训练任务。相比用于 训练芯片的 HBM3E/4，GDDR7 能显著降低 BOM 成本和封装复杂度，从而提高单位瓦推 理吞吐与整体能效比。最新一代 GDDR7 在带宽、能效与信号完整性方面均实现显著提升， 其初始速率达到 32Gbps/pin。三星于 2023 年 7 月展示 36Gbps GDDR7，规格预留的上限 接近 48Gbps。海力士在 2024 年 7 月发布 32Gbps GDDR7，通过增加散热基板层数等封 装，相比主流 GDDR6 能效提升约 50%（对比三星 GDDR7 提升 20%）。2025 年 7 月海力 士确认正在开发 3GB 容量的 GDDR7 颗粒，相比传统 2GB 颗粒可以用 8 颗堆出 24GB 显 存，其更适合高分辨率游戏、光追以及生成式 AI 推理场景；据 TomsHardware 预计这些高 容量 GDDR7 将首先随英伟达 RTX Pro 6000 以及消费级 RTX 50 Super 系列一起放量。我 们认为，海力士或能将 HBM 量产带来的高速 I/O 经验外溢到 GDDR7，并凭借高良率 1β /1γ工艺带来的高带宽 DRAM 上的稳定性以争夺 GDDR 的结构性增量市场。

在传统 eSSD 产品线中，海力士产品矩阵完备，包括：1）基于 176 层 4D NAND 的 PS1010 系列，容量从 1.92TB 到 15.36TB，采用 PCIe5.0 接口，并在 Dell R7625 服务器平台上做 了联合展示。2）基于 238 层 4D NAND 的 PEB110 E1.S，为 PCIe5.0 数据中心 SSD，带 宽可达 32GT/s、功耗比上一代下降约 30%，容量覆盖 2/4/8TB，主打高性能、紧凑形态和 更强安全性（支持 SPDM 协议）。3）基于 321 层 QLC 的 PS1101 E3.L，为 245TB 超大容 量 SSD，针对替代 nearline HDD、构建冷/温数据海量存储的中间层解决方案。

在更长期的 AI 存储战略上，海力士在 2025 年 OCP 峰会上提出了“AIN Family”，将面向 AI 的 NAND 方案划分为面向性能的 AINP、面向带宽的 AINB 和面向容量的 AIND：AIN P 通过重构 NAND+控制器架构，基于 PCIe 6.0，以 512B 数据访问块实现 5000 万 IOPS，并 规划在 2027 年达到 1 亿 IOPS，目标为向量数据库、随机读取密集的推理负载；AIN D 利用 3D QLC，把单系统存储密度从 TB 级提升到 PB 级，希望用 QLC SSD 替代 nearline HDD； AIN B 则基于与 SanDisk 联合推动的 HBF（High Bandwidth Flash），希望在 HBM 带宽和 NAND 容量之间打开一个新层级，为未来 AI 系统提供可接近 HBM 带宽，但容量更大、成本 更低的存储。在此基础上，公司还在 SC25 亮出更前沿的方案：包括将 Optimizer 计算直接 下沉到存储端的 Optimizer Offloading SSD，以及基于数据感知 CSD 的 OASIS（Object-based Analytics Storage for Intelligent SQL Query Offloading），在美国 LosAlamos 国家实验室的 HPC 应用中已经验证能显著提升 SQL/分析型负载性能。我们认为，海力士在 eSSD 维度的 优势不再只是单颗 NAND 工艺，而是通过高性能 eSSD、PB 级 QLC、计算存储以及 HBF 带 宽层，希望卡位 AI 存储系统解决方案供应商，对接的下游进一步延伸到超大规模云、HPC 研究机构以及需要 SQL/向量检索加速的数据湖与数据仓库客户。

制程方面，海力士沿着 10nm 级 1a、1b、1c 线性演进，并通过在不同产品线错峰导入， 把先进节点的成本和功耗优势放大到服务器 DRAM、LPDDR 和 GDDR 等高价值品类上。 海力士最早在 2021 年 7 月开始使用 1a 节点量产 8Gb LPDDR4，并首次在 DRAM 上大规 模导入 EUV。2023 年 1 月，采用 1a 工艺的 DDR5 Server DRAM 率先通过了 Intel 第四代 Xeon Scalable（Sapphire Rapids）平台的兼容性认证，标志着 1a DDR5 在服务器 RDIMM 上进入规模出货阶段。 2023 年 5 月，海力士宣布完成 1b 节点 DDR5 的开发，采用 HKMG 工艺以同时提升速率与 降低功耗，并与 Intel 开启联合验证。公司 1b 节点不仅服务 DDR5 RDIMM，也拓展到了 LPDDR5T 和 HBM3E 等高端产品线。2024 年 8 月，海力士为行业首家发布基于 1c 节点（第 六代 10nm 工艺）的 16Gb DDR5 芯片，公司预计应用于高性能数据中心的 1c DDR5 产品， 其运行速度较上一代将提升 11%达到 8Gbps，同时能效也将提升 9%以上。

如何展望存储玩家在各层级的动态竞争力？ 海力士、美光和三星在 DRAM 与 NAND 各细分领域的竞争，正在由单一产品能力的比较， 逐步转向围绕平台适配、量产稳定性和资源配置能力的综合博弈。 在 HBM 领域，三家厂商的差异主要体现在下一代 HBM 技术的量产成熟度与交付稳定性。 海力士在 HBM3E 向 HBM4 的迭代过程中，依托较为成熟的 TSV、键合工艺和堆叠良率， 维持了相对稳定的出货节奏，当前在英伟达供应链认证中仍处于领先位置。美光跳过 HBM3 通过 HBM3E 切入英伟达产业链，逐步扩大供货规模，其优势更多体现在能效、节点演进 以及与服务器侧新型内存形态的协同，整体供货规模仍处于爬坡阶段。三星在 HBM3E 与 HBM4 路线上推进较快，并依靠集团层面的制造资源加大投入，但其在高堆叠良率和客户 认证节奏上的稳定性仍是影响实际放量的关键变量。 在 LPDDR 领域，美光和海力士更关注低功耗内存与新形态模组在 AI PC 和边缘侧场景中 的应用。美光在 SOCAMM 和 LPCAMM 等形态上的推进较快，试图在 PC 与服务器之间拓 展内存应用边界。海力士在 LPDDR5X 和 LPDDR5T 基础上持续升级，并将其作为 HBM 之 外的重要补充层级。三星在 LPDDR 方面的优势仍主要来自移动端生态和终端客户基础，其 节奏更多受手机和端侧设备更新周期影响。 在 GDDR 领域，竞争重点已转向 GDDR7。据 Semianalysis，在英伟达 2025 年发布 RTX Pro 6000D（采用 GDDR7）时三星可能主要负责供应 GDDR7，主要因为三星有足够的产能来 满足英伟达的紧急订单，而美光和海力士的产能则被 HBM 订单占用。美光最新 GDDR7 显 存设计速率已突破 40 Gbps，主要面向 AI 推理和高端显卡场景。海力士亦推进 GDDR7 产 品，但整体资源投入相对更集中于 HBM 和服务器内存，GDDR 对其而言更多是补充性布局。 该领域的份额变化仍高度依赖 GPU 客户的平台选择和量产节奏。 在 NAND/SSD 方面，海力士将 NAND 产品更多地与 AI 数据中心需求结合，通过 QLC 和 PCIe Gen5 的企业级 SSD 承接数据湖和吞吐型负载，并进一步探索 HBF 等新形态存储。 美光在客户端和通用服务器 SSD 上推进较为稳健，强调 QLC 成本优势和新一代接口的逐 步导入，企业级 SSD 的渗透仍处于积累阶段。三星在企业级 SSD 上持续推进高容量和新 接口产品，依托规模化制造能力加快产品更新。

存储行业的竞争焦点正在从高价值单产品竞争转向系统级的协同。美光、三星与海力士均 在 DRAM（包括 LPDDR、GDDR、RDIMM）、HBM、CXL Memory 与高性能 SSD 各环节 形成产品覆盖。当前三家厂商在 AI 时代的竞争围绕多层级存储在不同系统位置中的适配程 度展开。海力士的优势在于 HBM 先发壁垒牵引下的产品协同和量产稳定性，美光的优势在 于新形态内存与平台升级节奏的匹配，三星的优势则体现在产品覆盖广度和长期资源投入 能力。 我们认为未来能够在全栈层级提供完整组合的厂商，其竞争优势更为明确。全栈供应带来 的直接收益体现在两个方面：1）AI 服务器的存储层级正呈现高度异构特征，未来下游服务 器厂商或更倾向于与能够提供一致性规格、稳定供货和跨层级协同优化的供应商合作。在 HBM＋DRAM＋扩展接口＋eSSD 的组合中，具备全栈能力的厂商能够实现带宽、容量、 功耗与成本的整体优化，从而提升在整机设计中的黏性。2）下游 AI 服务器需求持续高强 度扩张，尤其在 HBM 出现供给瓶颈背景下，全栈产线厂商可以通过灵活的产能调配与产品 组合策略提高整体 ASP 与毛利率。我们认为，能够前瞻性布局 AI 存储各层级，并具备 HBM、 高端 DRAM 以及 SSD 覆盖的供应商将在未来 AI 基础设施建设周期中获得更持续、更系统 性的收益。