2026年存储行业格局落定，价值归真：从周期波动走向技术溢价

存储需求分级与存储硬件架构

模型适配：数据流转明确硬件分工，全流程拉动存储需求

AI对存储的需求本质上可以分为三部分：容纳参数；存放过程；数据注入。 存储物理分层可以分为四部分：HBM、LPDDR、SSD、柜外SSD&HDD。 容纳参数（存放模型本身权重Weights）：HBM。 存放过程数据(KV cache等)。HBM+LPDDR+SSD，KV cache主要存放HBM+LPDDR内，训练过程中的check point会保存至SSD。 数据注入（存放及预热训练需要的原始数据，注入给HBM或LPDDR）：SSD+柜外SSD&HDD。

NVIDIA GB200异构存储设计，实现容量与带宽的性能互补

在NVIDIA GB200 NVL72/36中，单个计算托盘 包含2个GB200 Superchips，每个 GB200Superchip包含1个Grace CPU和2个 Blackwell GPU。还构建了“HBM + LPDDR + SSD”的三级存储阶梯，实现了带宽高低搭配与 容量的互补。  HBM3e：每个GPU配备8颗HBM3e（24GB）内 存，单GPU容量达192GB，单计算托盘总容量 768GB。LPDDR5X：每个CPU配备16颗LPDDR5X （32GB），单CPU容量达512GB（480GB可用， 32GB为备用），单计算托盘总容量1024GB。 SSD：每个计算托盘标配4 * 3.84TB E1.S NVMe SSD，可扩展至8个接口，单盘可扩张至7.68TB， 单计算托盘总容量15.36TB/61.44TB（单GPU对 应3.84TB/15.36TB）。

大语言模型的存储需求

transformer架构数据流转频繁——存力决定算力效率

Transformer 数据流转： 模型无法直接理解文字（如 “人之初”），必须经过 Token 化（转数字 ID）和向量 化（Embedding），将离散的 文字转化为计算机可运算的连 续高维向量；通过线性投影，将输入向量转 化为 Query（查询）、Key （键）、Value（值）三个矩阵； 再把大维度的向量拆分成多个 子空间，让模型能同时捕捉句 子的不同特征（如语法结构、 语义关联等）； 最后通过计算注意力分数 （Attention Score），衡量词与 词之间的相关性，再加权融合 Context Vector，最终经过 Softmax 输出预测结果（“性 本善”）

大语言模型分训练、推理数据流程——存力决定算力效率

模型训练时：模型由SSD经过PCIe 6.0流向LPDDR5x，由CPU进行Token化，再回传给LPDDR5X，通过C2C互联传给HBM作为参数输入给GPU， GPU训练完成后回传结果给HBM，再写入SSD保存模型或周期性保存checkpoint。

模型推理时：模型由SSD经过PCIe 6.0流向LPDDR5x，用户从网络端发送请求至交换机，由CPU进行Token化传输给LPDDR5X后，通过C2C互联连 接HBM向GPU发送计算请求，GPU计算完成后传回HBM，HBM再传回LPDDR5X，再通过CPU回传给交换机，再将结果给到用户。

容量测算：解构模型显存消耗或推动需求呈指数级增长

AI模型的生命周期主要分为训练（Training）和推理（Inference）两个阶段。这两个阶段对显存有着截然不同的要求。 “16字节法则”混合精度模型训练下显存消耗：静态显存需求：参数（FP16）2Bytes；梯度（FP16） 2Bytes；Adam优化器（FP32）需要维护参数的备份(4B) + 动量(4B) + 方差(4B)=12Bytes；故万亿参数的模型需 要16TB级别显存才可存储其静态存储； 动态显存需求：模型状态也需占用显存空间，包括激活值及临时缓冲区，其中激活值大小与模型规模（层数 L、隐藏层维度 d_model ）、序列长度 (S) 和 训练批次 大小 (B) 呈线性正相关。

训练与推理端技术发展拉动存储需求增长

训练端：模型升级驱动 HBM 及 SSD 的容量扩张

大模型在训练阶段对存储的拉动：

更大模型——更大的显存及SSD空间需求。模型参数量的持续扩张是大语言模型发展的主线。这种线性地增长是提升模型能力的核心路径，2020年，GPT-3参数量为1750亿，2023年3月，GPT-4参数量约为1.8万亿。增幅 超9倍。在模型参数增长的背景下，为存放下更多参数，对存储（NAND+DRAM）的需求也持续增长。

MoE架构——更大显存空间需求 。 在MoE架构下通过稀疏激活机制，实现了“大模型的容量，小模型的算力”，但模型需全量存储在显存中，本质上是用存储空间换取训练速度，对显存需求拉动明显。

长上下文——更大的带宽需求。 2020年到2026年GPT-3的上下文长度为2,000 Token，GPT-5.2上下文长度约为40万Token，相差近200倍。更长的上下文长度主要冲击的是显存中的动态部分（激活值），激活值 的大小和上下文长度成正比，对显存空间及带宽提出更高要求。

美光科技（MU.O）战略聚焦数据中心，HBM3E 技术突破

财务方面：美光在2025财年实现了373.8亿美元的营收，同比增长49%，毛利率（39.8%）、净利率（22.8%）大幅改善，且增长势头延续，2026财年Q1，单季营收达到136.4 亿美元，同比增长57%，单季净利润达52.4亿美元。

核心策略：剥离To C业务，专注AI拉动的HBM市场。2025年12月，美光正式宣布将于2026年2月以后停止零售渠道销售，将有限的产能释放出来，转向生产高附加值的HBM 和企业级SSD。将资源集中服务更大、更具战略意义的客户（即云服务商Hyperscalers和OEM巨头），以确立公司在AI供应链的核心地位。

HBM进展及指引：公司核心产品HBM3E 12Hi（36GB）带宽超1.2 TB/s，引脚速度超过9.2 Gb/s。且HBM3E产品已成功进入NVIDIA Blackwell平台（如HGX B200）及AMD Instinct MI350系列，成为AI训练芯片的关键内存供应商 。公司2026年HBM产能已全部售罄，市场需求高度旺盛，供不应求格局持续性强。25年2月，公司通过利用 EUV （极紫外）光刻技术、设计优化和工艺创新，1γ 节点相比前代产品实现了超过 30% 的单晶圆位元产出增长，能够更高效地扩展内存的供应。