AI推理如何驅動存儲需求爆發及周期演變？

AI推理驅動存儲需求爆發的核心機制

大模型推理的解碼階段本質是memory-bound，核心存儲負載包括模型權重、KV Cache、激活值、RAG向量庫等。KV Cache是隨上下文長度和并發數動態膨脹的張量數據，推理性能（TTFT/TPS）高度依賴對KV Cache的保存和管理效率。在傳統馮·諾依曼架構下，大模型推理時的大量高維張量數據和Transformer的自注意力機制加劇了內存墻問題，數據搬運成本高，嚴重拖慢推理效率。因此，提升存儲帶寬和容量可以顯著增強推理性能、降低推理成本，“以存代算”是必然趨勢。

存儲范式的改進與架構演進

面對大模型推理的訪存受限問題，產業界從模型優化和硬件優化雙線推進。存儲體系正從單一層級向高帶寬+大容量+分級管理的協同架構演進。1）高帶寬存儲器解決方案：包括HBM、WOW 3D堆疊DRAM、HBF。HBM向更高帶寬、更大容量升級，HBF通過堆疊NAND閃存提供巨大容量兼具成本優勢，定位是HBM的補充。2）優化存儲分級管理系統：CXL內存池化技術實現內存資源的整合與統一調度；英偉達GTC2026推出的最新方案將Prefill和Decode階段分機柜部署，實現物理分離，優化資源利用。

供需狀況與長協簽訂拉長周期能見度

2026年存儲器下游需求中，服務器占比有望提升至40%左右，DRAM下游需求中服務器占比有望提升至50%-60%。本輪周期由AI需求驅動，供需高度緊張，預計26年全年價格上漲，27年至少保持高位。現貨價占市場10%左右，近期有回調；合約價占90%左右，北美CSP因擔心拿不到產能，陸續與原廠簽訂3-5年長約，國內模組廠也有簽。客戶與原廠基本達成價格共識，周期能見度拉長。LTA（長期供貨協議）鎖定高底價，要求高額預付款，違約成本高，議價權完全逆轉至供應商，使存儲廠商利潤率維持在更高且更穩定的水平。