面向AI的SSD，徹底火出圈

當GPU算力以每季度翻番的速度狂飆，當HBM成為AI服務器的“硬通貨”，一塊被嚴重低估的核心部件——面向AI工作負載優化的SSD，正站在產業矛盾的中心點。而當前市場的主流存儲方案HDD與HBM，各自存在難以突破的發展掣肘，正是這一局面的關鍵成因。

01

HBM、HDD，均不是最優解

先看HBM，隨著GPU算力的爆發式增長，本質上是“數據處理能力”的指數級提升。從單卡到集群，從百億參數到萬億參數，GPU對數據的“吞吐需求”只會越來越苛刻：不僅要快，還要穩定、無延遲，避免出現“算力空轉”。而這種需求，恰好戳中了現有存儲方案的痛點。其次，HBM成為“硬通貨”，是市場對“高帶寬存儲”的被動選擇。HBM的核心優勢是“近顯存級的帶寬”，能最大程度匹配GPU的高速計算節奏，減少數據搬運的延遲——這也是它能成為AI服務器標配的關鍵。但HBM的成本邏輯與“規模化部署”相悖，過度依賴HBM會直接推高AI服務器的整體成本，讓多數企業望而卻步。

再看另一主流存儲方案HDD。作為長期占據存儲市場的“容量擔當”，HDD的優勢是低成本、大容量，能滿足數據歸檔、冷存儲等場景的需求。但在AI算力狂飆的當下，HDD的性能短板已成為“致命缺陷”：其機械結構決定了讀寫速度和延遲表現，完全跟不上GPU的算力釋放節奏。AI訓練中，數據需要從存儲介質快速加載到GPU顯存，而HDD的慢響應會導致“數據等待算力”。

由此可見，產業矛盾的核心已經非常清晰：GPU的“無限算力需求”與現有存儲方案的“有限適配能力”形成了尖銳對立。HBM能解決“快”的問題，但解決不了“多”和“省”；HDD能解決“多”和“省”的問題，但解決不了“快”；而AI產業的持續發展，恰恰需要一種能同時平衡“高速響應、海量容量、合理成本”的存儲方案。

SSD的價值，正在這種矛盾中被凸顯出來。

02

AI場景SSD憑什么“火”

那么，面向AI的SSD需要解決哪些問題？

業內人士向半導體產業縱橫表示，面向AI的SSD是為大模型訓練/推理量身定制的“高性能+高并發+低延遲+高耐久+大容量”的專用存儲，而大容量SSD只是“容量大”的通用存儲——容量只是SSD的必要條件，絕非充分條件。以下是該類SSD的一些核心特點：

打破CPU中轉瓶頸，讓高端GPU算力不閑置。GPU的核心價值在于算力輸出，但這份輸出能否落地，始終受限于數據傳輸與存儲的協同能力。傳統架構中GPU取數需經“SSD→CPU→內存→GPU”多環節跳轉，CPU帶寬瓶頸成為產業痛點。而面向AI場景的SSD的核心突破，正是在半導體架構層面實現“直連協同”，通過接口技術，讓GPU跳過CPU，直接與SSD建立數據通道。這一改變絕非簡單提速——數據搬運時間大幅縮短，GPU不再因等待數據“空轉”，徹底破解高端GPU算力閑置的資源浪費難題，讓核心芯片的性能優勢真正落地。

打破GPU顯存高端壁壘。如今萬億參數模型的訓練與推理，需要TB級顯存支撐，若單純依靠HBM顯存擴容，不僅會讓GPU成本翻倍，還會受限于半導體制造工藝，讓多數企業難以承擔高端GPU集群的投入。面向AI應用的SSD被設計為介于HBM顯存與傳統存儲之間的“類內存層”，本質是半導體存儲器件與計算器件的協同創新，既能作為GPU的擴展顯存，又能承擔數據緩存功能。該技術并非替代HBM/DRAM，而是將存儲層從內存擴展到SSD，形成“DRAM+HBM+SSD”的分級存儲體系，優化整體效率。

內置DSP/ASIC，支持近存計算。GPU既要承擔核心矩陣運算這類高端任務，還要處理數據預處理、優化器狀態更新等簡單計算，導致寶貴的算力被浪費。而為了AI場景優化SSD內置DSP/ASIC計算單元，支持近存計算技術，可將這些簡單計算任務從GPU卸載到SSD本地執行，實現半導體器件的“分工優化”。這種協同模式，讓GPU徹底擺脫冗余計算的束縛，專注于核心算力輸出，不僅減少了數據搬運帶來的延遲與損耗，更提升了整個半導體系統的算力密度。

業內人士向半導體產業縱橫表示：為了AI場景優化的SSD第一次讓存儲本質性融入算力體系，實現數據直接參與AI訓練與推理，完美匹配GPU高頻并發的特點，最終提升性能、降低整體TCO（總擁有成本）。

03

被搶注的SSD，2026年迎來放量

據悉，由于AI服務器推動存儲需求爆發，HDD持續大缺貨，交付期限已延長至2年以上，云廠商“緊急加單”，采購大容量企業級SSD，部分原廠2026年QLC NAND Flash產能也被提前搶購一空。供應鏈人士透露，各家云廠商只能排隊等待，由于HDD供應集中，并采取“依訂單生產”模式，缺貨持續加劇，有云廠商與供應商簽定2026年長約，提前鎖定HDD與企業級SSD供貨來源。

因此，面向AI時代的SSD已成為存儲巨頭、GPU龍頭與云廠商的必爭賽道，全球頭部存儲廠商紛紛入局，并分化出兩條差異化的技術路線。

第一條路線，是與GPU龍頭英偉達深度綁定，針對性開發適配AI/數據中心場景的SSD產品，核心目標是解決GPU受限于HBM容量的行業痛點，旨在應對計算負載從“計算密集型”向“數據密集型”的轉變，通過將更多數據置于計算資源附近，擴大GPU可用顯存空間，進而支持更大數據集的訪問、顯著提升GPU利用率。

在這一技術方向下，鎧俠與SK海力士已相繼公布合作進展。2026年3月，鎧俠宣布成功研發全新品類的超高IOPSSSD，這款產品正是基于英偉達“Storage-Next”計劃的需求打造，預計將于2026年末向特定用戶提供評估樣品。無獨有偶，SK海力士早在2025年12月便宣布與英偉達合作研發AI核心SSD，該項目在英偉達內部沿用“StorageNext”代號，在SK海力士內部則被命名為“AI-NP”（AINANDPerformance），隸屬于“AINFamily”產品線。其核心邏輯是通過重構NAND與控制器架構，打破AI運算與存儲間的數據傳輸瓶頸，滿足大規模AI推演對數據吞吐的極致需求。據規劃，SK海力士這款產品將采用PCIeGen6接口，計劃于2026年底推出初期樣品，其IOPS性能可達2500萬次/秒，實現了8-10倍的跨越式提升。

第二條路線，則是聚焦容量提升、性能突破，打造高性能、大容量的SSD產品。以三星、華為、美光為代表的廠商均在此賽道加速布局。2025年10月，三星明確產品路線圖：256TBPCIe6.0SSD將于2026年正式推出，512TB版本則計劃在2027年落地；同時，兼容CXL3.1與PCIe6.0標準的CMM-D存儲產品也即將面市，性能實現翻倍升級。

華為則在2025年8月搶先發布面向AI時代的高端SSD矩陣，包含高性能系列HUAWEIOceanDiskEX560、SP560，以及大容量系列HUAWEIOceanDiskLC560，其中單盤最高容量達245TB。該系列產品的核心價值在于打破傳統AI存儲器的性能與容量瓶頸，全面提升AI訓練效率與推理體驗。

同期，美光也于2025年8月在愛達荷州博伊西發布三款基于G9NAND技術的數據中心級SSD，涵蓋旗艦級9650、高密度6600ION及主流7600三大系列。憑借全球首發的PCIe6.0技術、業界領先的容量密度與超低延遲表現，為AI算力基礎設施提供核心支撐。從落地進度來看，美光9650與7600系列已推出E3.S/E1.S形態樣品，6600ION系列122TB版本已于2025年第四季度量產，245TB高容量版本則計劃在2026年上半年正式上市。

從上述頭部廠商的技術布局與產品路線圖不難看出，2026年正成為AI用SSD技術落地與商業化應用的關鍵元年。

業內人士向半導體產業縱橫表示，當前AI用SSD已在三大核心AI場景中展現出強勁的實戰價值：

第一個場景，是AI推理系統。無論是ChatGPT這類對話機器人，還是工作中的AI功能，都需要高頻訪問KV緩存來應對百萬級并發請求。SSD的低延遲的高響應速度，讓推理更高效，而超大容量則賦予AI“長久記憶”，避免重復計算，大幅降低成本；

第二個場景，是向量數據庫實時檢索。向量數據庫是AI語義檢索、推薦系統的核心，對吞吐量和響應時間要求極高。該SSD的高并發、低延遲特性，讓實時檢索效率翻倍。

第三個場景，是AI數據一體機。在海量數據訓練場景中，AI數據一體機需要兼顧性能與成本。SSD通過性能優化與TCO平衡，讓數據分層存儲更合理，既保證訓練速度，又降低硬件投入成本，成為企業部署AI訓練平臺的優選方案。

04

面向AI應用的SSD，進入產業狂歡

過去長期把資源優先投向DRAM的三星和SK海力士，如今正積極調整戰略布局，應對AI服務器需求激增帶來的存儲芯片市場新變化。

三星電子在2024年9月就已啟動280層V9 NAND量產，但當時只在平澤園區部署了初期量產線，月產能僅約15000片晶圓。如今，隨著AI產業推動存儲需求快速上升，三星正在加速擴大V9產能，并將重點放在中國西安的X2產線。據悉，三星電子位于中國西安的NAND晶圓廠近期成功完成工藝制程升級，實現了236層堆疊的第八代V-NAND (V8 NAND)的量產。

本次制程升級始于2024年，旨在改造原有的V6 (128L) NAND，以提升產品性能與生產效率，增強產能競爭力。在量產V8 NAND后，三星西安晶圓廠的下一步瞄準了286層堆疊的V9 NAND，相關生產線將位于X2工廠，計劃在2026年內完成過渡并實現量產。

SK海力士也展現出強勁的擴產勢頭。該公司計劃在今年第二季度啟動321層第9代NAND的轉換投資，目標是在清州M15實現月產約3萬片晶圓的V9產能。與目前約2萬片晶圓的水平相比，這次擴產力度相當大。

鎧俠表示，計劃通過擴大其四日市工廠和北上工廠的生產線，到2029財年將產能較2024財年提高一倍，以滿足AI數據中心對NAND閃存日益增長的需求。此外，鎧俠與閃迪正計劃聯合在美國興建NAND晶圓廠。

技術迭代的核心不僅在于架構與標準，更在于底層存儲介質的優化，鎧俠CEO柳茂知表示，QLC SSD是AI行業最好的選擇。盡管從SLC到MLC，再到TLC，最終到QLC，SSD的性能一直在下降，但隨著技術的演變，2025年QLC SSD的速度已經比2017年的TLC SSD快很多了。如今QLC SSD的順序讀寫速度可達7000MB/s左右，性能十分強大，能夠滿足AI大模型數據存儲和調用的要求。

QLC（Quad-Level Cell）顆粒之所以能成為SSD的主流選擇，正是源于其對AI場景核心訴求的精準匹配。

第一、讀取優化特性：QLC NAND針對讀取密集型工作負載進行了優化，而AI推理服務器主要負責分析和處理大量數據，訪問模式以讀取為主，寫入頻率相對較低。

第二、高密度優勢：QLC NAND具有更高存儲密度，每單位成本低于TLC NAND，使其成為AI服務器、云計算和大數據分析等應用的理想選擇。

第三、能效提升：Solidigm的研究表明，QLC固態硬盤的能效比TLC固態硬盤高19.5%，比混合TLC固態硬盤和機械硬盤高79.5%，這對大規模部署的AI推理服務器至關重要。

英特爾的研究進一步證實，QLC NAND固態盤會讓PCIe4.0總線的讀取能力達到飽和，而且具有接近TLC的延遲和服務質量(QoS)。正因如此，這種固態盤的響應速度相比機械硬盤高出好幾個數量級。