KV Cache需求暴漲32倍，AI如何重寫存儲產業鏈的「舊分工」？| MemoryS 2026觀察

作者 | 楊依婷

編輯 | 包永剛

去年的CFMS｜MemoryS峰會上，存儲廠商們討論的是：價格何時企穩、QLC何時上量、AI PC何時落地。彼時，“AI會讓存儲變得更基礎、更關鍵”，還更像是一種行業判斷，一種面向未來的趨勢預演。

一年之后，站在MemoryS 2026的會場里，問題已經徹底變了。

人們談論的不再只是位元成本、顆粒供給和容量節奏，而是GPU利用率、token成本、系統調度效率，甚至物理AI場景中的實時決策能力。那些原本屬于AI基礎設施和系統架構層面的議題，正在越來越頻繁地出現在存儲產業的討論中心。

在傳統計算架構里，存儲的職責更多是“存”。數據被寫入、留存，在需要時調取，不需要時則靜靜停留在系統邊緣。它長期是BOM成本中的一項，是容量規劃的問題，而很少直接參與算力效率的定義。

但在大模型訓練與推理時代，這一角色被徹底改寫。

KV Cache的訪問延遲，開始直接影響token生成速率；Checkpoint的寫入效率，決定著GPU在訓練過程中的等待時間；SSD的IOPS密度，則進一步影響大模型推理場景下的并發能力和系統吞吐。

存儲開始進入計算主路徑，它決定數據流動的速度，也在某種程度上決定GPU算力能否被充分兌現。而這，正在反向重塑整個存儲產業鏈的分工邏輯。

存儲進入計算路徑，舊分工開始失效

AI推理有一個被反復討論的瓶頸：KV Cache。

大模型在處理長上下文時，需要把每一層、每一個token生成過程中的Key和Value結果臨時保存下來，以避免重復計算。上下文越長，并發越高，這部分緩存的體量就越驚人。

當高帶寬顯存無法繼續承接，KV Cache只能向下一層存儲介質下沉，NVMe SSD由此正式進入大模型推理的實時數據路徑。

如果說過去SSD的使命是“提升加載速度”，那么在AI時代，它開始直接約束或決定推理吞吐的上限。

慧榮科技總經理茍嘉章的總結更為直接：“新一代存儲，正在從數據存儲進入計算存儲。”

這句話幾乎點破了整個行業變化的本質。一旦存儲進入計算路徑，它就不再只是靜態保存數據，而是開始影響token生成效率：訪問時延影響輸出速度，IOPS密度決定并發能力，寫入效率左右Checkpoint節奏，最終共同作用于單位token成本。

也正因如此，AI場景對存儲提出的要求，已經明顯超出了“標準顆粒 + 通用主控 + 標準模組產線”這套舊模式的能力邊界。

2026年，全球也許沒有任何一款主流AI存儲產品能夠實現供需平衡。

表面看，這是先進產能持續向高毛利AI產品傾斜，消費級市場被進一步擠壓；但更深層的問題在于，即便產能跟上，舊有分工模式也難以高效承接AI場景對定制化、快速迭代的需求。

存儲廠商集體越界

當存儲真正進入計算路徑，產業鏈上原本清晰的角色邊界開始松動：主控廠介入系統定義，模組廠延伸至固件與方案優化，各自補全過去并不屬于自己的能力版圖。

以慧榮為例，傳統主控的核心任務，是管理閃存介質、優化讀寫效率，并在穩定性、兼容性和壽命之間尋找平衡。但在AI時代，這套能力模型已經不夠。

如今，慧榮開始反復強調一種新的能力——性能動態調節。

慧榮科技總經理茍嘉章在與雷峰網交流時多次強調，主控需要“根據工作負載、功耗和需求量，在動態中快速調整”。這已經不再是傳統意義上的硬件參數調優，而是直接響應英偉達新架構中“上下文內存存儲（Context Memory Storage）”對實時調度的需求。

換句話說，主控正在從“閃存控制器”，演變為AI存儲系統里的調度層，它不只是負責把數據寫進去、讀出來，更開始參與數據在GPU、顯存和SSD之間的流動節奏定義。

這種變化，也在推動主控廠進一步向下游延伸。

慧榮正在積極與長江存儲聯合推進車規級方案，目標是在第三季度末至第四季度實現規模上量，直接供貨國內車廠。過去賣芯片的公司，如今越來越多地以“聯合方案提供方”的身份出現。

這意味著主控廠的商業角色也在變化：一方面向上理解AI工作負載，把主控納入系統調度；另一方面向下輸出完整方案，從賣芯片走向賣系統能力。

未來存儲產業的競爭，不再只發生在顆粒、主控或模組層，而是進一步延伸到封裝架構、異構互連和系統級協同，是生態、技術、產能、客戶、資本的綜合戰爭。

端側AI反向定義存儲

AI對存儲的重構，顯然不只發生在數據中心。

另一條同樣重要的戰場正在端側迅速展開——AI PC、機器人、游戲掌機、智能眼鏡，乃至更多尚未被完全定義的新型終端，都在把存儲推向更核心的位置。

正如眾多廠商在峰會上提到的，物理AI/端側AI將迎來更廣泛的發展，并帶來更智能化的體驗。而這些更新更好的體驗將帶來更多的產品溢價，足以抵抗存儲價格上漲的壓力。 “

這句話背后，點出了端側AI最現實的商業邏輯：只要體驗提升足夠明顯，存儲成本就不再只是成本，而會轉化為產品價值的一部分。

但與數據中心不同，端側AI面臨的不是單一性能問題，而是高度碎片化的場景挑戰。

一臺AI PC，需要在本地運行大模型，對存儲的核心訴求是大容量 + 高速讀取；一臺機器人，需要在高震動、高移動性的復雜環境中持續穩定運行，同時還要支持后期擴容；一副智能眼鏡，則把需求進一步推向極致的小尺寸、低功耗和高集成度。

可插拔、可擴容、高抗震、小尺寸、高容量——這些要求往往彼此拉扯，很難通過同一款標準化模組同時滿足。

這也是為什么，端側AI正在比數據中心更早倒逼存儲方案走向場景化重構。

佰維給出的解法非常具有代表性。

針對機器人場景，其推出了一套 “BGA SSD + Mini SSD” 的組合方案：BGA SSD直接焊接在主板上，以更強抗震性承擔系統盤角色，保障操作系統和本地AI模型穩定運行；Mini SSD則采用類SIM卡槽設計，支持用戶無工具插拔，作為數據盤解決嵌入式設備后期無法擴容的長期痛點。

這套方案的關鍵，并不只是形態創新，而是它背后的產品邏輯：把“穩定”和“靈活”拆分為兩個獨立部件，并分別做到最優。這本質上已經不是傳統意義上的“賣一塊SSD”，而是在重新定義機器人存儲架構。

更值得關注的是，佰維的動作并未停留在單一產品層面。

它正在推動Mini SSD從企業級方案，進一步走向行業標準。通過聯合產業鏈上下游成立IP公司，并同步制定激勵機制和權益金分配規則，佰維試圖把“可插拔存儲”推進為下一代AI終端的標準能力。

其目標場景并不局限于機器人，而是進一步覆蓋AI PC、游戲掌機等多類設備——這些終端當前仍采用不同形態的本地存儲方案，而Mini SSD的野心，是用統一接口去重新組織它們。

換句話說，它爭奪的不只是產品份額，而是下一代端側AI設備的標準定義權。

而在這個過程中，過去那套面向PC和手機時代的標準化存儲模組，已經越來越難承接碎片化、多形態、高迭代的終端需求。

更深層的變化在于，設備與存儲之間的關系，正在發生方向性的逆轉——過去，是設備定義存儲：設備要做什么，存儲就被動適配什么。

而現在，隨著本地AI能力越來越依賴容量、帶寬、功耗和形態協同，存儲開始反過來影響設備形態、產品定義，乃至最終用戶體驗。

下一戰：功耗、延遲、智能

AI最大的痛點并非算力不足，而是數據在存儲與計算單元間的頻繁搬運，降低系統效率。如何減少數據在存儲與計算單元之間的頻繁搬運，已成為行業共同攻關的核心命題。

這句話放在一年前，可能還有點抽象。但經過過去一年產業鏈上下游一連串幾乎同步發生的變化之后，它開始落到一個個極其具體的技術指標上：KV Cache的訪問時延、Checkpoint的寫入效率、單位token成本等等。

過去十年，產業比拼的是單位容量的成本；下一個十年，勝負手將取決于數據在計算與存儲之間流動的效率、功耗與智能。

至于那些仍固守在舊分工里、只盯著顆粒價格波動的玩家，留給他們的時間，或許真的不多了。

雷峰網