破局AI内存墙：存储不再是算力附属品

在大模型从实验室训练走向产业落地的过程中，显存带宽与容量的线性增长难以追平计算芯片的狂奔速度。过去二十年间，GPU 单精度算力提升了四个数量级以上，但“内存墙”的存在，让越堆越多的算力芯片频繁陷入等待数据的空转状态。

在近日的行业交流中，芯展速副总裁李蓁指出，过去业界注意力长期集中在算力芯片与高速网络上，但随着上下文窗口扩展到百万 Token 级别以及企业级 AI 智能体（Agent）的大规模落地，数据流动的效率正成为新的短板。下一个十年，各方算力差距将逐步收窄，存力的差距将决定谁能跑在行业前面。

传统分层存储难以适配 AI 链路

早期 AI 存储主要应对模型训练阶段的高吞吐与大容量需求。如今，AI 数据管道已经贯穿数据采集、清洗、训练、检索、推理到反馈的全链路，数据不再是静态资产，而是需要高频流动的生产要素。

运行了数十年的传统分层存储机制，通常根据访问频率把热数据放入高性能介质、冷数据沉降到低成本介质。但在 AI 应用的全生命周期中，同一份数据时而需要极高读写性能，时而需要海量存储，导致数据在不同层级之间反复搬运。

这种跨层搬运带来了显著的性能损耗：数据迁移耗费大量 I/O 资源，GPU 算力长期被闲置，硬件搭建与后期运维的复杂度成倍上升。企业级 AI Agent 对防范幻觉误删和集群可靠性有着严苛要求，碎片化的传统基础设施在总拥有成本（TCO）上已不具优势。

“无分层”统一数据平台成为解法

为消除跨层搬运的系统损耗，芯展速与 VAST Data 联合提出了“架构之上无分层”的云端 AI 存储方案。该方案在软件层构建统一数据平台，应用端只需与一套系统、一份数据交互，无需感知底层介质的物理差异。

在底层硬件支撑上，芯展速通过差异化的介质组合提供针对性支撑：

• SCM（存储级内存）：承担低延迟、高耐久的写入缓冲与全局状态持久化；
• QLC 介质：承载海量数据，满足大规模容量的经济性需求；
• TLC 介质：应对高并发关键负载，保障系统性能弹性。

这种设计需要软件系统厂商与底层硬件存储厂商深度协同，由架构定义需求，介质精准承担不同角色，打破以往彼此割裂的状态。

从云端下沉至边缘端侧

随着大模型逐渐渗透到各类业务场景，以存强算、存算协同成为行业进化的核心底座。行业在未来三到五年内将迎来数据存储的下沉与分化：海量企业与个人业务数据需要在本地完成存储和预处理，边缘与端侧的存算一体将催生新的市场增量。

尽管方向明确，存储架构仍需应对持续的工程挑战。AI 数据体量的膨胀速度远超预期，对介质耐久度与吞吐上限的要求还在抬升，如何在保持架构演进的同时平稳跨越半导体周期波动，将是整个产业链面临的长期考题。