IOSG 作者 Jacob Zhao 在一篇转载于吴说的文章中表示，AI 时代正在重新定价存储，但这轮重估围绕的是“热数据效率”，而 Web3 去中心化存储坚持的则是“冷数据可信”。文章称，两者虽然都带有“存储”之名，底层价值函数却已经明显分化。
文中提到，上个月，"国产存储第一股"长鑫存储正式登陆创业板，并以暴涨 500% 的表现引发市场关注。尽管近期存储板块仍受回调余波扰动，AI 存储仍在当下科技叙事中被资本重新估值。与之相比，Web3 领域的去中心化存储则长期处于沉寂状态。
AI 存储为何重新成为产业链焦点
文章指出，传统 IT 时代的存储更像是一门“容量生意”，企业 CIO 主要关注单位容量成本、硬盘可靠性、灾备方案、归档策略，以及 3–5 年的设备更新周期，存储通常被视为跟随服务器采购的附属品。
但这一轮热潮并不是传统周期复苏，而是 AI 对数据流动能力的重新定价。大模型时代，存储逻辑已经从“容量优先”转向“效率至上”，重点指标变成 GPU 喂饱率、Checkpoint 写入效率，以及 RAG 的极低延迟能力。文章将这一变化概括为：存储的价值正从“数据的最终停放地”，变成“数据进入计算的高速通道”。
按照文中的说法，AI 基础设施的资源瓶颈演进，本质上是一场“木桶效应”的补齐。算力真实利用率并不是单一资产的线性叠加，而是乘数效应，即：算力真实利用率 = GPU × HBM × DRAM × SSD × 网络 × 文件系统。任何一个环节成为短板，都会拖累整体算力利用率。也正因为如此，存储在 AI 时代首次从“成本中心”变成了“效率引擎”。
AI 存储架构：从近端内存到数据湖底座
IOSG 将 AI 存储架构拆分为四个核心层级，并认为当前产业价值和资本关注高度集中于 HBM、企业级 SSD、SSD 主控、NVMe/CXL 协议以及高性能存储系统。
计算近端内存层
这一层以 HBM 为主，辅以 DRAM 和 CXL 内存池化技术，直接贴合 GPU 或 CPU 封装及总线，目标是打破“内存墙”。文章称，这一层是算力能否被充分释放的第一道关口。
高速持久化存储层
该层的核心逻辑是：企业级 SSD = NAND 颗粒 + SSD 主控 + NVMe/PCIe 数据通路。文章称，这一层承担高频 Checkpoint 写入、海量训练集加载，以及 RAG 热数据缓存，是 AI 数据中心最明确的持久化存储增量。
低成本大容量存储层
这一层由 HDD、冷存储与数据湖归档系统构成，用于承接指数级膨胀的多模态原始数据、历史日志和合规备份。文中指出，该层仍然具备不可替代的 TCO（总拥有成本）优势。
AI 存储系统与数据软件层
该层包括高性能并行文件系统、分布式对象存储、向量数据库，以及 RAG 数据治理层。文章认为，AI 实际消费的不是裸硬件，而是经由软件栈高效组织、索引和权限控制之后的数据可用性。
在这一体系之外，文章把去中心化存储定位为“可信冷层”。它不直接参与 AI 热数据的毫秒级竞速，而是锚定公共数据集存证、AI 训练数据溯源（Provenance）和长期冷记忆归档。
HBM、DRAM、CXL 与企业级 SSD 的分工
HBM：最接近算力的带宽环节
文章指出，高带宽内存 HBM 并不是传统意义上的存储，而是 GPU 近端的高带宽内存层，任务不是保存数据，而是以极高带宽持续向算力供给数据。HBM 被视为 AI 存储链中离算力最近、确定性最高的环节，也被描述为当前最核心的供应链瓶颈。
其核心架构被概括为“3D DRAM 堆叠 + 2.5D 先进封装”，通过 TSV 垂直堆叠与 CoWoS 异构集成压缩存算距离，实现带宽跨代跃升。文章强调，HBM 的壁垒并不只在 DRAM 设计，还在 DRAM 制程、TSV、超薄堆叠、封装、散热、测试和客户认证构成的系统工程，任何一个环节的良率问题都可能导致整颗 HBM Stack 报废。
文中称，目前全球仅 SK 海力士、Samsung 和美光 Micron 三家公司能够稳定量产 HBM，这一格局形成了 DRAM 制程、封装能力以及 NVIDIA、AMD 客户认证的三重护城河。
DRAM 与 CXL：系统内存与内存池化
文章将 HBM、DRAM 和 CXL 分别对应为不同层级的内存能力：HBM 解决 GPU 近端极限带宽，DRAM 构成服务器系统内存底座，CXL 则试图打破物理边界，重构数据中心的内存资源组织方式。
其中，DRAM 主要承载 CPU 侧缓存、数据预处理、中间状态暂存和系统运行。文中称，全球 DRAM 市场高度集中于 SK hynix、Samsung 和 Micron，长鑫存储则被视为中国 DRAM 国产替代的核心变量。
对于 CXL，文章将其定义为面向数据中心的新一代缓存一致性互联协议，目标是突破传统 DIMM 插槽、本地内存容量和服务器内存资源孤岛的限制，推动内存架构向扩展、池化和共享方向演进。按照文中说法，CXL 当前仍处于从平台支持走向规模部署的早期阶段，中长期架构价值较高，核心公司包括 Astera Labs 与澜起科技。
企业级 SSD：数据吞吐枢纽
文章称，企业级 SSD 是 AI 数据中心最核心的高吞吐持久化增量，负责以高吞吐、低延迟和稳定 QoS 向 GPU 持续供给数据，覆盖训练数据加载、Checkpoint 写入、RAG 检索、推理缓存和日志回流等全生命周期场景。
在产业拆解上，IOSG 把企业级 SSD 概括为三层结构。
- NAND 颗粒：决定存储密度和单位成本。文中列出的代表公司包括 Samsung、SK hynix（Solidigm）、Micron、Kioxia、Western Digital、长江存储。
- SSD 主控：决定性能释放、数据纠错、QoS 稳定性和磨损均衡。代表公司包括 Phison（群联）、Silicon Motion（慧荣）、Marvell、Maxio（联芸）。
- NVMe/PCIe 数据通路：决定数据从存储到计算的传输效率。文章提到，结合 GPUDirect Storage 技术后，可以减少 CPU 内存 bounce buffer 与 CPU 参与，从而缓解 I/O 瓶颈。代表公司包括 Broadcom、Marvell、Astera Labs。
HDD、冷存储与归档仍有位置
文章明确表示，AI 不会消灭 HDD。随着多模态大模型对视频、图像数据需求增加，以及企业合规日志和历史数据集持续膨胀，低成本冷数据存储需求也在增长。文中把 SSD 与 HDD 的关系描述为按业务价值分层协同：SSD 负责热数据和高吞吐，HDD 负责低成本与长周期保存。代表公司包括 Seagate、Western Digital、Toshiba。
AI 存储软件栈：AI 消费的是数据服务而不是裸盘
除底层硬件外，文章还把 AI 存储软件栈视为“数据可用性的调度中枢”，认为 AI 真正消费的不是裸盘，而是被软件栈精密组织后的“数据服务”。该软件架构被拆成四层。
- 高性能存储系统：以并发吞吐与低延迟为核心，通过并行文件系统缓解 GPU 集群的“数据饥饿”问题。代表公司包括 VAST Data、WEKA、Pure Storage。
- 对象存储：以 Object、Key 和 Metadata 管理为核心，承载海量非结构化数据，强调低成本和云原生特性。文中列出的代表是 AWS S3。
- 向量数据库：负责存储、索引和检索由 embedding 模型生成的向量，让 AI 能从海量知识中定位相关内容。代表公司包括 Pinecone、Milvus。
- RAG 数据层：除了检索，还包括数据切片、清洗、权限控制和引用溯源，以保证企业数据被大模型调用时具备安全性、准确性和可追溯性。代表公司包括 Databricks。
效率最大化与可信最大化的分野
文章在第三部分集中比较 AI 存储与去中心化存储的底层目标。按其表述，AI 存储是典型的效率驱动系统，价值函数聚焦于计算产出的最大化。HBM 带宽决定 GPU 能否被喂饱，SSD 吞吐决定数据集与 Checkpoint 的读写效率，低延迟影响 RAG 与推理的实时体验，这些指标最终会汇聚到 GPU 利用率与单位 Token 成本。
去中心化存储则不同。文章称，这一赛道更关注数据在 10 年后是否仍然存在、是否被篡改，以及能否抵御单点审查。通过密码学证明与分布式网络，它所构建的是开放访问且永久保存的公共数据底座，服务于公平性、抗审查需求和文明记忆。
文中把两者概括为：AI 存储是面向未来生产力的“热存储”，去中心化存储是保存不可删除历史记录的“冷记忆”。前者服务于效率与速度，后者服务于可信与长期保存。
Filecoin 与 Arweave 的不同路径
在去中心化存储项目中，文章将 Filecoin 与 Arweave 视为核心代表，并指出两者虽然都属于去中心化存储，但底层架构哲学明显不同。
Filecoin
文章称，Filecoin 通过 PoRep 与 PoSt 建立了较完整的可验证经济系统。按其判断，Filecoin 不应继续在消费级网盘场景与 AWS 正面竞争，而是更适合转向 AI 数据溯源（Provenance）、公共数据集托管和合规归档，为模型审计与版权证明提供可验证链路。文章认为，它的关键路径是封装为 S3 兼容 API，并支持法币支付，从“便宜存储市场”升级为“可验证计算基础设施”。
Arweave
对 Arweave，文章强调其“一次付费，永久存储”的叙事，并提到其通过 Blockweave 与 SPoRA 机制激励矿工保存并快速访问尽可能多、尤其是稀缺的历史数据。文中认为，Arweave 更适合作为人类公共记忆底座，用于保存人权记录、战争罪证、文化典籍，归档法律与金融历史，也可为 AI Agent 提供永久可访问的长期记忆。文章称，Arweave 的价值不在速度，而在于跨周期的文明记忆承载能力。
去中心化存储的现实困境
文章认为，Filecoin、Arweave 等项目的问题并不在于价值主张本身，而在于产品化、检索体验、真实需求与 Token 激励之间存在长期错配。这一部分列出了多项现实障碍。
供需激励错配
文章以 Filecoin 为例称，早期网络依靠 Token 快速扩容，但没有同步建立足够强的付费需求侧，结果是容量很大，利用率和付费转化却不足。按文中表述，这类机制奖励的是“我能存”，而不是“需要我存”。
企业级服务能力缺失
文章指出，AWS 的壁垒不只是硬盘，而是 API、SLA、权限管理、合规审计和技术支持共同构成的数据操作系统。企业购买的是“放心”，而不是需要自行处理密钥和节点选择的实验性基础设施。
检索体验短板
文中表示，“存进去”并不等于“稳定、低延迟地取出来”。由于节点分散、拓扑复杂且缺乏统一 SLA，去中心化存储难以承接 AI 热数据工作流，更适合可信冷归档和数据溯源。
隐私与合规约束
文章提到，企业私有数据不能简单写入公共永久网络，删除权与永久不可篡改之间存在天然冲突。因此，去中心化存储更适合公共数据与长期档案，而不是无差别承接核心私有数据。
Token 经济放大周期波动
按照文章说法，牛市中的金融化效应会掩盖需求不足，熊市中矿工 ROI 下滑则会暴露商业化短板。Token 可以冷启动供给，但不能自动创造需求和可持续收入。
其他项目与细分赛道的定位
除 Filecoin 和 Arweave 外，文章还提到多个项目或赛道的差异化定位。
- Storj、Sia：跨周期行业心智和 Web3 叙事影响力弱于 Filecoin 和 Arweave。
- BNB Greenfield、Walrus：主要绑定 BNB 或 SUI 的特定公链生态。
- Celestia、EigenDA：属于数据可用性（DA）层，服务于 Rollup 交易确认，而非长期归档。
- 0G：尝试把存储、数据可用性、计算和 AI agent 结算整合为 AI-native 模块化基础设施，但真实需求、开发者采用和商业化闭环仍有待验证。
IOSG 提出的未来机会
文章最后认为，在技术红利爆发期，资本更愿意追逐效率，GPU、HBM 等资产因此获得更高溢价，去中心化存储则被边缘化。但文中同时提出，历史不会永远停留在效率一端，若超级平台封禁与内容删除、AI 版权诉讼、地缘冲突中的数据主权争夺、公共档案消失，以及模型训练数据合规审计等问题集中出现，“可信存储”可能重新被市场定价。
基于这一判断，文章列出几个潜在方向：
- AI 数据 Provenance：结合密码学证明构建“数据血统证明”，应对监管与审计压力。
- 公共数据集与文明档案：锚定被审查档案与文化遗产，构建不可删除的长期记忆。
- 可信归档与合规存证：通过 Hash 存证实现可信自证，提供高等级数字公证。
- ZK、TEE、DID 技术融合：缓解隐私张力，使去中心化存储从单一存储协议走向可信数据基础设施。
- 隐形化产品路线：提供 S3 兼容 API 和法币计费，让用户直接购买“可信归档”服务。
文章总结称，AI 存储追求极限效率，为未来生产力提供燃料；去中心化存储则守住不可轻易抹除的记忆。当前市场奖励的是效率，但当 AI 时代放大数据垄断、版权争议和历史记忆的脆弱性时，去中心化存储可能以“可信冷层”的身份迎来新的价值重估。