文 | 半导体产业纵横
当 GPU 算力以每季度翻番的速度狂飙，当 HBM 成为 AI 服务器的 " 硬通货 "，一块被严重低估的核心部件——面向 AI 工作负载优化的 SSD，正站在产业矛盾的中心点。而当前市场的主流存储方案 HDD 与 HBM，各自存在难以突破的发展掣肘，正是这一局面的关键成因。
HBM、HDD，均不是最优解
先看 HBM，随着 GPU 算力的爆发式增长，本质上是 " 数据处理能力 " 的指数级提升。从单卡到集群，从百亿参数到万亿参数，GPU 对数据的 " 吞吐需求 " 只会越来越苛刻：不仅要快，还要稳定、无延迟，避免出现 " 算力空转 "。而这种需求，恰好戳中了现有存储方案的痛点。其次，HBM 成为 " 硬通货 "，是市场对 " 高带宽存储 " 的被动选择。HBM 的核心优势是 " 近显存级的带宽 "，能最大程度匹配 GPU 的高速计算节奏，减少数据搬运的延迟——这也是它能成为 AI 服务器标配的关键。但 HBM 的成本逻辑与 " 规模化部署 " 相悖，过度依赖 HBM 会直接推高 AI 服务器的整体成本，让多数企业望而却步。
再看另一主流存储方案 HDD。作为长期占据存储市场的 " 容量担当 "，HDD 的优势是低成本、大容量，能满足数据归档、冷存储等场景的需求。但在 AI 算力狂飙的当下，HDD 的性能短板已成为 " 致命缺陷 "：其机械结构决定了读写速度和延迟表现，完全跟不上 GPU 的算力释放节奏。AI 训练中，数据需要从存储介质快速加载到 GPU 显存，而 HDD 的慢响应会导致 " 数据等待算力 "。
由此可见，产业矛盾的核心已经非常清晰：GPU 的 " 无限算力需求 " 与现有存储方案的 " 有限适配能力 " 形成了尖锐对立。HBM 能解决 " 快 " 的问题，但解决不了 " 多 " 和 " 省 "；HDD 能解决 " 多 " 和 " 省 " 的问题，但解决不了 " 快 "；而 AI 产业的持续发展，恰恰需要一种能同时平衡 " 高速响应、海量容量、合理成本 " 的存储方案。
SSD 的价值，正在这种矛盾中被凸显出来。
AI 场景 SSD 凭什么 " 火 "
那么，面向 AI 的 SSD 需要解决哪些问题？
业内人士向半导体产业纵横表示，面向 AI 的 SSD 是为大模型训练 / 推理量身定制的 " 高性能 + 高并发 + 低延迟 + 高耐久 + 大容量 " 的专用存储，而大容量 SSD 只是 " 容量大 " 的通用存储——容量只是 SSD 的必要条件，绝非充分条件。以下是该类 SSD 的一些核心特点：
打破 CPU 中转瓶颈，让高端 GPU 算力不闲置。GPU 的核心价值在于算力输出，但这份输出能否落地，始终受限于数据传输与存储的协同能力。传统架构中 GPU 取数需经 "SSD → CPU →内存→ GPU" 多环节跳转，CPU 带宽瓶颈成为产业痛点。而面向 AI 场景的 SSD 的核心突破，正是在半导体架构层面实现 " 直连协同 "，通过接口技术，让 GPU 跳过 CPU，直接与 SSD 建立数据通道。这一改变绝非简单提速——数据搬运时间大幅缩短，GPU 不再因等待数据 " 空转 "，彻底破解高端 GPU 算力闲置的资源浪费难题，让核心芯片的性能优势真正落地。
打破 GPU 显存高端壁垒。如今万亿参数模型的训练与推理，需要 TB 级显存支撑，若单纯依靠 HBM 显存扩容，不仅会让 GPU 成本翻倍，还会受限于半导体制造工艺，让多数企业难以承担高端 GPU 集群的投入。面向 AI 应用的 SSD 被设计为介于 HBM 显存与传统存储之间的 " 类内存层 "，本质是半导体存储器件与计算器件的协同创新，既能作为 GPU 的扩展显存，又能承担数据缓存功能。该技术并非替代 HBM/DRAM，而是将存储层从内存扩展到 SSD，形成 "DRAM+HBM+SSD" 的分级存储体系，优化整体效率。
内置 DSP/ASIC，支持近存计算。GPU 既要承担核心矩阵运算这类高端任务，还要处理数据预处理、优化器状态更新等简单计算，导致宝贵的算力被浪费。而为了 AI 场景优化 SSD 内置 DSP/ASIC 计算单元，支持近存计算技术，可将这些简单计算任务从 GPU 卸载到 SSD 本地执行，实现半导体器件的 " 分工优化 "。这种协同模式，让 GPU 彻底摆脱冗余计算的束缚，专注于核心算力输出，不仅减少了数据搬运带来的延迟与损耗，更提升了整个半导体系统的算力密度。
业内人士向半导体产业纵横表示：为了 AI 场景优化的 SSD 第一次让存储本质性融入算力体系，实现数据直接参与 AI 训练与推理，完美匹配 GPU 高频并发的特点，最终提升性能、降低整体 TCO（总拥有成本）。
被抢注的 SSD，2026 年迎来放量
据悉，由于 AI 服务器推动存储需求爆发，HDD 持续大缺货，交付期限已延长至 2 年以上，云厂商 " 紧急加单 "，采购大容量企业级 SSD，部分原厂 2026 年 QLC NAND Flash 产能也被提前抢购一空。供应链人士透露，各家云厂商只能排队等待，由于 HDD 供应集中，并采取 " 依订单生产 " 模式，缺货持续加剧，有云厂商与供应商签定 2026 年长约，提前锁定 HDD 与企业级 SSD 供货来源。
因此，面向AI 时代的 SSD 已成为存储巨头、GPU 龙头与云厂商的必争赛道，全球头部存储厂商纷纷入局，并分化出两条差异化的技术路线。
在这一技术方向下，铠侠与 SK 海力士已相继公布合作进展。2026 年 3 月，铠侠宣布成功研发全新品类的超高 IOPSSSD，这款产品正是基于英伟达 "Storage-Next" 计划的需求打造，预计将于 2026 年末向特定用户提供评估样品。无独有偶，SK 海力士早在 2025 年 12 月便宣布与英伟达合作研发 AI 核心 SSD，该项目在英伟达内部沿用 "StorageNext" 代号，在 SK 海力士内部则被命名为 "AI-NP"（AINANDPerformance），隶属于 "AINFamily" 产品线。其核心逻辑是通过重构 NAND 与控制器架构，打破 AI 运算与存储间的数据传输瓶颈，满足大规模 AI 推演对数据吞吐的极致需求。据规划，SK 海力士这款产品将采用 PCIeGen6 接口，计划于 2026 年底推出初期样品，其 IOPS 性能可达 2500 万次 / 秒，实现了 8-10 倍的跨越式提升。
第二条路线，则是聚焦容量提升、性能突破，打造高性能、大容量的 SSD 产品。以三星、华为、美光为代表的厂商均在此赛道加速布局。2025 年 10 月，三星明确产品路线图：256TBPCIe6.0SSD 将于 2026 年正式推出，512TB 版本则计划在 2027 年落地；同时，兼容 CXL3.1 与 PCIe6.0 标准的 CMM-D 存储产品也即将面市，性能实现翻倍升级。
华为则在 2025 年 8 月抢先发布面向 AI 时代的高端 SSD 矩阵，包含高性能系列 HUAWEIOceanDiskEX560、SP560，以及大容量系列 HUAWEIOceanDiskLC560，其中单盘最高容量达 245TB。该系列产品的核心价值在于打破传统 AI 存储器的性能与容量瓶颈，全面提升 AI 训练效率与推理体验。
同期，美光也于 2025 年 8 月在爱达荷州博伊西发布三款基于 G9NAND 技术的数据中心级 SSD，涵盖旗舰级 9650、高密度 6600ION 及主流 7600 三大系列。凭借全球首发的 PCIe6.0 技术、业界领先的容量密度与超低延迟表现，为 AI 算力基础设施提供核心支撑。从落地进度来看，美光 9650 与 7600 系列已推出 E3.S/E1.S 形态样品，6600ION 系列 122TB 版本已于 2025 年第四季度量产，245TB 高容量版本则计划在 2026 年上半年正式上市。
从上述头部厂商的技术布局与产品路线图不难看出，2026 年正成为 AI 用 SSD 技术落地与商业化应用的关键元年。
业内人士向半导体产业纵横表示，当前 AI 用 SSD 已在三大核心 AI 场景中展现出强劲的实战价值：
第一个场景，是 AI 推理系统。无论是 ChatGPT 这类对话机器人，还是工作中的 AI 功能，都需要高频访问 KV 缓存来应对百万级并发请求。SSD 的低延迟的高响应速度，让推理更高效，而超大容量则赋予 AI" 长久记忆 "，避免重复计算，大幅降低成本；
第二个场景，是向量数据库实时检索。向量数据库是 AI 语义检索、推荐系统的核心，对吞吐量和响应时间要求极高。该 SSD 的高并发、低延迟特性，让实时检索效率翻倍。
第三个场景，是 AI 数据一体机。在海量数据训练场景中，AI 数据一体机需要兼顾性能与成本。SSD 通过性能优化与 TCO 平衡，让数据分层存储更合理，既保证训练速度，又降低硬件投入成本，成为企业部署 AI 训练平台的优选方案。
面向 AI 应用的 SSD，进入产业狂欢
过去长期把资源优先投向 DRAM 的三星和 SK 海力士，如今正积极调整战略布局，应对 AI 服务器需求激增带来的存储芯片市场新变化。
三星电子在 2024 年 9 月就已启动 280 层 V9 NAND 量产，但当时只在平泽园区部署了初期量产线，月产能仅约 15000 片晶圆。如今，随着 AI 产业推动存储需求快速上升，三星正在加速扩大 V9 产能，并将重点放在中国西安的 X2 产线。据悉，三星电子位于中国西安的 NAND 晶圆厂近期成功完成工艺制程升级，实现了 236 层堆叠的第八代 V-NAND ( V8 NAND ) 的量产。
本次制程升级始于 2024 年，旨在改造原有的 V6 ( 128L ) NAND，以提升产品性能与生产效率，增强产能竞争力。在量产 V8 NAND 后，三星西安晶圆厂的下一步瞄准了 286 层堆叠的 V9 NAND，相关生产线将位于 X2 工厂，计划在 2026 年内完成过渡并实现量产。
SK 海力士也展现出强劲的扩产势头。该公司计划在今年第二季度启动 321 层第 9 代 NAND 的转换投资，目标是在清州 M15 实现月产约 3 万片晶圆的 V9 产能。与目前约 2 万片晶圆的水平相比，这次扩产力度相当大。
铠侠表示，计划通过扩大其四日市工厂和北上工厂的生产线，到 2029 财年将产能较 2024 财年提高一倍，以满足 AI 数据中心对 NAND 闪存日益增长的需求。此外，铠侠与闪迪正计划联合在美国兴建 NAND 晶圆厂。
技术迭代的核心不仅在于架构与标准，更在于底层存储介质的优化，铠侠 CEO 柳茂知表示，QLC SSD 是 AI 行业最好的选择。尽管从 SLC 到 MLC，再到 TLC，最终到 QLC，SSD 的性能一直在下降，但随着技术的演变，2025 年 QLC SSD 的速度已经比 2017 年的 TLC SSD 快很多了。如今 QLC SSD 的顺序读写速度可达 7000MB/s 左右，性能十分强大，能够满足 AI 大模型数据存储和调用的要求。
QLC（Quad-Level Cell）颗粒之所以能成为 SSD 的主流选择，正是源于其对 AI 场景核心诉求的精准匹配。
第一、读取优化特性：QLC NAND 针对读取密集型工作负载进行了优化，而 AI 推理服务器主要负责分析和处理大量数据，访问模式以读取为主，写入频率相对较低。
第二、高密度优势：QLC NAND 具有更高存储密度，每单位成本低于 TLC NAND，使其成为 AI 服务器、云计算和大数据分析等应用的理想选择。
第三、能效提升：Solidigm 的研究表明，QLC 固态硬盘的能效比 TLC 固态硬盘高 19.5%，比混合 TLC 固态硬盘和机械硬盘高 79.5%，这对大规模部署的 AI 推理服务器至关重要。
英特尔的研究进一步证实，QLC NAND 固态盘会让 PCIe4.0 总线的读取能力达到饱和，而且具有接近 TLC 的延迟和服务质量 ( QoS ) 。正因如此，这种固态盘的响应速度相比机械硬盘高出好几个数量级。
