为什么说永远缺存储：AI存储的叙事与投资逻辑

一、为什么 AI 讲到最后，总会回到存储

过去两年，市场讨论 AI 基建，先是盯 GPU，后来盯电力，再后来盯光通信、液冷、变压器、数据中心 REIT。

但只要继续往系统内部拆，最终都会回到同一个问题：

模型可以更大，推理可以更多，Agent 可以更复杂，但这些能力都必须落在一个真实的物理系统里：数据要被存下来、搬过去、读出来、再写回去。

这就是为什么近期“存储”会成为 AI 投资里的核心叙事。

这里说的存储，不是狭义的硬盘，也不只是消费电子里的内存条，而是一整套 AI 存储层级：

层级	对应产品	AI 里的作用
最热层	HBM	放在 GPU 旁边，承担模型执行、热 KV cache、高带宽数据交换
热层	DDR5 / LPDDR / SOCAMM / CXL Memory	承担 CPU 侧调度、长上下文扩展、多 Agent 编排
温层	企业级 SSD / 高 IOPS NAND	承担持久化 KV cache、向量数据库、RAG 检索、训练数据读取
冷层	HDD / 对象存储	存训练语料、日志、归档、多模态数据湖

AI 的本质不是只做一次矩阵乘法。真正进入应用后，它会变成持续的 token 工厂：每一次用户请求、每一轮工具调用、每一次检索、每一个 Agent 的中间状态，都会制造新的读写需求。

所以，算力是发动机，电力是燃料，光通信是道路，存储则同时是油箱、输油管、仓库和工作台。少了它，GPU 再贵也只能空转。

---

二、“倍数公式”：存储需求为什么会被放大很多倍

可以用一个简化公式理解 AI 存储需求：

AI 存储需求 ≈
模型权重
+ KV cache
+ 并发用户数
+ 上下文长度
+ Agent 步数
+ RAG / 向量库检索数据
+ 训练与日志留存
- 算法压缩效率

如果写成乘数模型，大致是：

总存储压力 = 基础模型规模 × 上下文倍数 × 并发倍数 × Agent 步数 × 检索倍数 ÷ 压缩效率

这就是你记得的那个“倍数理论”：单个变量看起来只是几倍增长，但多个变量相乘后，结果会非常夸张。

比如：

• 模型从 70B 走向数百 B / MoE / 多模型协同，不只是权重变大，调度和缓存也变复杂；
• 上下文从 8K、32K 走向 128K、1M token，KV cache 线性增长；
• 用户从少数开发者变成企业员工、客服、代码 Agent、搜索入口，推理并发增长；
• 一次请求从“一问一答”变成 Agent 多步执行，可能调用搜索、代码、数据库、浏览器、工具链；
• RAG 不只是读一段文本，而是访问向量库、文档库、历史日志、图像、视频、代码仓库。

KV cache 可以更直观地算：

KV cache bytes
= 2 × 层数 × KV heads × head_dim × bytes_per_element × context_tokens × batch/concurrency

以一个 70B 级、使用 GQA 的模型粗算，假设 80 层、8 个 KV heads、head_dim 128、BF16：

每个 token 的 KV cache
= 2 × 80 × 8 × 128 × 2 bytes
≈ 0.31 MB

128K 上下文的一条会话
≈ 40 GB KV cache

1000 条并发长上下文会话
≈ 40 TB 热 KV cache

这还只是热缓存，没有算模型权重、激活、检索库、日志、训练数据和冗余备份。

所以，AI 对存储的需求不是“用户多一点，硬盘多一点”这种线性关系，而是多个维度同时放大。Micron 在 2026 年 COMPUTEX 资料里也给过一个方向性判断：AI context length 正在快速上升，服务器内存容量也在显著提高。换句话说，系统瓶颈正在从“能不能算”扩展到“能不能记住、读得够快、搬得够快”。

---

三、为什么压缩技术不一定是存储利空

市场经常会因为某个新技术路线创新，比如 KV cache 压缩、稀疏注意力、MLA、量化技术而恐慌：既然效率提高了，存储是不是就不需要那么多了？

短期看，压缩当然会降低单位 token 的存储成本。

但长期看，这件事更接近杰文斯悖论：

当一种资源的使用效率提高，最终结果不一定是总需求下降，反而可能是使用场景被打开，总消耗继续上升。

燃油车更省油后，人们不一定少开车，而是可能开得更远。AI 也是一样：

• KV cache 压缩 4 倍，产品经理可能立刻把上下文开到原来的 4 倍；
• 推理成本下降，企业会把更多工作流交给 Agent；
• 模型响应更快，用户会增加调用频次；
• 过去“不经济”的长文档、长视频、代码仓库、企业知识库分析，会变成可用场景。

所以，效率提升真正改变的是“单位成本”和“应用边界”，不是简单消灭需求。只有当算法效率提升速度长期大于使用量、上下文、并发、Agent 步数的乘积增长时，存储需求才会被真正压制。

这也是存储投资里最关键的判断：

如果：使用量增长 × 上下文增长 × Agent 步数增长 > 算法压缩效率提升
那么：存储需求继续扩张

如果：算法效率突然大幅领先，同时 AI 应用变现放缓
那么：存储重新回到周期股逻辑

---

四、这一轮存储周期，和过去 PC / 手机周期有什么不同

传统存储是典型周期股。

过去的需求主要来自 PC、手机、服务器换机。行业逻辑很简单：

1. 价格上涨；
2. 厂商扩产；
3. 供给过剩；
4. 价格下跌；
5. 厂商减产；
6. 下一轮周期重来。

这套逻辑没有消失，但 AI 改变了三个变量。

1. 需求从消费电子变成基础设施投资

PC 和手机需求受换机周期影响，弹性有限。但 AI 数据中心更像能源、电网、云基础设施建设，云厂商会提前多年锁定产能。

SK hynix 2026 年 Q1 财报显示，AI 基础设施需求推动 HBM、高容量服务器 DRAM、eSSD 等高附加值产品销售，公司单季收入 52.6 万亿韩元、营业利润 37.6 万亿韩元，营业利润率达到 72%。这不是传统消费电子上行周期里的利润率。

2. HBM 不是普通 DRAM

HBM 的难点不只是多堆几层 DRAM die，而是 TSV、先进封装、良率、客户认证、GPU 平台协同。

普通 DRAM 可以更接近大宗商品，但 HBM 更像绑定 AI 加速器平台的关键组件。客户不是临时去现货市场买一批就能用，而是要提前认证、锁产能、签长协。

更重要的是，HBM 会占用先进 DRAM wafer 和封装产能。高端 HBM 吃掉产能后，普通 DDR5、服务器 DRAM 也会变紧。这就是“高端短缺外溢到低端”的传导。

3. NAND 也被 AI 重新激活

过去 NAND 最大的问题是容易过剩，技术扩产快，价格弹性大。但 AI 推理和 Agent 系统带来了新的 eSSD 需求：

• 向量数据库；
• RAG 检索；
• 持久化 KV cache；
• 多模态数据湖；
• 高频随机访问；
• AI PC / 车端本地缓存。

TrendForce 在 2026 年 1 月的报告中提到，AI Agent、RAG 和高随机访问模式正在提高企业级 SSD 需求，并预计 2026 年 DRAM 和 NAND 市场收入都将大幅增长，合约价上涨趋势可能延续到 2027 年。

所以，这一轮不是单一产品涨价，而是 HBM、服务器 DRAM、SOCAMM、eSSD、HDD 数据湖一起进入 AI 存储层级。

---

五、当前存储叙事：从“卖芯片”变成“卖 AI 记忆能力”

存储行业的估值变化，核心不是因为价格涨了，而是市场开始相信：

存储不再只是周期品，而是 AI 基础设施里的战略资产。

Micron 2026 财年 Q2 收入达到 238.6 亿美元，远高于去年同期的 80.5 亿美元，GAAP 毛利率 74.4%，经营利润率 67.6%。公司在公告中直接把这轮表现归因于强需求、供给紧张和 AI 时代存储战略价值提升。

Micron 还在 GTC 2026 宣布 HBM4 36GB 12H 已进入量产出货，面向 NVIDIA Vera Rubin 平台；同时推出 PCIe Gen6 数据中心 SSD、SOCAMM2 等产品。这说明存储厂商不再只是卖单颗芯片，而是在围绕 AI 数据中心做完整内存层级。

这轮叙事的完整链条是：

AI 应用增长
→ token 产量增长
→ 上下文和 Agent 步数增长
→ KV cache / RAG / 数据湖需求增长
→ HBM、DRAM、eSSD、HDD 同时吃紧
→ 存储厂商签长协、涨价、提升产品 mix
→ 利润率和现金流非线性改善
→ 市场开始讨论周期股向成长股重估

这也是为什么这轮存储股涨起来以后，市场争论的不是“今年赚多少钱”，而是“这些利润能维持几年”。

---

六、周期股还是成长股：正确答案可能是“周期成长股”

把存储简单归类为周期股，可能会错过这一轮 AI 基建带来的结构性重估。

但把存储直接当成软件成长股，也很危险。

更合理的定义是：

存储是被 AI 拉长景气周期、提高利润中枢、但仍然无法摆脱资本开支周期的周期成长股。

多头为什么愿意给更高估值

多头押的是三件事：

第一，HBM 供给瓶颈不是一年能解决。
晶圆、先进封装、良率、客户认证、平台适配，都有物理周期。

第二，AI 推理从训练走向 Agent 后，存储需求不是下降，而是扩散。
训练重 HBM，推理重 KV cache，Agent 重长上下文和检索，企业应用重 eSSD 和数据湖。

第三，长协和预付款改变了周期波动。
如果大客户提前锁定产能，甚至通过战略协议、预付款、最低价格条款来保障供应，存储厂商的收入能见度会高于传统周期。

空头为什么仍然不能忽视

空头也不是没有道理。

第一，存储行业历史上每次都有人说“这次不一样”。
但只要供给起来、需求放缓、库存堆积，价格还是会下跌。

第二，算法效率是真变量。
MLA、稀疏化、KV cache 压缩、MoE、端侧小模型，如果共同压低单位存储需求，会改变需求斜率。

第三，云厂商 CAPEX 不是无限的。
如果 AI 应用变现跟不上资本开支，2027-2028 年云厂商可能放缓服务器采购。

第四，竞争会重新均衡。
SK hynix、Micron、Samsung 都在扩 HBM，Samsung 良率追赶、Micron HBM4 放量、中国厂商在中低端 DRAM / NAND 继续推进，都会改变价格预期。

所以，存储的投资难点不是判断“好不好”，而是判断：

这一轮超额利润能维持几年？
市场现在按几年定价？
供给释放和需求放缓谁先到？

---

七、投资地图：不同标的吃到的是不同的钱

存储链不能混在一起看。不同公司吃到的是不同利润池。

1. 全球原厂：SK hynix / Micron / Samsung

这是最核心的 HBM 和高端 DRAM 供给方。

• SK hynix：HBM 先发优势最强，利润率已经证明 AI 存储的极端弹性；
• Micron：美股里最直接的存储原厂表达，HBM4、数据中心 SSD、SOCAMM2 都在强化 AI 存储平台叙事；
• Samsung：一旦 HBM 良率和客户认证追上，可能带来供给再均衡，也可能分享更大市场。

投资上，这组标的是“原厂定价权”的表达。

2. NAND / SSD / HDD：AI 数据湖和冷温层

如果 HBM 是热层，eSSD 和 HDD 则是温层与冷层。

AI Agent、RAG、多模态训练、日志留存，会继续吃企业级 SSD 和大容量硬盘。这里的逻辑比 HBM 更周期，但如果 AI 存储层级真正成型，NAND 和 HDD 会从“被遗忘的周期品”重新进入 AI 基建叙事。

3. A 股链条：技术收租、模组弹性、分销库存

可以把 A 股存储标的分成一个光谱：

类型	代表	特征
技术收租型	澜起科技	DDR5 接口、服务器内存生态，周期敞口相对低
模组与品牌型	江波龙、佰维存储	受益涨价和库存，但也承担库存反转风险
分销弹性型	香农芯创	上行期弹性大，退潮时风险也最大
国产替代底层	长鑫存储、长江存储等	高端 HBM 仍有差距，中低端可能吃到结构性外溢

这组标的不能只看“存储涨价”。要看它吃的是技术租金、库存收益、品牌渠道，还是国产替代。

---

八、未来空间：不是一个 HBM，而是一整套 AI 存储系统

存储的未来空间不能只用 HBM TAM 来算。

更完整的 AI 存储 TAM 应该包括：

AI 存储 TAM
= HBM
+ 服务器 DRAM
+ SOCAMM / CXL Memory
+ 企业级 SSD
+ 高容量 HDD / 对象存储
+ 存储控制器 / 接口芯片
+ 数据中心存储系统软件与缓存层

HBM 是最亮的那一层，因为它最稀缺、毛利率最高、和 GPU 绑定最紧。但从长期看，AI 推理和 Agent 化会把需求扩散到整个存储金字塔。

可以把未来分成三个阶段：

2025-2026：HBM 与 DDR5 供给紧张

主要交易 HBM、服务器 DRAM、DDR5、eSSD 涨价。原厂利润率快速修复，市场开始从周期股估值切向成长股估值。

2027：长协兑现与供需最紧窗口

这一年要看两个变量：

• 大客户长协价格能不能维持；
• Samsung / Micron / SK hynix 的新增 HBM 产能和良率能不能快速释放。

如果需求继续强，2027 可能是利润最厚的年份之一。若供给追上或 CAPEX 放缓，股价可能提前反映反转。

2028 以后：真正分水岭

到 2028 年，市场会重新问：

• HBM 是否仍然紧缺？
• AI Agent 是否形成真实收入？
• eSSD / ICMS / 长上下文是否成为新增增长曲线？
• 中国和 Samsung 的供给是否压低价格？
• 存储厂商资本开支是否导致新一轮过剩？

如果答案偏多头，存储会继续作为 AI 基建成长股定价。
如果答案偏空头，它会重新回到传统周期股。

---

九、最需要跟踪的 10 个指标

做存储投资，不能只看股价和现货价。真正重要的是这些指标：

1. 云厂商 CAPEX 指引：Microsoft、Google、Amazon、Meta、Oracle 是否继续上调 AI 基建预算。
2. AI 收入兑现：云 AI 收入、模型 API 收入、企业 Agent 付费是否跟上资本开支。
3. HBM 规格升级：HBM3E、HBM4、HBM4E 的容量、带宽、功耗、客户认证。
4. HBM 长协：是否有预付款、最低价格、锁量条款。
5. Samsung 良率追赶：一旦追上，供给格局会变化。
6. Micron HBM4 放量：决定美股 MU 能否继续拿成长股叙事。
7. SK hynix 毛利率和现金流：判断当前超额利润是否可持续。
8. DDR5 / eSSD 合约价：比零散现货价更能反映企业客户真实采购。
9. 库存变化：模组厂和分销商库存一旦失控，周期反转会很快。
10. 算法效率突破：KV cache 压缩、MLA、稀疏化如果大规模进入生产，会改变需求斜率。

---

十、结论：为什么“永远说存储”

因为 AI 的每一次能力升级，都会把更多压力推给存储系统。

模型更大，需要更多 HBM。
上下文更长，需要更多 KV cache。
Agent 更多步，需要更多中间状态。
RAG 更普及，需要更多企业级 SSD。
多模态数据更多，需要更多数据湖。
用户更多，需要更高并发和更大内存池。
效率提高，又会打开更多使用场景。

这就是存储的核心叙事：

它不是 AI 产业链里的边角料，而是 AI 从演示走向真实生产力之后，最基础、最容易被低估、也最容易周期性爆发的瓶颈之一。

但投资上不能只讲故事。

存储最好的机会，往往出现在市场还把它当周期股、但基本面已经开始呈现成长股特征的时候。最危险的阶段，则是所有人都开始把它当成长股，而供给、库存、算法效率和 CAPEX 已经悄悄转向的时候。

所以这篇文章最后的判断是：

存储不是永久成长股，但 AI 让它拥有了比过去更长、更高、更复杂的一轮周期。真正要赚的钱，不是“存储涨价”四个字，而是理解这一轮周期被 AI 拉长了多久，以及市场当前到底给了几年的定价。