人工智能的爆发，彻底改写了算力与存储的关系。AI 大模型训练与推理，对存储提出了容量、带宽、延迟、可靠性的四维极致要求，使存储从幕后走向台前，成为决定 AI 算力效能的 “命门”。

从需求看，AI 服务器对 DRAM（内存）需求是传统服务器的8-10 倍，对 NAND（闪存）需求高出3 倍以上。一个万亿参数大模型，权重文件就占约2TB，训练中 Checkpoint、梯度缓存等需求再放大3-5 倍。更关键的是性能：AI 训练要求微秒级延迟、TB 级带宽，传统存储 IO 速度远跟不上 GPU 算力，导致算力浪费。

在推理场景，长上下文（如 128K Token）的 KV 缓存占用超 **90%** 显存，存储直接决定模型并发能力与成本微博。为破解瓶颈，HBM（高带宽内存）、AI-SSD、存算一体等技术应运而生，存储开始主动 “适配” 甚至 “增强” 算力。行业共识已形成：算力决定 AI 能跑多快，存储决定 AI 能跑多远。