AI 对 NAND 存储需求的重构逻辑调研总结

机构研报 行业研究 / 行业深度专题 申万: 半导体
🔒
登录解锁完整投研深度报告与行情联动： 免费查阅完整机构研报原件、音频转写、五维画像模型与异动监控
立即登录 / 免费注册 ➔

📰 研报摘要

查看全文 ➔

摘要： 本文深入分析了 AI 应用（特别是 RAG 架构）如何从底层重构 NAND 存储需求。核心观点认为，AI 将用户数据从单纯的“静态保存”转变为“可检索、可调用、可记忆”的热数据资产，这种“AI 索引化”过程显著放大了企业级 SSD 的需求量。

行业主线：

  1. RAG 为核心驱动：RAG（检索增强生成）和 Embedding Index 是本轮需求的最高主引擎。原始数据经切块、向量化及索引化后，单份数据的 SSD 需求可放大 4-8 倍，且随用户数据持续增长形成持续数据流需求。
  2. 多层需求叠加：除 RAG 外，用户长期记忆（User Memory）、Agent 执行轨迹（Agent Trace）、推理日志及训练侧工程底座（Checkpoint 等）共同构成了 NAND 需求的厚度。

关键变化与分歧：

  1. 需求逻辑切换：本轮需求上修并非简单的服务器数量增长，而是数据使用方式的改变。
  2. 推理架构弹性：KV Cache 的 offload 提供了上行弹性，尽管存在通过重新计算（recompute）替代存储的成本权衡，但长上下文和多 Agent 任务仍将驱动高性能 SSD 需求。

受益方向与风险：

  1. 受益方向：企业级高性能 SSD 厂商，以及受益于真实需求驱动与供给周期错配导致的价格强势。
  2. 核心风险：RAG 膨胀系数下降、CXL DRAM 替代 SSD 池化、Decoding 加速缩短中间态停留时间，以及 2027-2028 年供给端产能释放导致的价格回调。