Autor: Jacob Zhao @ IOSG
Dziś, „pierwsza krajowa akcja pamięci masowej” ChangXin Memory oficjalnie zadebiutowała na GEM i wstrząsnęła rynkiem spektakularnym wzrostem o 500%. Mimo że sektor pamięci masowych wciąż odczuwa skutki korekty, pamięć masowa AI jest nadal szaleńczo przewartościowywana przez kapitał w ramach obecnej narracji technologicznej. Tymczasem zdecentralizowane przechowywanie w obszarze Web3 pogrążyło się w długotrwałej stagnacji i rozczarowaniu. Dlaczego, mimo że oba noszą miano „pamięci masowej”, ich wyniki rynkowe są tak skrajnie różne? Główna przyczyna leży w fundamentalnym rozdziale funkcji wartości bazowej.
Przewartościowanie pamięci masowej w erze AI to w istocie święto „efektywności gorących danych”, które służy maksymalizacji wykorzystania mocy obliczeniowej i komercjalizacji. Zdecentralizowane przechowywanie natomiast broni wartości „wiarygodności zimnych danych”, chroniąc sprawiedliwość danych, odporność na cenzurę i długoterminową pamięć ludzkiej cywilizacji. Pierwsze to system efektywności dla gorących danych, drugie to system wiarygodności dla zimnych danych. Obecny rynek kapitałowy zdecydowanie stoi po stronie „efektywności”, ale ludzka cywilizacja ostatecznie potrzebuje niezmiennej podstawy pamięci. Długoterminowa wartość wiarygodnego zimnego przechowywania nigdy nie zniknęła; po prostu czai się w cieniu cyklu, czekając na ponowne wycenienie przez epokę.
Dlaczego pamięć masowa ponownie staje się centralnym punktem łańcucha przemysłowego AI
W erze tradycyjnego IT pamięć masowa była „biznesem pojemnościowym”. CIO przedsiębiorstw koncentrowali się na koszcie jednostki pojemności, niezawodności dysków, planach odzyskiwania po awarii, strategiach archiwizacji i cyklach wymiany sprzętu trwających 3–5 lat. Pamięć masowa była postrzegana jako dodatek do zakupów serwerów.
Obecna gorączka pamięci masowej nie jest tradycyjnym ożywieniem cyklicznym, ale przewartościowaniem zdolności przepływu danych przez AI. W erze dużych modeli logika pamięci masowej zmieniła się z „priorytetu pojemności” na „efektywność przede wszystkim”, koncentrując się na ekstremalnych wskaźnikach, takich jak nasycenie GPU, zapis punktów kontrolnych i bardzo niskie opóźnienie RAG. Oznacza to, że wartość pamięci masowej ewoluuje z „ostatecznego miejsca postoju danych” do „szybkiego kanału danych do obliczeń”.
Ewolucja wąskich gardeł w infrastrukturze AI to w istocie walka o uzupełnienie „efektu beczki”. Rzeczywista wydajność obliczeniowa nie jest liniową sumą pojedynczych aktywów, lecz surowym efektem mnożnikowym: rzeczywista wydajność obliczeniowa = GPU × HBM × DRAM × SSD × sieć × system plików. Każde słabe ogniwo powoduje załamanie ogólnej wydajności obliczeniowej. W erze AI pamięć masowa po raz pierwszy przekształciła się z „centrum kosztów” w „silnik wydajności”. To jest podstawowa logika ponownej wyceny pamięci masowej.
Panorama architektury pamięci masowej AI: od przepustowości HBM do podstawy jeziora danych
Pamięć masowa AI to nie tylko stos pojedynczego sprzętu, ale złożony system ściśle powiązany i warstwowo zarządzany. W tym systemie wartość przemysłowa i kapitał koncentrują się w dużym stopniu na HBM, dyskach SSD klasy korporacyjnej, kontrolerach SSD, protokołach NVMe/CXL i wysokowydajnych systemach pamięci masowej. Aby jasno przeanalizować przepływ wartości, dzielimy architekturę pamięci masowej AI na cztery główne warstwy od góry do dołu:
Warstwa pamięci blisko obliczeń (rdzeń przepustowości): Zdominowana przez HBM, wspomagana przez DRAM i technologię pulowania pamięci CXL. Warstwa ta bezpośrednio przylega do obudowy GPU/CPU lub magistrali, ma na celu przełamanie „ściany pamięci” i jest pierwszym progiem decydującym o tym, czy moc obliczeniowa może zostać w pełni uwolniona.
Warstwa szybkiej pamięci trwałej (węzeł IO): Podstawowa logika to dysk SSD klasy korporacyjnej = kości NAND + kontroler SSD + ścieżka danych NVMe/PCIe. Warstwa ta obsługuje częste zapisy punktów kontrolnych, ładowanie ogromnych zestawów treningowych i buforowanie gorących danych RAG, stanowiąc najbardziej wyraźny przyrost pamięci trwałej w centrach danych AI.
Warstwa pamięci o niskim koszcie i dużej pojemności (podstawa pojemności): Składa się z dysków HDD, pamięci zimnej i systemów archiwizacji jezior danych. W obliczu wykładniczo rosnących multimodalnych surowych danych, historycznych logów i kopii zapasowych zgodności, warstwa ta nadal oferuje niezastąpione korzyści TCO (całkowity koszt posiadania).
Systemy pamięci masowej AI i oprogramowanie danych (mózg planowania): Obejmuje wysokowydajne równoległe systemy plików, rozproszone przechowywanie obiektów, bazy danych wektorowych i warstwę zarządzania danymi RAG. AI tak naprawdę konsumuje nie goły sprzęt, ale dostępność danych efektywnie zorganizowanych, indeksowanych i uprawnionych przez stos oprogramowania.
Jako rozszerzenie ekosystemu, przechowywanie zdecentralizowane nie angażuje się bezpośrednio w milisekundowy wyścig gorących danych AI, ale koncentruje się na poświadczaniu publicznych zbiorów danych, śledzeniu pochodzenia danych treningowych AI (Provenance) i długoterminowym archiwizowaniu zimnych danych, ustanawiając swoją unikalną niszę jako „zaufana zimna warstwa”.
HBM: „Narząd przepustowości” najbliższy mocy obliczeniowej w łańcuchu pamięci masowej AI
Pamięć o wysokiej przepustowości (High Bandwidth Memory) nie jest tradycyjną pamięcią masową, ale warstwą pamięci o wysokiej przepustowości blisko GPU. Jej podstawową misją nie jest przechowywanie danych, ale ciągłe „karmienie” mocy obliczeniowej danymi z bardzo wysoką przepustowością. HBM jest ogniwem w łańcuchu pamięci masowej AI najbliższym mocy obliczeniowej i o najwyższej determinacji, bezpośrednio decydującym o tym, czy GPU może być „nasycone”, i jest obecnie najważniejszym wąskim gardłem w łańcuchu dostaw.
Podstawowa architektura HBM to „stosowanie 3D DRAM + zaawansowane opakowanie 2.5D”: poprzez pionowe stosowanie TSV i heterogeniczną integrację CoWoS, ekstremalnie skraca odległość między pamięcią a obliczeniami, osiągając skokowy wzrost przepustowości. Jego bariery przemysłowe to nie tylko projekt DRAM, ale inżynieria systemowa procesu DRAM, TSV, ultracienkiego stosowania, opakowania, chłodzenia, testowania i certyfikacji klienta. Wady wydajności w dowolnym ogniwie prowadzą do złomowania całego stosu HBM.
Obecnie na świecie tylko SK Hynix, Samsung, Micron trzy giganty są w stanie stabilnie produkować masowo, tworząc potrójną fosę w postaci zaawansowanego procesu DRAM, zdolności pakowania oraz certyfikacji klientów NVIDIA/AMD.
DRAM i CXL: Podstawa pamięci systemowej i silnik puli pamięci
HBM rozwiązuje problem ograniczonej przepustowości w pobliżu GPU, DRAM wzmacnia podstawę pamięci systemowej serwera, a CXL próbuje przełamać fizyczne granice i zreorganizować sposób organizacji zasobów pamięci w centrach danych.
DRAM: Głównie obsługuje pamięć podręczną po stronie CPU, wstępne przetwarzanie danych, tymczasowe przechowywanie stanów pośrednich oraz działanie systemu, stanowiąc najbardziej podstawową warstwę pamięci systemowej serwera. Globalny rynek DRAM jest silnie skoncentrowany w trzech gigantach: SK hynix, Samsung, Micron; CXMT (ChangXin Memory Technologies) jest kluczowym zmiennym elementem chińskiej substytucji importowej DRAM.
CXL (Compute Express Link): To protokół spójności pamięci podręcznej nowej generacji dla centrów danych, mający na celu przełamanie ograniczeń tradycyjnych gniazd DIMM, lokalnej pojemności pamięci i izolacji zasobów pamięci serwerów, promując ewolucję architektury pamięci w kierunku rozszerzania, pulowania i współdzielenia. Obecnie CXL jest wciąż na wczesnym etapie przejścia od wsparcia platformowego do wdrożenia na dużą skalę, z wysoką wartością architektoniczną w średnim i długim okresie; kluczowe firmy to Astera Labs i Montage Technology.
SSD klasy korporacyjnej: Węzeł danych zbudowany z NAND, kontrolera i NVMe
SSD klasy korporacyjnej to najbardziej krytyczny przyrost o wysokiej przepustowości i trwałości w centrach danych AI, który dzięki bardzo wysokiej przepustowości, bardzo niskiemu opóźnieniu i stabilnemu QoS stale „karmi” GPU danymi, obejmując cały cykl życia, od ładowania danych treningowych, przez zapisy punktów kontrolnych, wyszukiwanie RAG, pamięć podręczną wnioskowania, po zwrot dzienników.
W architekturze pamięci AI SSD nie jest izolowanym sprzętem, ale wysoce sprzężonym systemem, który można wyrazić wzorem przemysłowym: SSD klasy korporacyjnej = kości NAND + kontroler SSD + ścieżka danych NVMe/PCIe. Trzy warstwy reprezentują niezależne ogniwa łańcucha przemysłowego:
Kostki NAND (warstwa surowca): decydują o gęstości przechowywania i koszcie jednostkowym, kontroler zarządza wydajnością i żywotnością. Reprezentanci: Samsung, SK hynix (Solidigm), Micron, Kioxia, Western Digital, Yangtze Memory Technologies.
Kontroler SSD (warstwa wzmacniania wydajności): decyduje o wydajności, korekcji błędów, stabilności QoS i wyrównywaniu zużycia. Reprezentanci: Phison, Silicon Motion, Marvell, Maxio.
NVMe/PCIe (warstwa ścieżki danych): decyduje o wydajności transferu danych z pamięci do obliczeń. W połączeniu z technologią GPUDirect Storage zmniejsza buforowanie w pamięci CPU i udział CPU, znacząco łagodząc wąskie gardła I/O. Reprezentanci: Broadcom, Marvell, Astera Labs.
HDD / zimne przechowywanie / archiwizacja: niskokosztowa podstawa jeziora danych AI
AI nie wyeliminuje HDD. Wraz z rosnącym zapotrzebowaniem multimodalnych dużych modeli na dane wideo i obrazowe oraz wykładniczym wzrostem dzienników zgodności i historycznych zbiorów danych, zapotrzebowanie na niskokosztowe przechowywanie zimnych danych gwałtownie rośnie. W architekturze pamięci masowej AI, SSD i HDD współpracują warstwowo w oparciu o wartość biznesową: SSD obsługuje gorące dane i wysoką przepustowość, HDD zapewnia niski koszt i długoterminowe przechowywanie. Reprezentanci: Seagate, Western Digital, Toshiba.
Stos oprogramowania pamięci masowej AI: centrum planowania dostępności danych
AI tak naprawdę nigdy nie konsumuje surowych dysków, ale „usługi danych” precyzyjnie zorganizowane przez stos oprogramowania. Ta architektura przekształca podstawowy sprzęt w aktywa wiedzy bezpośrednio dostępne dla wyższej warstwy AI, dzieląc się na cztery warstwy:
Wysokowydajny system pamięci masowej (system zasilania): skoncentrowany na współbieżnej przepustowości i niskim opóźnieniu, rozwiązuje problem „głodu danych” klastrów GPU poprzez równoległy system plików, zapewniając szybki przepływ trenowania i wnioskowania. Reprezentanci: VAST Data, WEKA, Pure Storage.
Przechowywanie obiektowe (surowy jezioro danych): skoncentrowane na zarządzaniu obiektami, kluczami i metadanymi, obsługuje ogromne ilości nieustrukturyzowanych danych. Nie dąży do ekstremalnie niskiego opóźnienia, buduje bazę pojemnościową dzięki niskiemu kosztowi i natywnym dla chmury właściwościom. Reprezentanci: AWS S3.
Baza danych wektorowych (warstwa indeksu semantycznego): baza danych wektorowych odpowiada za przechowywanie, indeksowanie i wyszukiwanie wektorów wygenerowanych przez modele embeddingu, umożliwiając AI precyzyjne lokalizowanie odpowiednich treści w ogromnej wiedzy. Reprezentanci: Pinecone, Milvus.
Warstwa danych RAG (warstwa wywoływania wiedzy): wykracza poza pojedyncze wyszukiwanie, obejmuje dzielenie danych, czyszczenie, kontrolę dostępu i śledzenie źródeł, zapewniając bezpieczne, dokładne i możliwe do wyśledzenia wykorzystanie danych przedsiębiorstwa przez duże modele. Reprezentanci: Databricks.
Od gorącego przechowywania AI do zdecentralizowanej zimnej pamięci: maksymalizacja wydajności vs maksymalizacja zaufania
Pamięć masowa AI to system napędzany ekstremalną wydajnością, którego funkcja wartości skupia się na maksymalizacji wydajności obliczeniowej. Przepustowość HBM decyduje o tym, czy GPU jest odpowiednio zasilane, przepustowość SSD decyduje o wydajności odczytu/zapisu zbiorów danych i punktów kontrolnych, a niskie opóźnienie wpływa na doświadczenie w czasie rzeczywistym RAG i wnioskowania. Te wskaźniki ostatecznie składają się na wykorzystanie GPU i koszt na token, bezpośrednio decydując o rentowności aplikacji AI. Ostatecznym celem pamięci masowej AI nie jest przechowywanie, ale przyspieszenie, a jej obiektem usług jest produktywność.
Natomiast funkcja wartości przechowywania zdecentralizowanego jest zupełnie inna. Pyta, czy dane będą nadal istnieć za dziesięć lat, czy zostały zmodyfikowane i czy mogą oprzeć się cenzurze punktowej. Dzięki dowodom kryptograficznym i sieciom rozproszonym buduje otwartą i trwale zachowaną publiczną bazę danych. Jej ostatecznym celem jest obrona absolutnej prawdziwości i suwerenności danych, służąc sprawiedliwości, potrzebom odporności na cenzurę i pamięci cywilizacyjnej.
Przechowywanie AI to „gorące przechowywanie” dostarczające paliwa dla przyszłej produktywności, podczas gdy przechowywanie zdecentralizowane to „zimna pamięć” zachowująca nieusuwalne historyczne zapisy dla ludzkiej cywilizacji. Pierwsze służy wydajności, dążąc do ekstremalnej szybkości; drugie służy wiarygodności, broniąc cichej pamięci. Pierwsze decyduje o tym, jak szybko działa model, drugie o tym, czy pamięć zostanie usunięta. Obecnie mechanizmy rynkowe nagradzają wydajność produktywności, przechowywanie AI jest na fali, podczas gdy przechowywanie zdecentralizowane wydaje się przechodzić załamanie wyceny i wykrwawianie narracji.
Wizja a rzeczywistość przechowywania zdecentralizowanego
Projektów przechowywania zdecentralizowanego jest wiele, ale pod względem mentalności branży i ekosystemu, kluczowymi reprezentantami pozostają Filecoin i Arweave. Oba należą do „przechowywania zdecentralizowanego”, ale ich filozofia architektoniczna to prawie dwie zupełnie różne ścieżki – pierwszy zbliża się do elastyczności AWS za pomocą umów rynkowych, drugi zbliża się do wieczności biblioteki za pomocą jednorazowej umowy społecznej.
Filecoin: Zbudował najbardziej kompletny weryfikowalny system ekonomiczny poprzez PoRep i PoSt. Nie powinien dalej walczyć z AWS na rynku konsumenckich dysków sieciowych, ale powinien skierować się w stronę śledzenia pochodzenia danych AI (Provenance), hostingu publicznych zbiorów danych i zgodnego archiwizowania, dostarczając weryfikowalnych łańcuchów do audytu modeli i dowodów praw autorskich. Niezbędną ścieżką jest opakowanie w API kompatybilne z S3 i wsparcie płatności w walucie fiducjarnej, przechodząc z „taniego rynku przechowywania” do „weryfikowalnej infrastruktury obliczeniowej”.
Arweave: Z narracją „zapłać raz, przechowuj na zawsze”, poprzez mechanizm Blockweave i SPoRA zmusza górników do przechowywania i szybkiego dostępu do jak największej ilości, zwłaszcza rzadkich danych historycznych. Jego optymalne miejsce to publiczna baza pamięci ludzkości – przechowywanie zapisów praw człowieka, dowodów zbrodni wojennych, klasyków kultury, archiwizowanie historii prawa i finansów, dostarczanie trwale dostępnej długoterminowej pamięci dla agentów AI. Wartość Arweave nie leży w szybkości, ale w zdolności do przenoszenia pamięci cywilizacyjnej przez cykle.
Trudności projektów przechowywania zdecentralizowanego, takich jak Filecoin i Arweave, nie leżą w błędnej propozycji wartości, ale w długoterminowym niedopasowaniu produktu, doświadczenia wyszukiwania, rzeczywistego popytu i zachęt tokenowych. To ujawnia ogromną przepaść między ideą geeków a głównym nurtem zastosowań komercyjnych:
Niedopasowanie bodźców podaży i popytu: Wczesne sieci, takie jak Filecoin, szybko skalowały pojemność za pomocą tokenów, ale nie zbudowały wystarczająco silnej strony popytu płatniczego, co doprowadziło do ogromnej pojemności, ale niskiego wykorzystania i niskiej konwersji płatności. Nagradzają „mogę przechowywać”, a nie „potrzebuję przechowywać”.
Brak możliwości obsługi na poziomie korporacyjnym: Barierą AWS nie są dyski twarde, ale „system operacyjny danych” składający się z API, SLA, zarządzania uprawnieniami, audytu zgodności i wsparcia technicznego. Przedsiębiorstwa kupują „spokój”, a nie eksperymentalną infrastrukturę wymagającą samodzielnego zarządzania kluczami i wyboru węzłów.
Słabe doświadczenie w wyszukiwaniu: „Przechowywanie” nie oznacza „stabilnego i niskiego opóźnienia przy pobieraniu”. Rozproszone węzły, złożona topologia i brak jednolitego SLA utrudniają obsługę przepływów pracy z gorącymi danymi AI, co czyni je bardziej odpowiednimi do zaufanego zimnego archiwizowania i śledzenia pochodzenia danych.
Niewystarczająca zgodność z prywatnością: Prywatne dane przedsiębiorstw nie mogą być po prostu zapisywane w publicznej, trwałej sieci; prawo do usunięcia i niezmienność są ze sobą w naturalny sposób sprzeczne. Zdecentralizowane przechowywanie jest bardziej odpowiednie dla danych publicznych i długoterminowych archiwów, a nie dla bezwarunkowego przechowywania kluczowych danych prywatnych.
Tokenowa gospodarka wzmacnia cykle: W czasie hossy finanse tokenów maskują niedobór popytu, a w czasie bessy spadek ROI górników ujawnia słabości komercjalizacji. Tokeny mogą uruchomić podaż, ale nie mogą automatycznie tworzyć popytu i zrównoważonych przychodów.
Inne projekty zdecentralizowanego przechowywania skupiają się głównie na konkretnych ekosystemach lub niszowych obszarach: Storj/Sia mają słabszą świadomość branżową i wpływ narracji Web3 niż Filecoin/Arweave; BNB Greenfield/Walrus są powiązane z konkretnymi ekosystemami blockchain BNB lub SUI; Celestia/EigenDA należą do warstwy dostępności danych (DA), obsługującej potwierdzanie transakcji Rollup, a nie długoterminowe archiwizowanie; projekty hybrydowe AI/DA, takie jak 0G, próbują zintegrować przechowywanie, dostępność danych, obliczenia i rozliczenia agentów AI w jedną modułową infrastrukturę natywną dla AI, ale ich rzeczywisty popyt, adopcja deweloperów i zamknięcie komercyjne pozostają do zweryfikowania.
Przyszłe szanse zdecentralizowanego przechowywania: długoterminowe wahadło między wydajnością a zaufaniem
W okresie eksplozji korzyści technologicznych kapitał szaleńczo goni za wydajnością, a aktywa takie jak GPU i HBM otrzymują bardzo wysokie premie, podczas gdy zdecentralizowane przechowywanie opowiadające się za „zaufaniem i sprawiedliwością” jest naturalnie marginalizowane. Jednak wahadło historii nie zatrzyma się na zawsze po stronie wydajności. Nieuzasadnione blokady i usuwanie treści przez superplatformy, wybuchy sporów o prawa autorskie AI wymuszające dowody pochodzenia danych, walka o suwerenność danych wywołana konfliktami geopolitycznymi, zniknięcie publicznych archiwów z powodu monopolu danych oraz presja audytu zgodności danych treningowych modeli przez organy regulacyjne – wszystkie te zdarzenia mogą doprowadzić do przeszacowania „przechowywania opartego na zaufaniu”, a przyszłe szanse zdecentralizowanego przechowywania nadal mogą przejawiać swoją unikalną wartość w następujących obszarach:
Proweniencja danych AI: Łączenie dowodów kryptograficznych w celu zbudowania „dowodu rodowodu danych”, aby sprostać presji regulacyjnej i audytowej.
Publiczne zbiory danych i archiwa cywilizacyjne: Zakotwiczenie cenzurowanych archiwów i dziedzictwa kulturowego, budowanie niezastąpionej, nieusuwalnej pamięci.
Zaufane archiwizowanie i zgodne przechowywanie dowodów: Osiągnięcie wiarygodnego samodzielnego poświadczenia poprzez przechowywanie skrótów, zapewniając wysokiej klasy notarializację cyfrową.
Integracja technologii ZK/TEE/DID: Rozwiązanie napięcia związanego z prywatnością, przejście z pojedynczego „protokołu przechowywania” na „zaufaną infrastrukturę danych”.
Niewidoczna ścieżka produktowa: Oferowanie API zgodnego z S3 i rozliczeń w walucie fiducjarnej, umożliwiając użytkownikom bezpośredni zakup usługi „zaufanego archiwizowania”.
Przechowywanie AI i zdecentralizowane przechowywanie – jedno dąży do ekstremalnej wydajności, dostarczając paliwa do naszej podróży w przyszłość; drugie broni cichej pamięci, chroniąc nasze prawo do spoglądania w przeszłość. Obecny rynek bez zastrzeżeń nagradza wydajność, przez co zdecentralizowane przechowywanie wydaje się ciche, a nawet upada; ale gdy era AI jeszcze bardziej uwydatni monopol danych, spory o prawa autorskie i kruchość pamięci historycznej, zdecentralizowane przechowywanie może doczekać się przeszacowania wartości jako „zaufana zimna warstwa”. Te wspomnienia, które nie mogą być łatwo wymazane przez platformy, firmy ani żadną pojedynczą władzę, mogą przejść od romantyzmu idealizmu, od marginalnej wiary do niezbędnej infrastruktury.
