Автор: Jacob Zhao @ IOSG
Сегодня «первая отечественная акция памяти» ChangXin Memory Technologies официально вышла на площадку ChiNext и взорвала рынок ошеломляющим ростом на 500%. Хотя в последнее время сектор памяти в целом испытывает коррекционные колебания, AI-память по-прежнему активно переоценивается капиталом в рамках текущей технологической нарративной волны. В то же время децентрализованное хранение в сфере Web3 погрузилось в долгое затишье и упадок. Почему, несмотря на одинаковое название «память», рыночные показатели столь различны? Коренная причина кроется в полном расхождении базовых функций ценности.
Переоценка памяти в эпоху ИИ по сути является праздником «эффективности горячих данных», служащим максимальному увеличению вычислительной мощности и коммерческой монетизации; в то время как децентрализованное хранение придерживается ценностного предложения «доверия к холодным данным», защищая справедливость данных, устойчивость к цензуре и долгосрочную память человеческой цивилизации. Первое — это система эффективности для горячих данных, второе — система доверия для холодных данных. Текущий рынок капитала, несомненно, твердо стоит на стороне «эффективности», но человеческая цивилизация в конечном итоге все равно нуждается в неизменной базе памяти. Долгосрочная ценность доверительного холодного хранения никогда не исчезала, она лишь дремлет в тени цикла, ожидая переоценки временем.
Почему память снова становится центром внимания в цепочке ИИ
В эпоху традиционных ИТ память была «бизнесом на объеме». CIO предприятий заботились о стоимости единицы объема, надежности дисков, решениях для аварийного восстановления, стратегиях архивирования и циклах обновления оборудования длительностью 3–5 лет. Память рассматривалась как аксессуар, следующий за закупкой серверов.
Нынешний бум памяти — это не традиционное циклическое восстановление, а переоценка способности данных к перемещению под влиянием ИИ. В эпоху больших моделей логика памяти изменилась с «приоритета объема» на «приоритет эффективности», с упором на предельные показатели, такие как скорость загрузки GPU, запись контрольных точек и сверхнизкая задержка RAG. Это знаменует переход ценности памяти от «конечного места хранения данных» к «скоростному каналу для поступления данных в вычисления».
Эволюция узких мест в ресурсах ИИ-инфраструктуры по сути является битвой за устранение «эффекта бочки». Реальная эффективность использования вычислительных мощностей — это не линейное сложение отдельных активов, а строгий мультипликативный эффект: реальная эффективность использования вычислительных мощностей = GPU × HBM × DRAM × SSD × сеть × файловая система. Слабое звено в любой из этих цепочек приведет к коллапсу общей эффективности использования вычислительных мощностей. В эпоху ИИ хранилище впервые превратилось из «центра затрат» в «двигатель эффективности». Именно в этом заключается фундаментальная логика переоценки стоимости хранилища.
Панорама архитектуры ИИ-хранилищ: от пропускной способности HBM до фундамента озера данных
ИИ-хранилище — это отнюдь не простая совокупность отдельных аппаратных компонентов, а сложная, тесно связанная и многоуровневая система. В этой системе промышленная ценность и капитал в значительной степени сосредоточены на HBM, корпоративных SSD, контроллерах SSD, протоколах NVMe/CXL и высокопроизводительных системах хранения. Чтобы четко разобрать потоки создания стоимости, мы разделяем архитектуру ИИ-хранилища сверху вниз на четыре основных уровня:
Уровень памяти, близкой к вычислениям (ядро пропускной способности): Абсолютным лидером является HBM, дополненный DRAM и технологией пулинга памяти CXL. Этот уровень напрямую связан с корпусом GPU/CPU или шиной, предназначен для преодоления «стены памяти» и является первым рубежом, определяющим, могут ли вычислительные мощности быть полностью высвобождены.
Уровень высокоскоростного постоянного хранения (IO-хаб): Основная логика — корпоративный SSD = кристаллы NAND + контроллер SSD + канал данных NVMe/PCIe. Этот уровень обрабатывает высокочастотную запись контрольных точек, загрузку огромных наборов данных для обучения и кэширование горячих данных RAG, являясь наиболее очевидным приростом постоянного хранения в центрах обработки данных ИИ.
Уровень недорогого крупнообъемного хранения (фундамент емкости): Состоит из HDD, холодного хранения и систем архивирования озер данных. Столкнувшись с экспоненциально растущими мультимодальными необработанными данными, историческими журналами и резервными копиями для соответствия требованиям, этот уровень по-прежнему обеспечивает незаменимое преимущество в совокупной стоимости владения (TCO).
Системы ИИ-хранилищ и программное обеспечение для данных (мозг планирования): Включает высокопроизводительные параллельные файловые системы, распределенные объектные хранилища, векторные базы данных и уровень управления данными RAG. ИИ на самом деле потребляет не голое оборудование, а доступность данных, эффективно организованных, проиндексированных и разграниченных по правам доступа программным стеком.
Как расширение экосистемы, децентрализованное хранение не участвует напрямую в миллисекундной гонке горячих данных ИИ, а вместо этого фокусируется на сертификации общедоступных наборов данных, отслеживании происхождения (Provenance) обучающих данных ИИ и долгосрочном архивировании холодной памяти, утверждая свою уникальную экологическую нишу как «доверенного холодного слоя».
HBM: «Орган пропускной способности», наиболее близкий к вычислительным мощностям в цепочке ИИ-хранилищ
Высокопропускная память (High Bandwidth Memory) — это не традиционное хранилище, а уровень высокопропускной памяти, близкий к GPU. Его основная миссия — не хранить данные, а непрерывно «кормить» вычислительные мощности данными с чрезвычайно высокой пропускной способностью. HBM — это наиболее близкое к вычислительным мощностям и наиболее детерминированное звено в цепочке ИИ-хранилищ, напрямую определяющее, может ли GPU быть «насыщен», и являющееся в настоящее время самым критическим узким местом в цепочке поставок.
Основная архитектура HBM — «3D-стек DRAM + 2.5D-передовая упаковка»: за счет вертикального стекирования TSV и гетерогенной интеграции CoWoS расстояние между памятью и вычислениями предельно сжимается, достигая скачкообразного повышения пропускной способности. Его промышленный барьер заключается не только в проектировании DRAM, но и в системной инженерии, включающей техпроцесс DRAM, TSV, сверхтонкое стекирование, упаковку, охлаждение, тестирование и сертификацию клиентов. Дефект выхода годных на любом этапе приводит к браку всего стека HBM.
В настоящее время только три гиганта — SK hynix, Samsung, Micron — могут стабильно производить в больших объемах, создав тройной барьер из передовых технологий DRAM, упаковки и сертификации клиентов NVIDIA/AMD.
DRAM и CXL: основа системной памяти и двигатель пулинга памяти
HBM решает проблему пропускной способности вблизи GPU, DRAM укрепляет основу системной памяти серверов, а CXL пытается разрушить физические границы и реорганизовать способ распределения ресурсов памяти в центрах обработки данных.
DRAM: в основном отвечает за кэш на стороне CPU, предварительную обработку данных, временное хранение промежуточных состояний и работу системы, являясь самым базовым уровнем системной памяти сервера. Мировой рынок DRAM сильно сконцентрирован на трех гигантах: SK hynix, Samsung, Micron; CXMT (ChangXin Memory Technologies) — ключевая переменная в импортозамещении DRAM в Китае.
CXL (Compute Express Link): это протокол когерентного взаимодействия нового поколения для центров обработки данных, направленный на преодоление ограничений традиционных слотов DIMM, локальной емкости памяти и изолированности ресурсов памяти серверов, способствуя эволюции архитектуры памяти в сторону расширения, пулинга и совместного использования. В настоящее время CXL все еще находится на ранней стадии перехода от поддержки платформ к масштабному развертыванию; его долгосрочная архитектурная ценность высока. Ключевые компании включают Astera Labs и Montage Technology.
Корпоративные SSD: NAND, контроллер и NVMe как центр обработки данных
Корпоративные SSD — это ключевой компонент высокопроизводительного постоянного хранения в AI-центрах обработки данных. Они обеспечивают непрерывную «подпитку» GPU данными с высокой пропускной способностью, сверхнизкой задержкой и стабильным QoS на всех этапах жизненного цикла: загрузка обучающих данных, запись контрольных точек, RAG-поиск, кэширование вывода и возврат логов.
В архитектуре AI-хранилищ SSD — это не изолированное оборудование, а высокоинтегрированная система, которую можно выразить формулой: корпоративный SSD = чипы NAND + контроллер SSD + канал данных NVMe/PCIe. Три уровня представляют собой независимые звенья производственной цепочки:
Чипы NAND (слой сырья): определяют плотность хранения и стоимость единицы, контроллер управляет производительностью и сроком службы. Представители: Samsung, SK hynix (Solidigm), Micron, Kioxia, Western Digital, Yangtze Memory Technologies.
Контроллер SSD (слой обеспечения производительности): определяет производительность, коррекцию ошибок, стабильность QoS и выравнивание износа. Представители: Phison, Silicon Motion, Marvell, Maxio.
NVMe/PCIe (слой канала данных): определяет эффективность передачи данных от хранилища к вычислениям. В сочетании с технологией GPUDirect Storage уменьшает bounce buffer памяти CPU и участие CPU, значительно снижая узкие места ввода-вывода. Представители: Broadcom, Marvell, Astera Labs.
HDD / холодное хранение / архивирование: недорогая основа AI-озера данных
AI не уничтожит HDD. С ростом потребности мультимодальных больших моделей в видео и изображениях, а также экспоненциальным ростом корпоративных журналов соответствия и исторических наборов данных, потребность в недорогом хранении холодных данных резко возрастает. В архитектуре AI-хранилищ SSD и HDD работают совместно на основе ценности бизнеса: SSD отвечают за горячие данные и высокую пропускную способность, HDD — за низкую стоимость и долгосрочное хранение. Представители: Seagate, Western Digital, Toshiba.
Программный стек AI-хранилищ: диспетчерский центр доступности данных
AI на самом деле потребляет не сырые диски, а «сервисы данных», тщательно организованные программным стеком. Эта архитектура преобразует базовое оборудование в интеллектуальные активы, напрямую вызываемые верхним уровнем AI, и делится на четыре слоя:
Высокопроизводительная система хранения (система подачи): с упором на параллельную пропускную способность и низкую задержку, решает проблему «голода данных» в GPU-кластерах с помощью параллельных файловых систем, обеспечивая быстрый поток обучения и вывода. Представители: VAST Data, WEKA, Pure Storage.
Объектное хранилище (сырое озеро данных): с упором на управление объектами, ключами и метаданными, вмещает огромные объемы неструктурированных данных. Не стремится к экстремально низкой задержке, строит емкостную основу с низкой стоимостью и облачными нативными характеристиками. Представители: AWS S3.
Векторная база данных (слой семантического индекса): векторная база данных отвечает за хранение, индексацию и поиск векторов, сгенерированных моделями эмбеддингов, позволяя AI точно находить релевантный контент в огромных объемах знаний. Представители: Pinecone, Milvus.
Слой данных RAG (слой вызова знаний): выходит за рамки простого поиска, включает нарезку данных, очистку, контроль доступа и отслеживание источников, обеспечивая безопасный, точный и отслеживаемый вызов корпоративных данных большими моделями. Представители: Databricks.
От горячего AI-хранилища к децентрализованной холодной памяти: максимизация эффективности vs максимизация доверия
AI-хранилище — это система, ориентированная на максимальную эффективность, чья функция ценности сосредоточена на максимизации вычислительной производительности. Пропускная способность HBM определяет, насколько GPU может быть насыщен, пропускная способность SSD определяет эффективность чтения/записи наборов данных и контрольных точек, а низкая задержка влияет на реальное время работы RAG и вывода. Эти показатели в конечном итоге сводятся к утилизации GPU и стоимости единицы Token, напрямую определяя коммерческую прибыльность AI-приложений. Конечная цель AI-хранилища — не сохранение, а ускорение, его объект — производительность.
А функция ценности децентрализованного хранения кардинально иная. Она задаётся вопросом, будут ли данные существовать через десять лет, не будут ли они изменены, смогут ли они противостоять единой точке цензуры. С помощью криптографических доказательств и распределённых сетей она создаёт открытую и постоянно сохраняемую общедоступную базу данных. Её конечная цель — защитить абсолютную истинность данных и суверенную независимость, служа справедливости, потребностям в устойчивости к цензуре и памяти цивилизации.
Хранение ИИ — это «горячее хранение», обеспечивающее топливом будущую производительность, а децентрализованное хранение — это «холодная память», сохраняющая неудаляемую историческую запись для человеческой цивилизации. Первое служит эффективности, стремясь к максимальной скорости; второе служит доверию, защищая молчаливую память. Первое определяет, насколько быстро работает модель, второе — будет ли память удалена. В настоящее время рыночные механизмы вознаграждают эффективность производства, хранение ИИ находится на острие атаки, а децентрализованное хранение, похоже, переживает коллапс оценки и обескровливание нарратива.
Видение и реальность децентрализованного хранения
Проектов децентрализованного хранения много, но по отраслевому менталитету и экосистемному осадку ключевыми представителями всегда остаются Filecoin и Arweave. Хотя оба относятся к «децентрализованному хранению», их философия базовой архитектуры — это почти два совершенно разных пути: первый с помощью рыночных контрактов приближается к эластичности AWS, второй с помощью одноразового общественного договора приближается к вечности библиотеки.
Filecoin: с помощью PoRep и PoSt построил самую полную верифицируемую экономическую систему. Ему не следует продолжать бороться с AWS на потребительском рынке облачных дисков, а следует переключиться на отслеживание происхождения данных ИИ (Provenance), хостинг общедоступных наборов данных и соответствующее архивирование, предоставляя верифицируемую цепочку для аудита моделей и подтверждения авторских прав. Необходимый путь — инкапсулировать в S3-совместимый API и поддерживать фиатные платежи, перейдя от «рынка дешёвого хранения» к «верифицируемой вычислительной инфраструктуре».
Arweave: с нарративом «однократная оплата, вечное хранение» через механизмы Blockweave и SPoRA стимулирует майнеров сохранять и быстро получать доступ к как можно большему количеству, особенно редких исторических данных. Его оптимальное место — общедоступная база памяти человечества: сохранение записей о правах человека, доказательств военных преступлений, культурных текстов, архивирование юридической и финансовой истории, предоставление постоянно доступной долговременной памяти для AI-агентов. Ценность Arweave не в скорости, а в способности нести память цивилизации сквозь циклы.
Трудности проектов децентрализованного хранения, таких как Filecoin и Arweave, заключаются не в ошибочности ценностного предложения, а в долгосрочном несоответствии между продуктом, опытом поиска, реальным спросом и токен-стимулами. Это выявляет огромный разрыв между идеями гиков и массовым коммерческим применением:
Несоответствие стимулов спроса и предложения: Ранние сети, такие как Filecoin, быстро масштабировались с помощью токенов, но не создали достаточно сильную платёжеспособную сторону спроса, что привело к огромной ёмкости, но низкой загрузке и конверсии платных пользователей. Вознаграждение за «я могу хранить», а не за «я нужен для хранения».
Отсутствие корпоративных возможностей: Барьер AWS — не жёсткие диски, а «операционная система данных», состоящая из API, SLA, управления правами, комплаенс-аудита и технической поддержки. Предприятия покупают «спокойствие», а не экспериментальную инфраструктуру, требующую самостоятельного управления ключами и выбора узлов.
Проблемы с поиском: «Сохранить» не равно «стабильно и с низкой задержкой извлечь». Распределённые узлы, сложная топология и отсутствие единого SLA затрудняют использование для рабочих процессов с горячими данными ИИ; больше подходит для доверенного холодного архивирования и отслеживания данных.
Недостаточная конфиденциальность и соответствие: Корпоративные частные данные нельзя просто записывать в публичную постоянную сеть; право на удаление и неизменяемость находятся в естественном конфликте. Децентрализованное хранение больше подходит для публичных данных и долгосрочных архивов, а не для безразличного хранения основных частных данных.
Токеномика усиливает циклы: На бычьем рынке финансиализация маскирует недостаток спроса, на медвежьем — падение ROI майнеров обнажает коммерческие недостатки. Токены могут холодно запустить предложение, но не могут автоматически создать спрос и устойчивый доход.
Другие децентрализованные проекты хранения в основном сосредоточены на конкретных экосистемах или нишах: Storj/Sia имеют более слабое межцикловое отраслевое восприятие и влияние нарратива Web3, чем Filecoin/Arweave; BNB Greenfield/Walrus привязаны к конкретным блокчейн-экосистемам BNB или SUI; Celestia/EigenDA и другие относятся к уровню доступности данных (DA), обслуживая подтверждение транзакций Rollup, а не долгосрочное архивирование; гибридные проекты AI/DA, такие как 0G, пытаются объединить хранение, доступность данных, вычисления и расчёты AI-агентов в единую AI-нативную модульную инфраструктуру, но их реальный спрос, внедрение разработчиками и коммерческая замкнутость ещё предстоит проверить.
Будущие возможности децентрализованного хранения: долгосрочный маятник эффективности и доверия
В период бума технологических инноваций капитал бешено гонится за эффективностью, активы, такие как GPU и HBM, получают чрезвычайно высокие премии, а децентрализованное хранение, выступающее за «доверие и справедливость», естественно, оказывается на обочине. Однако исторический маятник не останавливается навсегда на стороне эффективности. Необоснованные блокировки и удаление контента суперплатформами, всплеск судебных исков об авторских правах на ИИ, вынуждающий доказывать происхождение данных, борьба за суверенитет данных из-за геополитических конфликтов, исчезновение публичных архивов из-за монополии данных, а также аудиторское давление регуляторов на соответствие данных обучения моделей — все эти события могут привести к переоценке «доверенного хранения», и будущие возможности децентрализованного хранения всё ещё могут проявить уникальную ценность в следующих направлениях:
Происхождение данных ИИ: Сочетание криптографических доказательств для создания «доказательства родословной данных» для противодействия регуляторному и аудиторскому давлению.
Публичные наборы данных и архивы цивилизации: Фиксация подвергающихся цензуре архивов и культурного наследия, создание незаменимой и неудаляемой памяти.
Доверенное архивирование и комплаенс-хранение: Обеспечение доверенного самодоказательства через хеш-хранение, предоставление высокоуровневого цифрового нотариата.
Интеграция технологий ZK/TEE/DID: Разрешение напряжённости в области конфиденциальности, переход от простого «протокола хранения» к «доверенной инфраструктуре данных».
Невидимая продуктовая стратегия: Предоставление S3-совместимого API и выставление счетов в фиатной валюте, позволяющее пользователям напрямую покупать услугу «доверенного архивирования».
Хранение ИИ и децентрализованное хранение: одно стремится к предельной эффективности, обеспечивая топливо для нашего движения в будущее; другое защищает молчаливую память, сохраняя наше право оглядываться в прошлое. В настоящее время рынок безоговорочно вознаграждает эффективность, поэтому децентрализованное хранение кажется тихим и даже рушащимся; но когда эпоха ИИ ещё больше усилит монополию данных, споры об авторских правах и уязвимость исторической памяти, децентрализованное хранение может получить переоценку в виде «доверенного холодного слоя». Те воспоминания, которые не могут быть легко стёрты платформами, компаниями или любой единой властью, возможно, перейдут от идеалистической романтики, от маргинальной веры к необходимой инфраструктуре.
