AI 存储的超级周期，正在加速到来。
近期，存储芯片价格迎来集体上行。TrendForce 预测，2026 年一季度 NAND 闪存价格预计上涨 55%—60%，DRAM 价格涨幅或高达 90%—95%。存储价格的双重上行，正在迅速点燃整个赛道。
在这一轮存储超级周期中，又一家AI 存储公司开始冲刺资本市场。1 月 27 日，星辰天合正式向香港交易所递交招股书。
从历史数据看，这家公司并非一开始就处在高速增长区间。
2023 年至 2024 年，星辰天合的收入分别为 1.67 亿元和 1.72 亿元，年增长率仅为 3.4%。但进入2025年后，增长拐点开始显现。2025 年前三季度，公司实现营收1.95亿元，同比增长65.4%，增速明显加快。
在行业位置上，星辰天合已经站进第一梯队。按2024 年装机量计算，公司位列国内分布式 AI 存储市场第二位，仅次于华为，市场份额为10.4%。
在AI 算力、数据规模与存储需求同步放量的背景下，AI 存储正从“配套设施”走向“核心基础设施”。
今天，我们就来讲讲AI存储这条超级赛道以及星辰天合。
在AI时代，存储变了
在AI 时代，存储这件事正在变得越来越重要。
从数据采集、清洗，到模型训练、推理，再到结果回流与二次训练，AI 生命周期的每一个环节，都高度依赖高效、稳定的数据读写能力。GPU 能算多快，模型能迭代多顺，最终并不只取决于算力规模，也取决于数据是否能够持续、及时地被送达。
但问题也由此出现。
过去，云计算时代形成的主流存储架构，并非为AI 工作负载设计。
简单来说，传统存储主要服务于事务型与归档型场景，强调容量扩展、成本控制和访问可靠性，更适合静态数据的长期保存和低频访问。
当其面对AI 所需的高并发、多节点并行访问和低延迟读写需求时，性能瓶颈迅速显现，算力释放随之受限。
比如在训练端，当前主流大模型的参数规模普遍达到十亿级以上，训练集群往往由上千甚至上万块AI 芯片并行运行。
训练过程中，芯片需要持续、高频地读取海量数据，并周期性保存模型快照，在短时间内形成高度集中的读写压力。同时，大量小文件的随机访问，也显著加重了存储系统在元数据管理和响应时延上的负担。
在传统架构下，这类高并发、低延迟负载难以被有效支撑，GPU 不得不频繁“等数据”，算力利用率下降，训练效率被 I/O 吞吐锁死。
推理侧的问题同样也很明显。
更长的上下文窗口、更复杂的多轮交互，正在成为大模型演进的方向。为支撑这些能力，模型在推理过程中需要保留大量中间计算结果作为缓存，而这类缓存通常只能放在AI 芯片显存中，才能满足性能要求。
随着模型复杂度持续提升，缓存规模势必快速膨胀，甚至逼近或超过单卡显存的物理上限。
由于传统存储在性能上无法接近显存级访问速度，企业只能通过持续堆叠昂贵的AI 芯片来“买显存”，推理成本长期居高不下，也暴露出显著的结构性优化空间。
另一重制约，来自数据本身的组织方式。
在企业内部，数据往往分散在多个系统中：原始数据沉淀在大容量、低成本存储中，而训练与推理依赖高性能存储支撑。系统之间频繁的数据迁移，不仅耗时长、成本高，还容易引发数据孤岛、版本混乱与治理复杂度上升。
在这一背景下，AI 存储的价值开始凸显。
所谓AI 存储，是指围绕 AI 工作负载进行专门设计和优化的数据存储系统，其核心目标是在超大规模数据环境下，同时满足高容量、高吞吐、低延迟和稳定性等多重要求。
在AI 时代，企业长期积累的高价值专有数据，正在成为最难复制的核心资产。这也使得本地部署的 AI 存储具备独特意义：
一方面，可在安全可控的环境中管理数据，降低外泄与滥用风险；另一方面，本地部署支持数据持续回流和迭代，使企业能够围绕自身业务构建数据飞轮，逐步形成难以复制的智能壁垒。
从架构形态看，AI 存储大致可分为集中式和分布式两类。
集中式存储以单一节点为核心，架构相对简单、运维成本较低，适合数据规模较小、并发需求有限的场景。但随着数据体量、并发强度和算力规模持续扩大，其在性能和扩展性上的瓶颈会迅速显现。
分布式AI 存储则通过多节点协同，将数据分片存储在不同节点上，实现并行读写和负载均衡。这种架构可以在容量和性能上横向扩展，并通过副本与容错机制，在高负载条件下保持系统稳定。
在AI 工作负载走向大规模、长周期和高并发的趋势下，分布式存储正在成为训练与推理的主流选择。星辰天合，正属于这一类分布式 AI 存储厂商。
从市场数据看，这一趋势已经越来越明显了。根据灼识咨询数据，2024 年中国分布式AI存储装机量达到10.3EB，预计到2030年将增长至 60.5EB，复合年增长率为34.3%。
装机规模扩张的同时，市场收入也在同步放大。2024年，中国分布式AI存储市场规模约为100 亿元，预计到2030年将增长至631亿元。
按2024 年装机量计算，国内分布式AI存储市场前五大解决方案供应商合计占据 52.3% 的市场份额。
其中，本次IPO的主角星辰天合高居第二，也是最大的独立分布式AI 存储解决方案供应商，市场份额为10.4%。
25年前三季度营收增长65%， 毛利率达63.7%
2023 年至 2024 年，星辰天合的收入增长相对平缓，年收入由 1.67 亿元小幅增至 1.72 亿元，增速仅为3.4%。
但进入2025 年后，公司增长节奏明显加快。2025 年前三季度，公司实现营收1.95 亿元，同比增长65.4%。
从收入结构看，公司的业务主要分为AI 存储解决方案与AI 存储服务两大类。
其中，AI 存储解决方案按应用场景可进一步拆分为两类：一类是面向数据汇聚与长期留存的 AI 数据湖存储，另一类是面向算力释放与性能加速的AI 训推存储。
AI 数据湖存储则主要承载 AI 生命周期中需要长期保存的“温数据”和“冷数据”，包括训练样本归档、历史模型版本、运行日志以及中间特征文件等。
这类数据访问频率相对较低，但体量庞大、保存周期长，其核心目标是在确保数据安全与可靠性的前提下，尽可能降低长期存储成本。
相比之下，AI 训推存储主要服务于模型训练和推理阶段，对“热数据”的高并发访问能力提出更高要求，是决定算力是否能够被充分释放的关键环节。
在这一阶段，数据需要被频繁、快速地读取和写入，一旦存储性能跟不上，算力资源就会出现空转。
因此，AI 训推存储的核心价值在于实现高吞吐、低延迟和强一致性的数据访问能力，本质上是让 GPU 算得更快、更稳。
除解决方案外，AI 存储服务主要以运维服务形态存在，对存储系统提供覆盖全生命周期的管理与支持。
从增长来源看，AI 数据湖存储成为公司收入加速的主要驱动力。2025 年前三季度，公司 AI 数据湖存储解决方案收入达到 8977 万元，同比增长 107%。
招股书显示，该业务的快速增长来自“量价齐升”的共同推动。
在订单数量方面，2025年前三季度，公司 AI 数据湖存储解决方案订单数量达到371份，较2024年同期增长45.49%。与此同时，平均售价也由约17 万元提升至24.1万元。
公司解释称，一方面，市场需求扩张带动订单数量增加；另一方面，随着技术持续升级，以及按每宗订单计算的平均安装容量（以TB 计）提升，部分解决方案的平均售价随之上调。
随着AI需求开始增长，公司也在试图定义新一代AI 基础设施架构。2026 年 1 月，星辰天合正式发布AIMesh。
招股书介绍，AIMesh 定位为横跨 AI 数据湖存储与 AI 训推存储的统一软件定义层，其目标是构建一个统一的 AI 数据与记忆体体系，通过软件方式整合和调度不同类型的存储与记忆体资源，从系统层面提升 AI 工作负载的整体效率与可扩展性。
具体而言，AIMesh 重点针对 AI 系统中的三项典型瓶颈进行优化：
一是MeshFS，面向 AI 训练场景的高速数据层，用以缓解因数据传输速率不足而形成的 I/O 瓶颈；
二是MeshFusion，通过扩展可用记忆体容量，支撑大上下文推理场景，缓解“内存墙”对复杂推理与长对话能力的限制；
三是MeshSpace，用于统一管理和调度全球范围内的海量数据集，降低跨地域数据传输与管理的复杂度和成本，从而缓解数据“重力墙”问题。
在盈利能力方面，星辰天合呈现出与多数ToB 公司不同的特征，其毛利率水平相对较高。
2023 年和 2024 年，公司毛利率分别为 55.4% 和 63.7%；2025 年前三季度，毛利率维持在 63.7%的高位。
从业务结构看，2024 年 AI 数据湖存储和 AI 训推存储的毛利率分别为 59.2% 和 65.6%，AI 存储服务毛利率则进一步提升至 63.7%。
公司解释称，毛利率的提升主要源于规模效应逐步显现。
在高毛利的支撑下，公司盈利状况已明显改善。2023 年和 2024 年，公司分别亏损 1.8 亿元和 0.84 亿元；到 2025 年前三季度，公司实现净利润 811 万元，实现扭亏为盈。
总的来说，星辰天合的业绩爆发，本质上是AI 产业对存储角色的一次重新定义。在传统视角中，存储仅是数据的静态“仓库”，但在大模型时代，它已演变为决定训练效率与推理体验的关键“加速器”。
文/朗朗
PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。
热门跟贴