不管是一级市场还是二级市场，AI都成为了主流叙事。只要你打开财经新闻，大概率都会刷到这么一条。Meta、微软、亚马逊、谷歌四家加起来，这一轮的资本开支合计已经冲到7000亿美元以上，而且还在往上走。
大部分人看到这个数字的反应，第一反应可能就是「GPU又不够了呗」。这几年这套逻辑被验证了太多次，英伟达的财报一出来，股价该涨还是涨，GPU缺货的新闻隔三差五就来一次，大家已经形成条件反射了，资本开支涨等于买GPU，买GPU等于训练更大的模型。
但最近看了一些大摩与高盛的视频，投行那边的判断，正在悄悄发生一个变化。这个变化没有那种「重磅突发」式的标题，但很有可能是接下来两三年最值得想清楚的一件事。
这7000亿美元里，新增的钱，未必都流向GPU了
过去三年，AI产业的核心是训练。训练GPT5这个级别的模型，可能要花掉几十亿美元，这个数字大家都很熟悉，媒体也愿意拿这个数字做标题，够唬人。但有一个事实经常被忽略，训练只发生一次，而推理会发生无数次。全球几亿人每天在用ChatGPT，每一次对话，背后都在消耗推理算力。随着用户规模继续往上走，推理消耗的算力，迟早会反超训练。
这其实就是这一轮存储逻辑发生变化的根源。这个变化，二级市场已经先一步给出了反应，长鑫科技295亿募资登陆科创板、长江存储同步推进IPO，美光年内市值破万亿、SK海力士一年涨超十倍，存储板块的狂热已无需多言。
为什么存储板块也会如此狂热？
从两个角度入手。
训练和推理。
那他们到底有什么本质区别。如果只看「需要算力」这个层面，两者好像是一回事，都是堆GPU。但如果往下钻一层，看内存里到底在发生什么，你会发现这是两种完全不同的工作方式。
训练的内存动作，是一个不停循环的读写过程。把模型参数从内存里读出来，GPU算出结果，把误差反向传播回去，更新出新的参数，再把新参数读出来，进入下一轮。几千亿参数，每一轮迭代都要完整地读一遍写一遍，这个循环要跑几十万次。所以训练这件事，核心需求是吞吐量，是数据进出内存的速度。带宽不够，GPU算完了写不进去，新数据读不出来，等于给法拉利配了一条自行车道，车再好也跑不起来。
推理的内存动作完全是另一回事。模型参数一次性灌满，加载进去之后，就是持续地只读，不写。这个动作更像是一本参考书摆上书架，你每次需要的时候去翻一下就行。但这里有一个硬门槛，模型参数必须全部装进去，一个都不能少。GPT4级别的模型，参数量有数百GB，装不进去，这个模型就跑不起来。所以容量直接决定了你能服务多少人。
训练阶段：AI模型训练是一个高度数据密集型的过程，需要频繁地读取大量训练数据，对存储的读取速度和带宽有着极高的要求。同时，训练过程中还会产生大量中间结果和模型检查点，需要快速写入存储以备后续使用或恢复训练状态。 推理阶段：相比之下，推理过程更多地依赖于模型而非原始数据，对存储的读写性能要求相对较低，但对响应时间和低延迟有更高要求。推理系统需要快速地从存储中检索模型参数，并对输入数据进行实时处理，确保用户体验的流畅性。
这么一对比，训练像什么呢，像F1赛车，核心是速度，核心指标是带宽。推理像什么呢，像一家出租车公司，要便宜，要耐用，每天跑全年不停，核心指标是容量。
写到这里，大家发现没有，这两个指标，带宽和容量，听起来好像都是「存储」的事，但实际上对应的是完全不同的硬件。
这里有一个特别容易混淆的地方，我自己以前也没分清楚过。HBM不也是存储吗，SSD和企业级闪存不也是存储吗，中文里这俩都叫「存储」，但在计算架构里，这是两个完全不同的层级。
HBM贴在GPU旁边，极快，极贵，容量很小，像厨师手边的案板，切菜飞快，但案板上摆不了多少东西。SSD在服务器机柜里，够大，相对便宜，容量大，像一个仓库，什么都能往里装，取货慢一点，但用户感知不到这点延迟。
训练要用HBM，因为训练这个场景下，一秒钟要读写几万次，速度就是命。推理要用SSD，因为推理这个场景下，要同时支撑几亿人对话，同时调用知识库，容量和成本才是命。
所以核心其实就一句话，训练吃带宽，推理吃容量。一个是案板，一个是仓库，都是存储，但干的活完全不一样。
还有一个类比我觉得特别贴切，训练就像开一家奶茶店，装修一次，设备买一次，这是资本支出。推理就像每天卖奶茶，天天消耗，持续经营，这是运营支出。训练决定AI有多聪明，推理决定AI能服务多少人。
说到这里，回到开头那7000亿美元。
大摩给出的最新判断是，AI基建仍处在早期阶段，超过80%的投资还没有发生。高盛更激进一点，说未来五年，全球AI基础设施的投资规模可能达到7.6万亿美元。
这两个数字的口径可能不同，但方向上是一致的，大家都在说，这件事远没有结束。
资料来源:IDC，长江证券研究所
那问题来了，这些钱会流向哪里
按高盛今年4月那份报告的拆分，7.6万亿美元里，芯片占5.1万亿，大约67%，数据中心建设占2.15万亿，大约28%，电力占0.36万亿，大约5%。
芯片这一块确实还是大头，这个我们得承认。但如果把时间线拉长来看，第一阶段是训练时代，核心需求是更多参数更大模型，代表产品是H100、B200这一类，核心受益的是HBM和先进封装。第二阶段是推理时代，核心需求变成了agent、搜索、视频生成、数字员工、机器人，真正消耗的是存储，内存、SSD、企业级闪存、数据中心网络、电力。
未来几年，训练市场可能还会增长50%左右，但推理市场，大概率会增长得更多。
这不是一个空想，我让AI去查了一圈数据。
2025年全球AI服务器用的企业级SSD出货量，突破了89EB，同比增长50.8%，2026年预计扩大到120EB，这是OFweek那份产业报告里的数字。另外有一组数据是企业级SSD的需求，2025年增长55%，2026年再增56%，连续两年翻倍式增长。麦肯锡那份更夸张，预测到2030年，企业级SSD市场的总存储容量，会从2024年的181EB涨到1078EB，年复合增长率35%。
35%这个数字，我得说一句，这比训练市场预期的50%增速看着低，但要注意基数。另外，HBM现在已经被英伟达、AMD这些巨头锁定了大概95%的产能，这个赛道已经是存量博弈了。而企业级SSD这条线，六年时间容量要涨接近6倍，这个增量空间，目前市场给它的关注度，我觉得明显是不够的。
为什么存储突然变得这么重要，答案就在agent里
未来每个人可能都会有一个AI秘书、一个AI助理、一个AI交易员、一个AI客服。这些agent不会一直在训练，但会一直在被调用，一直在读取数据，一直在访问知识库。说到底，未来数据中心里最贵的资源，不再只是GPU了，还有存储系统。
这里还有一个词，这两年在存储圈被提得越来越多，叫内存墙。说的是算力增长的速度，远远跑赢了数据传输的速度，GPU算得飞快，内存喂不上，OFweek今年初那篇拆解里提到一个数字，GPU的空置率能到99%，大部分时间都在那等数据。这其实就是前面训练那条逻辑里，带宽问题的极端版本。
针对带宽这一面，业内有几条路在堆，HBM继续往上堆，16层堆叠，带宽往32TB/s冲，或者上SRAM，黄仁勋在CES2026上也说了，SRAM快是快，容量太小，顶多是HBM的帮手。但内存墙还有另一面，到了agent时代，agent的中间状态、对话记忆、知识库这些数据，要被反复调用，又不能一断电就丢，前面这几条路对这一面都帮不上忙。这时候PCM，中文叫相变存储器，就有了用武之地。
PCM这个东西，如果还按案板和仓库这套说法，它更像是厨房里那台自然冷库。不占案板的地方，但比跑一趟仓库快得多，关键是断电了里面的东西也不会坏，这一点是它跟案板最大的区别，DRAM和HBM一断电就清零，PCM不会。它卡在DRAM和NAND之间，业内管这个叫存储级内存，SCM。适合干日志记录、数据库索引、把推理模型参数固化下来，以及agent的长期记忆这类活，既要比NAND快，又用不着HBM那么夸张的带宽。
但PCM也不是来取代谁的。超大模型训练，GPT级别万亿参数那种，PCM的带宽上限够不着HBM，这条路走不通。它真正能打的地方，一头在数据中心里，agent的状态和记忆数据越积越多，需要一个比SSD快、又不会断电就丢的层级，另一头在边缘端，自动驾驶、机器人、卫星这些场景，因为PCM车规级耐高温抗辐照，断电不丢数据，这几条DRAM和HBM都做不到。
说到底还是这套逻辑，推理要的是又快又不能丢数据，PCM刚好卡在这个缝里。
而且推理这件事，也不可能只发生在云端。它要落到千千万万个物理终端上，机器人、智能汽车、工业自动化设备。
我们换个角度，拿机器人举例子。一台人形机器人，大概要用到40到80颗存储芯片，我看到知乎上一份产业拆解说至少48片以上。这些芯片分布在四个层级，SRAM管关节实时控制，大概30到60颗，相当于机器人的肌肉记忆。LPDDR管AI推理和视觉感知，2到8颗，相当于大脑。NOR Flash管启动和安全代码，30到60颗，相当于本能反应。NAND存系统和大模型权重，1到4颗，相当于知识库。这个知识库层级，未来很可能就是PCM最先杀进去的地方。这些芯片全部要车规级，宽温抗震，7乘24小时可靠运行。单台价值量大概800到1500元。
如果机器人能做到百万台级别的量产，光是这一项，就是300亿元的新增市场。云端是训练这一条路在走，物理AI是四条路同时打开。
映射下来，训练这条链条是HBM、CoWoS、AI GPU，推理这条链条是SSD、PCM这类存储级内存、企业级存储、数据中心、电力、CPU。
相同的故事又在上演
大家发现没有，每一次基础设施级别的投资浪潮，其实都遵循类似的节奏，先建路，再跑车。19世纪的铁路狂潮，先是铺轨道，后来才有大宗商品的全国流通。互联网早期，先是铺光纤、建机房，后来才有视频网站和电商。AI这一轮，前三年大家都在铺轨道，买GPU、训大模型，现在车子开始跑起来了，真正在路上消耗资源的，变成了存储。
过去这一年，英伟达和HBM确实是这一轮行情里最大的赢家，这一点大家没什么疑问。但下一站，变量很可能慢慢来自推理时代的存储革命，企业级SSD、PCM这类存储级内存、数据中心网络、国产存储的突围，这些现在听起来还有点边缘的词，可能会越来越多地出现在主流叙事里。
当然，这里有不确定性。这一轮存储涨价，有多少是AI推理需求真实拉动的，有多少是供应链在历史级爆单面前的恐慌性囤货，这两者短期内很难区分开。
如果接下来两个季度，企业级SSD的价格涨幅明显超过出货量的增速，那大概率就是后者在主导，需要大家继续判断。但如果出货量和价格同步往上走，那就说明真实需求在兑现，训练时代走向推理时代，这个判断就站得住。
热门跟贴