存储“卡住”GPU的脖子，这并不夸张。过去一年间，大模型带来的算力需求爆发，使英伟达GPU愈加依赖HBM（高带宽存储器）的高带宽。这颗由多个DRAM（动态随机存储器）堆叠而成的芯片，旨在解决传统冯·诺依曼架构中处理器与内存之间的数据传输问题，在大算力场景几乎无可替代。
AI需求也在带动存储芯片行情回暖。经历疫情扰动下长达两年的下行周期，DRAM被HBM率先带动复苏，DRAM “三巨头”SK海力士、三星、美光进入新一轮HBM竞赛。AI对存储芯片市场的影响不止于此。DRAM解决的主要是计算时数据传输的问题，巨量数据保存则需依靠NAND Flash（一种非易失性存储介质）制成的SSD（固态硬盘）、嵌入式存储等。
AI对HBM的需求可见一斑，即便这颗芯片价格高昂。据市场调查机构Yole数据，HBM今年以来平均售价是普通DRAM的5倍。此前有GPU业内人士向媒体介绍HBM成本“差不多1GB要20美元”。AI对HBM的需求，正在改变存储芯片产业结构。据市场调研机构集邦咨询统计，去年HBM占DRAM产业营收8.4%，今年将达20.1%。
AI还在如何重塑存储业态？除了DRAM“三巨头”的HBM竞赛外，NAND Flash或SSD厂商也开始在容量和功耗上适应AI训练和推理的需求。硬件之外，软件层面的存储基础架构也在适应AI时代的要求。不少大模型训练和数据存储在云服务器上进行，云存储厂商的对象存储、文件存储等技术正在针对AI训练进行调整，同样解决大模型训练效率和宕机保存问题。
AI如何适应存储？算力和存力紧密相关，特别是在数据、算力、算法驱动的大模型训练过程中。存储产品形态正在改变，以适应AI时代的需求。AI应用最大功耗还是来自GPU、CPU和HBM三大件，作为SSD，长期而言需要发力低功耗、省电。存储产品满足性能需求前提下，功耗能省一点是一点，不仅是省电，也是省散热的预算。少一点热量，GPU就能多一些功率去做计算，更快计算出结果。同时，还要把密度做上去，密度越高产品就可以越小，用户就越有空间去部署GPU。
AI如何重塑存储业态？除了DRAM“三巨头”的HBM竞赛外，NAND Flash或SSD厂商也开始在容量和功耗上适应AI训练和推理的需求。存储产品形态正在改变，以适应AI时代的需求。硬件之外，软件层面的存储基础架构也在适应AI时代的要求。不少大模型训练和数据存储在云服务器上进行，云存储厂商的对象存储、文件存储等技术正在针对AI训练进行调整，同样解决大模型训练效率和宕机保存问题。