AI推理扩容推动SSD从“大块数据搬运”向“高并发小块读取”转型。
数据中心NAND需求正因AI推理而呈现分化趋势。据TechInsights估算，2025年全球需求为286EB，至2031年将增至1686EB；其中推理需求将从86EB激增至1251EB，年复合增长率达56%，远超训练需求的11%。除容量增长外，模型在频繁调取KV Cache、上下文及检索结果时，要求SSD在极小I/O、极高并发及GPU直连环境下高效运行。存储竞争焦点已从单纯的数据容量，延伸至匹配GPU数据读取节拍的能力。
NAND增量需求由AI推理主导
2025年286EB的总需求中，传统数据中心负载占157EB，AI训练占43EB，AI推理占86EB。预计到2031年，推理需求将达1251EB，占总量的约四分之三，而传统负载和训练需求分别为354EB和81EB。尽管模型训练仍消耗大量NAND位元，但市场需求重心已明确从训练转向推理。
需注意，上述数据为市场预测而非实际出货量。其核心价值在于揭示了不同工作负载对存储的差异性需求：训练侧重于集中搬运大批量数据，而推理则面对持续请求，需反复调取上下文、缓存及外部知识，两者对存储读取节拍的要求截然不同。
SSD应用场景细分为四大方向
SSD并未因AI兴起而趋于同质化，而是根据应用场景分化为四个主要方向：面向GPU存储扩展的超高IOPS盘、复用KV Cache的高性能大容量盘、服务数据摄取和RAG（检索增强生成）的高容量QLC盘，以及规划中的低成本归档盘。
- 超高IOPS：面向NVIDIA Storage-Next架构，支持PCIe Gen6、XL-FLASH技术及512B细粒度访问。
- 高性能大容量：服务于KV Cache重复利用，强调PCIe Gen5接口和高预留空间TLC颗粒。
- 高容量：面向RAG数据摄取，重点优化QLC容量密度与每GB成本。
- 低成本归档：旨在替代HDD，采用低成本QLC技术，规划容量超过256TB。
该分层逻辑为采购和系统设计提供了清晰指引：若数据被反复、小块调取，应优先考虑随机读取性能、耐久度及队列管理；若数据以大批量写入并长期保存，则更关注容量密度与成本效益。
512B随机读考验系统并发能力
尽管GPU旁置的HBM速度极快，但受限于容量扩展性与成本。Kioxia演示材料将NVIDIA Storage-Next描述为GPU经NVMe/PCIe直接访问SSD的路径，目标包括支持GPU发起I/O、512B细粒度访问，以及实现约200M IOPS/GPU的性能，从而支持扩大10至100倍的数据集规模。
512B的小尺寸请求意味着不能仅凭单次读取延迟来衡量IOPS。假设目标为25M IOPS，即平均每40ns需完成一次I/O。若闪存单次读取耗时45微秒，系统需同时挂起1125个请求；即使读取时间优化至25微秒，也需625个请求并发执行。这里的40ns并非指闪存物理读取速度提升至40ns，而是大量在途请求交错完成后的整体输出节拍。
实现百万级IOPS需整机系统协同
高IOPS性能的实现依赖系统级配合。Kioxia模拟器进度显示，2025年8月单个GH200实例已生成140M IOPS；9月完成了可调延迟和遥测计数器等模型设备能力建设，后续阶段将转向SCADA应用与设备实验。资料指出，超过100M IOPS的行为分析需依托GH/GB系统，而传统x86架构GPU系统受限于CPU与GPU间带宽，难以产生同等量级的I/O。
上述记录反映的是厂商模拟器的测试进展，而非SSD产品的量产交付状态。这表明超高IOPS并非单一硬盘的孤立参数，GPU请求发起方式、PCIe链路带宽、软件排队机制及设备延迟记录等全链路因素，共同决定了标称性能能否转化为真实吞吐。
结语：SSD面临新的性能考核
TechInsights预测AI推理需求将持续推高数据中心NAND用量，56%的增速虽属市场预期，但SSD按数据访问方式分工的趋势已日益清晰。部分产品专注于低成本保存，部分承接KV Cache和检索任务，另有产品致力于将512B请求持续稳定地输送至GPU附近。在评估AI存储方案时，除容量外，还应重点关注I/O大小、并发深度、请求发起主体以及测试平台对上述条件的还原能力。