继大规模蚕食DRAM市场后，英伟达与SK海力士计划推出性能提升近10倍的"AI SSD"，引发NAND供应警报。随着AI产业重心从训练转向推理，技术栈需全面升级以构建低延迟、高吞吐环境，行业正聚焦通过NAND芯片打造推理优化的AI存储方案，SK海力士预计在2027年前推出相关解决方案。
AI SSD可以扩展到1亿IOPS，这比传统的企业SSD要大得多。当研究这种解决方案的需求时，很明显，当前的AI工作负载结构需要连续访问大量模型参数，这是HBM或通用DRAM产品无法满足的。AI SSD最终将允许伪内存层，针对AI工作负载进行优化，显著提升模型加载、参数访问以及数据调度效率，为大模型推理带来数量级上的性能改善。
随着传统AI工作负载向推理侧迁移，这一趋势的动因之一在于英伟达已决定在Rubin CPX GPU中集成通用GDDR7内存处理预填充阶段。据有关媒体报道，类似技术路径或将延伸至NAND领域，一系列举措可能彻底重塑NAND产业格局。
近年来，AI 训练和推理对 DRAM 尤其是 HBM 的需求急剧上升，头部厂商的大规模采购几乎锁定了未来一段时间的高端内存产能，供需紧张已经成为行业共识。在这样的背景下，仅依赖 DRAM/HBM 来承载越来越大的模型参数和中间数据，成本和可获得性都在变得越来越不友好。
AI SSD 的出现，本质上是一种向“内存层级外延”要空间的尝试。通过让高性能 NAND 承担部分原本由内存负责的数据访问工作，尤其是在推理场景中对容量和吞吐更敏感、对极致时延要求相对可控的环节，AI SSD 有机会在不显著推高成本的前提下，缓解内存压力，提升整体系统效率。这也意味着，NAND 在 AI 系统中的角色，正在从“冷数据存储”向“主动参与计算的数据层”演进。
从产业链角度看，这并非孤立动作。一方面，DRAM 与 HBM 供给趋紧、价格上行已是公开事实；另一方面，AI 服务器整体配置正在变得越来越“存储密集”，无论是本地推理、企业私有化部署，还是多模型并行运行，对高速、大容量存储的依赖都在明显提升。NVIDIA 与 SK hynix 在这一时间点推动 AI SSD，既是技术演进的结果，也是供应链现实倒逼下的一种必然选择。
对于 AI 服务器供应商和用户而言，这类变化意味着，未来的算力系统不再只是“GPU + 内存”的简单叠加，而是需要从更系统的角度重新审视 计算、内存与存储之间的分工与协同方式。谁能更早理解这种变化，并在架构设计和选型阶段提前做出调整，往往就能在成本、可扩展性和交付确定性上占据主动。
