深度报告-2026-05-16-中泰证券-中泰电子存储_AI推理带来需求爆发_驱动范式升级_周期能见度大幅拉长_44页_3mb

存储：AI推理带来需求爆发、驱动范式升级，周期能见度大幅拉长

核心内容

存储作为AI推理的核心瓶颈，其需求随着AI模型的普及和复杂度提升而全面爆发。AI推理对存储的依赖远高于训练，尤其是在处理长上下文和多模态数据时，存储的带宽和容量成为制约系统性能的关键因素。随着大模型参数量和上下文长度的增加，存储体系正从单一层级向高带宽、大容量和分级管理的协同架构演进，存储与计算的关系也逐步从解耦走向协同优化。

主要观点

• 存储需求爆发：AI推理过程中，模型权重、KV Cache、激活值、RAG向量库和Token的长期落盘是核心存储负载，这些数据主要驻留于HBM和DRAM等高速存储层级，导致存储需求显著增长。
• 存储带宽与延迟成为瓶颈：在传统冯·诺依曼架构下，存储与计算之间的数据搬运成为性能瓶颈，黄仁勋指出“GPU大部分时间都在等数据，而不是在计算”。
• 存储架构演进：随着AI推理需求的增加，存储从单一介质向高带宽+大容量+分级管理的协同架构发展，包括HBM、DRAM、SSD、HDD等多层级存储的协同使用。
• “以存代算”趋势明显：提升存储带宽和容量有助于提高推理性能和降低推理成本，成为必然趋势。
• 硬件优化：通过HBM升级、WOW 3D堆叠DRAM、HBF等技术提升存储带宽和容量，同时CXL内存池化技术实现存储与计算的协同优化。

关键信息

存储需求对比

存储介质与用途

存储需求预测

存储技术演进与性能提升

存储与计算协同优化

• Prefill与Decode分机柜部署：Prefill使用高算力GPU，Decode使用高带宽/大容量GPU，实现资源优化。
• HBM与GPU封装：通过2.5D封装技术，提升HBM带宽和容量，降低功耗。
• HBF技术：通过堆叠NAND闪存，用于存储KV Cache，减轻GPU和HBM负担。

投资建议

• 弹性模组及主控：德明利、江波龙、佰维存储、大普微、联芸科技等。
• 存储芯片：兆易创新、普冉股份、东芯股份、北京君正、澜起科技、聚辰股份、恒烁股份等。
• 设备：微导纳米、拓荆科技、中微公司、精智达、华海清科、中科飞测、京仪装备、骄成超声、百傲化学、北方华创等。
• 光刻机产业链：茂莱光学、汇成真空、波长光电、阿石创、联合化学、富创精密、永新光学等。

风险提示

1. 长鑫长存产能释放加剧竞争的风险。
2. AI CAPEX不及预期的风险。
3. 数据更新不及时，模型测算偏差风险。

结论

随着AI推理需求的指数级增长，存储需求也呈现爆发式增长。存储从单一层级向多层级、高带宽、大容量、分级管理的协同架构演进，成为AI硬件板块中短期业绩确定性最强、估值中枢有提升潜力的方向。