写在存储起爆时
说实话，看了那么久雪球，现在真的是越来越没营养了，一点没以前的万物生机勃勃竞发的境界，这大概就是劣币驱逐良币吧。
存储到现在已经平均3倍了，但是大多数人都在说套话，什么AI需求啦，什么AI增量啦，没有说到本质，为什么这波存储能在短期内这么猛，本质上是技术的迭代导致的，理解了这个，你才能知道这轮存储周期到底有多长！
实际上从年头deepseek火了以后，出了一堆moe的模型，然后清华kt团队又出了一个拿内存去运行非激活moe专家的算法，可能当时觉得没什么，直到现在新出的模型都是moe，什么qwen3next了，wan2.5了，qwen3image了，都是moe吃内存大户，一吃就是好多的内存。
MOE（混合专家模型，Mixture of Experts）是一种通过将复杂任务分解为多个子任务，并由不同 “专家” 子模型分别处理的 AI 架构。其核心思想是 “术业有专攻”—— 每个专家模型专注于特定类型的输入或任务，最终通过融合模块整合结果。例如，当用户提出问题时，系统会分析问题并分配给最擅长的专家组合，如处理数学推理的专家、分析文本情感的专家等，从而在提升模型能力的同时降低计算成本。
一、MOE 的技术特点与内存需求
稀疏激活与动态路由MOE 模型采用稀疏激活机制，每个输入数据仅激活部分专家（通常为 1-4 个）。例如，Mixtral 8x7B 模型包含 8 个专家，但每个 Token 仅激活 2 个专家，实际计算量仅相当于 12B 参数的稠密模型。然而，这种动态路由需要频繁在内存中调度专家参数，导致内存访问压力显著增加。特别是对于万亿参数级的 MoE 模型（如 GPT-5），即使稀疏激活，其活跃专家的总参数量仍可能高达数千亿，需要 TB 级的内存支持。
内存密集型推理流程在推理阶段，MoE 模型需要将大量专家参数从硬盘加载到内存，并维护动态增长的 KV 缓存（用于存储历史上下文信息）。以 GPT-5 为例，其推理过程需 26.8 PB 的 HBM（高带宽内存）和 9.1 EB 的 DRAM（系统内存），其中 DRAM 需求主要来自 KV 缓存。若内存容量不足，部分数据需频繁卸载到 SSD，导致推理速度大幅下降。
异构计算与内存优化为缓解显存压力，清华 KT 团队提出了 KTransformers 技术，通过 CPU 与 GPU 协同计算，将非激活专家参数存储在内存中。例如，671B 参数的 DeepSeek-Coder-V3 模型仅需 14GB 显存和 382GB 内存即可运行，预填充阶段加速近 20 倍。这种优化虽然减少了对显存的依赖，但显著增加了对高频内存（如 DDR5 3200MHz 以上）的需求，因为 CPU 需要快速访问内存中的专家参数以保持计算效率。
二、MOE 模型如何推动内存及硬件涨价
内存需求的指数级增长随着 MoE 模型规模的扩大（如 Qwen3-Next-80B、Wan2.5 等），其内存需求呈指数级增长。例如，GPT-5 的 DRAM 需求预计占 2025 年全球总供应量的 25%，到 2026 年将升至 43%。与此同时，内存厂商三星、海力士等将产能转向高利润的 HBM 和 AI 服务器专用 DRAM，导致普通 DDR4/DDR5 内存供应减少。供需失衡下，DDR4 3200MHz 16Gx2 套条价格在 2025 年 10 月同比上涨 120%，DDR5 6000MHz 套条涨幅超过 90%。
CPU 与主板的升级压力MoE 模型的高效运行依赖于 CPU 的多线程处理能力和内存通道数量。例如，英特尔第三代至强可扩展处理器（Ice Lake）支持 8 通道 DDR4 内存，AMD 霄龙 7003 系列（Milan-X）最高支持 12 通道 DDR4，这些高端 CPU 能够显著提升内存带宽以满足 MoE 模型的动态调度需求。因此，搭载这些 CPU 的服务器主板需求激增，价格随之上涨。此外，为进一步提升内存容量，数据中心开始采用 “内存扩展卡”（如 Intel Optane DC Persistent Memory），进一步推高硬件成本。
固态存储的连带需求当内存容量不足时，MoE 模型需将部分数据卸载到 SSD。例如，GPT-5 的 RAG（检索增强生成）功能需 200 EB 的 NAND 存储，占 2025 年全球 NAND 总供应量的 22%。云服务商如亚马逊、微软大量采购近线 SSD（如三星 PM1735）用于存储 AI 模型数据，导致 NAND 价格在 2025 年第四季度上涨近 10%，SanDisk、铠侠等厂商股价大幅攀升。
三、市场趋势与未来影响
硬件升级的不可逆性随着 MoE 模型成为主流（如 Qwen3-Image、GLM4.5 等多模态模型均采用 MoE 架构），数据中心将持续增加内存、CPU 和 SSD 的投入。预计到 2026 年，全球 AI 相关 DRAM 需求将达 18.26 EB，NAND 需求达 400 EB，远超传统硬件的增长速度。这种趋势短期内难以逆转，内存价格可能维持高位直至 2027 年新产能释放。
技术创新与成本平衡为应对内存瓶颈，研究人员正探索多种优化方案：
量化与压缩：如 Qwen3-Next-80B 通过 IQ2_XSS 量化技术，可在 32GB 内存中运行；
内存池化：利用分布式内存架构（如 CXL 技术）动态分配内存资源；
边缘端部署：通过 4-bit 量化和轻量化模型（如 Mixtral 8x7B）在消费级硬件上运行 MoE 模型。这些技术虽能缓解部分压力，但短期内仍无法替代硬件升级的必要性。
简单总结一下就是，以前用8张A100（150万人民币）干的活，现在用5090+16根64G DDR5（10万人民币）也一样能干，甚至更快。
推荐去看这个视频，一下就能理解了，为什么内存短期是不可能降下来了，以后只会更紧缺，因为本质上就是太便宜了，用内存来跑大模型，性价比太高了，完全能满足推理侧的需求！！！
短期没有任何东西能颠覆MOE这种范式，因为真的太好用了，提高了太高的效率，包括老黄自己都在用，最新的rubin架构里面做出了一个LPDDR 协同：主板集成 32 个 LPDDR 内存插槽，与 HBM4 形成 “内存池”，动态分配数据以降低延迟。
所以简单的说，这波存储的超级周期完全可以对比当年的超级猪周期，非洲猪瘟导致的猪肉短缺肉价飞涨，甚至景气度更高！牧原18年5.2亿利润，19年到61.1亿，2020年274.5亿利润，3年翻了52.7倍，而且存储的增量可比猪的增量大多了，存储需求中AI服务器占比超30%，且需求增速达80%（2025年），而猪周期需求以消费为主，增速稳定在5%-10%。
• 产能释放节奏：存储产能从规划到量产需18-24个月（如长江存储三期2026年Q3投产），而生猪存栏恢复仅需12个月。
江波龙，佰维存储，德明利，希捷等等的三季报利润已经爆炸，验证了周期才刚刚开始，随着Ai服务器的超配，存储的缺货和涨价只会更严重，只到扩产量上来才有降价的可能，上一轮超级猪周期牧原4块涨到89块，2年半，22倍涨幅，正邦2.6到26，10倍，天邦2块到16块，8倍，几乎就是批量10倍，这轮超级存储周期感觉也会批量出10倍股，而且这个位置仅仅是腰部而已。
最后补个关键逻辑：大厂不怕存储涨价，只会 “抢着买”
当年方大炭素（石墨电极龙头）能涨 10 倍，核心是 “钢铁厂不怕涨价，再贵也得买”—— 现在存储也一样：AI 服务器厂商（比如英伟达、浪潮、戴尔）根本不在乎存储涨价，因为：
AI 服务器利润太高：一台英伟达 DGX H100 卖 40 万美元，利润率超 40%，就算存储涨价 20%，单台成本只多 1 万美元，对利润影响很小；
产能太紧张：现在 AI 服务器供不应求，厂商只要能拿到存储，就能组装机器卖高价，根本不会因为存储贵就不买；
项目不能等：AI 企业（比如 OpenAI、百度）抢着要服务器，就算存储涨价，服务器厂商也得硬着头皮买，不然订单就被别人抢了。
这和当年方大炭素的逻辑一样：环保限产导致石墨电极缺货，钢铁厂就算停炉一天损失百万，也得高价买石墨电极，所以方大炭素能随便涨价，利润暴涨。
总结：存储周期是 “升级版猪周期”，现在才刚起步
需求：AI 驱动，增速 80%，比猪周期的 5% 猛 16 倍；
产能：18-24 个月才补得上，比猪周期的 12 个月慢 1 倍，缺货更久；
业绩：已经开始爆赚（江波龙 三季报利润1,994.42%增速，佰维存储利润563.77%增速），像 2019 年的牧原；
股价：才涨 3 倍左右，后面有机会复制猪股的批量 10 倍行情。
简单说：当年猪周期能批量出 10 倍股，现在的存储周期因为有 AI 加持，只会更猛，而且现在这个位置，就是当年牧原 4 块起涨到12块的位置，才涨3个月。
@淡淡的相思林