NAND 是一个被“技术诅咒”的行业：正如海豚君在前篇《NAND天性 “多产”，闪迪凭什么守 80% 毛利率？》中所说，AI 爆发前的 NAND 就是典型的大宗生意——产能由市场无情出清，技术领先换不来溢价，只能“亏得比别人少”，销量增长的红利被降价全部吞噬。
根源在供给端太多产：靠单一晶圆上向上堆叠、横向缩孔，从 BiCS5 到 BiCS11 五代，闪迪每片晶圆的 bit 产出 每代 增加 54%，年化复合约 27%。
也就是说，哪怕一分钱扩产（CapEx）不花，bit 产能每年也会自动膨胀近三成。3D 转型期更是一次性猛增，供给一度远超需求，这让“轻资产”NAND 生意在下行周期比“重资产”DRAM 更惨烈。
而 AI 的爆发，正在重写 NAND 的剧本。本篇报告中，海豚君重点关注AI 浪潮究竟给 NAND 下游需求带来了怎样的结构性重塑？
以下为详细分析
1. AI 浪潮究竟给 NAND 下游需求带来了怎样的结构性重塑？
AI之前的消费电子周期中，“话事”需求场景——手机、PC、传统服务器等核心下游增长平稳可预期，缺乏爆发变量，所以周期的大起大落，实质由供给端的无序扩产与急剧收缩主导。
需求增长来自三大动能：单机容量升级、新兴市场渗透，以及固态硬盘（SSD）对机械硬盘（HDD）的存量替代，缓步而稳定。
稳定的需求，配上刚性提升供给，导致NAND 属性被困在经典的“硅周期”中：供过于求、价格暴跌 → 原厂减产，低价同时刺激单机容量升级 → 供需再平衡、价格回升 → 原厂在高利润下追高扩产 → 再次陷入产能过剩。
只要 NAND 摆脱不了“外围零件”的定位，这个死循环就打不破。唯一出路，是出现一个不太看价格、且与 GPU 算力部署直接绑定的新场景——这正是后来 AI 浪潮所扮演的破局者角色。
第二阶段（2025 年之后）：AI 推理驱动的结构性爆发
2026 年是 NAND 历史上最具标志性的分水岭：数据中心占 NAND 总需求的比重，从 2025 年约 30% 跃升至 2026 年约 45%，历史性反超智能手机（同期收缩至约 23%），成为最大终端基本盘。
驱动 NAND 需求的主角，从对价格高度敏感、库存大起大落的消费电子，换成了以 TCO（总拥有成本）和算力回报（ROI）做决策、对价格脱敏的云服务商。
云厂商关心的不再是“这季度颗粒够不够便宜”，而是“能否按时拿到足额的高性能 eSSD，保证未来三年 GPU 基建不掉链子”。从“短期压价”转向“长期保供”，正是原厂推行 NBM（新型长协模式）的需求侧基石。
伴随基本盘切换，AI 重心“由训转推”，更让 NAND 的角色质变：
AI早期，NAND 只是外围的“数据仓库”：把训练语料、模型权重、防宕机的 Checkpoint（存档）等静态数据，放在 GPU 能快速调取的近端。这些数据可替代性极强——丢了从数据湖重新下载即可，只花带宽和极少电费，不必动用昂贵 GPU 重算。
但推理时代，计算变成高并发、持续性的“动态消耗”——存储需求与“AI 用户数 × 使用频次 × 上下文长度”强绑定。更关键的是，NAND 首次存储“计算的中间产物”。
长文本推理产生的庞大 KV Cache 不是外部搬来的静态数据，是 GPU 大量消耗算力后生成的“工作记忆”。它一旦丢失，中央仓库没有备份，只能再花昂贵的 GPU 算力和电费重算。
存储的价值第一次可以直接折算成“算力与电费”。正如闪迪所说——SSD 本质上已经进化为一块“Token 电池”：Token 是已经做过的功，与其丢弃重算，不如“充”入硬盘；存 KV Cache 就是帮云厂商省电、省算力。
铠侠的预测也印证了这一趋势：数据中心 NAND 总需求将从 2025 年的 286 EB 增至 2031 年的 1,686 EB（CAGR 34%），且内部结构极度分化：
AI 推理： 从 2025 年的 86 EB 激增至 2031 年的 1,251 EB，CAGR 高达 56%；占数据中心 NAND 需求的比例也从 30% 攀升至 74%。
AI 训练与传统负载： 同期 AI 训练的 CAGR 仅 11%，传统云工作负载（以 CPU 为主）仅 14%。
推理需求的增速是训练的 5 倍——本轮 NAND 超级行情，将主要由推理需求的爆发主导。
先看 NAND 在 AI 数据中心的主要应用：
① KV Cache 卸载——NAND成GPU 的上下文存储层
AI 推理时，GPU 必须为每个 Token 实时计算并维护 KV Cache（模型的“工作记忆”）。但早期架构中它是“算完即弃”的消耗品：一轮对话结束，或 GPU 要腾显存服务下一个用户，HBM 里的 KV Cache 就被清空。
于是用户一旦追问，或多人并发调用同一份超长文档，系统只能把上下文重新喂给 GPU，从头做一次昂贵的 Prefill（预填充）。
Prefill 是推理第一步：GPU 一口气通读全部输入、算清 Token 间的关联（Attention 机制），再生成一遍 KV Cache——这是整个推理中最吃算力、最费电的环节。
过去“用了就丢”，是因为两笔账算不过来：
a. 重算比存起来更便宜： 早期（如 GPT-3 时代）上下文只有 2K Tokens，KV Cache 很小，GPU 零点几秒就能重算完；而存进硬盘要经 CPU 和内存中转、在 PCIe 上“折返跑”，来回耗时甚至超过重算。
b. HBM 又小又贵：GPU 自带显存“寸土寸金”，必须留给当前活跃的计算任务，不可能长期保管已下线用户历史记忆。
但长文本时代推翻了这笔账：从 2020 年 GPT-3 的 2K Token 到 2026 年主流模型的百万级上下文，六年暴涨 500 倍。重算一次百万 Token 的 KV Cache，要让昂贵的 GPU 满载跑好几秒，有算力与电费代价。
这直接促成 KV Cache 的“再定性”：英伟达 ICMS（推理上下文内存存储）架构，正式把它从“算完即弃的临时缓存”改定义为“AI 原生持久数据”。
现在，临时缓存变长久缓存，这个账是否算得过来？
a. 容量约束: 算法压缩也赶不上KV Cache膨胀速度
第一个条件，是 HBM 的扩容速度远追不上 KV Cache 的膨胀。
KV Cache 总量 = 上下文长度 × 并发会话数 × 单 Token 存储量。目前，前两个变量都在被急剧放大：
上下文长度每年翻倍以上：主流模型从 4K、128K 快速演进到 1M+，KV Cache 随之线性放大。
并发与推理轮次爆发——正被三种应用架构急剧放大：
a. RAG（检索增强生成）： 问一句话，后台塞进两本书。系统把检索到的大量文档拼接到输入端，送进 GPU 的 Token 远超原始提问，单次任务的 KV Cache 直接拉爆。
b. Agentic Search： AI 从“一问一答”变成自主循环的“规划—调用—评估—再检索”。多步任务把单次 Token 消耗从数百个拉到上百万个。
c. Multi-Agent： 多个 Agent 并发协作，每个独立生成 KV Cache，存储需求随数量成倍叠加。
模型厂商每年至少把上下文扩大一倍，HBM 的物理扩容却接近极限：单卡容量约 2-3 年才翻一倍，红利还在放缓。
判断 KV Cache 会不会溢出，要以单个推理机柜的可用 HBM 池为单位。以 Rubin NVL72 的21T的HBM容量为例：
部署 2.8T 参数的旗舰 MoE 模型，FP8 下权重占约 2.8 TB；再扣掉激活值、分页与框架开销（约占 12%，约 2.5 TB），真正能给 KV Cache 的池化空间上限约 15.4 TB。
不压缩时，10 万 Token 约占 40 GB。即便用最前沿的压缩算法（如谷歌 TurboQuant，16 位压到 3 位、约 5–6 倍无损压缩），100 万 Token 仍要占 67–80 GB。
也就是说，一台造价约 500 万美元的机柜，极限只能同时服务 193–230 个百万 Token 级长度得会话。对企业级云服务而言，这意味着极低的算力变现效率（ROI）。
一旦上下文扩到 500 万 Token，或并发突破这一阈值，机柜级 HBM 池会迅速触顶。因此把 KV Cache 从 HBM 逐级卸载到 DRAM 再到 NAND，往后看是一场必然之路。
b. 便宜，也是致命吸引力
哪怕 HBM 容量勉强够用，用它长期留存 KV Cache 在经济上也不成立：HBM4 约 16 美元/GB，eSSD 约 0.3-0.4 美元/GB，前者是后者的 40-50 倍。用它去放几小时都不调一次的“温/冷 KV Cache”，是极度的资源错配。
为此英伟达确立了新的分层内存架构：G1 HBM → G2 系统 DRAM → G3 本地 SSD（NAND）→ G4 共享网络存储（NAND/HDD），由 NVIDIA Dynamo 在软件层统筹，让 KV Cache 在各层间透明迁移。
英伟达估计，大规模多智能体推理下每个 GPU 模组最高需要 16 TB 的 KV Cache，因此在 Rubin 平台构建了 ICMS/CMX 上下文存储层，位于 G3 本地 SSD 与 G4 共享存储之间，定义为 G3.5 层——因为 G3 容量有限、不能跨节点共享，撑不住多智能体的大规模复用。
CMX 单层容量约 16TB，是单卡 288GB HBM 的近 60 倍——NAND够便宜，才能做到量大不贵。
c. 改用NAND，时延上来得及吗？
卸载值不值得，最终看 TTFT（首 Token 时延）——只有“从 SSD 读回来”的时间和成本低于“用 GPU 重新算一遍”，卸载在商业上才成立。
GPU Direct Storage（GDS）是跨越门槛的关键：它绕过 CPU 和 DRAM，通过 PCIe/RDMA 在 eSSD 与 GPU 的显存之间修一条直连高速路。
据公开验证，GDS 结合压缩技术可把 KV Cache 的恢复时延改善 10 倍，让超低时延的上下文交付在工程上成为现实。
NAND存储KV Cache的数据类型：“共享型记忆”和高频复用
即使跨过容量与成本的门槛，KV Cache 要卸载到 NAND里，还需满足两个条件：
条件一：必须是共享型缓存
a. 短暂型缓存（逐字生成的草稿）：HBM承载
AI 逐字回答（Decode 阶段）时，每吐一个字都要全量重读历史上下文。此时强行写 SSD，一是带宽不够、会卡死 AI“说话”的节奏（速度墙），二是高频碎片化追加写几周就能耗尽企业级硬盘的寿命（寿命墙）。所以这类草稿禁止落盘，必须留在 HBM 显存中。
b. 共享型缓存（静态打包案卷）：NAND来存
只有当 AI 刚读完超长提示词（Prefill 阶段）、用户切出对话或 Agent 挂起任务时，产生的才是算完、可整段打包写出的完整上下文。它“块大、顺序、低频”，像整箱搬运定稿档案，与 NAND 大块连续读写完美契合，这类数据才可以NAND层。
条件二：高频复用才能“值回票价”
除了可用，经济也要可行：卸载净收益 = 复用次数 × (重算算力成本 − 读回成本) − (写入成本 + 占位存储成本)
GPU 重算既费电又费算力，已算好的缓存从 SSD 读回，只要被复用 1 到 2 次就能盈亏平衡。挑战在于硬盘空间同样稀缺，只有高频复用的上下文，才值这个存储占位。
这最终浓缩为一个核心指标——缓存命中率：命中率越高，边际服务成本越趋近于零。新请求进来时，系统通过“前缀比对”去硬盘取回备份，跳过最烧钱的 Prefill 重算。
正如 Manus 团队指出的：命中缓存的 Token 比未命中的便宜约 10 倍。普通大模型命中率在 40%–70%（MiniMax 71%、Z.ai GLM5 约 40%），多步执行的 Agent 场景则长期企稳在 95% 以上（DeepSeek 实测 98.7%），实现“写一次、读上千次”的红利。
实际使用中，对话变长或 GPU 换用户都会产生中断，当前 KV Cache 就可让出HBM空间。如果这些会话还会被再次调用就可存到 NAND中，服务恢复时再载入。
典型卸载场景包括：用户阅读停顿、跨周期历史回溯、Agent 挂起的长空隙、超大规模并发共享，以及企业级知识库调用。
KV Cache 分层： AI 推理对存储拉动不是单点，而是从高性能闪存（pSLC/TLC）到海量温冷存储（QLC），连同 DRAM 与 HBM，把整条企业级存储产品线一起拉起来。
这条通路上，各类存储分工明确：
DRAM（G2）承接活跃任务的“热溢出”： 它是 HBM 的直接缓冲带，收容同一场活跃会话中因显存触顶放不下的 KV 数据。速度快，会话不卡顿，但断电丢失。
NAND（G3–G4）主导高价值资产的“持久复用”： 跨过断电可保留的门槛后，数据进入非易失闪存主导的持久化复用链路，并沿介质特性逐级下沉：
a. G3 直连层（pSLC/性能型 TLC）： 承接刚刚换出、随时可能被重新唤醒的温热会话上下文。
b. G3.5 本地网络层（耐久型 TLC）： 承接同一算力集群内，需跨节点高频共享的 System Prompt 与 Agent 状态。
c. G4 远端归档层（大容量 QLC/HDD）： 承接海量、极低频调用的 RAG 企业知识库与历史对话归档。
② Staging 场景：TLC 与 pSLC 的刚性基本盘
据闪迪测算，Staging（类似候场类数据，等待被HBM随时调用） 占 2030 年 AI 数据中心 NAND 需求的 40%，是最大的单一板块，且全部由 TLC（含 pSLC）包揽。
打个比方：从数据湖调出的数据，先存在紧贴 GPU 主板的高速 NVMe SSD 缓冲区（G3 直连 SSD）。像厨师案板旁的切菜盘——食材从冷库取出先放手边，不必每切一刀跑一趟冷库。
a. 训练侧 Staging：突发覆盖写
核心任务是给模型做“定时存档”（Checkpoint）与数据集暂存。训练万亿参数大模型时，单次存档高达 TB 级，且每隔几十分钟就要滚动保存一次。
虽然现在能让 GPU“边算边存”（异步存档）、不必停工干等，但这么大规模的集中落盘依然会严重挤占带宽；存档拖得越久，对计算流水线的干扰越大。
所以训练侧 Staging 面对双重约束：既要扛住反复覆盖写入的磨损，又要把写入窗口压到最短。
b. 推理侧 Staging：高并发读取
推理侧 Staging 的三大任务，共同特征是读密集、写极少：
模型冷启动与弹性伸缩：训练机可按月连轴转，但推理机却要随早晚高峰频繁调节容量和开关机，而内存又断电即失。所以新节点上线，都要靠本地 SSD 的强连续读取带宽把参数瞬间搬进空显存，实现“秒级接客”（一天可能触发数十次重载）。
多模型/多版本动态常驻：生产节点常需同时伺候几十 TB 的“全家桶”（不同尺寸、精度、版本）。单卡显存（288GB）和系统内存与之差一到两个数量级，唯有 4–16TB 直连 SSD 装得下整套工具箱。让极少调用的旧模型霸占昂贵显存是错配，下沉至 SSD 换入换出才是最优解。
面对这种极端的 I/O 强度，各类介质逐一被淘汰：
HBM & DRAM：成本极高且容量稀缺，必须留给活跃的 KV Cache；更致命的是 DRAM 断电即失，而 Checkpoint 的意义恰恰是“系统崩溃后还能恢复”。
HDD：吞吐量跟不上 GPU 突发的大块写入，且受体积与功耗限制，根本进不了 GPU 计算托盘所在的机柜。
QLC：擦写寿命约为 TLC 的十分之一（QLC 约 1,000 次，TLC 约10,000 次）。Staging 是 AI 存储栈中写入最重的环节，QLC 寿命会迅速耗尽——这是硬约束，而非成本权衡。
这样，TLC 正好适合 Staging，但TLC在部分场景下还不够，由此衍生出pSLC：
pSLC，是把 TLC 或 QLC 颗粒当 SLC 用——本可存 3 bit 或 4 bit 的 Cell 只存 1 bit。换来更长的耐久度和更低的写入延迟，代价是牺牲约三分之二有效容量。
直接后果是：要达到与标准 SSD 相同的有效容量，需要 3-4 倍晶圆产出。核心触发场景是 RAG 与 Agentic Search 的高频向量检索。
AI 智能体做大规模向量检索新特征（如下），逼着 NAND 必须以高速 pSLC 模式运行：
a. 找得太碎（访问粒度极细）： AI 搜索知识库时往往只需比对一小串特征（几百字节）。但标准 TLC SSD 是个“死脑筋”，哪怕只要一个字，也得把整页（4KB）全读出来，浪费读取带宽。
b. 问得太密（并发强度极高）： 现在的 AI 会自己做计划、调工具、反复查资料，单次任务瞬间裂变成成千上万个密集的“查字典”请求。标准 TLC SSD 在高并发下迅速排队饱和。
c. 边读边写（读写双向承压）： AI 智能体会一边查一边更新索引、记录中间状态。这种“一边翻书一边做笔记”的强度会让普通 TLC 寿命快速耗尽，而 pSLC 寿命是它的十几倍。
但承载这一层的下一代直连架构——NVIDIA Storage-Next（G2.6 层，位于 G2.5 CXL 内存之下、G3 本地 SSD 之上）——仍处在英伟达主导、与铠侠等厂商协同定义规格的阶段。
它的定位，是在 DDR与本地 SSD 之间新增一层 直连GPU的pSLC 存储层，让 NAND 具备接近 DRAM 的 IOPS 与访问粒度（512B 细粒度随机访问），同时保留低成本、大容量优势。
③ Fast Data Lake 场景：QLC 的主战场
如果说 GPU 直连 SSD 是案板旁的“切菜盘”，存储需要读写双能。 G4 远端网络层的 Fast Data Lake（快速数据湖）就是 AI 数据中心的“远端中央总仓”，以读为主：以 PB 级容量装下 AI 运转所需的全部“家底”——训练语料、多模态数据集、各版本模型权重、RAG 知识库和推理回流日志。
按闪迪 2030 年的需求拆分，Fast Data Lake 约占 AI 数据中心 NAND 需求的 25%，几乎全部由 QLC 承载。
核心问题是：QLC 能否替代 HDD？海豚君认为需从以下维度分析：
a. 热数据——QLC 稳坐主位
正在被 CPU/GPU 高频消费的数据（如正在处理的训练集、等待检索的 RAG 知识库），需要极高的数据吞吐量。
HDD 的机械磁头寻道延迟（毫秒级）与 AI 所需的微秒级响应差了两个数量级，从一开始就被物理排除。QLC 凭借超大容量和读写带宽，在此层是替代的绝对主力。
b. 温冷数据：HDD坐主桌
对于“存着备查”和“历史归档”类数据，是否放入 QLC 取决于两个维度：
①供给侧扰动：短期“假性替代”
短期 HDD 将出现 300EB 至 400EB 的供给缺口。当前部分云厂商用 eSSD 临时兜底，造成了“加速替代”的假象。
但 HDD也能用类似SSD的技术持续拉升产能，被 eSSD 临时接管的纯容量需求回流 HDD，替代逻辑变弱。
②经济账：QLC涨价后算不平
短期因缺货有替代迹象，但后续QLC因热数据层的替代是刚需，导致QLC涨价。当下HDD 的每 GB 价差已飙升至 20–25 倍。在稳冷层数据存储中，QLC反而难取代HDD。后续要QLC出现大容量低成本的产品面世后，替代概率才可能加大。
因此 QLC 替代 HDD 绝非单向线性推进，而是分化为三种叙事：
a. 性能关键路径（热数据）上，替代已经完成且不可逆；
b. 温冷归档层，高昂价差阻断了正常置换，目前的“替代份额”更多是 HDD 缺货逼出的“临时补位”，未来面临回流风险；
c. 长期胜负手在于大容量高密度QLC 量产，能否靠极致“空间与能耗压缩”，在 TCO 上跨过 2-3 倍的替换红线。
据闪迪业绩会，超大容量 QLC 在 FQ4'26（2026 年 4-6 月）刚产生首批收入，FQ1'27 进入早期爬坡。闪迪预计 QLC 占整体 bit 出货的比例，从 2025 年约 20% 升至 2026 财年末的 40%，主要由 Stargate （超大容量QLC）在云厂商放量驱动。
④ HBF: 需求上行期权
在传统 AI 存储层级中，紧贴 GPU 的 HBM虽有百纳秒级延迟与超高带宽，但受 DRAM 制程限制，单堆栈容量小、成本高；再往下到 NVMe SSD，延迟与带宽又出现严重断层。
NAND厂商现在在努力推新品：HBF（High Bandwidth Flash）——它的结构基本是HBM的复刻：多层堆叠、TSV贯通连接上下、与XPU共同封装，只是把DRAM颗粒换成了NAND颗粒
闪迪正开发的 HBF，号称堆叠 16 层 NAND、在维持 HBM 级带宽的同时把容量放大 8 倍。（参考：从 HBM 限高到 NAND 加量，英伟达 vs 存力到底谁拿捏谁？）。
HBF 与 HBM 并非简单替代关系，而是基于物理特性的优劣互补：
HBF优势是容量大，成本低，但短板同样明确：微秒级延迟让它反应偏慢，不擅长细碎的随机散读；且有物理擦写寿命上限，只能当“只读参考书”，扛不住高频写入。
此外 HBF 仍在工程推进期：2026 年下半年进入试产建线、预计 2027 年商业化，但紧贴高发热 GPU 部署的散热标准仍待确立。
由此形成分工：
HBM 专注“性能至上”，是旗舰 GPU 的绝对标配，负责对延迟极敏感的预填充（Prefill）阶段、高频读写的活跃 KV Cache，以及要求最高对称读写带宽的训练任务。
HBF 主打“容量为王”，接管以顺序读取为主的常规推理、需单机容纳全量模型的长文本与 MoE 场景，以及读多写少的温冷 KV Cache 卸载，让中低端 GPU 甚至未来的边缘设备也能跑超大模型。
因此海豚君认为，HBF 不是颠覆 HBM，二者共存互补——HBM 管延迟敏感的热数据，HBF 管容量饥饿的温数据。未来HBF的使用渗透还要继续观察。
闪迪将 HBF 分成四种部署形态，具体定义可见《AI 推理大爆发，“悲催” 闪迪真有凤凰涅槃？》。海豚君认为，③ 增配型（HBF+HBM 混搭）和 ④ 解耦型（池化）落地可能性最大。
增配型的逻辑最简单：HBM 不撤，HBF 加进来一起用。GPU 厂商不用大改，HBM 继续干擅长的活，HBF 在旁边装权重和冷 KV 缓存。SK 海力士新提的 H3 架构就是HBM和HBF混搭——2027 年量产、2028 年客户上车，是目前阻力最小的路。
解耦型则是把 HBF 从 GPU 旁独立出来，像硬盘柜一样池化部署、通过网络连接计算单元。这是未来大方向——NVIDIA 的 CMX 方案推的也是类似的机架级存储池；但它要求网络架构跟着升级，预计 2028 年之后才可能成为实际选项。
从各厂商路线来看，HBF 目前仍处于标准联盟阶段，尚未进入 GPU 厂商（特别是 NVIDIA）的官方架构标准中。
闪迪与 SK 海力士是当前唯二的实质推动者：双方已于 2026 年初成立标准联盟并建起试产线，比原计划提前半年——预计2026年底造出芯片，明年推控制器，2027 年冲刺量产。
谷歌、英伟达、AMD 等最早要到 2028 年才可能作为客户采用，但采用≠定义——HBF 真正进入 GPU 厂商的架构体系，还要过标准认证、参考设计集成、生态适配等关卡。
其他厂商：三星有专利储备，但未公开原型与时间表；铠侠走 XL-FLASH 路线（G2.6 Storage Next），与 HBF 不直接竞争；美光暂无公开计划。
总体看，HBF 产业化时间线虽在加速，但格局本质是“存储厂商在推动，GPU 厂商尚未上车”。真正的分化要等 2027 年样品表现，以及 2028 年头部客户是否正式将其纳入系统设计。
总结：
AI 对 NAND 的重塑，不只是把需求曲线抬高一个台阶，确实有希望打破“硅周期”宿命： “算力部署与推理负载主导”下，NAND 也从“外围零部件”变成“计算路径上的必需品”。
在“由训转推”与长上下文时代，用NAND存 KV Cache 是保存昂贵的 GPU 算力与电费资源，SSD 一定程度上就是“Token 电池”。
据闪迪测算，2030 年 AI 数据中心 NAND 出货量将达 1.2 ZB（较 2026 年增长约三倍），三大核心负载分工明确：
a. Staging 暂存层（占比 40%）：贴近 GPU 的极高强度 I/O 缓冲区，受极端覆盖磨损与高并发限制，由高性能 TLC（及 pSLC）垄断。
b. KV Cache 卸载层（占比 35%）：推理时代全新增量，承载HBM 溢出的动态存储容量，由 TLC/QLC 梯次承接。
c. Fast Data Lake 快速数据湖（占比 25%）：远端中央数据总仓，由大容量 QLC 稳坐主位。
按 NAND 类型计，TLC 占 66%、QLC 占 34%：占比最大的 Staging 因写入强度，天然排斥 QLC，TLC 稳占基本盘；QLC 聚焦数据湖与温冷 KV Cache 卸载。
这三类负载的演进方向恰好相反：数据湖向“更便宜”走（QLC 容量放大），Staging 与热路径则向“更快更耐用”走（TLC 乃至 pSLC，牺牲约三分之二容量换取 10 倍耐久性）。
而这波涨价的“超级行情”还能飞多久？站在当前估值节点，涅槃后的闪迪是否仍有向上空间？海豚君将继续在下篇为您拆解，敬请期待！
本文来自微信公众号 “海豚投研”（ID：haituntouyan），作者：海豚君，36氪经授权发布。