三星半導體表示，FMS 2026峰會上公佈的V10 BV-NAND不僅能支援128TB大容量固態硬碟，也有望用於下一代的PCIe Gen7 固態硬碟。 V10 BV-NAND採用3D Bonded-VNAND架構，分別在2片晶圓上建構記憶體單元與外圍電路，此後以晶圓鍵合工藝將兩部分組合在一起；而其完整記憶體單元由三個高深寬比堆疊結合而成，累計達到400層以上。 獨立建構記憶體單元與外圍電路使得其能最大化外圍器件的性能，並通過電路設計利用增強特性，實現高性能和低功耗。 V10 BV-NAND還綜合應用了多孔、零假孔、Pin-ODT、DFE、RDCA、低電壓、電源隔離低抽頭終端（PI-LTT）等技術，最終在位密度、I/O 速率、功耗上分別實現了58%、33%、25%的改進。(芯話社)

當所有人都在盯著HBM時，企業級SSD和DDR5正在悶聲發大財。2026年，伺服器DRAM佔比將首次超過50%，企業級SSD成為NAND最大應用，AI訓練伺服器單機eSSD容量4年增長4倍。DRAM吃的是AI的"計算紅利"，NAND吃的是AI的"記憶體紅利"——AI的記憶體需求，遠不止HBM。打破"HBM才是全部"的認知偏差，才能看清AI記憶體需求的全景圖。 開篇：聚光燈之外的"隱形冠軍" HBM，是AI記憶體當之無愧的"明星"——它的價格暴漲、產能售罄、技術迭代，佔據了所有頭條。但聚光燈之外，一場同樣深刻的變革正在發生。2026年的兩個資料，足以讓"HBM中心論"動搖：伺服器DRAM佔比將首次超過50%（伺服器取代手機成為記憶體需求最主要市場）；企業級SSD（eSSD）成為NAND最大應用（佔NAND總需求48%）。2026年8月12日，市場調研機構Counterpoint Research發佈2026年第二季度記憶體與記憶體市場追蹤報告，揭示了行業格局的深刻變化。報告顯示，企業級固態硬碟（eSSD）已佔全球NAND總位元出貨量的48%，較去年同期的26%幾乎翻倍。這一轉變源於AI工作負載從訓練階段向推理階段的遷移，資料集與KV快取對高速、低功耗記憶體的需求激增，直接推高了企業級產品的採購量。 這兩個"隱形冠軍"——企業級SSD和DDR5——正在悄悄改寫AI記憶體的格局。當大模型參數從千億邁向兆，記憶體需求是指數級增長的，而HBM只是這條增長曲線的一小段。

閃迪把「NAS SSD」單獨拆一條產品線：是真痛點，還是把企業級余料重新貼牌？ 2026 年 8 月 20 日（美西時間），Sandisk（閃迪）發佈 SANDISK NAS 600 SATA SSD 與 SANDISK NAS 800 NVMe SSD 兩條新品，定位專業創作者（prosumer）、小型企業、私有雲 NAS 場景，預計 2026 年 9 月全球鋪貨。 💡 這不是「又一塊快盤」的新聞。這是記憶體原廠在 消費級 SSD 捲成紅海、企業級 SSD 供過於細 的夾縫裡，重新切出「NAS 專用」這一層溢價市場的訊號。 🔍 聚焦｜兩塊盤的核心參數攤開看

聚焦 2026年8月　美國聖克拉拉　全球快閃記憶體峰會（FMS 2026）現場 一張關於DRAM、SSD、HDD價格走勢的幻燈片，讓台下不少資料中心採購負責人當場舉起手機拍照。原因很簡單，這張圖裡的每一個百分比，都意味著他們下一份採購合同要多付出真金白銀。 如果你還停留在"記憶體是便宜的、夠用就好"的認知裡，這篇文章會讓你徹底改觀。這不是又一輪普通的行業周期波動，而是AI時代第一次把記憶體硬體推到了和算力同等重要的位置。 一、漲價資料有多離譜　先看數字說話

大語言模型推理正在同時遭遇容量牆與I/O牆。模型參數持續擴大，長上下文、多輪對話和智能體任務又使KV Cache快速膨脹；MoE模型雖然降低了單次計算的啟動參數量，卻需要保存遠大於視訊記憶體或記憶體容量的專家權重。在雲側算力中心，這一矛盾表現為昂貴的HBM資源被模型權重和KV Cache長期佔用，GPU有效利用率受到資料搬運制約；在邊緣側和端側，有限的DRAM或統一記憶體則直接限制了本地可運行模型的規模。由此，SSD開始從模型檔案的靜態存放裝置進入大模型推理的即時資料路徑，成為HBM、VRAM和DRAM之後的正式記憶體層級。 這一變化最早在推理基礎設施和叢集架構中得到清晰體現。月之暗面的Mooncake採用以KV Cache為中心的分離式推理架構，將GPU叢集中原本未被充分利用的CPU、DRAM和SSD組織為分佈式快取資源[1]；Mooncake Store進一步支援由DRAM與SSD/NVMe構成的多級快取，使冷資料能夠在容量更大、成本更低的快閃記憶體層長期保留[2]。2026年，輝達推出CMX上下文記憶體記憶體平台，在Vera Rubin基礎設施中增加一個面向KV Cache最佳化、通過乙太網路連接的快閃記憶體層級，由BlueField-4負責NVMe SSD管理、資料保護和網路傳輸。輝達將其定義為介於GPU記憶體與共享記憶體之間的pod級上下文層[3]。這些架構釋放出一個明確的產業訊號：SSD正在成為推理系統需要直接調度的資源，而不再只是模型載入前後的外圍裝置。 但推理基礎設施開始呼叫SSD，並不意味著傳統SSD已經適合承擔常駐推理任務。傳統SSD面向檔案和塊資料記憶體設計，其性能指標主要圍繞順序頻寬、隨機IOPS、資料可靠性與單位容量成本展開；LLM推理需要的卻是具有嚴格時序約束的資料供應。KV Cache會在prefill階段集中生成並持續寫入，在後續請求中按會話、模型層和Token位置反覆讀取；MoE推理則需要根據路由結果，在每一層計算前及時取得特定專家權重。一次讀取未能趕上計算窗口，就可能讓GPU、NPU或CPU進入等待狀態，而SSD在高佇列深度下取得的峰值IOPS，並不等同於低佇列深度、細粒度訪問時的穩定延遲。 這種矛盾還延伸至SSD內部。NAND Flash以頁為單位讀取、以塊為單位擦除，FTL需要執行地址對應、垃圾回收和磨損均衡，容易產生寫放大與尾延遲；持續寫入KV Cache還會對快閃記憶體壽命提出遠高於普通消費負載的要求。傳統LBA排布並不瞭解模型層、MoE專家、KV塊及其訪問順序之間的語義關係，相互關聯的資料可能被分散到不同物理位置，難以形成可預測的平行讀取。檔案系統、塊裝置和NVMe軟體棧中的排隊、中斷、資料複製與頁快取，也會增加端到端延遲。如果缺少面向模型執行順序的地址佈局、快取劃分、優先順序調度、非同步預取和壽命管理，SSD雖然擁有TB級容量，卻仍難以像DRAM或VRAM一樣穩定參與每一個Token的生成。

一、核心結論 一句話結論：我認為企業級 SSD 是當前整個 NAND 產業裡最值得單獨拿出來研究的方向，但它並沒有脫離 NAND 周期；更準確的描述是： 2026年 = NAND超級漲價周期 × AI推理結構性需求 × QLC高容量化 × 國產替代四重共振； 2027年開始，投資邏輯會逐漸從“誰有庫存、誰享受漲價”切換到“誰能拿份額、誰有主控+韌體、誰進入AI資料中心”。

用一句話直接回答：AI 當前最缺、產能拉得最緊、也最容易卡死算力的，是「HBM（高頻寬記憶體）」；但隨著 AI 發展到長文字與 Agent（智能體）階段，下一個迎來爆發式短缺的，是「高容量企業級 NAND（SSD）」。 如果要從 AI 發展的「階段」來看，缺記憶體的邏輯是動態演變的： 1. 第一階段（現階段最缺）：HBM——算力的「生死瓶頸」 為什麼最缺？ 在 AI 訓練和推理中，GPU 的算力提升得太快了，但普通 DRAM 的資料傳輸速度（頻寬）跟不上，導致 GPU 大部分時間都在「坐著等數據送過來」，這就是著名的「記憶體牆（Memory Wall）」。