IOSG: Dallo Storage Caldo alla Memoria Fredda, Storage Decentralizzato nell'Era dell'AI

Titolo originale: "IOSG | Dallo Storage Caldo alla Memoria Fredda: Storage Decentralizzato nell'Era dell'AI"
Autore originale: Jacob Zhao, IOSG Ventures

Recentemente, Changxin Storage, conosciuto come il "primo stock di storage domestico", è ufficialmente approdato sul ChiNext e ha registrato un incredibile aumento del 500%. Sebbene il settore dello storage sia ancora influenzato dalle recenti correzioni di mercato, lo storage AI sta ricevendo una rivalutazione folle da parte dei capitali nella corrente narrativa tecnologica. Nel frattempo, lo storage decentralizzato nello spazio Web3 è caduto in un lungo periodo di silenzio e perdita. Perché entrambi sono etichettati come "storage", ma le loro performance di mercato sono così diverse? La ragione fondamentale risiede nella completa divergenza delle funzioni di valore sottostanti.

La rivalutazione dello storage nell'era dell'AI è essenzialmente un carnevale riguardante l'"efficienza dei dati caldi", al servizio della massimizzazione dell'utilizzo della potenza di calcolo e della monetizzazione commerciale; mentre lo storage decentralizzato aderisce alla proposta di valore della "fiducia nei dati freddi", difendendo l'equità dei dati, l'anti-censura e la memoria a lungo termine della civiltà umana. Il primo è un sistema di efficienza per i dati caldi, mentre il secondo è un sistema di fiducia per i dati freddi. L'attuale mercato dei capitali si schiera indubbiamente fermamente dalla parte dell'"efficienza", ma la civiltà umana ha comunque bisogno di una base di memoria immutabile. Il valore a lungo termine dello storage freddo affidabile non è mai scomparso; è stato semplicemente dormiente nel lato oscuro del ciclo, in attesa di essere rivalutato dai tempi.

Perché lo Storage è Riemerso come il Focus della Catena Industriale dell'AI

Nell'era IT tradizionale, lo storage era un "business di capacità". I CIO si concentravano sui costi unitari di capacità, sull'affidabilità degli hard disk, sui piani di disaster recovery, sulle strategie di archiviazione e sui cicli di aggiornamento delle attrezzature che duravano da 3 a 5 anni. Lo storage era visto come un accessorio dopo l'acquisto dei server.

Questo nuovo boom dello storage non è una tradizionale ripresa ciclica, ma una rivalutazione delle capacità di flusso dei dati da parte dell'AI. Nell'era dei grandi modelli, la logica dello storage si è trasformata da "capacità prima" a "efficienza prima", concentrandosi su metriche estreme come i tassi di alimentazione delle GPU, le scritture dei Checkpoint e la latenza estremamente bassa per il RAG. Questo segna un salto nel valore dello storage da "il luogo finale di riposo dei dati" a "il canale ad alta velocità per i dati che entrano nel calcolo".

L'evoluzione dei colli di bottiglia delle risorse nell'infrastruttura AI è essenzialmente una battaglia per riempire l'"effetto barile". Il vero tasso di utilizzo della potenza di calcolo non è un'aggiunta lineare di singoli asset, ma un rigoroso effetto moltiplicativo: Vero utilizzo della potenza di calcolo = GPU × HBM × DRAM × SSD × Rete × Sistema File. Qualsiasi carenza in un collegamento può portare al collasso dell'utilizzo complessivo della potenza di calcolo. Nell'era dell'AI, lo storage si è trasformato per la prima volta da "centro di costo" a "motore di efficienza". Questa è la logica fondamentale dietro la rivalutazione dello storage.

Panoramica dell'Architettura dello Storage AI: Dalle Memorie a Larghezza di Banda HBM alle Fondazioni dei Laghi di Dati

Lo storage AI non è affatto una mera accumulazione di singolo hardware, ma un sistema complesso di programmazione stratificato e strettamente accoppiato. In questo sistema, il valore industriale e l'attenzione del capitale sono altamente concentrati su HBM, SSD di livello enterprise, controller SSD, protocolli NVMe/CXL e sistemi di storage ad alte prestazioni. Per analizzare chiaramente il suo flusso di valore, categorizziamo l'architettura dello storage AI in quattro livelli core dall'alto verso il basso:

· Livello di Memoria Prossima al Calcolo (Nucleo di Larghezza di Banda): Dominato da HBM, integrato da DRAM e tecnologia di pooling della memoria CXL. Questo livello interfaccia direttamente con il packaging GPU/CPU o i bus, mirando a rompere il "muro della memoria", ed è il primo checkpoint che determina se la potenza di calcolo può essere completamente liberata.

· Livello di Storage Persistente ad Alta Velocità (Hub IO): La logica centrale è SSD di livello enterprise = chip NAND + controller SSD + percorsi dati NVMe/PCIe. Questo livello si occupa di scritture ad alta frequenza dei Checkpoint, caricamento di set di dati massivi e caching di dati caldi RAG, rappresentando il chiaro incremento di storage persistente per i data center AI.

· Livello di Storage a Basso Costo e Grande Capacità (Fondazione di Capacità): Composto da HDD, storage freddo e sistemi di archiviazione dei laghi di dati. Di fronte all'espansione esponenziale dei dati grezzi multimodali, dei log storici e dei backup di conformità, questo livello continua a fornire un vantaggio TCO (Costo Totale di Proprietà) insostituibile.

· Sistemi di Storage AI e Software Dati (Cervello di Programmazione): Include sistemi di file paralleli ad alte prestazioni, storage ad oggetti distribuiti, database vettoriali e livelli di governance dei dati RAG. Ciò che l'AI consuma realmente non è hardware nudo, ma la disponibilità dei dati organizzati, indicizzati e autorizzati in modo efficiente dallo stack software.

· Come estensione ecologica, lo storage decentralizzato non partecipa direttamente alla competizione a livello di millisecondo dei dati caldi AI, ma ancorano la certificazione dei dataset pubblici, la provenienza dei dati di addestramento AI e l'archiviazione della memoria fredda a lungo termine, stabilendo la sua nicchia ecologica unica come "livello freddo affidabile".

HBM: L'"Organo di Larghezza di Banda" Più Vicino alla Potenza di Calcolo nella Catena di Storage AI

L'High Bandwidth Memory (HBM) non è storage tradizionale, ma un livello di memoria ad alta larghezza di banda vicino alla GPU. La sua missione principale non è quella di immagazzinare dati, ma di "nutrire" continuamente i dati alla potenza di calcolo a larghezza di banda estremamente alta. HBM è il collegamento più vicino alla potenza di calcolo nella catena di storage AI, determinando se la GPU può essere "nutrita" adeguatamente, rendendola l'attuale collo di bottiglia della catena di fornitura.

L'architettura centrale di HBM è "impilamento DRAM 3D + packaging avanzato 2.5D": attraverso l'impilamento verticale TSV e l'integrazione eterogenea CoWoS, raggiunge una compressione estrema della distanza storage-calcolo, risultando in un salto generazionale nella larghezza di banda. Le sue barriere industriali non riguardano solo il design DRAM, ma includono anche i processi di produzione DRAM, TSV, impilamento ultra-sottile, packaging, dissipazione del calore, testing e certificazione del cliente come ingegneria di sistema. Qualsiasi difetto nel rendimento di qualsiasi collegamento può portare allo scarto dell'intero stack HBM.

Attualmente, solo SK Hynix, Samsung e Micron possono produrlo in massa in modo stabile, costruendo un triplo fossato di processi di produzione DRAM di alto livello, capacità di packaging e certificazioni dei clienti NVIDIA/AMD.

DRAM e CXL: Fondazione della Memoria di Sistema e Motore di Pooling della Memoria

HBM affronta l'estrema larghezza di banda vicino alla GPU, la DRAM solidifica la fondazione della memoria di sistema del server e il CXL tenta di rompere i confini fisici per ricostruire l'organizzazione delle risorse di memoria nei data center.

· DRAM: Porta principalmente cache lato CPU, pre-elaborazione dei dati, archiviazione dello stato intermedio e operazioni di sistema, fungendo da livello di memoria di sistema più basilare per i server. Il mercato globale della DRAM è altamente concentrato tra i tre giganti SK Hynix, Samsung e Micron; Changxin Storage (CXMT) è una variabile chiave per la sostituzione domestica della DRAM in Cina.

· CXL (Compute Express Link): Un protocollo di interconnessione di coerenza della cache di nuova generazione per i data center, mirato a rompere le limitazioni degli slot DIMM tradizionali, della capacità di memoria locale e delle isole di risorse di memoria del server, promuovendo l'evoluzione dell'architettura della memoria verso espansione, pooling e condivisione. Attualmente, il CXL è ancora nelle fasi iniziali di transizione dal supporto della piattaforma al dispiegamento su larga scala, con un alto valore architettonico a lungo termine; le aziende chiave includono Astera Labs e Lanqi Technology.

SSD di livello enterprise: L'Hub Dati Costruito da NAND, Controller e NVMe

Gli SSD di livello enterprise sono i più critici incrementi persistenti ad alta capacità nei data center AI, "nutrendo" continuamente i dati alle GPU con throughput estremamente elevato, bassa latenza e QoS stabile, coprendo l'intero ciclo di vita del caricamento dei dati di addestramento, scrittura dei Checkpoint, recupero RAG, caching delle inferenze e riflusso dei log.

Nell'architettura dello storage AI, gli SSD non sono hardware isolati, ma un sistema altamente accoppiato, che può essere distillato in una formula industriale: SSD di livello enterprise = chip NAND + controller SSD + percorsi dati NVMe/PCIe. I tre livelli rappresentano collegamenti indipendenti nella catena industriale:

· Chip NAND (Livello Materia Prima): Determinano la densità di storage e i costi unitari, mentre i controller gestiscono il rilascio delle prestazioni e la durata. Le aziende rappresentative includono Samsung, SK Hynix (Solidigm), Micron, Kioxia, Western Digital e Yangtze Memory Technologies.

· Controller SSD (Livello di Potenziamento delle Prestazioni): Determinano il rilascio delle prestazioni, la correzione degli errori dei dati, la stabilità del QoS e il livellamento dell'usura. Le aziende rappresentative includono Phison, Silicon Motion, Marvell e Maxio.

· NVMe/PCIe (Livello dei Percorsi Dati): Determinano l'efficienza del trasferimento dei dati dallo storage al calcolo. Combinando la tecnologia GPUDirect Storage, riduce i buffer di rimbalzo della memoria CPU e il coinvolgimento della CPU, alleviando significativamente i colli di bottiglia I/O. Le aziende rappresentative includono Broadcom, Marvell e Astera Labs.

HDD / Storage Freddo / Archiviazione: La Fondazione a Basso Costo dei Laghi di Dati AI

L'AI non eliminerà gli HDD. Con l'aumento della domanda di modelli grandi multimodali per dati video e immagini, così come la crescita esponenziale dei log di conformità aziendale e dei dataset storici, la necessità di storage freddo a basso costo sta aumentando simultaneamente. Nell'architettura dello storage AI, gli SSD e gli HDD lavorano in una collaborazione stratificata basata sul valore commerciale: gli SSD gestiscono i dati caldi e l'alta capacità, mentre gli HDD sono responsabili dello storage a lungo termine e a basso costo. Le aziende rappresentative includono Seagate, Western Digital e Toshiba.

Stack Software di Storage AI: L'Hub di Programmazione della Disponibilità dei Dati

Ciò che l'AI consuma realmente non sono dischi nudi, ma "servizi di dati" meticolosamente organizzati dallo stack software. Questa architettura trasforma l'hardware sottostante in asset di conoscenza che l'AI può richiamare direttamente, divisi in quattro livelli:

· Sistemi di Storage ad Alte Prestazioni (Sistemi di Fornitura): Focalizzati su throughput concorrente e bassa latenza, risolvono il problema della "fame di dati" dei cluster GPU attraverso sistemi di file paralleli, garantendo un rapido flusso di addestramento e inferenza. Aziende rappresentative: VAST Data, WEKA, Pure Storage.

· Storage ad Oggetti (Laghi di Dati Grezzi): Incentrato sulla gestione di Oggetti, Chiavi e Metadati, porta enormi quantità di dati non strutturati. Non persegue una latenza estremamente bassa, ma costruisce una fondazione di capacità con caratteristiche a basso costo e native del cloud. Azienda rappresentativa: AWS S3.

· Database Vettoriali (Livello di Indicizzazione Semantica): I database vettoriali sono responsabili della memorizzazione, indicizzazione e recupero dei vettori generati dai modelli di embedding, consentendo all'AI di localizzare accuratamente contenuti rilevanti da una vasta conoscenza. Aziende rappresentative: Pinecone, Milvus.

· Livello Dati RAG (Livello di Invocazione della Conoscenza): Andando oltre il semplice recupero, comprende il taglio dei dati, la pulizia, il controllo delle autorizzazioni e la tracciabilità delle citazioni, garantendo che i dati aziendali possano essere invocati in modo sicuro, accurato e tracciabile da grandi modelli. Azienda rappresentativa: Databricks.

Dallo Storage Caldo AI alla Memoria Fredda Decentralizzata: Massimizzare l'Efficienza vs. Massimizzare la Fiducia

Lo storage AI è un sistema estremamente orientato all'efficienza, con la sua funzione di valore focalizzata sulla massimizzazione dell'output computazionale. La larghezza di banda HBM determina se le GPU possono essere alimentate adeguatamente, il throughput SSD determina l'efficienza di lettura/scrittura dei dataset e dei checkpoint, e la bassa latenza è cruciale per il RAG e le esperienze di inferenza in tempo reale. Queste metriche alla fine convergono nell'utilizzo della GPU e nei costi unitari dei token, determinando direttamente la redditività commerciale delle applicazioni AI. L'obiettivo finale dello storage AI non è la conservazione, ma l'accelerazione, al servizio della produttività.

Al contrario, la funzione di valore dello storage decentralizzato è completamente diversa. Si interroga se i dati esisteranno ancora tra dieci anni, se sono stati manomessi e se possono resistere alla censura a punto singolo. Attraverso prove crittografiche e reti distribuite, costruisce una fondazione di dati pubblici che è aperta all'accesso e permanentemente preservata. Il suo obiettivo finale è difendere la verità assoluta e l'indipendenza sovrana dei dati, servendo equità, necessità di anti-censura e memoria civile.

Lo storage AI è lo "storage caldo" che alimenta la produttività futura, mentre lo storage decentralizzato è la "memoria fredda" che preserva i registri storici ineliminabili della civiltà umana. Il primo serve l'efficienza, perseguendo la velocità estrema; il secondo serve la fiducia, difendendo i ricordi silenziosi. Il primo determina quanto velocemente funzionano i modelli, mentre il secondo determina se i ricordi verranno cancellati. Attualmente, i meccanismi di mercato premiano l'efficienza della produttività, ponendo lo storage AI in prima linea, mentre lo storage decentralizzato sembra subire un crollo di valutazione e una perdita di narrativa.

La Visione e la Realtà dello Storage Decentralizzato

Ci sono molti progetti di storage decentralizzato, ma basandosi sulla mentalità industriale e sulla sedimentazione ecologica, i rappresentanti core rimangono Filecoin e Arweave. Sebbene entrambi appartengano allo "storage decentralizzato", le loro filosofie architettoniche sottostanti sono quasi due percorsi completamente diversi— il primo si avvicina all'elasticità di AWS attraverso contratti di mercato, mentre il secondo si avvicina all'eternità delle biblioteche attraverso un contratto sociale una tantum.

· Filecoin: Ha costruito il sistema economico verificabile più completo attraverso PoRep e PoSt. Non dovrebbe continuare a competere con AWS nello storage cloud di livello consumer, ma dovrebbe spostarsi verso la provenienza dei dati AI, l'hosting di dataset pubblici e l'archiviazione di conformità, fornendo catene verificabili per l'audit dei modelli e la prova di copyright. Il percorso necessario è quello di incapsularlo come un'API compatibile con S3 e supportare pagamenti in valuta fiat, aggiornando da un "mercato di storage economico" a un "infrastruttura di calcolo verificabile".

· Arweave: Con la narrativa di "pagamento una tantum, storage permanente", costringe i miner a salvare e accedere rapidamente a quanti più dati storici, specialmente scarsi, possibile attraverso meccanismi Blockweave e SPoRA. La sua migliore posizione è come fondazione per la memoria pubblica umana—preservando registri dei diritti umani, prove di crimini di guerra, classici culturali, archivi di storia legale e finanziaria, e fornendo agenti AI con memoria a lungo termine permanentemente accessibile. Il valore di Arweave non risiede nella velocità, ma nella sua capacità di portare la memoria civile attraverso i cicli.

Il dilemma affrontato da progetti di storage decentralizzato come Filecoin e Arweave non deriva da proposte di valore errate, ma da disallineamenti a lungo termine nella productizzazione, nell'esperienza di recupero, nella domanda reale e negli incentivi ai token. Questo rivela un significativo divario tra ideali geek e applicazioni commerciali mainstream:

· Disallineamento degli Incentivi Offerta-Domanda: Le reti precoci rappresentate da Filecoin si sono espanse rapidamente attraverso i token, ma non sono riuscite a costruire un lato della domanda sufficientemente forte, risultando in una grande capacità ma in un utilizzo e una conversione dei pagamenti insufficienti. Hanno premiato "posso immagazzinare" piuttosto che "ho bisogno di immagazzinare".

· Mancanza di Capacità di Servizio a Livello Aziendale: La barriera di AWS non è l'hard disk, ma il "sistema operativo dei dati" composto da API, SLA, gestione delle autorizzazioni, auditing di conformità e supporto tecnico. Le aziende acquistano "tranquillità" piuttosto che infrastrutture sperimentali che richiedono loro di gestire chiavi e selezione dei nodi.

· Carenze nell'Esperienza di Recupero: "Immagazzinare" non equivale a "recuperare stabilmente e con bassa latenza". La dispersione dei nodi, la topologia complessa e la mancanza di SLA unificati rendono difficile supportare i flussi di lavoro di dati caldi AI, rendendolo più adatto per archiviazioni fredde affidabili e provenienza dei dati.

· Insufficiente Conformità alla Privacy: I dati privati aziendali non possono semplicemente essere scritti in una rete pubblica permanente; il diritto di cancellazione e l'immutabilità permanente sono intrinsecamente in conflitto. Lo storage decentralizzato è più adatto per dati pubblici e archivi a lungo termine piuttosto che per accogliere indiscriminatamente dati privati core.

· Ciclo di Amplificazione dell'Economia dei Token: La finanziarizzazione del mercato rialzista oscura la domanda insufficiente, mentre il calo del ROI dei miner nel mercato ribassista espone le carenze di commercializzazione. I token possono avviare l'offerta, ma non possono automaticamente creare domanda e reddito sostenibile.

Altri progetti di storage decentralizzato spesso si concentrano su ecosistemi specifici o nicchie: l'influenza di Storj/Sia sulla mentalità industriale e sulla narrativa Web3 è più debole rispetto a quella di Filecoin/Arweave; BNB Greenfield/Walrus è legato a specifici ecosistemi di catene pubbliche come BNB o SUI; Celestia/EigenDA appartengono al livello di disponibilità dei dati (DA), servendo conferme delle transazioni Rollup piuttosto che archiviazione a lungo termine; 0G e altri progetti narrativi ibridi AI/DA tentano di integrare storage, disponibilità dei dati, calcolo e regolamento degli agenti AI in un insieme di infrastrutture modulari native AI, ma la loro domanda reale, l'adozione da parte degli sviluppatori e i cicli di commercializzazione rimangono da verificare.

Opportunità Future per lo Storage Decentralizzato: Il Pendolo a Lungo Termine di Efficienza e Fiducia

Durante il periodo esplosivo dei dividendi tecnologici, il capitale insegue freneticamente l'efficienza, con asset come GPU e HBM assegnati premi estremamente elevati, mentre lo storage decentralizzato che promuove "fiducia ed equità" è naturalmente marginalizzato. Tuttavia, il pendolo della storia non rimarrà per sempre dalla parte dell'efficienza. Eventi come divieti irragionevoli e cancellazioni di contenuti da parte di super piattaforme, l'esplosione di cause legali sui diritti d'autore dell'AI che costringono la prova della provenienza dei dati, conflitti geopolitici che portano a dispute sulla sovranità dei dati, monopoli sui dati che causano la scomparsa di archivi pubblici e pressioni normative sulla conformità dei dati di addestramento dei modelli potrebbero tutti generare una rivalutazione dello "storage affidabile", e le future opportunità per lo storage decentralizzato potrebbero ancora manifestare un valore unico nelle seguenti direzioni:

· Provenienza dei Dati AI: Costruire "prove di lineage dei dati" in risposta a pressioni normative e di auditing attraverso prove crittografiche.

· Dataset Pubblici e Archivi Civili: Ancorare archivi censurati e patrimonio culturale, costruendo memorie insostituibili e ineliminabili.

· Archiviazione Affidabile e Prove di Conformità: Raggiungere un'autoevidenza affidabile attraverso prove Hash, fornendo notarizzazione digitale di alto livello.

· Integrazione di Tecnologie ZK/TEE/DID: Risolvere le tensioni sulla privacy, aggiornando da un singolo "protocollo di storage" a un "infrastruttura di dati affidabili".

· Percorso di Prodotto Invisibile: Fornire API compatibili con S3 e fatturazione in valuta fiat, consentendo agli utenti di acquistare direttamente servizi di "archiviazione affidabile".

Lo storage AI e lo storage decentralizzato, uno perseguendo un'efficienza estrema per alimentare il nostro futuro; l'altro difendendo ricordi silenziosi, salvaguardando il nostro diritto di guardare indietro al passato. Attualmente, il mercato premia senza riserve l'efficienza, facendo apparire lo storage decentralizzato silenzioso o addirittura crollato; tuttavia, man mano che l'era dell'AI amplifica ulteriormente i monopoli sui dati, le dispute sui diritti d'autore e la fragilità della memoria storica, lo storage decentralizzato potrebbe accogliere una rivalutazione del valore sotto forma di "livelli freddi affidabili". Memorie che non possono essere facilmente cancellate da piattaforme, aziende o da qualsiasi singolo potere potrebbero trasformarsi da romanticismo idealista e credenze marginali in infrastrutture necessarie.

Link originale