报告概述
报告以AI存储为核心研究对象，覆盖HBM、DDR、SSD、HDD等存储硬件在AI训练与推理中的应用。重点分析Scaling Laws对存力的拉动、RAG与长上下文对带宽的需求、以及存储厂商的营收与盈利弹性。通过梳理AI价值链、三级存储架构和主要厂商策略，帮助读者理解存储行业从传统周期向技术溢价转变的投资逻辑。
报告的核心结论
AI重塑存储增长逻辑，从周期波动转向技术溢价。
报告认为，AI带来的不是传统库存周期反弹，而是指数级的新需求。存储成为AI算力的决定性瓶颈，带宽与容量需求持续爆发，推动行业进入量价齐升的长期成长通道。
训练端Scaling Laws驱动HBM和SSD容量指数级增长。
模型参数量线性增长（如GPT-3到GPT-4增幅超9倍），直接拉动HBM（容纳参数）和SSD（存Checkpoint）的容量需求呈指数级爆发。同时MoE架构和多模态模型进一步拉高存储空间需求。
推理端RAG和长上下文推升KV cache对显存的占用。
检索增强生成与超长上下文应用导致KV cache规模持续扩大，用户越多、交互越深，对显存带宽和容量的需求就越大。厂商需按峰值储备存力，叠加用户增长，存储需求具有强持续性。
存储厂商处于营收高增与净利率扩张的共振期。
量价齐升叠加高经营杠杆：出货量增长和高价值产品（HBM、企业级SSD）占比提升拉高ASP，营收覆盖固定成本后新增利润大比例转化为净利润，导致净利增速远超营收增速。头部厂商业绩兑现确定性高。
报告回答的关键问题
AI如何改变存储行业的增长模式？
AI将存储从传统的库存周期波动转变为由技术驱动的长期成长。训练和推理端对存力的需求呈指数级增长，推动HBM、SSD等产品量价齐升，行业盈利能力显著改善，形成技术溢价的新模式。
为什么HBM是AI存储的核心？
HBM以高带宽、低功耗的优点，直接服务于GPU计算，用于存储模型参数、KV cache和激活值。随着模型规模扩大和推理任务深化，HBM需求持续爆发，成为AI算力中不可或缺的存力瓶颈。
AI存储厂商的业绩弹性来自哪里？
业绩弹性主要来自量价齐升与高经营杠杆的结合。营收增长覆盖高固定成本后，涨价红利大部分转化为净利润，导致利润增速远超营收增速。同时高端产品（HBM、企业级SSD）占比提升进一步拉高盈利能力。
报告中的代表性数据
SK海力士2025年第四季度营收
2025Q4，SK海力士2025Q4营收32.83万亿韩元，环比增长34%；营业利润19.17万亿韩元，环比增长68%；净利润15.25万亿韩元，环比增长21%。反映AI存储需求强劲推动业绩高增。
美光2026财年Q1营收
2026财年Q1，美光2026财年Q1单季营收136.4亿美元，同比增长57%，净利润52.4亿美元。体现HBM等高端产品放量带来的业绩爆发。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- AI产业链全景梳理：从算力芯片、存储、网络到云平台的价值分配与竞争格局分析。
- 三级存储架构详解：HBM、LPDDR、SSD、HDD在训练与推理中的具体分工与数据流转路径。
- NVIDIA GB200/Rubin架构的存储设计方案：HBM4、LPDDR5X、SSD的容量与带宽配置分析。
- 大模型显存消耗测算方法：基于Scaling Laws、混合精度训练、KV cache的容量计算公式与行业实例。
- 美光科技深度分析：战略聚焦数据中心、HBM3E技术突破、业绩与财务拆解。
- 闪迪（SNDK.O）独立后价值重估：BiCS技术路线、HBF创新方案、客户与生态建设进展。
- SK海力士与三星竞争对比：HBM验证节奏、DRAM工艺差异、NAND份额与技术迭代。
- 行业估值分析：主要厂商营收、净利润、Forward PE对比，以及量价齐升与经营杠杆驱动的估值逻辑。
- 风险提示：包括下游AI资本开支不及预期、产能扩张失控、新技术良率爬坡风险。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
