332层QLC NAND来了：AI为什么开始需要“更便宜的大容量存储”？

AI时代，一个很容易出现的错觉是：

所有存储都必须越来越快。

所以大家关注：

HBM
DDR5
LPDDR5X
高速SSD

但AI还有另外一个非常现实的需求：

数据实在太多了。

最近，铠侠与闪迪公布了新一代QLC 3D NAND技术。

其中一个非常醒目的数字是：

332层。

同时，新技术进一步提升了存储密度和NAND接口速度。

问题来了：

AI不是追求性能吗？

为什么反而越来越需要QLC这种强调大容量和成本效率的Flash？

答案就在AI真正产生的数据量里。

---

一、先说清楚：QLC是什么？

NAND Flash通过存储电荷保存数据。

根据一个存储单元能够保存多少Bit，可以分成：

SLC：1 bit/cell

MLC：2 bit/cell

TLC：3 bit/cell

QLC：4 bit/cell

简单理解：

同样一个存储单元，保存的数据越来越多。

这样做最大的好处是：

存储密度提高。

同样面积的芯片可以提供更大容量。

从而有机会降低单位容量成本。

---

二、QLC为什么特别适合大容量存储？

假设需要建设一个超大规模数据中心。

如果每块SSD容量都比较小，就需要：

更多SSD
更多服务器
更多机架
更多供电
更多散热

反过来，如果单盘容量提升，就可以在相同空间里保存更多数据。

所以在数据中心里，有一个非常关键的指标：

Storage Density，存储密度。

而QLC的核心优势恰恰就在这里。

它不一定追求所有场景下的极致性能。

但特别适合：

容量优先的场景。

---

三、AI为什么突然需要这么大的存储空间？

因为今天的大模型并不只是一个模型文件。

整个AI数据链条包括：

原始训练数据
↓
清洗后的数据集
↓
模型文件
↓
Checkpoint
↓
向量数据库
↓
KV Cache
↓
用户数据
↓
AI生成内容

尤其进入多模态时代以后：

图片、音频、视频的数据规模，远远高于纯文本。

例如：

一分钟高清视频的数据量，可能远高于几千字文本。

所以当AI开始理解视频、生成视频时，存储压力会迅速上升。

---

四、Agent为什么也会增加存储需求？

前面我们说过AI Agent。

Agent最大的特点，是AI不再只回答问题。

它还需要：

读取文件
调用数据库
搜索知识
保存状态
记录任务
调用历史记忆

这意味着AI应用会产生越来越多：

长期记忆数据。

一个普通聊天机器人可能只需要处理一次对话。

但长期运行的AI Agent可能要记住：

几个月甚至更长时间的信息。

用户数量一旦达到百万、千万级，数据规模就非常可观。

---

五、为什么QLC还要不断提高速度？

过去提到QLC，很多人首先想到：

大容量，但性能一般。

但随着QLC进入企业级SSD和AI数据中心，性能也必须同步提升。

铠侠与闪迪的新一代QLC 3D NAND，把接口速度进一步提升到了4.8Gb/s级别。

这其实说明一个趋势：

大容量和高性能之间的边界正在缩小。

数据中心希望的是：

既有大容量
又有足够性能
同时控制成本和功耗

所以Flash厂商正在同时优化：

容量
+
带宽
+
能效

而不是只追求单一指标。

---

六、332层到底是什么意思？

3D NAND和传统平面NAND最大的区别是：

向垂直方向堆叠存储层。

可以把它想象成盖楼。

平面NAND只有一层建筑。

3D NAND则不断往上建设。

100层
200层
300层

层数增加之后，在相同芯片面积里就可以放下更多存储单元。

新一代技术达到332层，本质上仍然是在继续提高：

单位面积的数据容量。

但3D NAND也不是楼层越多越简单。

层数增加以后，会带来非常复杂的：

蚀刻
沉积
材料
良率
工艺控制

问题。

因此厂商除了“向上堆”，也在通过平面方向优化、晶圆键合等技术提升密度。

---

七、为什么晶圆键合越来越重要？

这一代技术还使用了CBA，也就是将：

CMOS逻辑
和
存储阵列

分别制造，再进行高精度晶圆键合。

为什么这样做？

因为逻辑电路和存储阵列最适合的制造条件并不完全相同。

如果分开制造，就可以分别优化。

最后再把两部分连接起来。

这和AI芯片正在发展的Chiplet其实有一些相似逻辑：

不一定所有东西都在同一个工艺里完成。

不同模块先做到各自最优，再进行高密度集成。

---

八、AI未来可能同时需要HBM和QLC

这其实是理解AI存储最重要的一点。

HBM和QLC看起来完全不同。

HBM追求：

极高带宽。

QLC追求：

极高容量密度和成本效率。

但AI两个都需要。

可以简单理解成：

HBM
负责让GPU快速拿到数据

DDR
负责系统运行

SSD
负责模型和热数据

QLC NAND
负责海量数据

它们不是竞争关系。

而是组成：

AI存储层级。

---

九、AI真正改变的是“数据金字塔”

过去我们经常讨论：

算力金字塔。

但AI时代可能还需要一座：

数据金字塔。

最上层：

速度最快，但容量最小、成本最高。

越往下：

速度降低，但容量越来越大、单位成本越来越低。

最终AI系统会不断把不同数据放在最合适的位置。

这也是为什么未来AI存储竞争不会只有HBM。

NAND、SSD、QLC同样会越来越重要。

---

写在最后

332层QLC NAND看起来是一条普通的存储技术新闻。

但放到AI背景下理解，会发现背后其实是另一个巨大变化：

AI不仅需要更强的计算能力，也正在制造史无前例的数据量。

训练需要数据。

推理需要数据。

Agent需要记忆。

多模态需要视频和图片。

AI生成内容又会产生新的数据。

于是未来数据中心面临的问题不只是：

“怎么算得更快？”

还有：

这么多数据到底放在哪里？

HBM解决“快”。

QLC NAND解决“大”。

而一个真正高效的AI系统，两者都缺不了。