电子：格局落定，价值归真：从周期波动走向技术溢价

证券分析师：张良卫执业证书编号：S0600516070001联系电话：021-60197988二零二六年二月六日 摘要：从传统周期到AI驱动的技术溢价与高成长性 ➢增长逻辑重构：AI带来的不是反弹，而是指数级增长的新需求，存储不再仅仅跟随宏观经济进行简单的库存周期波动，而是成为了AI算力的决定性瓶颈（存力决定算力的效率）。 ➢训练端（Scaling Laws驱动）：模型参数量呈线性增长（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。 ➢推理端（商业化落地驱动）：随着RAG（检索增强生成）和超长上下文（Long Context）的应用，KV Cache（键值缓存）对显存的占用或持续增加，且用户越多、交互越深，对存储的带宽和容量需求就越大。 ➢估值体系重塑：量价齐升，高业绩持续兑现，行业正处于“营收高增”与“净利率扩张”的共振期。 量：AI训练与推理规模的扩大带来绝对出货量的增长。价：HBM、企业级SSD等高技术含量产品占比提升，拉高了平均售价（ASP）。利：存储是重资产行业，营收覆盖固定成本后，新增的涨价红利将大比例转化为净利润，导致净利增速远超营收增速（高经营杠杆）。 建议关注：闪迪（SNDK.O）、SK海力士（000660.KS）、三星电子（005930.KS）、美光科技（MU.O）。 风险提示：下游AI资本开支（CAPEX）不及预期风险；存储原厂产能扩张失控导致供需格局恶化风险；新技术研发进度或良率爬坡不及预期风险。 目录 1、AI价值链梳理 2、存储需求分级与存储硬件架构 3、大语言模型的存储需求 4、训练与推理端技术发展拉动存储需求增长 5、美光科技（MU.O）战略聚焦数据中心，HBM3E技术突破 6、闪迪（SNDK.O）拆分后的价值重估，AI存储技术持续迭代 7、SK海力士享AI存储先发优势，巨头三星奋力追赶 8、估值情况分析 风险提示 1、AI价值链梳理 1.1 AI产业链梳理——硬件环节率先受益 1.2竞争格局：存储呈寡头垄断特征，高壁垒支撑高盈利 1.3AI算力建设带动高端存储需求 1.4架构分级：依数据热度分层，确立三级存储架构模式 ➢AI对存储的需求基本可以分为三大维度：冷数据、温数据、热数据。 ➢Storage: SSD+HDD •冷数据：对传输速度要求较低，用柜外硬盘存储，例如HDD/SSD-QLC，容量大，价格较低。 •温数据：对传输速度要求适中，用柜内硬盘存储，例如SSD-TLC，速度价格适中。 ➢Memory: DRAM(HBM+DDR) •热数据：对传输速度要求极高，用柜内内存存储，例如HBM3e、LPDDR5X，速度快价格高。 1.5技术路径：内存侧重快读写，持久存储聚焦大容量低成本 ➢Memory和Storage的区别： ➢Memory： •以DRAM（HBM、LPDDR)等为代表，读写快、断电后不保存数据。•用晶体管+电容（1T1C结构）存储数据，每个单元1bit数据。 ➢Storage： •以SSD(NAND FLASH)、HDD为代表，读写较慢，断电后保存数据。•用浮栅晶体管存储数据，每个单元（1-4bit数据） 2、存储需求分级与存储硬件架构 2.1模型适配：数据流转明确硬件分工，全流程拉动存储需求 ➢AI对存储的需求本质上可以分为三部分：容纳参数；存放过程；数据注入。 ➢存储物理分层可以分为四部分：HBM、LPDDR、SSD、柜外SSD&HDD。 •容纳参数（存放模型本身权重Weights）：HBM。•存放过程数据(KV cache等)。HBM+LPDDR+SSD，KV cache主要存放HBM+LPDDR内，训练过程中的check point会保存至SSD。•数据注入（存放及预热训练需要的原始数据，注入给HBM或LPDDR）：SSD+柜外SSD&HDD。 2.2NVIDIA GB200异构存储设计，实现容量与带宽的性能互补 ➢在NVIDIA GB200 NVL72/36中，单个计算托盘包含2个GB200 Superchips，每个GB200Superchip包含1个Grace CPU和2个Blackwell GPU。还构建了“HBM + LPDDR +SSD”的三级存储阶梯，实现了带宽高低搭配与容量的互补。 ➢HBM3e：每个GPU配备8颗HBM3e（24GB）内存，单GPU容量达192GB，单计算托盘总容量768GB ➢LPDDR5X：每个CPU配备16颗LPDDR5X（32GB），单CPU容量达512GB（480GB可用，32GB为备用），单计算托盘总容量1024GB。 ➢SSD：每个计算托盘标配4 * 3.84TB E1.SNVMeSSD，可扩展至8个接口，单盘可扩张至7.68TB，单计算托盘总容量15.36TB/61.44TB（单GPU对应3.84TB/15.36TB）。 2.3 LPDDR5X作为高性价比显存补充，平衡带宽成本与容量 ➢LPDDR5X与HBM核心差异在于带宽。 ➢LPDDR5X服务于CPU，用于运行操作系统、驱动程序、数据加载器；GPU还可通过NVLink-C2C直接访问这部分内存，存放模型或context。➢HBM3e服务于GPU，高带宽的特性，为GPU提供充足数据，用于存储正在计算的权重（Weights）、KV cache和激活值（activations）。➢在NVLink72 GB200中，有18个计算托盘，其中每个托盘有32颗LPDDR5X，32颗HBM3e；单托盘LPDDR5X带宽1092.2GB/s，HBM3e带宽32768GB/s。NVLink72 GB200机柜中LPDDR5X带宽19.2TB/s，HBM3e带宽576TB/s。 ➢所以在实际计算中，LPDDR作为HBM的备用空间，HBM将一些低频KV cache下放至LPDDR内，NV Rubin还会将更低频的KV cache下放至柜内SSD，以拓展存储空间。 2.4Rubin架构下互联升级，存储密度稳步提升 ➢在Rubin架构中，柜内存储可分为三级 ➢第一级HBM4，HBM与GPU通过CoWos封装，物理距离最近，且HBM带宽最宽。单GPU容量达288GB，单计算托盘容量达1152GB； ➢第二级LPDDR5X，焊接在CPU旁的PCB板上；供CPU及GPU调度使用，带宽中等，相较于HBM差距明显，单CPU容量达1536GB，单计算托盘容量达3072GB； ➢第三级为柜内SSD，通过BlueField4 DPU调度互联，为CPU、GPU较低速传输数据。单计算托盘容量达64TB（2026CES发布会口径）。 资料来源：2026CES，东吴证券研究所 3、大语言模型的存储需求 3.1 transformer架构数据流转频繁——存力决定算力效率 ➢Transformer数据流转： ➢模型无法直接理解文字（如“人之初”），必须经过Token化（转数字ID）和向量化（Embedding），将离散的文字转化为计算机可运算的连续高维向量； ➢通过线性投影，将输入向量转化为Query（查询）、Key（键）、Value（值）三个矩阵； ➢最后通过计算注意力分数（Attention Score），衡量词与词之间的相关性，再加权融合Context Vector，最终经过Softmax输出预测结果（“性本善”） 3.2大语言模型分训练、推理数据流程——存力决定算力效率 ➢模型训练时：模型由SSD经过PCIe 6.0流向LPDDR5x，由CPU进行Token化，再回传给LPDDR5X，通过C2C互联传给HBM作为参数输入给GPU，GPU训练完成后回传结果给HBM，再写入SSD保存模型或周期性保存checkpoint。 ➢模型推理时：模型由SSD经过PCIe 6.0流向LPDDR5x，用户从网络端发送请求至交换机，由CPU进行Token化传输给LPDDR5X后，通过C2C互联连接HBM向GPU发送计算请求，GPU计算完成后传回HBM，HBM再传回LPDDR5X，再通过CPU回传给交换机，再将结果给到用户。 3.3容量测算：解构模型显存消耗或推动需求呈指数级增长 ➢AI模型的生命周期主要分为训练（Training）和推理（Inference）两个阶段。这两个阶段对显存有着截然不同的要求。 ➢“16字节法则”混合精度模型训练下显存消耗： ➢静态显存需求：参数（FP16）2Bytes；梯度（FP16）2Bytes；Adam优化器（FP32）需要维护参数的备份(4B) +动量(4B) +方差(4B)=12Bytes；故万亿参数的模型需要16TB级别显存才可存储其静态存储； ➢动态显存需求：模型状态也需占用显存空间，包括激活值及临时缓冲区，其中激活值大小与模型规模（层数L、隐藏层维度d_model）、序列长度(S)和训练批次大小(B)呈线性正相关。 ➢推理显存消耗： ➢静态显存需求：参数（FP16）2Bytes； ➢动态显存需求：推理中生成的过程数据KV cache需占用大量显存空间，目前主流大模型采用GQA算法，将多个Query头分成一组，每组共享一对Key/Value头，以Llama-3-70B为例，采用8：1的GQA分组，将KV cache的显存占用降低了8倍。KV cache=2 * L *𝑁𝐾𝑉*dℎ𝑒𝑎𝑑*𝑃𝑏𝑦𝑡𝑒𝑠* Batch Size * Context Length(2是Key Value两个矩阵，L为模型层数，𝑁𝐾𝑉是KV头数，dℎ𝑒𝑎𝑑是模型注意力头维度，𝑃𝑏𝑦𝑡𝑒𝑠是数据精度，Batch Size是并发请求数量，Context Length是序列长度)。GQA算法降低𝑁𝐾𝑉，使得显存需求得到一定缓解，但由于实际计算核心SRAM的空间极小，每Token计算需重新读取模型，大规模推理任务下，显存带宽仍是核心的限制因素。 3.4Scaling Laws下参数量持续膨胀，拉高存储容量需求下限 ➢模型大小是怎么计算的？ ➢1）先从公司自身算力预算出发，计算出用于训练的算力。 算力计算方法：总算力（FLOPs）=显卡数量*单卡峰值算力*训练时长*有效利用率。 ➢2）根据Chinchilla Scaling Laws，C≈6*N*D（C为算力，N为参数量，D为数据量，6为每个Token在训练过程中通常需要6次浮点运算，前向传播2次+反向传播4次），D≈20*N，C≈120*N²。 ➢3）再根据计算得到的参数量来计算出层数L和维度d_model（N≈L*12* d_model ²） ➢4）由模型总维度d_model可以推算出𝑁_heads数量（d_model=𝑁_heads∗d_(heads_model)）（其中d_(heads_model)为注意力头维度,目前标准维度为128） ➢以GPT-3为例，1750亿参数，模型总维度为12288(模型注意力头为96个，注意力维度为128维)，模型层数为96层。 4、训练与推理端技术发展拉动存储需求增长 4.1训练端：模型升级驱动HBM及SSD的容量扩张 ➢大模型在训练阶段对存储的拉动： ➢更大模型——更大的显存及SSD空间需求 ➢模型参数量的持续扩张是大语言模型发展的主线。这种线性地增长是提升模型能力的核心路径，2020年，GPT-3参数量为1750亿，2023年3月，GPT-4参数量约为1.8万亿。增幅超9倍。在模型参数增长的背景下，为存放下更多参数，对存储（NAND+DRAM）的需求也持续增长。 ➢MoE架构——更大显存空间需求 ➢在MoE架构下通过稀疏激活机制，实现了“大模型的容量，小模型的算力”，但模型需全量存储在显存中，本质上是用存储空间换取训练速度，对显存需求拉动明显。 ➢长上下文——更大的带宽需求 ➢2020年到2026年GPT-3