长鑫科技谈DRAM分层：AI算力需求分化，存储评估转向五维度

AI产业不断扩张，算力需求跟着水涨船高，存储是算力体系里承托数据流转的关键一环，行业竞争的玩法也在悄然改变。11月12日，在2026 DRAM分层新边界》主题演讲中，演讲者结合当下产业供需结构的变化，解读DRAM如何适配多样化的AI场景，为国产存储企业的赛道布局提供参考思路。

算力需求走向分化，多赛道存力增长节奏出现差异

AI浪潮带来的这轮算力景气周期，已经不再是统一上扬的单线行情，不同终端、不同应用场景对内存资源的诉求逐步拉开差距。行业测算数据显示，2024年至2031年，全球AI算力规模年均复合增速可达96.1%，这股强劲需求持续拉动整个半导体板块向上。

不过总量高速增长之下，市场结构已经明显分化。服务器领域拿下了存储需求的一半以上，资源优先向大模型训练、

硬件市场有分层，AI应用场景同样带来需求分化。对话生成、智能体办公这类任务算轻量推理；大规模模型训练和长文本处理则压在重负载一侧，各环节对内存的要求差别很大。以大模型推理的解码阶段为例，卡点在内存带宽；长文本前置处理受制于算力；多卡大参数模型训练，看的则是内存容量和芯片互联能力。

DRAM处在存储体系承上启下的关键位置，既要承接高频交互的模型参数、

跳出容量速率单一标尺，五大维度构建内存评估新框架

过去评判内存产品，容量和传输速率两项参数几乎是全部，行业也习惯这么看。可AI场景越来越多样，这套简单标准已经对不上复杂的业务需求。骆晓东拿物流网络打比方讲数据调度，提出用五个维度来刻画真实的内存需求，给存储技术迭代搭了一个新的分析框架。

容量好比仓库总面积，决定系统能不能把完整大模型参数装进本地，大规模模型训练和超长上下文推理对这项要求最高。带宽是单位时间能吞吐多少数据，前馈计算要成批调取模型参数，并发压力不大的时候，短板就落在带宽上。写入率相当于反向回传通道的承载能力，模型训练、权重更新时它的分量明显加重。访问粒度指单次调取的数据单元有多大，稀疏注意力计算要反复读碎片化的对话缓存，小粒度随机访问能力因此受到考验。延迟就是数据调取要等多久，注意力计算环节零散缓存读得频繁，模型输出快不快，直接由延迟决定。

五项指标此消彼长，拼出不同AI场景下各自的内存画像。存储行业的较量也因此变了：不再比单一参数，而是比谁能拿出覆盖全场景的产品方案。把上层应用系统的运行逻辑摸透，再针对性地给出分层存储方案，成了厂商抢市场主动权的切入点，国内存储企业也借此拿到差异化竞争的空间。

锚定RDIMM服务器赛道，全品类产品矩阵覆盖算力场景

Agent智能体应用铺开得很快，多租户、高并发的业务特征反过来推着服务器CPU升级，内存通道标准也在持续更新。市场对大容量、高带宽内存的需求一路走高，RDIMM靠自身特性站上了产业风口。

RDIMM直连CPU，在算力链路里是离计算单元最近的数据通道，低延迟、生态成熟、单位容量成本低这几点都很突出，长期是服务器内存的基础方案。眼下全球服务器内存正进入扩容周期，小容量模组占比一路下滑，128GB这类高容量产品渗透率稳步上升，RDIMM的市场价值重心也在往上移。

长鑫科技

在服务器之外，端侧存储同样是布局重点。今年长鑫推出新一代

算力分层已是产业里确定的走向，存储厂商不再盯着单一性能极限，而是按不同层级的算力需求铺产品矩阵。依托服务器RDIMM、端侧