美国养出300亿美元VAST Data，中国为什么难养一家AI存储公司？

“谁来填补算力与硬件之间的鸿沟？ ”

作者丨杨依婷

编辑丨包永刚

2026年4月，VAST Data刚刚拿到了一笔约10亿美元的融资，估值被推到300亿美元。它的客户名单里，有xAI、CoreWeave，也有美国空军。

大洋彼岸的资本市场，正在用真金白银给AI存储软件定价。

与此同时，北京的XSKY正在为同一个问题寻找答案。

2026年8月30日，北京星辰天合科技股份有限公司（XSKY）再次向港交所递交上市申请，华泰国际担任独家保荐人。

这已经是它第二次冲刺港股上市。就在半年前，XSKY第一次递表因超过六个月有效期而失效；如今，公司重新出发，并继续把自己定义为一家“AI存储解决方案提供商”。

如果这一次顺利完成上市，XSKY有望成为港股市场首家以AI存储为核心标签的公司。

有意思的是，XSKY与VAST Data其实正在做一件越来越接近的事情：把存储从一项幕后基础设施，变成AI时代可以单独出售的软件能力。

VAST Data已经获得了资本市场的正面回应。XSKY则仍在寻找属于自己的答案。

灼识咨询给出的数据是：按2024年装机量计，中国前五大分布式AI存储解决方案提供商合计市占率52.3%，XSKY一家占10.4%，是中国第二大分布式AI存储解决方案提供商，也是其中唯一的独立第三方玩家。

但XSKY面对的竞争格局并不轻松。

招股书并未披露另外四家企业的具体身份，多位存储行业人士向雷峰网表示，其中很可能包括大型云厂商自研的存储系统。这些系统通常并不对外销售，而是服务于自身业务体系。

这意味着，在XSKY进入市场之前，相当一部分份额已经被大厂的自研体系锁定了，独立第三方能争夺的空间从一开始就有限。

XSKY为什么要把自己重新定义成“AI存储”公司？为什么在中国做独立存储软件生意这么难？

这背后连着的，是整个存储行业这两年被迫做出的一系列商业选择。而这些选择的起点，是一个无法忽视的变量：行业节奏。

AI加速，存储的24个月周期失效了

“以前存储行业基本围绕英特尔和AMD的节奏来走，大致是两年一个代际的轮换。”某头部SSD供应商的亚太区负责人王辉回忆。这是存储行业过去几十年习惯的节奏：一款产品从设计、验证，到量产、规模部署，每个环节都需要给供应链留出充分的消化周期。

这套节奏在AI时代崩掉了。

王辉观察到，如今以英伟达为代表的加速计算体系，正在重新定义存储的演进速度。尤其是在计算端需求快速变化的情况下，存储往往需要每6个月左右进行一次更新；而在中国，由于芯片架构和技术路线百花齐放，部分场景的更新周期甚至可能进一步缩短至3到6个月。

“以英伟达为代表的力量，正在大规模加速存储行业在技术和架构层面的演进，而传统存储行业自身的研发与产品化节奏，已经远远赶不上AI时代的实际需求。”

这种错位，本质上来自AI对数据处理方式的改变。

存储行业之前更多围绕容量、可靠性和成本优化展开；但进入大模型时代后，训练数据、模型参数、推理缓存等数据规模快速增长，存储不仅需要“装得下”，还需要更快地被调用、更高效地参与计算流程。

多个行业研究机构追踪到了一个共同的趋势：自2010年以来，前沿AI模型的训练计算量大约每6个月翻一倍；大语言模型的能力密度大约每3.5个月翻一倍，模型规模持续膨胀，直接推高了权重存储、带宽以及训练和推理过程中的数据访问压力。

而问题在于，存储介质本身的演进速度，并没有跟上算力发展的节奏。

以NAND Flash为例，3D NAND大约每12到18个月更新一代。从2014年的24层发展到2022年的238层，八年间堆叠层数提升近十倍，却依然难以匹配AI时代数据规模增长的速度。

当3D NAND堆叠层数突破300层后，制造难度成倍增加，刻蚀深度逼近物理极限，层间应力导致晶圆变形，单芯片堆叠已无法承载更高层数；与此同时，每代新工艺需要数十亿美元的研发投入，良率风险极高。成本、良率、性能、可靠性之间的矛盾越发尖锐，乃至不可调和。

DRAM的迭代则更慢。鼎盛时期，DRAM密度大约每18个月翻一番；而过去十年，这个数字总共只增长了约2倍。

原本依靠制程和密度提升获得的性能与成本红利，在存储领域正在变得越来越有限。

当AI计算和数据规模仍以高速增长，而存储介质升级周期依然以年计算时，如何在有限硬件能力下释放更高效率，成为所有存储厂商必须面对的问题。

这场节奏变化带来的压力，也最终传导到了产业链每一个参与者身上：究竟是继续等待标准化方案成熟，还是自己下场打造一套适配AI需求的存储体系？

自己造，还是等原厂标准化？
一道摆在所有云厂商面前的题

云厂商自研SSD控制器和软件栈，正在成为AI存储时代的一种新尝试。

在某存储原厂技术负责人姚奕看来，自研最大的价值，是能够让软硬件结合得更紧密，存储架构可以围绕自身业务需求进行优化，进一步提升整体效率。

但另一面，定制化也意味着规模劣势。

在当前整个存储供应链都处于紧张状态的背景下，小规模定制产品往往需要单独采购控制器、基板、电容电阻等元器件，难以享受到规模采购带来的成本优势。

与此同时，供应越紧张，原厂通常越倾向保障标准化、大批量产品的交付，定制化方案反而更容易排在后面。

“关键是要权衡，你通过软硬件结合获得的效率优势，和你面临的供应链劣势，到底哪个占优，再做适当的决定。”

姚奕给出的建议是折中方案——企业可以进行一定程度的自研，但重点应该放在架构和方案创新上。当需求被验证后，再推动原厂进行标准化落地。

软件层面的情况同样值得关注。

某头部SSD供应商的亚太区负责人王辉观察到，国内大厂普遍倾向于打造自己的体系，比如阿里的CPFS智算版、腾讯的Histor、字节的ByteLake与LavaStore等等，这种模式的问题在于，各家的创新难以形成规模效应，供应链也难以通过统一标准进一步优化。

相比之下，海外市场的软件标准化协作体系更加成熟。不同企业更愿意基于共同标准进行建设，把资源投入到上层应用和差异化能力竞争中，“微软做的亚马逊也可以用”。

姚奕和王辉都认为，长期来看，存储行业的发展方向仍会回归标准化与规模化，并且随着硬件本身的差异化逐渐减弱，软件调度能力和整体方案优化能力对最终性能的影响会越来越大。

而在大洋彼岸，刚好有一批新玩家用行动验证了这个判断。

没有历史包袱的新云
和背着资产的老云走上了两条路

有这样一类正在改写行业玩家格局的新玩家——“新云”（Neocloud）。

CoreWeave、Nebius都属于这一类。与传统云厂商从通用云服务延伸AI能力不同，这些公司旨在围绕AI工作负载构建基础设施，目标非常明确：提供适配大模型训练和推理需求的算力服务。

这些公司有一个共同的特征：为AI而生。

传统云厂商经过多年发展，积累了大量既有架构和存量资源，需要在新业务和旧体系之间寻找平衡；而新云玩家没有历史包袱，可以从零开始设计AI基础设施，不需要兼容过去的技术路线。

落实到存储上，这个特征体现得尤为彻底。

王辉表示：“这些公司从成立第一天起几乎就从未接触过传统架构和机械硬盘这种东西。”

它们的思路很简单：以最快的速度搭建满足AI需求的基础设施。因此，在GPU选择上优先采用最高端产品，在存储方案上也很少采用传统机械硬盘加缓存的混合模式，而是更多采用纯SSD方案。

CoreWeave的快速扩张，正是这一模式的体现。公司2026年第一季度营收达到20.78亿美元，同比增长112%；合同积压订单达到994亿美元，其中Meta、Anthropic等AI企业均签署多年期合作协议。

表面看是高端配置，落到决策层面，核心驱动力其实是部署效率。

当企业已经拥有大量GPU，却缺少匹配的存储基础设施时，最大的需求并不是寻找一个成本最低的方案，而是在最短时间内获得一个能够运行的方案。“他们买的是速度和确定性。”王辉补充道。

这也是新云模式与传统路径的差异所在。

在国内，很多企业仍倾向于投入大量人力，去自研软件、优化架构，再逐步与GPU系统适配；而新云玩家没有这个耐心，也没有这个历史包袱。

一边是从零开始的新云，可以用标准化方案快速搭建AI基础设施；另一边是背负存量机房和传统架构的老玩家，需要在已有体系上持续优化。

两者并不存在简单的技术先进与落后之分，背后更多是资产结构和商业阶段的不同。

目前国内大部分AI算力中心仍在采用“缓存加机械硬盘”的混合存储方案。姚奕指出，这主要是因为国内算力中心的资本支出本就远低于北美，而Token单价又远低于海外市场——卖得便宜，利润空间自然更薄。而且短期内，企业在空间、功耗和整体基础设施效率上的压力还没有那么突出，有限的预算更多被优先投入GPU，留给存储的钱自然就少了。

因此，“缓存加机械硬盘”的方案在国内仍会持续一段时间。

这也决定了另一类公司的命运——那些专门做AI存储软件的厂商，在中美两个市场里，正在走出完全不同的路。

同一款存储，凭什么在国内卖不动？

当越来越多企业开始真正面对AI工作负载时，存储面对的压力也从容量和介质选择，延伸到了整个系统的效率：如何让数据更快地流向计算，又如何让现有硬件承载越来越复杂的AI任务？

这给AI原生存储留下了新的空间。

存储解决方案销售张岳将这一市场里的玩家大致分成两类：一类是在SSD主控芯片上加入AI算法，从芯片层面做优化；另一类则聚焦存储系统本身，通过软件能力提升存储对AI工作负载的适配程度，VAST Data就是其中的代表，XSKY也正在向这一方向靠拢。

与传统存储不同，AI存储面对的并不是数据库、企业虚拟化这类已经相对成熟的工作负载，而是训练和推理带来的高吞吐、高并发数据处理需求。尤其到了推理阶段，模型需要持续响应外部请求，数据访问效率甚至会直接影响GPU利用率和整体成本。

以VAST Data为例，它不自研芯片，也不自己生产服务器硬件，核心业务聚焦于存储系统，通过软硬件协同，为AI训练和推理提供高性能存储能力。在推理场景中，它还支持将部分GPU显存数据卸载出来，以降低整体成本。

这套模式在北美已经找到了相对成熟的市场。

2026年4月，VAST Data完成了约10亿美元的F轮融资，估值从2023年的91亿美元跃升至300亿美元，英伟达等机构持续参投。其累计预订额已超过40亿美元，客户覆盖CoreWeave、xAI、摩根大通、美国空军等机构，通过3至7年的长期合约构建了稳定且可预测的收入来源。

但这套生意放到国内，商业化难度明显更高。

第一个问题是价格，VAST Data这类产品整体价格偏高，在国内客户普遍对基础设施成本高度敏感的情况下，单纯依靠性能提升，很难让客户轻易接受较高的溢价。

第二个问题更难解决——国内大厂普遍缺乏为纯软件长期付费的习惯。即便采用外部产品，也往往会加入大量定制化要求，最终把一个标准化产品重新变成自己的方案。

这使得AI原生存储在国内面对的核心问题，逐渐从技术能力转向商业价值：客户能否清晰感知到软件带来的效率提升，并愿意为这种效率支付费用。

但张岳认为，随着AI发展，数据处理的重要性不断提升，传统分布式存储之外，面向AI训推场景的存储需求也会逐渐增加。

XSKY的转向，正发生在这个变化之中。

对于一家长期以分布式存储为核心业务的企业而言，AI存储提供的既是新的产品方向，也是一种重新进入增长市场的可能。

尤其当AI基础设施开始从GPU、网络向存储侧传导，原本相对稳定的存储需求正在被重新切分：一部分继续留在传统IT体系中，另一部分则随着AI算力扩张，转向高吞吐、高并发、软硬件协同的新型存储架构。

所以，XSKY把自己重新定义为“AI存储解决方案提供商”，背后折射出的是一家公司在行业变局中寻找新价值锚点的过程。

这样的重新定义，眼下正在存储行业的各个角落同时发生。只是价值锚点这种东西，靠一次叙事升级钉不牢。

真正的考验还在后面：软件调度能力够不够强，客户愿不愿意为这层能力单独付费，能不能从几个标杆客户复制出规模化的收入。

只有那些背后真有产品和客户撑着的，才能把新锚点钉进现实。剩下的，不过只是换了个说法。时间会把答案筛出来。美国养出300亿美元VAST Data，中国为什么难养一家AI存储公司？图4

注：王辉、姚奕、张岳均为化名

▼

AI加速，存储的24个月周期失效了

自己造，还是等原厂标准化？一道摆在所有云厂商面前的题

没有历史包袱的新云和背着资产的老云 走上了两条路

同一款存储，凭什么在国内卖不动？

自己造，还是等原厂标准化？
一道摆在所有云厂商面前的题

没有历史包袱的新云
和背着资产的老云走上了两条路