如果把AI数据中心看作一座Token工厂，GPU很重要，但决定这座工厂产出的不只是GPU，数据的存储、流动与调用，同样会影响整套系统的运行效率，由此NAND闪存的价值也开始被重新计算。
闪迪公司工程高级副总裁Mrinal Kochar也观察到存储在AI数据中心中角色的变化。他指出：“尽管GPU、CPU和AI加速器频繁受到媒体关注，但存储正在经历属于自己的复兴。无论是配置与优化方式，还是数据中心机架内的物理部署位置，都在发生深刻的变革。”
从有多少GPU到生产多少Token
Token是模型处理输入和生成输出的基本单位。一次推理服务，从用户输入到模型生成答案，都伴随着Token的处理和生成。
当大模型进入规模化推理阶段，基础设施关注的问题也从单纯扩大算力规模，进一步转向如何提高算力的实际产出效率上，不能让昂贵的GPU为了等数据而空转。
围绕Token，一套新的经济性衡量逻辑形成。每Token成本、单位功耗下的Token产出等指标，开始提供与单纯算力规模不同的观察角度，即存储等基础设施投入，最终能够以多高的效率转化为AI服务。在这套逻辑下，存储开始影响Token的生产链条。
存储为什么开始影响Token成本？
AI带来的一个重要变化，是要处理和保存的数据越来越多。尤其进入推理阶段，长上下文、高并发以及Agent推动KV Cache规模持续增长。而离GPU最近的HBM和DRAM容量有限、成本较高，很难承载不断扩大的KV Cache。
因此，AI系统开始将部分KV Cache转向SSD等更大容量的存储层级，在需要时再重新读取。
但数据放得下之后，能不能足够快地送回来？存储距离计算越远、数据访问路径越长，GPU等待数据的可能性也越高。如果为了降低成本而把数据全部放在远端大容量存储中，又可能影响数据供给效率。
于是，AI数据中心的存储开始出现更加明确的分工——一部分SSD向GPU靠近，承接KV Cache等需要频繁访问的数据，强调低时延、高IOPS和高并发。
与此同时，AI训练和数据准备还需要保存、读取规模庞大的数据集，这类数据不需要全部紧邻GPU，却对存储容量、密度、吞吐和能效提出了另一类要求。
这也对应了NAND闪存正在形成的两条企业级SSD演进路线——计算优化型SSD和容量优化型SSD。
两条SSD路线，对应两种Token经济账
第一条路线，是让NAND更靠近计算。计算优化型SSD部署在GPU和加速器附近，围绕低延迟、高IOPS、高并发和稳定性能进行优化，可用于模型加载、检查点保存和推理缓存等场景。随着推理与Agent应用发展，KV Cache(键值缓存)成为近计算存储新的重要负载。
Mrinal Kochar也表示，推理与AI智能体的普及，让“KV Cache(键值缓存)卸载作为第二类应用场景应运而生，现已成为NAND闪存在AI数据中心领域里最强劲的发展机会之一。”在他的判断中，计算优化型NAND闪存正在占据DRAM与传统存储之间的生态位，通过承接卸载的KV Cache，为更大上下文窗口提供存储空间。
SANDISK® SN861 NVMe SSD
在这一方向上，闪迪面向计算密集型场景推出了SANDISK® SN861 NVMe SSD。该产品采用PCIe 5.0接口，容量高达16TB，并且针对随机读写、低时延和能效做了优化，支持1或3 DWPD。其中E1.S版本已经通过NVIDIA GB200 NVL72系统认证。
这些特性背后的逻辑不是单纯让SSD跑得更快。对于计算优化型SSD而言，随着存储越来越靠近GPU，并承接推理缓存等AI负载，数据能否及时供给GPU、可复用的数据能否被快速调用，也开始影响计算资源的实际利用效率。
另一条路径，是用更大的存储容量支撑不断增长的AI数据。
AI训练需要使用大量数据，随着模型和数据集规模扩大，数据湖要保存的数据也越来越多。但对AI而言，仅仅存数据还不够。训练过程中，GPU需要持续从数据湖读取数据，因此大容量存储还要兼顾数据读取和传输效率。
但是当数据规模越来越大，能存下的同时如何控制成本、空间和功耗，这是一个问题。容量优化型SSD就是面向这一需求，不以极致低时延为首要目标，更强调大容量、高密度和能效，让更多数据能够以相对合理的成本保存在SSD上，并持续供给AI计算。
SANDISK® SN670 NVMe SSD
SANDISK® SN670 NVMe SSD对应的就是这一方向。它基于UltraQLC™平台，该平台将BiCS8 QLC CBA NAND、定制化控制器和系统调优结合，使得闪迪SN670单盘容量高达256TB，主要面向高速AI数据湖以及AI数据准备等大容量场景。
最后
NAND闪存已经进入Token经济的计算公式，当数据中心成为Token工厂，衡量NAND价值的不再只有每TB成本、IOPS和带宽。计算优化型SSD通过提高数据供给效率，容量优化型SSD通过提高存储密度和能效，两条路径最终都指向同一个问题：如何降低Token生产背后的基础设施成本。
从DOIT对AI基础设施产业的持续观察来看，当AI基础设施从算力规模扩张走向系统效率优化，Token提供了一个观察基础设施投入与AI服务产出关系的新视角。GPU依然重要，存储也开始参与Token生产效率的优化，对NAND闪存而言，其价值正在从容量、性能等传统指标，延伸到对整套AI基础设施效率和成本的影响。
