🎯 AI存储 · 技术创新
🔥 美光推出近GPU NAND方案，GPU可直连数百GB存储池，有望破解大模型推理显存瓶颈
一、存储新架构：近GPU NAND的诞生
AI大模型参数规模持续膨胀，显存瓶颈日益凸显。9月3日，据TechPowerUp和科创板日报报道，美光公司正在探索开发一种名为"近GPU NAND"（Near-GPU NAND）的新型高耐久性NAND闪存模块方案，计划将闪存部署在距离GPU更近的位置，让GPU能够直接访问数百GB容量的存储池。
这一技术的核心逻辑，是改变传统存储经由多重协议接入远端存储池的架构局限。美光希望在存储密度与耐久性能之间实现平衡优化，主要面向不需要极致低延迟、超高带宽的业务场景。与追求高密度的传统TLC、QLC NAND不同，新芯片适当降低存储密度，将研发重心放在提升I/O速度、带宽与读取速度上。
二、填补HBM与普通存储之间的空白
近GPU NAND技术的出现，填补了HBM（高带宽内存）与普通NAND闪存之间的性能空白。存储芯片可布置于GPU封装内部或是印刷电路板之上，工作逻辑与HBM、GDDR7等高速存储技术有异曲同工之处。
当模型参数超出显存容量时，近GPU NAND可以缓解内存带宽瓶颈，让系统在不增加GPU数量的前提下支撑更大规模的推理任务。这对于运行超大规模人工智能大语言模型具备突出价值，有望破解大模型推理过程中受限于显存容量的现实瓶颈。
三、行业竞赛：SK海力士与SanDisk已率先布局
值得注意的是，SK海力士与SanDisk已经率先推动HBF（High Bandwidth Flash）方案，试图用更耐用的NAND扩展GPU的HBM寻址空间。美光的近GPU NAND方案则是另一种技术路线，两者殊途同归，都在探索如何突破AI存储的带宽与容量矛盾。
#美光探索开发近GPU NAND闪存方案#这一动态，反映了整个AI存储行业正在从单一追求带宽性能，向"带宽+容量+成本"综合最优的架构演进。所有厂商仍面临共同挑战：如何在保持NAND成本优势的同时，大幅缩小其与HBM在带宽和耐久性上的差距。若这项技术实现落地，将为AI大模型推理成本下降开辟新路径。
综合科创板日报、环球网、TechPowerUp、金融界报道 | 2026年9月4日
收起 ▲