长江存储扩产三座晶圆厂：AI 算力底座进入“存储驱动”阶段，国产化率突破关键门槛

在大模型竞争逐步从“参数规模”转向“系统效率”的背景下，存储正在成为新的瓶颈资源。近期，长江存储（YMTC）被曝将新增两座晶圆厂，加上即将投产的三期项目，其整体产能将实现翻倍增长。

这一扩产动作如果落地，不只是传统半导体产能提升，更意味着 AI 基础设施中“存储层”的战略地位正在显著上升——从配套组件，转变为决定系统性能与成本的关键变量。

三座新厂 + 产能翻倍：存储成为 AI 基建核心变量

根据披露信息，长江存储当前在武汉已有两座晶圆厂，总月产能约 20 万片。新增规划包括：

• 一座即将在年内投产的三期工厂
• 两座尚在规划中的新晶圆厂

三座新厂满产后，每座月产能约 10 万片，意味着公司整体产能将提升超过 100%。

这一规模的扩张，背后并非传统消费电子需求驱动，而更可能与 AI 场景对高性能存储的爆发式需求直接相关：

• 大模型训练需要高带宽存储支撑参数与中间状态
• 推理场景依赖高速读写以降低延迟
• 向量数据库与检索增强（RAG）显著提升存储访问频率

换句话说，Token 的增长不仅消耗算力，也在“吞噬”存储带宽与容量。

从 NAND 到 AI 工作负载：存储角色正在重构

长江存储的核心产品集中在 3D NAND Flash，而在 AI 时代，这类存储的使用方式正在发生变化：

1. 数据规模爆炸

训练数据集、Embedding 向量、日志与缓存数据规模持续膨胀，对高密度存储提出更高要求。

2. 访问模式改变

AI 工作负载呈现出高并发、小粒度、随机访问特征，与传统顺序读写有明显差异。

3. 性能瓶颈转移

在 GPU 算力持续提升的情况下，数据加载与 IO 成为新的限制因素，存储带宽的重要性显著上升。

因此，存储不再只是“容量问题”，而是直接影响模型训练效率与推理延迟的关键组件。

国产设备占比过半：供应链重构的标志性节点

本次三期晶圆厂最受关注的技术信号，是其国产设备采购占比首次超过 50%。

这一变化意味着：

• 本土半导体设备厂商开始进入主流生产体系
• 关键工艺环节的“去依赖化”取得阶段性进展
• 晶圆厂在设备选择上拥有更高灵活性

从 AI 产业视角看，这一点尤为重要。因为算力基础设施的稳定性，不仅取决于 GPU 或模型，也高度依赖：

• 存储芯片供应
• 制造设备可得性
• 产业链整体韧性

当国产设备占比提升，意味着 AI 基础设施在供应链层面具备更强抗风险能力。

投产节奏：从产能建设到 AI 需求兑现

根据现有规划：

• 三期工厂预计今年年底投产
• 到 2027 年实现月产能约 5 万片的阶段性目标

这一节奏与 AI 行业发展周期高度重叠。未来两到三年，正是：

• 大模型商业化深化
• Agent 应用规模化落地
• 企业级 AI 基础设施升级

的关键窗口期。

换句话说，这一轮存储扩产，很可能正好对应下一阶段 AI 需求的集中释放。

AI 工程视角：存储正在成为系统瓶颈

从工程角度看，随着模型规模与调用量增长，系统瓶颈正在发生转移：

过去：
- 主要受限于计算（GPU/TPU）

现在：
- 计算、内存与存储形成“三角约束”

典型表现包括：

• KV Cache 与模型权重占用大量显存与外部存储
• 数据加载速度限制训练吞吐
• 分布式系统中 IO 成为长尾延迟来源

因此，越来越多优化开始围绕“数据路径”展开，例如：

• 分层存储（HBM + DRAM + SSD）
• 数据预取与缓存机制
• 存储与计算协同调度

长江存储的扩产，本质上是在为这一系统级优化提供“物理基础”。

更宏观的信号：AI 竞争延伸至半导体制造层

如果将这一事件放在全球 AI 竞争格局中，可以看到一个更清晰的趋势：

AI 竞争正在从模型层，向更上游延伸：

• 芯片设计（GPU/ASIC）
• 存储技术（HBM/NAND）
• 晶圆制造与设备
• 能源与数据中心基础设施

这意味着，未来 AI 竞争不只是算法或产品能力，而是一个完整产业体系的比拼。

在这一体系中，存储的角色正在从“配角”转变为“关键基础设施”。

结语：当 Token 爆发，存储成为真正的“隐形算力”

大模型时代，一个常被忽视的事实是：
每一个 Token 的生成，都依赖大量数据的读写与缓存。

当调用规模进入万亿级别，存储系统本身就成为“隐形算力”的一部分。

长江存储的扩产与国产化突破，正发生在这一关键节点上——它不仅关乎半导体产业升级，也在为下一阶段 AI 规模化应用提供底层支撑。

对于技术社区而言，理解 AI，不再只是理解模型，而是理解整个从计算到存储的系统工程。