鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

AI重构端侧存储,AI NAS会是下一个风口么?丨ToB产业观察

编程导航
编程导航
2026-01-04 12:30
阅读 146
编程导航
2026-01-04 12:30
阅读 146

IDC最新发布的全球AI基础设施支出报告中显示,当季全球AI基础设施总支出达820亿美元,其中服务器占比98%,而存储设备仅占1.4%,支出金额仅16亿美元。

这份看似“存储缺位”的数据背后,却暗藏着产业变革的关键信号:在生成式AI大模型参数突破万亿级的今天,训练过程中产生的PB级检查点数据、推理阶段的实时数据调用,正让“数据饥饿”成为制约算力释放的核心瓶颈。

在此背景下,NAS(Network Attached Storage,网络附属存储)似乎将成为解题思路。根据预测,NAS市场作为一个新兴且增长巨大的细分市场,在AI技术加持下正迎来爆发式增长。数据显示,全球AI NAS设备市场预计到2031年将达到7.3亿元,年复合增长率高达49%。

绿联AI NAS在日本众筹斩获720万美金,成为全品类冠军;铁威马企业级AI NAS全球用户突破1000万。从被AI服务器“遮蔽”的1.4%,到即将爆发的200亿美元赛道,AI NAS正以“本地智能中枢”的身份,重构存储产业的价值逻辑。

从NAS到AI NAS,变革已经开始

传统NAS曾是专业用户的小众工具,而AI的注入让其完成了从“数据仓库”到“算力节点”的蜕变。

IDC在《数据时代2025》报告中早已预警:全球数据圈将在2025年达到175ZB,其中85%为非结构化数据——这些来自手机、相机、工业传感器的图片、视频、音频,构成了AI训练的“燃料”。但传统存储模式下,这些“燃料”的传输与利用效率极低,形成严重的“数据堵点”。

传统NAS以“存储控制器+硬盘阵列”为核心,性能指标集中在读写速度和容量;AI NAS则以“存储模块+AI算力模块+智能调度模块”为核心,形成“存算一体”闭环,性能指标扩展至算力以及模型支持能力,这种架构差异,是两者形成价值鸿沟的根源。

从能力上看,在数据采集环节,传统NAS依赖手动拷贝或简单同步,效率低且易遗漏;AI NAS则实现“多终端智能同步+自动分类”;在数据检索环节,“按文件名检索”是传统NAS的唯一方式,用户忘记文件名就只能逐个翻阅;AI NAS则支持“文本、语音、图片”多模态检索,实现“语义级理解”;在数据处理环节,传统NAS存储的是“原始数据”,用户需借助专业软件处理;AI NAS内置AI工具,实现“数据存储即处理”;在数据共享环节,传统NAS仅支持文件共享,AI NAS则将数据转化为“智能服务”。

除了对于私域数据处理的优势之外,AI NAS通过“内置模型+开源兼容+SDK支持”实现“模型自由”。比如,据英特尔技术专家介绍,英特尔AI SDK套件包含语音识别、图像分类等基础模型,绿联、铁威马在此基础上开发场景化模型;支持Ollama、llama.cpp等开源框架,用户可自行部署Llama 3、Mistral等大模型。

具体到应用场景上,传统NAS采用SATA协议机械硬盘,读写速度通常低于200MB/s,而AI大模型处理1小时高清视频需读取数十GB数据,这种“存储拖后腿”的情况,导致全球AI服务器的平均算力利用率不足45%。

而AI NAS的出现打破了这一僵局。比如,极空间Z425 AI NAS支持NVMeoF协议,本地读写速度达3000MB/s,配合雷电4接口,摄影师可直接在设备上编辑4K视频,无需先拷贝至本地硬盘。通过AI NAS,原先编辑1小时的4K素材导入要20分钟,现在可以缩短到秒级别,导出速度也提升近3倍。

英特尔的技术专家表示,在加入了算力的能力之后,AI NAS具备了一定的本地算力处理能力,相当于将传统以存为主的附属存储设备属性的NAS赋予了更高层级的能力,能够支持本地知识库检索,“我们进行了本地知识库检索测试,双锐炫Pro B60配置的检索效果明显优于单卡或无卡配置。这得益于更大的显存和更好的硬件配置,为运行32B大模型提供了基础。模型规模对准确度有影响:32B模型在检索中表现优于14B模型。”该名专家指出,“因此,良好的硬件基础对于AI NAS而言,至关重要。”

从行业数据看,这种需求已形成规模化。2025年中国串行连接存储设备市场规模突破1500亿元,其中NVMe SSD市场规模达480亿元,复合年增长率28.6%。IDC预测指出,随着AI模型从“实验室走向生产端”,存储支出占比将从当前1.4%快速提升至2027年的12%,AI NAS将成为核心增长引擎。

AI NAS不再小众

如果说过去传统NAS的应用场景,仅仅是极客个人玩家与小部分小型企业需求的话,那么当AI时代到来,海量数据成为“真金白银”,当NAS装上算力的翅膀,升级为AI NAS之后,它就成为了个人玩家和中小企业在开发AI应用过程中的必选项。

这个过程中,AI NAS最先被人们看到的优势就是对个人数据和企业私域数据的保护。Gartner 2025年《数据隐私风险报告》显示,68%的企业因担心数据泄露,拒绝将核心数据上传至公有云;欧盟GDPR与中国《数据安全法》的严格规定,进一步强化了“数据本地化”需求。

AI NAS的“本地部署”特性,恰好解决了这一矛盾。通过“本地模型运行+AES 256位加密存储”,确保企业的数据不离开设备。

医疗领域的需求更为刚性。某县级医院采用AI NAS存储百万级CT影像,本地部署的肺结节检测模型能在5秒内完成分析,灵敏度达95%。数据全在院内流转,既符合《医疗数据安全指南》,又避免了云端传输的隐私风险。Gartner指出,具备内置合规验证能力的存储产品,在医疗、金融领域的中标率较传统方案高出3.2倍。

个人用户的隐私需求同样旺盛。比如飞牛OS AI相册积累80万高频用户,核心吸引力就是“人脸识别数据只存本地,不会被用于商业建模”。日本市场调研显示,绿联AI NAS用户中,50岁以上群体占比达32%,远超传统NAS的15%,“担心云端数据泄露”是主要购买动机之一。

除了数据安全的考虑之外,在AI时代,个人用户与中小企业对于AI算力的需求也成为了AI NAS今年以来持续火热的重要原因之一。对此,英特尔技术专家告诉笔者,中小企业和家庭用户本身存在强烈的算力需求。“例如,家庭内部越来越多的应用需要更强算力,而手机无法承载。NAS作为小型中心,便可承担此类应用。”该名专家如是说。

而与高昂的云服务租赁或者数据中心租赁服务相比,AI NAS在应对规模并不大的AI算力需求的时候,成本优势极为明显。以智能会议纪要场景为例,用云端GPT-4处理10万份会议纪要,需要支付3万元费用,且响应延迟超过5秒;用本地AI NAS,一次性投入8000元,响应时间仅300毫秒,后续几乎零成本。

对中小企业而言,这种差异更为“致命”。某50人规模的制造企业,此前每月需支付1.2万元云端AI服务费用于设备故障文档检索;部署铁威马AI NAS后,硬件投入2万元,工程师通过自然语言提问“SY215C挖掘机液压油温过高怎么办”,系统3秒内即可输出解决方案,6个月就收回成本。IDC测算,部署AI NAS的中小企业,平均IT效率提升45%,人力成本降低20%。

从行业趋势看,这种“成本替代”将加速。有数据统计显示,2025年企业级PCIe 4.0 NVMe SSD每GB价格以11%幅度下降,其中,2025年第一季度,企业级固态硬盘(eSSD)的平均销售价格(ASP)大幅下降近20%。AI NAS的单位存储成本进入0.6元/GB区间。

AI NAS既避免了公有云带来的数据泄露和长期租用成本问题,又提供了接近本地硬盘的读写速度与灵活操作性,因而在远程访问、在线协作和数据保护等方面展现出独特优势。

显然,AI NAS已经成为既对性能与容量有要求,又对成本敏感的企业级用户的不二之选。

三个核心场景,AI NAS能成为新风口么?

“2025年是AI NAS的落地元年,2026年将迎来爆发期。”这是英特尔中国区技术部总经理高宇对于AI NAS发展前景的判断。根据市场数据显示,全球AI NAS设备市场预计到2031年将达到7.3亿元,年复合增长率高达49%。且根据市场趋势显示,AI NAS的应用场景正从消费级向企业级扩展。

需求的多元化催生了场景的细分化,AI NAS已形成“个人家庭、中小企业、垂直行业”三大核心场景,每个场景都呈现出独特的价值主张。据Gartner 2024年全球存储市场报告显示,全球边缘计算存储市场规模已突破200亿美元,家庭与中小企业AI存储需求年增长率高达47%,数据主权意识的觉醒让本地智能存储成为新的市场风口。而AI NAS的能力也正好迎合了企业级用户与消费级用户对于存储能力的新需求。

除去消费级的场景——个人家庭用户场景之外,AI NAS能否真正成为风口,主要还是看需求更大的中小企业与垂直行业的应用前景。

中小企业方面,其长期面临“算力成本高、IT人才缺”的困境。AI NAS的“低成本智能”特性,恰好契合需求。此外,Gartner指出,具备AI生产力工具的存储设备,能帮助中小企业将决策响应速度提升60%。铁威马产品总监郭钱良介绍,铁威马T系列AI NAS 2024年销量同比增长180%,核心客户集中在电商、制造、律所等领域。

而在垂直行业中,医疗、制造、安防等领域已经成为AI NAS应用的重要场景,且在这些场景中,AI NAS已从“定制化方案”走向“标准化产品”。以医疗领域为例,有数据统计,2025年全球医疗影像数据量达80PB,中国医疗机构产生的医学影像超500PB。某县级医院采用英特尔至强平台AI NAS,存储百万级CT影像,本地肺结节检测模型将阅片时间从30分钟缩短至5分钟,灵敏度达95%。

虽然市场前景较好,但AI NAS仍处于起步阶段,行业内对AI NAS也没有严格的定义和标准。目前业内达成的共识是:集成了NPU、GPU等处理器,能够更为高效的运行AI应用的NAS产品都可以视为AI NAS。

AI NAS凭借“本地智能+高效存储”的双重优势,正从概念验证迈向规模化落地。随着2025年“落地元年”的开启,其核心价值已在中小企业降本增效与垂直行业智能化升级中得到充分验证,从电商企业的实时数据分析到县级医院的AI辅助诊断,AI NAS正成为连接数据与生产力的关键枢纽。(文|Leo张ToB杂谈,作者|张申宇,编辑丨盖虹达)

原文链接: AI重构端侧存储,AI NAS会是下一个风口么?丨ToB产业观察
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230