Dari Penyimpanan Panas ke Memori Dingin: Penyimpanan Terdesentralisasi di Bawah Gelombang Penyimpanan AI

Penulis: Jacob Zhao @ IOSG

Hari ini, "saham penyimpanan domestik pertama" ChangXin Memory resmi melantai di papan perdagangan ChiNext, dan meledak dengan kenaikan luar biasa 500%. Meskipun sektor penyimpanan secara keseluruhan masih terganggu oleh riak-riak penurunan baru-baru ini, penyimpanan AI terus dihargai ulang dengan gila oleh modal di tengah gelombang narasi teknologi saat ini. Sementara itu, penyimpanan terdesentralisasi di ranah Web3 terperangkap dalam keheningan dan keputusasaan jangka panjang. Mengapa, meski sama-sama menyandang nama "penyimpanan", kinerja pasarnya seperti api dan es? Pada akhirnya, jawaban dasarnya terletak pada perbedaan total dalam fungsi nilai dasarnya.

Penilaian ulang penyimpanan di era AI pada dasarnya adalah pesta pora tentang "efisiensi data panas", yang melayani maksimalisasi pemanfaatan daya komputasi dan monetisasi komersial; sementara nilai yang dipegang oleh penyimpanan terdesentralisasi adalah proposisi nilai "kepercayaan data dingin", yang membela keadilan data, anti-sensor, dan memori jangka panjang peradaban manusia. Yang pertama adalah sistem efisiensi data panas, yang kedua adalah sistem kepercayaan data dingin. Pasar modal saat ini jelas berdiri di sisi "efisiensi", tetapi peradaban manusia pada akhirnya masih membutuhkan fondasi memori yang tidak dapat diubah. Nilai jangka panjang penyimpanan dingin yang terpercaya tidak pernah hilang, ia hanya bersembunyi di sisi gelap siklus, menunggu untuk diberi harga kembali oleh zaman.

Di era TI tradisional, penyimpanan adalah bisnis 'kapasitas'. CIO perusahaan fokus pada biaya per unit kapasitas, keandalan hard disk, solusi pemulihan bencana, strategi pengarsipan, dan siklus pembaruan perangkat selama 3–5 tahun. Penyimpanan dipandang sebagai produk sampingan yang mengikuti pembelian server.

Gelombang panas penyimpanan kali ini bukanlah pemulihan siklus tradisional, melainkan penilaian ulang AI terhadap kemampuan aliran data. Di era model besar, logika penyimpanan bermetamorfosis dari "kapasitas pertama" menjadi "efisiensi tertinggi", mengutak-atik tingkat pengisian GPU, penulisan Checkpoint, dan latensi yang sangat rendah untuk RAG dan indikator ekstrem lainnya. Ini menandai nilai penyimpanan yang melompat dari "tempat perhentian akhir data" menjadi "jalur berkecepatan tinggi data masuk ke komputasi".

Evolusi hambatan sumber daya infrastruktur AI pada dasarnya adalah perang untuk melengkapi 'efek tong'. Pemanfaatan daya komputasi yang sebenarnya bukan penjumlahan linier dari aset tunggal, melainkan efek pengganda yang ketat: Pemanfaatan daya komputasi sebenarnya = GPU × HBM × DRAM × SSD × jaringan × sistem file, kelemahan di setiap mata rantai akan menyebabkan tingkat pemanfaatan daya komputasi keseluruhan runtuh. Di era AI, untuk pertama kalinya penyimpanan berubah dari 'pusat biaya' menjadi 'mesin efisiensi'. Inilah logika mendasar mengapa penyimpanan dinilai ulang.

Penyimpanan AI bukanlah penumpukan perangkat keras tunggal, melainkan sistem kompleks yang digabungkan erat dan dijadwalkan secara berlapis. Dalam sistem ini, nilai industri dan fokus modal sangat terkonsentrasi pada HBM, SSD tingkat perusahaan, pengontrol SSD, protokol NVMe/CXL, dan sistem penyimpanan kinerja tinggi. Untuk membongkar aliran nilainya dengan jelas, kami membagi arsitektur penyimpanan AI menjadi empat lapisan inti dari atas ke bawah:

• Lapisan Memori Dekat Komputasi (Inti Bandwidth): Dengan HBM sebagai kekuatan utama, didukung oleh teknologi DRAM dan pooling memori CXL. Lapisan ini langsung menempel pada paket atau bus GPU/CPU, bertujuan untuk memecahkan "tembok memori", dan merupakan pintu gerbang pertama yang menentukan apakah daya komputasi dapat sepenuhnya dilepaskan.

• Lapisan Penyimpanan Persisten Berkecepatan Tinggi (Hub IO): Logika intinya adalah SSD tingkat perusahaan = partikel NAND + pengontrol SSD + jalur data NVMe/PCIe. Lapisan ini menangani penulisan Checkpoint frekuensi tinggi, pemuatan set pelatihan besar-besaran, dan caching data panas RAG, dan merupakan penambahan penyimpanan persisten paling jelas di pusat data AI.

• Lapisan Penyimpanan Kapasitas Besar Biaya Rendah (Dasar Kapasitas): Terdiri dari HDD, penyimpanan dingin, dan sistem pengarsipan danau data. Menghadapi data mentah multimodal, log sejarah, dan cadangan kepatuhan yang berkembang secara eksponensial, lapisan ini masih memberikan keunggulan TCO (Total Cost of Ownership) yang tak tergantikan.

• Sistem Penyimpanan AI dan Perangkat Lunak Data (Otak Penjadwal): Termasuk sistem file paralel kinerja tinggi, penyimpanan objek terdistribusi, database vektor, dan lapisan tata kelola data RAG. AI tidak benar-benar mengonsumsi perangkat keras mentah, melainkan ketersediaan data yang diorganisir, diindeks, dan diberi izin secara efisien oleh tumpukan perangkat lunak.

Sebagai ekstensi ekosistem, penyimpanan terdesentralisasi tidak langsung terlibat dalam perlombaan milidetik data panas AI, melainkan menetapkan posisi ekosistem uniknya sebagai "lapisan dingin terpercaya" dengan berfokus pada pembuktian set data publik, pelacakan asal-usul data pelatihan AI (Provenance), dan pengarsipan memori dingin jangka panjang.

High Bandwidth Memory (HBM) bukanlah penyimpanan tradisional, melainkan lapisan memori bandwidth tinggi dekat GPU. Misi intinya bukan menyimpan data, melainkan terus "memberi makan" data ke daya komputasi dengan bandwidth yang sangat tinggi. HBM adalah bagian yang paling dekat dengan daya komputasi dan memiliki kepastian tertinggi dalam rantai penyimpanan AI, secara langsung menentukan apakah GPU dapat "kenyang", dan merupakan hambatan rantai pasokan paling inti saat ini.

Arsitektur inti HBM adalah "3D DRAM stacking + 2.5D advanced packaging": melalui stacking vertikal TSV dan integrasi heterogen CoWoS, jarak penyimpanan-komputasi dikompresi secara ekstrem, mencapai lompatan bandwidth antar generasi. Hambatan industrinya bukan hanya desain DRAM, melainkan rekayasa sistem dari proses DRAM, TSV, stacking ultra tipis, pengemasan, pendinginan, pengujian, dan sertifikasi pelanggan. Cacat hasil di mata rantai mana pun akan menyebabkan seluruh HBM Stack menjadi sampah.

Saat ini hanya tiga raksasa global SK Hynix, Samsung, Micron yang dapat memproduksi secara stabil, membangun parit pertahanan tiga lapis dari proses DRAM tingkat atas, kemampuan pengemasan, dan sertifikasi pelanggan NVIDIA/AMD.

HBM menyelesaikan bandwidth ekstrem dekat GPU, DRAM memperkuat dasar memori sistem server, sementara CXL mencoba memecahkan batasan fisik, merekonstruksi cara mengorganisir sumber daya memori pusat data.

• DRAM: Utama menangani caching sisi CPU, pra-pemrosesan data, penyimpanan sementara keadaan menengah, dan operasi sistem, adalah lapisan memori sistem paling dasar server. Pasar DRAM global sangat terkonsentrasi pada tiga raksasa SK hynix, Samsung, Micron; ChangXin Memory (CXMT) adalah variabel inti substitusi DRAM domestik China.

• CXL (Compute Express Link): Adalah protokol interkoneksi konsistensi cache generasi baru yang ditujukan untuk pusat data, bertujuan untuk melampaui batasan slot DIMM tradisional, kapasitas memori lokal, dan silo sumber daya memori server, mendorong evolusi arsitektur memori ke arah ekstensi, pooling, dan berbagi. Saat ini CXL masih berada pada tahap awal dari dukungan platform menuju penyebaran skala, nilai arsitektur menengah-panjang tinggi; perusahaan inti termasuk Astera Labs dan Montage Technology (Lanke Technologies).

SSD tingkat perusahaan adalah penambahan persisten throughput tinggi paling inti di pusat data AI, dengan throughput yang sangat tinggi, latensi yang sangat rendah, dan QoS yang stabil, terus-menerus "memberi makan" data ke GPU, melintasi seluruh siklus hidup pemuatan data pelatihan, penulisan Checkpoint, pengambilan RAG, caching inferensi, dan aliran balik log.

Dalam arsitektur penyimpanan AI, SSD bukan perangkat keras yang terisolasi, melainkan sistem yang digabungkan erat, dapat disaring menjadi rumus industri: SSD tingkat perusahaan = partikel NAND + pengontrol SSD + jalur data NVMe/PCIe. Tiga lapisan mewakili mata rantai industri independen:

• Partikel NAND (Lapisan Bahan Baku): Menentukan kepadatan penyimpanan dan biaya per unit, pengontrol menguasai pelepasan kinerja dan manajemen umur. Perusahaan perwakilan: Samsung, SK hynix (Solidigm), Micron, Kioxia, Western Digital, Yangtze Memory Technologies.

• Pengontrol SSD (Lapisan Pemberdayaan Kinerja): Menentukan pelepasan kinerja, koreksi kesalahan data, stabilitas QoS, dan wear leveling. Perusahaan perwakilan: Phison, Silicon Motion, Marvell, Maxio (UnionMemory).

• NVMe/PCIe (Lapisan Jalur Data): Menentukan efisiensi transmisi data dari penyimpanan ke komputasi. Dikombinasikan dengan teknologi GPUDirect Storage, mengurangi bounce buffer memori CPU dan partisipasi CPU, secara signifikan meredakan hambatan I/O. Perusahaan perwakilan: Broadcom, Marvell, Astera Labs.

AI tidak akan membunuh HDD. Seiring dengan kehausan model besar multimodal terhadap data video, gambar, serta pembengkakan eksponensial log kepatuhan perusahaan dan set data sejarah, permintaan penyimpanan data dingin biaya rendah juga meledak bersamaan. Dalam arsitektur penyimpanan AI, SSD dan HDD berkolaborasi secara berlapis berdasarkan nilai bisnis: SSD bertanggung jawab atas data panas dan throughput tinggi, HDD bertanggung jawab atas biaya rendah dan penyimpanan siklus panjang. Perusahaan perwakilan termasuk Seagate, Western Digital, Toshiba.

Yang benar-benar dikonsumsi AI bukanlah disk mentah, melainkan "layanan data" yang diorganisir secara presisi oleh tumpukan perangkat lunak. Arsitektur ini mengubah perangkat keras dasar menjadi aset pengetahuan yang dapat langsung dipanggil oleh AI lapisan atas, secara khusus dibagi menjadi empat lapisan:

• Sistem Penyimpanan Kinerja Tinggi (Sistem Pasokan Bahan): Berfokus pada throughput konkuren dan latensi rendah, memecahkan masalah "kelaparan data" dari kluster GPU melalui sistem file paralel, menjamin aliran ekstra cepat pelatihan dan inferensi. Perusahaan perwakilan: VAST Data, WEKA, Pure Storage.

• Penyimpanan Objek (Danau Data Mentah): Berfokus pada manajemen Object, Key, dan Metadata, menampung data tidak terstruktur dalam jumlah besar. Tidak mengejar latensi sangat rendah, membangun dasar kapasitas dengan karakteristik biaya rendah dan cloud-native. Perusahaan perwakilan: AWS S3

• Database Vektor (Lapisan Indeks Semantik): Database vektor bertanggung jawab menyimpan, mengindeks, dan mengambil vektor yang dihasilkan oleh model embedding, memungkinkan AI menentukan konten yang relevan secara akurat dari pengetahuan yang sangat besar. Perusahaan perwakilan: Pinecone, Milvus

• Lapisan Data RAG (Lapisan Pemanggilan Pengetahuan): Melampaui pengambilan tunggal, mencakup pemotongan data, pembersihan, kontrol izin, dan pelacakan referensi, memastikan data perusahaan dapat dipanggil oleh model besar dengan aman, akurat, dan dapat dilacak. Perusahaan perwakilan: Databricks

Penyimpanan AI adalah sistem yang digerakkan oleh efisiensi ekstrem, fungsi nilainya berfokus pada memaksimalkan keluaran komputasi. Bandwidth HBM menentukan apakah GPU dapat dikenyangkan, throughput SSD menentukan efisiensi pembacaan/penulisan set data dan Checkpoint, latensi rendah berkaitan dengan pengalaman real-time RAG dan inferensi. Indikator-indikator ini akhirnya berkumpul menjadi tingkat pemanfaatan GPU dan biaya per unit Token, secara langsung menentukan keuntungan atau kerugian komersial aplikasi AI. Tujuan akhir penyimpanan AI bukan menyimpan, melainkan percepatan, objek layanannya adalah produktivitas.

Sedangkan fungsi nilai penyimpanan terdesentralisasi sangat berbeda. Ia menanyakan apakah data masih akan ada sepuluh tahun kemudian, apakah telah diubah, dapat menahan sensor titik tunggal. Melalui bukti kriptografi dan jaringan terdistribusi, ia membangun dasar data publik yang dapat diakses terbuka dan disimpan secara permanen. Tujuan akhirnya adalah membela keabsolutan data dan kemerdekaan kedaulatan, melayani kebutuhan keadilan, anti-sensor, dan memori peradaban.

Penyimpanan AI adalah 'penyimpanan panas' yang menyediakan bahan bakar untuk produktivitas masa depan, penyimpanan terdesentralisasi adalah 'memori dingin' yang menyimpan catatan sejarah yang tidak dapat dihapus untuk peradaban manusia. Yang pertama melayani efisiensi, mengejar kecepatan ekstrem; yang kedua melayani kepercayaan, membela memori yang diam. Yang pertama menentukan seberapa cepat model berjalan, yang kedua menentukan apakah memori akan dihapus. Saat ini, mekanisme pasar memberi penghargaan pada efisiensi produktivitas, penyimpanan AI berada di puncak gelombang, sementara penyimpanan terdesentralisasi tampaknya sedang mengalami kehancuran valuasi, narasi yang dihisap darah, keheningan.

Ada banyak proyek penyimpanan terdesentralisasi, tetapi menurut persepsi industri dan sedimentasi ekosistem, perwakilan inti selalu adalah Filecoin dan Arweave. Meskipun keduanya termasuk dalam 'penyimpanan terdesentralisasi', filosofi arsitektur dasarnya hampir merupakan dua jalur yang sama sekali berbeda - yang pertama menggunakan kontrak pasar untuk mendekati elastisitas AWS, yang kedua menggunakan kontrak sosial satu kali untuk mendekati keabadian perpustakaan.

• Filecoin: Membangun sistem ekonomi terverifikasi paling lengkap melalui PoRep dan PoSt. Seharusnya tidak terus bersaing dengan AWS dalam penyimpanan cloud konsumen, melainkan beralih ke pelacakan asal-usul data AI (Provenance), hosting set data publik, dan pengarsipan kepatuhan, menyediakan rantai terverifikasi untuk audit model dan bukti hak cipta. Jalan yang harus ditempuh adalah mengemasnya menjadi API yang kompatibel dengan S3 dan mendukung pembayaran mata uang fiat, meningkatkan dari "pasar penyimpanan murah" menjadi "infrastruktur komputasi terverifikasi".

• Arweave: Dengan narasi "bayar sekali, simpan permanen", melalui mekanisme Blockweave dan SPoRA memaksa insentif penambang untuk menyimpan dan mengakses data sejarah sebanyak mungkin, terutama yang langka, dengan cepat. Posisi terbaiknya adalah sebagai dasar memori publik manusia - menyimpan catatan hak asasi manusia, bukti kejahatan perang, literatur budaya, mengarsipkan sejarah hukum dan keuangan, menyediakan memori jangka panjang yang dapat diakses permanen untuk AI Agent. Nilai Arweave bukan pada kecepatan, melainkan pada kemampuan membawa memori peradaban yang melintasi siklus.

Kesulitan proyek penyimpanan terdesentralisasi seperti Filecoin dan Arweave, bukan karena proposisi nilai yang salah, melainkan karena ketidaksesuaian jangka panjang antara produk, pengalaman pengambilan, kebutuhan nyata, dan insentif Token. Ini mengungkap jurang besar dari ide geek ke aplikasi komersial arus utama:

• Ketidaksesuaian Insentif Penawaran-Permintaan: Jaringan awal seperti Filecoin memperluas kapasitas dengan cepat melalui Token, tetapi tidak membangun sisi permintaan yang membayar cukup kuat, menyebabkan kapasitas besar tetapi tingkat pemanfaatan dan konversi pembayaran tidak mencukupi. Memberi penghargaan pada "saya bisa menyimpan", bukan "perlu saya simpan".

• Kurangnya Kemampuan Layanan Tingkat Perusahaan: Hambatan AWS bukanlah hard disk, melainkan API, SLA, manajemen izin, audit kepatuhan, dan dukungan teknis yang membentuk "sistem operasi data". Perusahaan membeli "ketenangan pikiran", bukan infrastruktur eksperimental yang perlu menangani kunci dan pemilihan node sendiri.

• Kelemahan Pengalaman Pengambilan: "Menyimpan" tidak sama dengan "mengambil dengan stabil dan latensi rendah". Node yang tersebar, topologi yang kompleks, kurangnya SLA yang seragam, membuatnya sulit untuk menangani alur kerja data panas AI, lebih cocok untuk pengarsipan dingin terpercaya dan pelacakan data.

• Kurangnya Kepatuhan Privasi: Data privat perusahaan tidak dapat dengan mudah ditulis ke jaringan publik permanen; hak untuk dihapus dan tidak dapat diubah permanen memiliki konflik alami. Penyimpanan terdesentralisasi lebih cocok untuk data publik dan arsip jangka panjang, bukan menerima data privat inti tanpa pandang bulu.

• Ekonomi Token Memperbesar Siklus: Finansialisasi pasar bull menutupi kurangnya permintaan, penurunan ROI penambang di pasar bear mengungkap kelemahan komersialisasi. Token dapat memulai pasokan dengan dingin, tetapi tidak secara otomatis menciptakan permintaan dan pendapatan berkelanjutan.

Sementara proyek penyimpanan terdesentralisasi lainnya banyak berfokus pada ekosistem atau ceruk tertentu: Storj/Sia memiliki persepsi industri lintas siklus dan pengaruh narasi Web3 yang lebih lemah dibandingkan Filecoin / Arweave; BNB Greenfield/Walrus mengikat ekosistem rantai publik tertentu BNB atau SUI; Celestia/EigenDA dll. termasuk dalam lapisan ketersediaan data (DA), melayani konfirmasi transaksi Rollup daripada pengarsipan jangka panjang; proyek narasi campuran AI / DA seperti 0G mencoba mengintegrasikan penyimpanan, ketersediaan data, komputasi, dan penyelesaian AI agent menjadi satu set infrastruktur modular AI-native, tetapi kebutuhan nyata, adopsi pengembang, dan siklus tertutup komersialisasi masih perlu diverifikasi.

Pada periode ledakan keuntungan teknologi, modal mengejar efisiensi dengan gila, aset seperti GPU, HBM diberi premi yang sangat tinggi, penyimpanan terdesentralisasi yang mengadvokasi "kepercayaan dan keadilan" secara alami terpinggirkan. Namun, ayunan sejarah tidak akan selamanya berhenti di sisi efisiensi. Pelarangan dan penghapusan konten tidak masuk akal oleh platform super, ledakan gugatan hak cipta AI memaksa bukti sumber data, perebutan kedaulatan data yang dipicu oleh konflik geopolitik, hilangnya arsip publik karena monopoli data, serta tekanan audit kepatuhan regulator terhadap data pelatihan model dan peristiwa lainnya dapat memicu penilaian ulang "penyimpanan terpercaya", dan peluang masa depan penyimpanan terdesentralisasi masih memiliki kesempatan untuk menunjukkan nilai uniknya dalam arah berikut:

• Provenance Data AI: Menggabungkan bukti kriptografi untuk membangun "bukti silsilah data", menanggapi tekanan regulator dan audit.

• Set Data Publik dan Arsip Peradaban: Menetapkan arsip yang disensor dan warisan budaya, membangun memori yang tidak dapat dihapus yang tak tergantikan.

• Pengarsipan Terpercaya dan Bukti Kepatuhan: Mencapai pembuktian diri yang terpercaya melalui pembuktian Hash, menyediakan notaris digital tingkat tinggi.

• Integrasi Teknologi ZK/TEE/DID: Menyelesaikan ketegangan privasi, meningkatkan dari "protokol penyimpanan" tunggal menjadi "infrastruktur data terpercaya".

• Rute Produk Tersembunyi: Menyediakan API yang kompatibel dengan S3 dan penagihan mata uang fiat, memungkinkan pengguna langsung membeli layanan "pengarsipan terpercaya".

Penyimpanan AI dan penyimpanan terdesentralisasi, satu mengejar efisiensi ekstrem, menyediakan bahan bakar untuk kita berlari ke masa depan; yang lain membela memori yang diam, menjaga hak kita untuk melihat ke belakang. Pasar saat ini tanpa ragu memberi penghargaan pada efisiensi, sehingga penyimpanan terdesentralisasi tampak sepi bahkan runtuh; tetapi ketika era AI selanjutnya memperbesar monopoli data, kontroversi hak cipta, dan kerapuhan memori sejarah, penyimpanan terdesentralisasi mungkin akan menghadapi penilaian ulang nilai dengan sikap "lapisan dingin terpercaya". Memori yang tidak dapat dengan mudah dihapus oleh platform, perusahaan, atau kekuatan tunggal apa pun, mungkin akan berubah dari romantisme idealis, dari kepercayaan pinggiran menjadi infrastruktur yang diperlukan.