IOSG: Dari Penyimpanan Panas ke Memori Dingin, Penyimpanan Terdesentralisasi di Bawah Demam Penyimpanan Era AI

Penulis: 0xjacobzhao, IOSG

Belakangan ini, "saham penyimpanan China pertama" ChangXin Memory Technology (CXMT) resmi masuk papan utama ChiNext di Bursa Saham Shenzhen dan memicu kegemparan dengan kinerja yang meroket 500% mengejutkan. Meski sektor penyimpanan secara keseluruhan masih terganggu oleh gelombang koreksi baru-baru ini, penyimpanan AI terus dievaluasi ulang secara gila-gilaan oleh modal di tengah gelombang narasi teknologi saat ini. Sementara itu, penyimpanan terdesentralisasi di bidang Web3 terjerumus dalam keheningan dan kekecewaan yang berkepanjangan. Mengapa, dengan nama "penyimpanan" yang sama, performa pasarnya bisa sangat berbeda bagai api dan es? Inti jawabannya terletak pada perpecahan total dalam fungsi nilai dasarnya.

Revaluasi penyimpanan di era AI pada dasarnya adalah pesta pora tentang "efisiensi data panas", yang melayani maksimalisasi ekstrem utilisasi daya komputasi dan monetisasi komersial. Sedangkan penyimpanan terdesentralisasi berpegang teguh pada proposisi nilai "kepercayaan data dingin", yang mempertahankan 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 akhirnya tetap membutuhkan fondasi memori yang tak dapat diubah. Nilai jangka panjang penyimpanan dingin yang terpercaya tidak pernah hilang, ia hanya bersembunyi di sisi gelap siklus, menunggu untuk ditentukan harga ulang oleh zaman.

Mengapa Penyimpanan Kembali Menjadi Fokus Rantai Industri AI

Di era IT tradisional, penyimpanan adalah bisnis 'kapasitas'. CIO perusahaan peduli pada biaya per unit kapasitas, keandalan hard disk, solusi pemulihan bencana, strategi arsip, dan siklus pembaruan perangkat 3-5 tahun. Penyimpanan dipandang sebagai produk pelengkap yang mengikuti pembelian server.

Demam penyimpanan kali ini bukanlah pemulihan siklus tradisional, tetapi penilaian ulang AI terhadap kemampuan aliran data. Di era model besar, logika penyimpanan berubah secara kualitatif dari "kapasitas prioritas" menjadi "efisiensi nomor satu", berjuang keras melawan metrik ekstrem seperti tingkat pengisian GPU, penulisan Checkpoint, dan latensi sangat rendah RAG. Ini menandakan nilai penyimpanan melompat dari "tempat pemberhentian akhir data", menjadi "saluran berkecepatan tinggi data memasuki komputasi".

Evolusi hambatan sumber daya infrastruktur AI pada dasarnya adalah perang untuk melengkapi 'Efek Tong'. Utilisasi daya komputasi riil bukanlah penjumlahan linier aset tunggal, melainkan efek penggandaan yang ketat: Utilisasi daya komputasi riil = GPU × HBM × DRAM × SSD × Jaringan × Sistem file. Kelemahan di setiap bagian akan menyebabkan keruntuhan tingkat utilisasi daya komputasi keseluruhan. Di era AI, untuk pertama kalinya penyimpanan berubah dari 'pusat biaya' menjadi 'mesin efisiensi'. Inilah logika mendasar mengapa penyimpanan dinilai ulang.

Panorama Arsitektur Penyimpanan AI: Dari Organ Bandwidth HBM ke Dasar Danau Data

Penyimpanan AI bukanlah penumpukan perangkat keras tunggal, melainkan sistem kompleks yang erat terkait dan terjadwal berlapis. Dalam sistem ini, nilai industri dan fokus modal sangat terkonsentrasi pada HBM, SSD kelas perusahaan, pengendali SSD, protokol NVMe/CXL, dan sistem penyimpanan berkinerja tinggi. Untuk mengurai secara jelas aliran nilainya, kami membagi arsitektur penyimpanan AI menjadi empat lapisan inti dari atas ke bawah:

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

• Lapisan Penyimpanan Persisten Berkecepatan Tinggi (Hub IO): Logika intinya adalah SSD kelas perusahaan = partikel NAND + pengendali SSD + jalur data NVMe/PCIe. Lapisan ini menangani penulisan Checkpoint frekuensi tinggi, pemuatan kumpulan pelatihan masif, dan cache data panas RAG, dan merupakan peningkatan penyimpanan persisten yang paling jelas di pusat data AI.

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

• Sistem Penyimpanan AI dan Perangkat Lunak Data (Otak Penjadwalan): Termasuk sistem file paralel berkinerja tinggi, penyimpanan objek terdistribusi, basis data vektor, dan lapisan tata kelola data RAG. Yang benar-benar dikonsumsi AI bukanlah perangkat keras mentah, melainkan ketersediaan data yang diorganisir, diindeks, dan diberi wewenang secara efisien oleh tumpukan perangkat lunak.

Sebagai perluasan ekosistem, penyimpanan terdesentralisasi tidak langsung terlibat dalam balapan milidetik data panas AI, melainkan menetapkan posisi unik ekosistemnya sebagai "lapisan dingin terpercaya" dengan mengincar penyimpanan bukti kumpulan data publik, pelacakan asal-usul data pelatihan AI (Provenance), dan arsip memori dingin jangka panjang.

HBM: "Organ Bandwidth" Paling Dekat dengan Daya Komputasi dalam Rantai Penyimpanan AI

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

Arsitektur inti HBM adalah "penumpukan DRAM 3D + kemasan lanjutan 2.5D": Melalui penumpukan vertikal TSV dan integrasi heterogen CoWoS, jarak penyimpanan-komputasi dikompresi secara ekstrem, mencapai lompatan generasi dalam bandwidth. Hambatan industrinya bukan hanya desain DRAM, melainkan sistem rekayasa dari proses manufaktur DRAM, TSV, penumpukan ultra-tipis, pengemasan, pendinginan, pengujian, dan sertifikasi pelanggan. Cacat hasil pada bagian mana pun akan menyebabkan seluruh HBM Stack menjadi rusak.

Saat ini, hanya tiga raksasa global — SK hynix, Samsung, Micron — yang dapat memproduksi secara stabil, membangun tiga garis pertahanan: proses DRAM tingkat atas, kemampuan pengemasan, dan sertifikasi pelanggan NVIDIA/AMD.

DRAM dan CXL: Dasar Memori Sistem dan Mesin Pooling Memori

HBM menyelesaikan bandwidth ekstrem di dekat GPU, DRAM memperkuat dasar memori sistem server, sedangkan CXL berusaha menghancurkan batasan fisik dan merekonstruksi cara pengorganisasian sumber daya memori pusat data.

• DRAM: Terutama menanggung cache sisi CPU, pra-pemrosesan data, penyimpanan sementara status perantara, dan operasi sistem, adalah lapisan memori sistem paling dasar dari server. Pasar DRAM global sangat terkonsentrasi pada tiga raksasa SK hynix, Samsung, Micron; ChangXin Memory Technology (CXMT) adalah variabel inti substitusi domestik DRAM China.

• CXL (Compute Express Link): Adalah protokol interkoneksi koherensi cache generasi baru untuk pusat data, bertujuan untuk menghancurkan batasan slot DIMM tradisional, kapasitas memori lokal, dan isolasi sumber daya memori server, mendorong evolusi arsitektur memori menuju perluasan, pooling, dan berbagi. CXL saat ini masih berada pada tahap awal dari dukungan platform menuju penerapan skala, dengan nilai arsitektur jangka menengah-panjang yang tinggi; perusahaan inti termasuk Astera Labs dan Montage Technology (Lanjì Kējì).

SSD Kelas Perusahaan: Hub Data yang Dibangun oleh NAND, Pengendali, dan NVMe

SSD kelas perusahaan adalah peningkatan persisten berthroughput tinggi paling inti di pusat data AI, dengan throughput sangat tinggi, latensi sangat rendah, dan QoS stabil, terus "memberi makan" data ke GPU, menembus seluruh siklus hidup mulai dari pemuatan data pelatihan, penulisan Checkpoint, pengambilan RAG, cache inferensi, hingga aliran balik log.

Dalam arsitektur penyimpanan AI, SSD bukanlah perangkat keras terisolasi, melainkan sistem yang sangat terkait, yang dapat disederhanakan menjadi rumus industri: SSD kelas perusahaan = partikel NAND + pengendali SSD + jalur data NVMe/PCIe. Ketiga lapisan mewakili tahapan rantai industri independen:

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

• Pengendali SSD (Lapisan Pemberdayaan Kinerja): Menentukan pelepasan kinerja, koreksi kesalahan data, stabilitas QoS, dan penyeimbangan keausan. Perusahaan perwakilan: Phison (Qúnlián), Silicon Motion (Huìměng), Marvell, Maxio (Liányún).

• 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 meringankan hambatan I/O. Perusahaan perwakilan: Broadcom, Marvell, Astera Labs.

HDD / Penyimpanan Dingin / Arsip: Dasar Biaya Rendah Danau Data AI

AI tidak akan memusnahkan HDD. Seiring dengan kebutuhan model multimodal besar akan data video dan gambar, serta ledakan eksponensial log kepatuhan perusahaan dan kumpulan data sejarah, kebutuhan penyimpanan data dingin berbiaya rendah juga meningkat pesat. Dalam arsitektur penyimpanan AI, SSD dan HDD berkolaborasi 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.

Tumpukan Perangkat Lunak Penyimpanan AI: Pusat Penjadwalan Ketersediaan Data

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 di lapisan atas, secara spesifik dibagi menjadi empat lapisan:

• Sistem Penyimpanan Berkinerja Tinggi (Sistem Penyediaan): Dengan throughput bersamaan dan latensi rendah sebagai inti, menyelesaikan masalah "kelaparan data" kluster GPU melalui sistem file paralel, menjamin perputaran kecepatan tinggi pelatihan dan inferensi. Perusahaan perwakilan: VAST Data, WEKA, Pure Storage.

• Penyimpanan Objek (Danau Data Mentah): Dengan pengelolaan Objek, Kunci, dan Metadata sebagai inti, menanggung data tidak terstruktur masif. Tidak mengejar latensi sangat rendah, membangun dasar kapasitas dengan karakteristik biaya rendah dan native cloud. Perusahaan perwakilan: AWS S3.

• Basis Data Vektor (Lapisan Indeks Semantik): Bertanggung jawab menyimpan, mengindeks, dan mengambil vektor yang dihasilkan oleh model embedding, memungkinkan AI menentukan konten terkait secara akurat dari pengetahuan masif. Perusahaan perwakilan: Pinecone, Milvus.

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

Dari Penyimpanan Panas AI ke Memori Dingin Terdesentralisasi: Maksimalisasi Efisiensi vs Maksimalisasi Kepercayaan

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 kumpulan data dan Checkpoint, latensi rendah berkaitan dengan pengalaman real-time RAG dan inferensi. Indikator-indikator ini akhirnya berkumpul menjadi tingkat utilisasi GPU dan biaya per Token, yang secara langsung menentukan laba rugi komersial aplikasi AI. Tujuan akhir penyimpanan AI bukanlah penyimpanan, melainkan percepatan, objek layanannya adalah produktivitas.

Fungsi nilai penyimpanan terdesentralisasi sangat berbeda. Ia mempertanyakan apakah data masih ada sepuluh tahun kemudian, apakah telah diubah, dapatkah menolak 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 mempertahankan kebenaran absolut data dan kemandirian kedaulatan, melayani kebutuhan keadilan, anti-sensor, dan memori peradaban.

Penyimpanan AI adalah 'penyimpanan panas' yang menyediakan bahan bakar untuk produktivitas masa depan, sedangkan 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, mempertahankan 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, sedangkan penyimpanan terdesentralisasi tampaknya sedang mengalami keheningan dengan valuasi runtuh dan narasi yang dikuras.

Visi dan Realita Penyimpanan Terdesentralisasi

Ada banyak proyek penyimpanan terdesentralisasi, tetapi berdasarkan pemahaman industri dan endapan ekosistem, perwakilan inti tetap 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 berbasis pasar untuk mendekati elastisitas AWS, yang kedua menggunakan kontrak sosial satu kali untuk mendekati keabadian perpustakaan.

• Filecoin: Melalui PoRep dan PoSt membangun sistem ekonomi yang dapat diverifikasi paling lengkap. Ia seharusnya tidak terus berjuang mati-matian dengan AWS di penyimpanan cloud konsumen, melainkan beralih ke pelacakan asal-usul data AI (Provenance), hosting kumpulan data publik, dan arsip kepatuhan, menyediakan rantai yang dapat diverifikasi untuk audit model dan bukti hak cipta. Jalan yang harus ditempuh adalah membungkusnya sebagai API kompatibel S3 dan mendukung pembayaran mata uang fiat, meningkatkan dari "pasar penyimpanan murah" menjadi "infrastruktur komputasi yang dapat diverifikasi".

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

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

• Ketidaksesuaian Insentif Pasokan-Permintaan: Jaringan awal seperti Filecoin dengan cepat menambah kapasitas melalui Token, tetapi tidak membangun sisi permintaan berbayar yang cukup kuat, mengakibatkan kapasitas besar tetapi utilisasi dan konversi berbayar tidak mencukupi. Memberi penghargaan pada "saya bisa menyimpan", bukan "perlu saya simpan".

• Kekurangan Kemampuan Layanan Tingkat Perusahaan: Hambatan AWS bukanlah hard disk, melainkan "sistem operasi data" yang terdiri dari API, SLA, manajemen izin, audit kepatuhan, dan dukungan teknis. 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 tersebar, topologi kompleks, kurangnya SLA terpadu, membuatnya sulit untuk mengambil alih alur kerja data panas AI, lebih cocok untuk arsip dingin terpercaya dan pelacakan asal-usul data.

• Kekurangan Privasi dan Kepatuhan: Data privat perusahaan tidak dapat langsung ditulis ke jaringan publik permanen; hak untuk dihapus dan permanen tidak dapat diubah secara alami bertentangan. 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 naik menutupi kekurangan permintaan, penurunan ROI penambang di pasar turun mengekspos kelemahan komersialisasi. Token dapat memulai pasokan dingin, tetapi tidak dapat secara otomatis menciptakan permintaan dan pendapatan berkelanjutan.

Proyek penyimpanan terdesentralisasi lainnya sebagian besar berfokus pada ekosistem atau segmen pasar tertentu: Storj/Sia memiliki pemahaman 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 lapisan Ketersediaan Data (DA), melayani konfirmasi transaksi Rollup daripada arsip jangka panjang; Proyek dengan 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 komersial tertutupnya masih perlu diverifikasi.

Peluang Masa Depan Penyimpanan Terdesentralisasi: Bandul Jangka Panjang Efisiensi dan Kepercayaan

Pada periode ledakan keuntungan teknologi, modal dengan gila-gilaan mengejar efisiensi, aset seperti GPU, HBM diberi premium sangat tinggi, penyimpanan terdesentralisasi yang menganjurkan "kepercayaan dan keadilan" secara alami tersisih. Namun, bandul sejarah tidak akan selamanya berhenti di satu sisi efisiensi. Penyensoran dan penghapusan konten tanpa alasan oleh platform super, ledakan gugatan hak cipta AI yang memaksa bukti sumber data, perebutan kedaulatan data yang dipicu oleh konflik geopolitik, hilangnya arsip publik karena monopoli data, serta tekanan audit regulator terhadap kepatuhan data pelatihan model, dll., semuanya berpotensi memicu penilaian ulang "penyimpanan terpercaya". Dan peluang masa depan penyimpanan terdesentralisasi masih mungkin memanifestasikan nilai unik dalam arah berikut:

• Provenance Data AI: Menggabungkan bukti kriptografi untuk membangun "bukti garis keturunan data", menghadapi tekanan audit dan regulator.

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

• Arsip Terpercaya dan Penyimpanan Bukti Kepatuhan: Melalui penyimpanan bukti Hash mencapai pembuktian diri yang dapat dipercaya, menyediakan notaris digital tingkat tinggi.

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

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

Penyimpanan AI dan penyimpanan terdesentralisasi, yang satu mengejar efisiensi ekstrem, menyediakan bahan bakar bagi kita untuk berlari ke masa depan; yang lain mempertahankan memori yang diam, menjaga hak kita untuk melihat ke masa lalu. Pasar saat ini tanpa ragu memberi penghargaan pada efisiensi, karena itu penyimpanan terdesentralisasi tampak hening bahkan runtuh; tetapi ketika era AI semakin memperbesar monopoli data, sengketa hak cipta, dan kerapuhan memori sejarah, penyimpanan terdesentralisasi mungkin akan mengalami penilaian ulang nilai dengan sikap "lapisan dingin terpercaya". Kenangan yang tidak dapat dengan mudah dihapus oleh platform, perusahaan, atau kekuatan tunggal apa pun, mungkin akan berubah dari romantisme idealis, dari keyakinan pinggiran menjadi infrastruktur yang diperlukan.