AI PC所需的存储架构正在演进
伴随搭载Panther Lake处理器的AI PC逐步面世，端侧AI不仅在算力、续航和游戏体验方面实现跃升，终端形态也因芯片性能增强与能耗优化而发生转变。如今，1.2kg以下的轻薄笔记本已日趋普及，同时基于Windows平台的便携式游戏设备也因集成式GPU性能提升而带来更加出色的交互体验。
这种趋势并不仅限于Panther Lake架构。在CES 2026上，基于新一代骁龙X2 Elite Extreme和Ryzen AI 400系列的多种端侧AI设备，包括轻薄笔记本、掌机和平板，均已蓄势待发。过去需要台式机级别的独立GPU才能完成的生成式AI任务，如今仅需65W左右的便携电源即可高效运行。这背后，是整个行业在芯片设计、系统优化与软件生态协同上的集体努力。
核心硬件协同支撑AI PC
AI PC的硬件体系通常围绕CPU、NPU、GPU、内存和存储五大核心组件构建，各模块在不同AI应用中承担特定职责。NPU专注于在低功耗条件下实现AI加速，特别适用于离线场景；GPU则负责处理生成式AI、AI智能体等计算密集型任务；CPU则主要负责快速调度资源，确保AI应用的即时响应。
与此同时，内存与存储在AI PC中的地位日益突出。由于AI模型加载、多任务切换及本地运行大语言模型都需要大量内存支持，16GB内存对于多模型调用已显不足，32GB DDR5被视为保障AI流畅体验的基准。受限于成本，内存扩展通常难以达到SSD的容量水平，64GB以上的内存在消费级设备中较为罕见，而128GB及以上则更多见于专业工作站。
相比之下，SSD的存储能力则更具扩展性。512GB起始容量已能较好满足AI应用的存储需求，尤其是随着BiCS 8 3D闪存的普及，高密度、高性能的SSD能够轻松达到1TB以上容量，甚至支持2TB、4TB等更高规格。
在CES 2026上发布的铠侠BG7系列SSD便是一例，该产品采用BiCS 8闪存和CBA架构，专为OEM和ODM设计的移动端侧AI设备打造。其随机读/写速度可达1,000,000 IOPS，顺序读取速度达7,000 MB/s，相较于上一代BG6系列提升10%至16%，兼顾高性能与能效。此外，BG7系列提供M.2 2280、2242和2230三种尺寸，成为端侧AI设备的理想扩容选择。
云端协同推动AI计算扩展
随着AI大模型的持续演进，期望端侧设备完全承担所有AI任务仍不现实。通常而言，语音识别、图像分类、实时翻译等对延迟敏感的任务会由端侧的NPU或CPU处理，以确保响应时间控制在100ms以内，提升用户体验。而更复杂的任务，如大语言模型推理、图像生成或多模态分析，则通常由云端的GPU集群处理。
无论是边缘节点还是云端AI任务，除了强大的GPU之外，还需要具备高性能缓存能力。这使得大容量数据中心级SSD在AI计算中扮演着关键角色。其在存储性能、数据吞吐能力与可靠性方面的表现，直接影响AI训练与推理的效率及成本。例如，在处理PB级训练数据集时，百万级IOPS可将数据加载时间压缩至几秒内，避免GPU空转，同时支持多模型并行运行，满足A/B测试和灰度发布等复杂场景。
铠侠CD9P系列固态硬盘专为云端AI计算设计，符合PCIe 5.0、NVMe 2.0和NVMe-MI 1.2c标准，顺序读取速度可达14.8GB/s，随机读取性能达2,600KIOPS（QD512），写入性能为750KIOPS（QD32），能够有效支撑高并发AI负载。
此外，铠侠还推出了LC9系列SSD，单盘容量高达245.76TB，为企业管理PB级数据集提供强有力的支持，加速基础设施现代化，为生成式AI和机器学习应用铺平道路。这一系列产品为AI在云端与边缘侧的部署提供了更多可能性。
端侧AI能力正以前所未有的速度演进，100+ TOPS的算力已成为常态，越来越多的AI任务开始实现本地化运行。与此同时，边缘计算的普及与模型压缩技术的突破，为端侧与边缘设备快速执行AI任务提供了基础。随着ONNX、TensorFlow Serving等框架的逐步完善，云端、边缘与端侧的协同计算正在逐步实现流畅的AI体验。
当前，端侧与云端AI的协同已不再是简单的二选一，而是根据任务类型、网络状况与隐私需求等因素动态调度的智能系统。无论AI部署在何处，可靠的存储解决方案始终是其高效运行的基础。这正是铠侠在存储技术领域的核心优势所在。