在数据中心的总拥有成本(TCO)结构中，存储往往被视为一个“被动支出项”——容量不够就扩容，性能不足就升级，采购决策更多由业务部门驱动，而非财务部门的成本优化视角。然而，随着AI训练集群规模扩大和实时推理需求增长，存储系统的效率正在从一个技术指标演变为直接影响数据中心利润的经济变量。理解这一变化，需要引入一个被长期忽视的分析框架：存力经济学。
存储的真实成本远不止每GB单价
企业采购存储时，最直观的比较维度是每GB单价。但这个数字掩盖了大量隐性成本。一块SSD的终生成本包括：采购成本、功耗成本、散热成本、机架空间成本、运维成本，以及因性能不足导致的算力闲置成本。在AI数据中心，最后一项可能远超其他所有成本之和。
以典型的AI训练任务为例，如果存储系统无法在高并发下维持稳定的数据供给，GPU的利用率会显著下降。行业数据显示，部分AI集群的实际算力利用率不足峰值的60%，其中相当比例的损耗源自存储I/O瓶颈。假设一个千卡集群的GPU小时成本为若干万元，那么因存储瓶颈导致的算力闲置，每年造成的损失可能高达数百万元。从这个角度看，存储系统的“效率”远比“单价”更重要。
写入放大：一个被低估的效率指标
在存储系统的技术参数中，顺序读写速度和随机IOPS通常最受关注，但写入放大率(Write Amplification)对长期成本的影响同样关键。写入放大是指实际写入NAND Flash的数据量与主机请求写入量之比。放大率越高，意味着同样的用户数据消耗了更多的闪存寿命和带宽资源。
写入放大的根源在于主控的垃圾回收策略。当SSD需要写入新数据但缺乏空闲块时，主控需要先搬迁有效数据、擦除旧块，才能写入新数据。这个过程中产生的额外写入，就是放大效应的来源。优秀的固件算法可以将写入放大控制在较低水平，而设计不佳的固件可能导致放大率数倍于理想值——直接缩短SSD寿命，增加更换频率，推高长期TCO。
德明利在主控与固件层面的自研能力，使其能够针对不同工作负载的特征优化垃圾回收策略。例如，对于AI训练中常见的大块顺序写入场景，可以采用更激进的块管理策略降低放大率;对于数据库类随机写入场景，则需要更精细的热冷数据分离。这种场景化的固件调优能力，是标准化主控方案难以实现的。
QLC的争议与存力经济学的答案
QLC NAND的出现在行业内引发了持续争论。批评者指出QLC的写入寿命短、写入速度慢，不适合企业级场景;支持者则认为QLC的高密度特性可以大幅降低每GB成本，在读取密集型场景中具有明显优势。从存力经济学的视角看，这场争论的答案取决于具体工作负载的特征。
对于AI推理场景——模型权重加载后长期驻留内存，对存储的写入需求极低，读取需求持续稳定——QLC的高密度和低成本优势可以得到充分发挥。通过固件层面的SLC缓存策略和写入聚合优化，QLC的写入短板可以在很大程度上被弥补。德明利在QLC方案上的布局，正是基于对这类场景需求特征的判断。
存力效率的竞争才刚刚开始
在算力投资持续扩大的背景下，存力效率的提升将成为数据中心降本增效的重要杠杆。这要求存储厂商不仅提供硬件产品，更要具备深入理解客户业务负载并在固件层面进行针对性优化的能力。这种能力的构建需要长期的介质研究积累与固件开发经验，难以通过短期投入速成。
德明利在自研主控、介质算法、固件开发上的持续投入，使其在这一趋势中具备一定的结构性优势。当行业从“卖容量”转向“卖效率”时，这种底层技术能力的价值将被重新定价。存力经济学的分析框架，或许能为理解存储产业的下一阶段竞争提供一个新的视角。
