有媒体援引知情人士透露的消息报道称，全球最大规模存储芯片巨头之一的SK海力士旗下Solidigm正考虑最早于明年在美国股票市场独立进行美股首次公开募股，拟独立赴美上市。

　　控股。

　　据了解，这家总部位于加利福尼亚州兰乔科尔多瓦的存储芯片领军公司，在全球设有13个业务地点，包括墨西哥、加拿大和中国，员工超过2,000人。

　　AI数据中心服务器集群的存储芯片组件仍是最清晰的AI算力产业链层面供给瓶颈，市场调研机构TrendForce预计，2026年服务器DRAM合约价累计上涨约270%，企业级SSD价格累计上涨约235%;2027年HBM合约价仍可能上涨70%—140%，这些数据体现了AI算力扩张与存储涨价的共同作用。TrendForce最新估算，DRAM与NAND合计占主要云服务商资本开支的比例，将由2026年的47%升至2027年的68%，背后同时存在采购量增长与价格上涨。

　　股价方面，截至2026年9月25日美股收盘，按2025年末收盘价计算、以各自本币计价且不含分红，美国存储芯片领军者美光今年累计疯狂上涨约279.2%;SK海力士韩国上市股票则累计上涨约186.0%。

　　Solidigm是SK海力士旗下、总部位于美国的企业级数据存储公司，核心主营业务是基于NAND闪存的固态硬盘及配套存储技术，重点服务数据中心、云计算和边缘AI。它以独立运营子公司的形式开展业务，总部位于加利福尼亚州兰乔科尔多瓦，官网披露在全球设有13个业务地点、员工超过2,000人。

　　它的业务底子来自英特尔原来的NAND闪存与SSD业务。SK海力士于2020年宣布以最初约定约90亿美元的总对价收购相关业务，2021年12月完成第一阶段交割，并成立Solidigm承接原英特尔SSD业务的产品开发、制造和销售;剩余NAND技术及制造业务的第二阶段交割，于2025年3月27日完成。因此，Solidigm继承了英特尔长期积累的企业级存储技术、工程团队和客户关系。

　　具体而言，它向客户交付的是完整的企业级SSD产品，而完整SSD的价值来自闪存介质、控制器、固件和系统设计的协同。NAND负责断电后仍能保存数据;控制器和固件负责安排数据读写、纠错、磨损管理及性能调度;企业级产品还需要满足持续运行、数据完整性、写入耐久度及稳定响应时间等要求。Solidigm的业务能力因此覆盖存储硬件、固件和配套软件，并围绕客户实际工作负载优化产品。

　　Solidigm的主营业务与SK海力士的当前主营业务——HBM业务需要明确区分。HBM属于高带宽DRAM，主要为GPU等加速器提供运行时的高速数据访问;Solidigm的核心产品则属于NAND闪存存储体系，用于保存大容量数据，并在合适的软件架构下承接部分可复用推理缓存。SK海力士集团同时覆盖DRAM、HBM、NAND和SSD等业务，Solidigm代表其中重要的企业级闪存存储平台，不能将集团全部NAND存储芯片业务都归入Solidigm

　　Muse与Astra带来的核心变化，是一次用户指令能够启动多阶段、可持续运行的工作流。Meta披露，Muse运行于专用安全虚拟机，可跨应用执行任务;Astra则强化了计算机操作、编程和复杂专业工作能力。一个研究或开发任务，可能连续触发资料检索、文件读取、代码运行、模型推理和结果校验，并产生需要保留的中间结果。

　　从工程架构推演，GPU与专用AI加速器承接模型计算，高性能CPU承接浏览器、虚拟机、工具执行及调度;企业知识库、检索增强生成所需的数据和索引、工作文件及审计记录，则扩大内存与持久化存储需求。智能体渗透率提高，因此有望同时拉动“计算能力”和“数据处理能力”。

　　存储需求的第二重增量，来自更长上下文与更多并发任务所产生的缓存管理需求。在主流Transformer推理架构中，预填充处理输入，解码逐步生成输出，键值缓存保存可复用的中间计算状态。活跃生成所需的高频数据由HBM承载，系统DRAM负责缓冲，适合复用的缓存则可按访问频率和时延要求分层放入SSD及共享闪存，再提前加载回内存。英伟达CMX架构已明确提出，在GPU内存与传统共享存储之间增加面向推理上下文的闪存层。其经济意义在于扩大可保留、可复用的上下文容量，减少重复计算和数据等待，从而支持更多并发任务。企业级SSD由此获得了参与推理运行过程的新增应用空间。

　　Solidigm的高密度产品与上述需求形成了具体连接。其D5-P5336最高容量达到122.88TB，采用QLC技术，主要面向数据湖、对象存储等大容量、读取密集型工作负载。对数据中心运营商而言，更高的单盘容量有助于减少实现同等容量所需的设备数量，并优化机架空间、供电和散热开支;需要更高写入性能或更严格响应时延的负载，则由匹配的其他SSD产品和软件配置承接。

　　从投资角度来看，Solidigm的强劲增长机会来自AI数据规模扩大、企业存储配置升级，以及客户对单位容量成本和系统效率的持续追求。模型效率提升又能降低完成任务的成本，吸引更多工作进入大型AI推理系统;当用户和任务规模的扩张超过单位任务的资源节约幅度，计算、存储、网络与电力需求便可继续同步增长。