当大模型从云端继续往PC、AI Box和边缘设备下沉，端侧AI面临的问题也开始变得具体：模型能不能装得下，数据能不能及时喂给CPU、GPU和NPU，以及有限的内存容量能不能撑住越来越长的上下文。2026云栖大会上，江波龙把这些问题直接摆到了展台上。

江波龙以“端侧AI存储 集成应用”为主题，带来了XP2380MA AISSD™、AIDIMM™、AILPBGA™等产品，并通过本地大模型实际运行展示存储与内存方案如何参与端侧AI推理。相比单纯比拼容量和顺序读写速度，这次展出的重点更像是在回答一个问题：当AI模型真正进入本地设备，存储应该怎么跟着变。

 江波龙集中展示内存、SSD与软件协同方案

AIDIMM™：端侧大模型先要解决“内存墙”

现场最显眼的新品之一是这全球首款的AIDIMM™，展牌给出的核心参数很直接：256bit位宽、最高307.2GB/s传输带宽、最大128GB容量，并采用可插拔DIMM形态。江波龙公开资料显示，这款产品面向 AI PC、智能体主机等端侧 AI 设备，旨在在大容量与高带宽之间实现新的平衡。

传统PC内存体系更强调通用性，但AI PC本地大模型推理对内存容量和带宽都更敏感。模型参数、KV Cache以及CPU、GPU、NPU之间的数据交换，会让内存很快从“够不够大”变成“够不够快”。AIDIMM™采用LPDDR5X与256bit大位宽设计，最高128GB容量，同时保留模块化、可插拔的形态，这也是它区别于CAMM形态内存方案的一点。

江波龙此前公布的信息显示，AIDIMM™单条可支持122B级以上端侧模型运行；而本次云栖大会现场的联合方案又把展示规模继续往上推。需要说明的是，现场演示界面显示的是经过量化的Qwen3.5-122B-A10B模型，因此更准确的理解是：江波龙在展示122B参数规模模型经过量化后在本地平台上的运行能力，而不是简单把“122B”直接等同于传统全精度模型所需的内存规模。

AISSD™不只追求跑分，还要替内存分担压力

与AIDIMM™放在一起展示的XP2380MA AISSD™，则代表另一条思路：让SSD承担更多AI工作负载。现场展牌显示，这款产品采用QLC NAND，支持PCIe 4.0，提供1TB和2TB方案，顺序读取最高7400MB/s、顺序写入最高5500MB/s，随机读写最高1000K/850K IOPS，应用方向包括AI PC、AI Box、Home AI Station和边缘AI设备。

值得关注的地方并不只是读写性能。江波龙在端侧AI方案中提出通过存储智能体和系统级调度，让SSD承接一部分原本高度依赖DRAM的温冷数据与KV Cache压力。这样做并不能让NAND变成DRAM，但如果软件能够把不同热度的数据合理分层，就有机会在成本、容量与响应速度之间重新做取舍。

现场还能看到XP2380MA AISSD™与AIDIMM™并排工作的演示平台，软件界面会实时显示CPU、GPU和RAM占用情况。相比把SSD单独放在玻璃柜里，这种“模型跑起来给你看”的展示方式，更能说明江波龙这次想讲的并非传统标准存储产品，而是存储介质、内存和软件调度之间的协同。

江波龙此次展示的另一层内容，是iSA™存储智能体。品牌资料显示，现场方案基于AMD锐龙AI MAX+ 395平台，结合AIDIMM™与AISSD™运行本地大模型，并围绕超长上下文、MoE专家管理、KV Cache等环节进行优化。现场iSA™ Studio界面中，也可以看到本地模型、Runtime以及CPU/GPU/RAM实时资源状态。

这背后的变化是，存储厂商开始从“提供硬件”往系统层走。过去用户购买SSD，最容易比较的是容量、接口和读写速度；到了端侧AI场景，单个器件的峰值性能并不能完全决定模型体验。模型如何加载、缓存如何分层、内存和NAND怎样协同，以及不同算力单元如何调用数据，都会直接影响首Token时间和持续推理效率。

这也是江波龙强调“集成存储”的原因。硬件仍然是底座，但真正拉开差异的部分，越来越可能出现在主控、固件、封装、软件和系统级适配之间。

 江波龙端侧AI方案进行本地模型实机演示

 六联AXB35 4L智能体主机搭载江波龙端侧AI存储方案

热点科技洞察：AI时代，存储正在从“容量配角”变成系统变量

AI算力讨论过去很容易集中在CPU、GPU和NPU上，但当模型真正落到端侧，存储和内存的重要性会迅速上升。原因并不复杂：算力再强，如果模型装不下、数据搬不动，或者KV Cache持续挤占内存，最终体验依旧会卡在数据这一侧。

江波龙这次在云栖大会展示AIDIMM™、XP2380MA AISSD™和iSA™，比较有意思的地方就在于它没有把三者割裂开来。AIDIMM™解决高带宽、大容量内存的问题，XP2380MA AISSD™尝试用更大的NAND空间承接部分数据压力，iSA™则负责软件层面的调度与协同。三者放到一起，才构成一套更完整的端侧AI存储叙事。

当然，这条路线最终能否大规模进入消费级AI PC和智能体主机，还要看整机平台支持、软件生态、实际模型负载、成本以及长期稳定性。尤其是SSD参与缓存之后，延迟、写入放大和耐久性如何平衡，都需要真实应用继续验证。但可以确定的是，端侧AI正在改变存储行业过去以容量和接口代际为主的升级节奏。未来用户讨论一台AI设备时，除了TOPS和模型参数，内存带宽、可用容量以及数据调度方式，很可能也会成为越来越重要的指标。