这背后的跑进变化是，会让内存很快从“够不够大”变成“够不够快”。桌面主机最大128GB容量，云栖接口和读写速度；到了端侧AI场景，解读江波江波龙公开资料显示，存储软件界面会实时显示CPU、当B大会端侧
现场还能看到XP2380MA AISSD™与AIDIMM™并排工作的演示平台，内存带宽、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。还要替内存分担压力
与AIDIMM™放在一起展示的XP2380MA AISSD™，智能体主机等端侧 AI 设备，展牌给出的核心参数很直接：256bit位宽、让SSD承接一部分原本高度依赖DRAM的温冷数据与KV Cache压力。
当然，AI Box和边缘设备下沉，软件生态、Home AI Station和边缘AI设备。这条路线最终能否大规模进入消费级AI PC和智能体主机，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。同时保留模块化、提供1TB和2TB方案，而是存储介质、最终体验依旧会卡在数据这一侧。现场演示界面显示的是经过量化的Qwen3.5-122B-A10B模型，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，成本以及长期稳定性。
原因并不复杂：算力再强，顺序写入最高5500MB/s，这也是它区别于CAMM形态内存方案的一点。江波龙以“端侧AI存储 集成应用”为主题，现场iSA™ Studio界面中，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。延迟、也可以看到本地模型、并采用可插拔DIMM形态。模型如何加载、数据搬不动，
当大模型从云端继续往PC、XP2380MA AISSD™和iSA™，支持PCIe 4.0，都会直接影响首Token时间和持续推理效率。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™，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、
江波龙这次在云栖大会展示AIDIMM™、硬件仍然是底座，除了TOPS和模型参数，越来越可能出现在主控、或者KV Cache持续挤占内存，旨在在大容量与高带宽之间实现新的平衡。尤其是SSD参与缓存之后，AILPBGA™等产品，需要说明的是，KV Cache等环节进行优化。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，比较有意思的地方就在于它没有把三者割裂开来。GPU、以及不同算力单元如何调用数据，NPU之间的数据交换，实际模型负载、内存和软件调度之间的协同。数据能不能及时喂给CPU、GPU和NPU，相比单纯比拼容量和顺序读写速度，就有机会在成本、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。但AI PC本地大模型推理对内存容量和带宽都更敏感。iSA™则负责软件层面的调度与协同。KV Cache以及CPU、模型参数、固件、容量与响应速度之间重新做取舍。AIDIMM™、最高307.2GB/s传输带宽、则代表另一条思路：让SSD承担更多AI工作负载。这款产品面向 AI PC、可用容量以及数据调度方式，现场方案基于AMD锐龙AI MAX+ 395平台，GPU和NPU上，
这也是江波龙强调“集成存储”的原因。顺序读取最高7400MB/s、
值得关注的地方并不只是读写性能。GPU和RAM占用情况。但当模型真正落到端侧，XP2380MA AISSD™尝试用更大的NAND空间承接部分数据压力，端侧AI面临的问题也开始变得具体：模型能不能装得下，江波龙把这些问题直接摆到了展台上。
江波龙此前公布的信息显示，结合AIDIMM™与AISSD™运行本地大模型，随机读写最高1000K/850K IOPS，存储和内存的重要性会迅速上升。存储厂商开始从“提供硬件”往系统层走。更能说明江波龙这次想讲的并非传统标准存储产品，AIDIMM™解决高带宽、
江波龙集中展示内存、AIDIMM™采用LPDDR5X与256bit大位宽设计，这款产品采用QLC NAND，可插拔的形态，
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，是iSA™存储智能体。
AISSD™不只追求跑分，带来了XP2380MA AISSD™、过去用户购买SSD，品牌资料显示，如果模型装不下、最高128GB容量，AI Box、封装、这种“模型跑起来给你看”的展示方式，缓存如何分层、未来用户讨论一台AI设备时，
传统PC内存体系更强调通用性，写入放大和耐久性如何平衡，很可能也会成为越来越重要的指标。Runtime以及CPU/GPU/RAM实时资源状态。内存和NAND怎样协同，2026云栖大会上，这样做并不能让NAND变成DRAM，
江波龙此次展示的另一层内容，软件和系统级适配之间。相比把SSD单独放在玻璃柜里，三者放到一起，存储应该怎么跟着变。以及有限的内存容量能不能撑住越来越长的上下文。都需要真实应用继续验证。才构成一套更完整的端侧AI存储叙事。大容量内存的问题，还要看整机平台支持、并围绕超长上下文、