NAND/SSD完全解説｜AI推論時代にストレージで何が起きているか

業界分析
2026.06.19

本記事は特定銘柄の売買を推奨するものではありません。技術・業界を調べ・整理し・記録する探索ログです。

📍 この記事はAIデータセンター銘柄マップの「メモリ・ストレージ」レイヤーを深掘りしています → AIデータセンター関連株マップ

この記事の結論

AIデータセンターの投資テーマは、GPU（演算装置）とHBM（High Bandwidth Memory：広帯域メモリ）に集中しやすい。しかし、AI推論が本格化すると、SSD（Solid State Drive：半導体ストレージ）の役割が「データの倉庫」から「GPUの拡張メモリ階層」へ変わる。

AI学習では、巨大なデータを読み込んでGPUで計算し、途中経過を保存する。主役はGPUとHBMであり、SSDは脇役に見えやすい。一方、AI推論では、学習済みモデルを繰り返し読み込み、RAG（Retrieval-Augmented Generation：検索拡張生成）で外部知識を検索し、KVキャッシュ（過去の計算結果）を再利用し、ログや生成結果を保存する。SSDは単なる保管場所ではなく、GPUに近い位置で常に読み書きされる存在になる。

この変化を数字で見ると、キオクシアのInvestor Day 2026資料では、フラッシュメモリ市場のビット成長率が2028年までCAGR（年平均成長率）20%強、データセンター向けはCAGR 46%、推論向けはCAGR 86%と示されている（出典：キオクシア Investor Day 2026資料、原データはTechInsights NAND Market Report Q2 2026）。

ただし、NAND（フラッシュメモリ）は典型的な市況産業である。「AIで伸びる」という構造的追い風はあるが、価格サイクルの上下は残る。この記事では、技術の基礎から推論需要の構造変化まで、NAND/SSD企業を見るための知識を整理する。

NANDフラッシュメモリとは何か

NAND（ナンド）フラッシュメモリは、電源を切ってもデータが消えない半導体メモリである。スマホ、USBメモリ、SDカード、SSDに使われている。

AIデータセンターのメモリ階層でたとえると、こうなる。

メモリたとえ特徴
HBMGPUの超高速作業机最速だが容量が小さく高価
DDR5（DRAM）CPUの作業机速いが電源を切ると消える
SSD（NAND）本棚電源を切っても残る。大容量で安い
HDD倉庫最大容量で最安だが遅い

NANDの仕組みを一言でいうと、メモリセルという小さな箱に電子を入れたり出したりして、0と1を記録する。電子が入っている量によって電圧のしきい値が変わり、その違いを読み取ることでデータを判定する。電源を切っても電子は箱の中に残るので、データが消えない。

SLC / MLC / TLC / QLC：1つのセルに何ビット入れるか

NANDの性能とコストは、1つのセルに何ビットのデータを入れるかで大きく変わる。

種類ビット数電圧状態速度耐久性コスト主な用途
SLC1 bit2状態最速最高最高キャッシュ、産業用、XL-FLASH
MLC2 bit4状態速い高い高い旧世代高耐久SSD
TLC3 bit8状態普通中安い現在のSSD主流
QLC4 bit16状態遅い低い最安大容量SSD、データレイク

ビット数が増えるほど、しきい値電圧の間隔が狭くなる。間隔が狭いと読み書きに精密な制御が必要になり、速度が落ち、書き換え回数の限界も早く来る。その代わり、同じ面積でより多くのデータを入れられるので容量単価が下がる。

AI推論向けでは、用途ごとに使い分けが起きている。

AI推論の用途向くNAND
KVキャッシュ、低レイテンシ読み出しSLC/XL-FLASH、高性能TLC
ベクトルDB、RAG、ホットデータTLC
学習データ、生成結果、ログQLC、大容量SSD

3D NANDと積層数競争

初期のNANDは、セルを平面上に並べていた（2D NAND）。しかし微細化の限界で、セルを縦に積み上げる3D NANDへ移行した。積層数はビルの階数に近い。多く積むほど同じ面積で容量を増やせる。

各社の積層数（2026年時点）

会社状況
Samsung200層台後半のV-NANDが主力。400層級の研究開発も（Samsung公式・各種報道）
SK hynix / Solidigm321層NANDで先行。QLC大容量SSDを展開（Tom’s Hardware報道）
Micron276層クラスのG9 NANDを展開（Micron公式・報道）
Kioxia / SanDiskBiCS8が現行主力。BiCS10（332層）を2026年夏サンプル出荷予定（KIOXIA BiCS FLASH公式、TechRadar報道）
YMTC300層超の技術報道あり。ただし米国規制による設備・量産拡大リスク大（Tom’s Hardware報道）

ただし、積層数だけで優劣は決まらない。穴を深く掘る加工難度、歩留まり（良品率）、電力効率、コントローラとの相性も重要である。キオクシアも公式で、層数だけでなく横方向の最適化を組み合わせる戦略を説明している。

SSDの中身：NANDだけでは動かない

SSDは、NANDチップをただ並べたものではない。以下の部品を組み合わせた「小さなストレージコンピュータ」である。

部品役割
NANDチップデータを保存する
コントローラ読み書き、エラー訂正、摩耗管理、暗号化を制御する頭脳
DRAMキャッシュアドレス変換テーブルを高速に扱う
ファームウェアSSDの挙動を決めるソフトウェア
電源損失保護（PLP）突然の電源喪失からデータを守る。エンタープライズSSDで重要

インターフェースの世代

世代実効速度位置づけ
SATA III約550MB/sHDD置き換え用。旧世代
PCIe Gen3 x4 NVMe約3.5GB/sNVMe（Non-Volatile Memory Express）普及初期
PCIe Gen4 x4 NVMe約7GB/s現行PC・サーバーで広く利用
PCIe Gen5 x4 NVMe約14GB/sAI/データセンター向けの最新世代

コンシューマSSDとエンタープライズSSDの違い

項目コンシューマSSDエンタープライズSSD
用途PC、ゲームサーバー、クラウド、AI
稼働時間断続的24時間365日
耐久性指標TBW（総書き込み量）DWPD（1日あたり全容量書き換え回数）
電源損失保護ないことが多い必須
レイテンシ平均性能重視QoS（尾部レイテンシの安定性）が重要

DWPD（Drive Writes Per Day）の計算例：15.36TBのSSDが3 DWPDで5年保証なら、15.36TB × 3 × 365日 × 5年 = 約84PBの書き込みに耐える。

データセンターSSDの3分類

分類典型DWPDAI推論での用途
Read Intensive0.3-1モデル配布、RAG検索、ログ参照
Mixed Use1-3DB、ベクトルDB、AI前処理
Write Intensive3以上高頻度ログ、チェックポイント

AI学習 vs AI推論：ストレージの使われ方はまったく違う

AI学習のストレージ

AI学習は、巨大なデータセットを読み込み、GPU/HBMで計算し、途中経過（チェックポイント）を保存する。

処理SSDの役割
学習データ読み込み大容量のシーケンシャル（順番に）読み出し
チェックポイント保存大容量の書き込み

学習ではGPU/HBMがボトルネックになりやすく、SSDは「あれば困らない」程度に見えやすい。

AI推論のストレージ：ここでSSDの出番が変わる

AI推論は、学習済みモデルを使ってユーザーの質問に答える処理である。ここで起きることを分解すると、SSDの出番が見えてくる。

処理SSDに何が起こるか
モデルロード起動・スケールアウト時に数十GBから数TBの重みを読む
RAG外部文書やベクトルDBからランダムに読む
KVキャッシュ過去の計算結果をSSDに保存・再利用する
ログ保存ユーザー入力、出力、監査データを書き込む
生成データテキスト、画像、動画、音声を保存する
モデル配布多数ノードへモデルを配置する

推論が増えると、SSDは「保管」ではなく「繰り返し使われるメモリ階層」になる。

モデルサイズから必要なSSD容量を考える

LLM（Large Language Model：大規模言語モデル）の重みは、パラメータ数 × 1パラメータあたりのバイト数で概算できる。

モデル規模FP16/BF16INT8INT4
8B（80億パラメータ）約16GB約8GB約4GB
70B約140GB約70GB約35GB
405B約810GB約405GB約203GB
1T（1兆パラメータ）約2TB約1TB約500GB

実際には、重みだけでなく、複数バージョンの管理、冗長配置、KVキャッシュ、RAGデータ、ログがあるため、ノード単位ではモデル重みの1.5倍から数倍のSSD容量を見込む必要がある。

KVキャッシュ：SSD需要を膨らませる構造

KVキャッシュは、過去のトークン（単語）の計算結果を再利用するためのデータである。短い会話ならHBMやDRAMに収まる。しかし、以下の条件でKVキャッシュが膨らみ、SSDへの階層化が起きる。

条件SSD需要への影響
長文コンテキストKVキャッシュが大きくなり、HBMだけでは足りない
マルチターン会話過去の会話履歴を保持する必要がある
多数ユーザー同時接続ユーザーごとのKVキャッシュが同時に必要
エージェント型AI何度も検索し、過去結果を再利用する

HBMにはホットなKVキャッシュ、DRAM/CXL（Compute Express Link：メモリ拡張規格）にはウォームなデータ、SSDにはコールドなデータという階層化が自然な方向である。

何TB × 何台 × 何ラック：SSD需要をミクロに分解する

1サーバーあたりのSSD構成例

サーバー種類SSD構成例容量
汎用Webサーバー2-4枚 × 3.84TB約8-15TB
AI学習ノード4-8枚 × 15.36TB約61-123TB
AI推論GPUノード8枚 × 15.36-30.72TB約123-246TB
RAG/ベクトルDBノード8-24枚 × 30.72TB約246-737TB
大容量データレイクノード24-40枚 × 122.88-245.76TB約3-9.8PB

SSD需要の計算式

SSD需要 = ノード数 × 1ノードあたりSSD枚数 × 1枚あたり容量 × 冗長係数

たとえば、推論ノード1,000台 × 8枚 × 15.36TB = 約123PB。ここに冗長化、バックアップ、地域分散、モデル複製が乗るため、物理SSD需要は論理データ量より大きくなる。

AI推論向けSSD製品の役割：キオクシアを例に見る

キオクシアのInvestor Day 2026では、AI推論時代のSSD製品を3つのシリーズで説明している（出典：キオクシア Investor Day 2026ニュースリリース、2026-06-19取得）。

シリーズ特徴AI推論での役割
CMシリーズTLC（3ビット/セル）高帯域SSD。NVIDIA CMX対応KVキャッシュ保存、推論GPUサーバーの近接ストレージ
GPシリーズXL-FLASH搭載、100M IOPS（1秒あたり1億回の読み書き）以上を目指す超高速SSDGPUメモリ領域拡張、RAGサーバー
LCシリーズQLC大容量SSD、最大245.76TBデータレイク、学習・推論データ、生成結果保存

それぞれが何に効くか

CMシリーズ — PCIe Gen5対応のエンタープライズSSD。CM7-Vは最大12.8TB、3 DWPD、シーケンシャルリード最大14,000MB/s（KIOXIA CM7-V公式）。推論サーバーでモデルを高速に読み込み、KVキャッシュを保存する用途に向く。

GPシリーズ — XL-FLASH（キオクシアの低レイテンシフラッシュ、読み出し遅延5マイクロ秒未満：KIOXIA XL-FLASH公式）を搭載し、DRAMとNANDの性能ギャップを埋める。100M IOPS以上を目指すSuper High IOPS SSDであり（キオクシア Investor Day 2026）、NVIDIAのStorage-Nextに対応し、GPUから直接アクセスできるメモリ階層として機能する（Tom’s Hardware報道）。RAGのベクトル検索で大量のランダムリードが発生する場面で効く。

LCシリーズ — QLC NANDを使った超大容量SSD。LC9は2.5インチで最大122.88TB、E3.Lフォームファクタで245.76TB級。AI推論で生まれる大量の生成データ、ログ、学習データセットを低コストで保存する。

さらに、AiSAQというソフトウェアも持つ。RAG用のベクトルデータベースをSSDとGPUで効率よく扱う技術で、数十億ベクター規模のDB構築で、CPUのみの場合と比べ最大約20倍のインデックス作成高速化を実現するとしている（出典：キオクシア Investor Day 2026資料、2026-06-19取得）。

キオクシアを単なるNANDメーカーではなく、「SSD＋ソフトウェアでAI推論インフラに入る企業」として見る材料になる。

NAND市場の価格サイクル：AI需要だけでは語れない

NANDは典型的な市況産業である。需要増 → 価格上昇 → 設備投資増 → 供給増 → 在庫積み上がり → 価格下落 → 減産 → 回復、というサイクルを繰り返す。

2022年〜2026年の流れ

時期状況
2022-2023年PC・スマホ不振、在庫調整、各社減産
2024年価格回復、AIデータセンター需要が意識される
2025年後半学習→推論シフトでストレージの重要性が認識される
2026年NAND金額市場は2025年比で約4倍。需給は2027年までタイト見込み（出典：キオクシア Investor Day 2026資料、2026-06-19取得）

AI推論は構造的な追い風だが、NANDの価格サイクルは残る。「AIだから上がり続ける」のではなく、需給バランスとセットで見る必要がある。

競合比較：NAND/SSD企業の位置づけ

会社強みAI推論との関係
SamsungNAND最大手級。DRAM/HBM/SSDの総合力全方位で対応できる資本力とシェア
SK hynix / SolidigmHBMで強いSK hynixに、Intel NAND由来のSolidigmが合流QLC大容量SSDとHBMの両方を持つ
Kioxia / SanDiskBiCS FLASH、四日市・北上の製造基盤。NVIDIA連携CM/GP/LCシリーズでAI推論特化を打ち出す
MicronDRAM/HBM/NAND/SSDの米国大手データセンター向けへ重点シフト
YMTC中国NAND大手。技術力はあるが米国規制でリスク大輸出規制が事業拡大の制約

キオクシアの勝ち筋と負け筋

勝ち筋負け筋
NVIDIA連携（CMX、Storage-Next）で差別化Samsung/SK/Micronの資本力に劣る
XL-FLASH、GPシリーズの低レイテンシで独自領域QLC大容量でSolidigm/SanDiskと競合
LC9の245TB級で大容量市場を押さえるGP/Storage-Nextが普及しなければニッチに留まる
データセンター・エンタープライズ比率60%以上を達成NAND価格下落で利益が落ちるリスク
BiCS10（332層）の量産成功（出典：KIOXIA BiCS FLASH公式）DRAMを持たないためHBM需要は取れない
年間4,700億円の設備投資で供給力確保（出典：キオクシア Investor Day 2026）需要鈍化時に設備投資が重荷になる

周辺技術：CXLメモリはSSDを置き換えるのか

CXL（Compute Express Link）は、CPUとメモリ拡張デバイスをつなぐ規格である。HBMほど速くないが、SSDよりメモリに近い速度で容量を増やせる。

階層速度容量役割
HBM最高小GPU直結の計算用
DDR5高い中CPU側メモリ
CXL DRAMDDRに近い中-大メモリ拡張
SSD低い大永続保存、キャッシュ
HDD最低最大冷たいデータ

CXLはSSDを置き換えるのではなく、補完する存在である。KVキャッシュのホット部分はHBM/DRAM/CXL、ウォーム/コールド部分はSSDという階層化が自然な方向になる。

シナリオ比較

強気中立弱気
AI推論SSD需要GPU拡張メモリ階層が標準化し、CMX/Storage-Nextが普及データセンターSSD需要は着実に伸びるが爆発的ではないAI推論はHBM/DRAMで完結し、SSD需要は限定的
NAND価格需給タイトが2027年以降も続き、ASP上昇サイクル通りに2027年後半から軟化各社増産で供給過剰、価格急落
QLC大容量245TB級SSDがデータレイクの標準に採用は進むがHDD代替は段階的QLC耐久性懸念でTLC回帰
NAND企業の利益AI推論＋価格上昇で業績急拡大増収だが設備投資負担で利益率改善は緩やか価格下落サイクル入りで減益

次回決算で見る指標

指標なぜ重要か
エンタープライズ/データセンター向け売上比率AI推論ストーリーが売上に見えているか
NAND ASP（平均販売価格）市況の追い風・逆風
ビット出荷量実需の伸び
製品ミックスQLC大容量、TLC高性能、XL-FLASHの比率
設備投資額将来の供給増と過剰リスク
LTA（長期契約）比率収益安定化の度合い
営業CF / FCF（フリーキャッシュフロー）投資を自力で回せるか
CM/GP/LCシリーズの顧客採用AI推論向け製品が実際に売れているか

マップ上の位置づけ

レイヤー企業例役割
演算NVIDIA、カスタムASIC企業GPU/AIアクセラレータ
メモリ・ストレージMicron、SK hynix、キオクシアHBM/DRAM/NAND/SSD
パッケージ基板イビデンGPU/HBMを載せる基板
製造装置・検査アドバンテスト、ディスコテスト、精密加工
光通信フジクラ、AAOIGPU間・ラック間通信
電力・冷却富士電機、荏原電力供給、冷却

HBMがGPUの「超高速作業机」なら、SSDはAI推論サービスの「繰り返し使われる本棚」である。推論リクエストが増え、モデルが大きくなり、RAGやKVキャッシュが膨らむほど、SSDの役割が重くなる。

関連する企業分析ログ

参考文献

公式・一次情報

二次情報・市場データ

免責事項

本記事は技術・業界の理解を目的とした情報整理であり、特定銘柄の売買を推奨するものではありません。投資判断は必ずご自身の責任で行ってください。

コメント

タイトルとURLをコピーしました