共计 1099 个字符，预计需要花费 3 分钟才能阅读完成。
AI 基础设施的竞争, 正在从“谁有更多 GPU”延伸到“谁能更高效地保存和流转数据”。 当大模型训练、推理和数据回流形成闭环后, 存储不再只是后台资源, 而是决定 AI 能否规模化落地的重要环节。
📌 算力之外, 数据增长正在改变成本结构
过去两年,GPU 供应、智算中心建设和大模型参数规模是行业讨论的核心 。但随着 AI 应用进入真实业务场景, 企业发现, 计算资源可以在训练和推理之间反复调度, 数据却会持续累积。
🔍 企业侧痛点: 吞吐、流转和冷热分层
智能驾驶等场景的压力更直观。 车辆每天产生的数据可接近 PB 级甚至更高 , 数据需要经历采集、清洗、训练、模型下发和车端推理等环节。如果各环节存储割裂, 依赖人工衔接,AI 闭环迭代效率就会被拖慢。
- 热数据: 需要高 IO 性能, 直接影响训练与推理效率。
- 冷数据: 访问频率低, 但规模庞大, 若长期占用昂贵闪存会推高成本。
- 全生命周期管理: 数据从生成到回流训练的链路越顺畅, 模型迭代越快。
💡 西部数据的判断:HDD 仍有长期战略价值
西部数据在对全球头部客户的调研中发现, 中国受访者对 HDD 的关注点高度集中在总体拥有成本上 。材料显示,90% 的中国受访者将 TCO 视为 HDD 的首要优势,72.7% 认为这是把 HDD 纳入长期战略的重要原因。
这背后并不只是“便宜”二字。AI 数据规模越大 , 单位容量成本、单位功耗、机房空间和后续运维都会影响最终账本。对超大规模数据中心而言, 单盘容量和能效提升会通过部署规模产生乘数效应。
📊 路线图: 更大容量、更高带宽和更低能耗
在产品规划上, 西部数据提出了较明确的容量节奏:2026 年实现 40TB 单盘 ,2029 年达到 100TB 以上。其技术路径包括 HAMR 热辅助磁记录, 将单张磁碟容量从约 4TB 提升至 10TB, 并配合 14 碟封装实现更高单盘容量。
容量提升之外, 面向 AI 工作负载的性能问题也被摆上台面 。西部数据提到的高带宽硬盘技术, 可通过两个磁头同时读写提升单盘带宽; 双枢轴技术则通过双磁臂设计提高顺序 IO 性能。材料显示, 这两项技术均已进入客户验证阶段。
- 容量: 应对 AI 训练与推理持续产生的数据沉淀。
- 带宽: 缓解容量变大后每 TB 带宽被稀释的问题。
- 能耗: 功耗优化型 HDD 计划在 2027 年进入客户认证阶段, 目标是在较小性能代价下进一步降低功耗。
🚀 行业观察:AI 下半场要补齐数据底座
AI 产业上半场更像是算力竞赛,GPU 决定了模型训练的速度和门槛 ; 但当应用规模扩大后, 数据的保存、调度、分层和回流会成为新的基础能力。尤其在云服务、自动驾驶、企业大模型等场景中, 存储效率直接关系到 AI 系统的总成本和迭代速度。
