作者：毛爍

如今，關于AI的討論基本都圍繞同一套邏輯展開：新的GPU架構、更大的模型參數(shù)、以及OpenClaw、Manus這樣的爆款智能體如何重塑人機交互。但是，卻很少有人愿意把關注從訓練集群和推理算力上移開，去關注那些持續(xù)運轉的存儲陣列。

公眾和資本都相信，AI競爭的核心是算力，誰擁有更多GPU，誰就擁有未來。

但站在大規(guī)模數(shù)據(jù)中心和基礎設施提供商的視角，算力決定模型能運行多快，而存儲則決定模型能否持續(xù)運行。

按照IDC的預測，到2029年，全球AI基礎設施支出將突破1萬億美元。而真正支撐這個萬億美元體系持續(xù)運轉的，不只有算力，還有數(shù)據(jù)能否被持續(xù)、低成本地存儲、調度與調用。

事實上，GPU斷電之后，顯存中的內容會消失，真正沉淀下來的訓練數(shù)據(jù)、推理日志、生成內容，以及越來越龐大的數(shù)字資產，最終仍要回到存儲中。

AI時代消耗的每一個Token、生成的每一段視頻、積累的每一次交互，都在持續(xù)提高存儲的需求。而決定超大規(guī)模客戶能否把TCO控制在可接受范圍內的，是單盤容量提升的速度，以及整個存儲系統(tǒng)的效率。

所以，提升存儲的單盤容量，已經(jīng)成為決定經(jīng)濟模型是否成立的關鍵變量。

但問題在于，過去依賴磁記錄面密度持續(xù)提升來換取容量增長的路徑，正在逐漸觸碰物理邊界。

在與西部數(shù)據(jù)首席技術官兼高級副總裁車曉東博士深度交流后，筆者認為，傳統(tǒng)磁記錄技術已經(jīng)逼近超順磁極限，繼續(xù)提高面密度的難度越來越高，單一路線已經(jīng)難以承接AI時代的數(shù)據(jù)規(guī)模。

西部數(shù)據(jù)首席技術官兼高級副總裁 車曉東

【簡介】車曉東博士現(xiàn)任西部數(shù)據(jù)首席技術官兼高級副總裁，負責領導公司的技術戰(zhàn)略與創(chuàng)新議程，致力于推動數(shù)據(jù)存儲解決方案的發(fā)展，為可擴展、高性能的AI基礎設施奠定堅實基礎；2026年5月，他剛剛獲得全美亞裔杰出工程師獎。過去三十年間，他持續(xù)引領并推動磁數(shù)據(jù)存儲行業(yè)的創(chuàng)新，擁有50多項專利，并在數(shù)據(jù)存儲技術領域發(fā)表了20多篇經(jīng)同行評審的學術論文；他還是華美信息存儲協(xié)會（CAISS）的創(chuàng)始董事會成員，以及IEEE磁學學會的高級會員。

01 AI“推理”加速大容量存儲需求擴張

要理解如今的基礎設施層正在經(jīng)歷什么，首先需要我們要回憶一個已經(jīng)有些過時的認知。

在大模型發(fā)展的早期階段，行業(yè)的核心任務始終圍繞算力展開，數(shù)據(jù)則更像一次性消耗的燃料，被送入GPU集群完成訓練，價值釋放之后便進入沉淀周期。

但在車曉東看來，行業(yè)如今已經(jīng)走到了新的拐點，AI訓練之外，推理（Inference）正在成為數(shù)據(jù)增長的主引擎。

這一判斷，與黃仁勛近年來持續(xù)強調的“推理時代（Inference Era） ”形成了呼應。

當OpenClaw、Manus這類Agentic AI開始進入真實生產環(huán)境，AI逐漸演化成擁有長期記憶、能夠持續(xù)執(zhí)行任務、可以自主調用工具的系統(tǒng)。隨之而來的變化是，模型不再只是“消耗”數(shù)據(jù)，而開始持續(xù)地生產數(shù)據(jù)。

一次推理，對應著數(shù)十輪上下文、多次工具調用、長鏈路的決策過程，以及不斷累積的運行狀態(tài)與結果記錄。文本、圖像、視頻、日志、知識庫更新，這些都會源源不斷地沉淀下來。

這已經(jīng)不是簡單的數(shù)據(jù)增長，而是數(shù)據(jù)生產機制發(fā)生了變化。車曉東介紹道：“過去的數(shù)據(jù)主要由人創(chuàng)造。PC時代，人通過鍵盤輸入，移動互聯(lián)網(wǎng)時代，人借助智能終端持續(xù)生產內容，而進入AI時代之后，數(shù)據(jù)開始自動生成，越來越多的內容，不再需要人類參與。”

由此，一個新的循環(huán)正在形成，訓練催生推理，推理生成數(shù)據(jù)，數(shù)據(jù)再回流到訓練。這便是不斷自我強化的“數(shù)據(jù)飛輪”。

但問題也隨之而來。這些被持續(xù)生產出來的多模態(tài)內容、超長上下文、Agent運行日志，以及龐大的歷史狀態(tài)，最終要存放在哪里？

車曉東提到，云端客戶內部一直存在一個共識，他們普遍將HDD視作云基礎設施的支柱。

原因在于，盡管高性能計算仍然依賴GPU和高速存儲來完成，但隨著訓練數(shù)據(jù)、生成內容、歷史上下文，以及長期歸檔數(shù)據(jù)的不斷增長，云基礎設施需要以可接受的成本，持續(xù)承載這些數(shù)據(jù)。

正也是在這樣的背景下，大容量存儲的重要性被重新放大。

車曉東分享了一個觀察。智能手機普及之后，終端側內容生產的爆發(fā)，曾經(jīng)顯著拉動了云端存儲的需求增長；而進入智能體時代，當越來越多的內容開始由機器持續(xù)生成、調用和沉淀，這種數(shù)據(jù)擴張與存儲需求之間的聯(lián)動關系，只會進一步增強。

這也意味著，AI基礎設施的競爭邏輯正在變得更加復雜，算力仍然決定著系統(tǒng)的處理能力，而存儲能力，則越來越深地影響著數(shù)據(jù)資產能否被長期、高效地保留下來并持續(xù)利用。

02 11 碟設計讓HDD擴容

海量數(shù)據(jù)持續(xù)涌入之后，基礎設施提供商首先遇到的，是成本問題。

在西部數(shù)據(jù)面向全球核心客戶和分銷商開展的最新抽樣調查中，中國受訪者里超過90% 將總體擁有成本（TCO）列為HDD（Hard Disk Drive，機械硬盤）的主要優(yōu)勢，超過72%認為TCO是他們將HDD作為其長期戰(zhàn)略存儲層的關鍵原因。

AI資產持續(xù)增長，但數(shù)據(jù)中心的機房面積、供電能力和散熱能力不會同步擴大。如果每增加一輪數(shù)據(jù)量，都要增加機柜、擴建機房，那么存儲成本甚至可能超過業(yè)務增長帶來的收益。

行業(yè)的需求開始變?yōu)椋谝粔KHDD中，裝下更多數(shù)據(jù)！

這其中有一個容易被忽略的背景。

今天數(shù)據(jù)中心的大容量HDD，內部通常由多張高速旋轉的磁碟（Platter，盤片）組成，數(shù)據(jù)寫入時，磁頭會懸浮在盤片表面讀取和記錄信息。理論上，放進更多盤片，就意味著能夠記錄更多數(shù)據(jù)。

但現(xiàn)實是，盤片增加后，內部氣流會變化，振動會增強，磁頭穩(wěn)定性會受到影響，散熱和電機負載也會同步上升。每新增一張盤片，都要重新調整這套高速運轉的機械系統(tǒng)。

而在這樣的背景下，西部數(shù)據(jù)推出了采用11碟設計（11-disk design）的數(shù)據(jù)中心級機械硬盤。

按照車曉東介紹，在相同尺寸和面密度下，相較傳統(tǒng)的10碟架構，11碟方案能夠帶來約10% 的容量提升。

單看這個數(shù)字也許并不夸張，但放到一個動輒部署數(shù)萬塊硬盤的數(shù)據(jù)中心里，意義就完全不同了。多出來的10%，相當于每10塊硬盤就能“憑空”多出1塊HDD的存儲空間，而機柜數(shù)量、供電體系、散熱設計，則幾乎不需要變化。

車曉東坦言，西部數(shù)據(jù)在該產品在設計之初就把兼容性放在重要位置，既兼容現(xiàn)有的部署環(huán)境，也兼容既有的制造體系。

換句話說，企業(yè)級用戶不需要重新規(guī)劃數(shù)據(jù)中心架構，就能在原有基礎設施上完成新一輪的容量升級。

03 從磁道中拓展空間，創(chuàng)新磁記錄技術突破容量的邊界

如果說“11碟”設計解決的是三維空間的問題，那么接下來要解決的，就是在二維平面上，讓同樣大小的盤片，記錄更多數(shù)據(jù)。

這里要先解釋一個容易混淆的概念。

其實，HDD上的數(shù)據(jù)并不是寫在一整塊連續(xù)的區(qū)域里，是沿著一圈圈磁道（Track）記錄的。而提高單盤容量的路徑主要有兩條，其一是增加盤片數(shù)量，其二是提升盤片上的記錄密度，也就是在同樣面積內記錄更多數(shù)據(jù)。“11碟”設計已經(jīng)在第一條路徑上把空間利用推進到了相當高的水平，行業(yè)的目光，自然落到了后者，也就是如何在同一張盤片上，提升單位面積內的面密度。

傳統(tǒng)的SMR（Shingled Magnetic Recording，疊瓦式磁記錄）技術走的就是第二條路線。

它的原理像鋪瓦片，相鄰磁道之間允許部分重疊，從而在同樣面積里記錄更多數(shù)據(jù)。代價是寫入邏輯會變得更復雜，因為修改一部分數(shù)據(jù)時，可能需要對相鄰磁道或數(shù)據(jù)區(qū)塊進行重新整理。 也正因如此，SMR對控制算法、緩存管理、數(shù)據(jù)恢復，以及糾錯能力都提出了更高要求。

而西部數(shù)據(jù)提出的UltraSMR，并不依賴某項單獨技術繼續(xù)壓縮磁道，而是在SMR架構基礎上，把磁記錄、控制系統(tǒng)以及數(shù)據(jù)管理能力協(xié)同優(yōu)化，以繼續(xù)提升單位面積內可記錄的數(shù)據(jù)量。

此外，西部數(shù)據(jù)專有的 OptiNAND 架構技術，將嵌入式閃存 iNAND 與 HDD 控制體系結合，可將部分元數(shù)據(jù)和運行數(shù)據(jù)存儲在閃存中進行管理，提升數(shù)據(jù)組織、緩存與可靠性管理能力，從而為更高容量和更高密度記錄提供支撐。

與此同時，ePMR（energy-assisted Perpendicular Magnetic Recording，能量輔助垂直磁記錄） 通過在寫入過程中引入能量輔助機制，提升寫入磁場控制能力和寫入穩(wěn)定性，從而支持更高面密度下的可靠記錄。 而當記錄密度繼續(xù)提升之后，讀取與恢復的難度也會同步增加。因此，糾錯碼（ECC）能力也需要相應升級，UltraSMR采用了更先進的數(shù)據(jù)糾錯算法與機制，以保證高密度環(huán)境下的數(shù)據(jù)完整性與可靠性。

這些能力共同作用，使UltraSMR能夠在現(xiàn)有機械硬盤體系下繼續(xù)提升容量效率。車曉東透露，相比同代常規(guī)磁記錄方案（CMR，Conventional Magnetic Recording），UltraSMR可實現(xiàn)超過20%的容量提升，并推動數(shù)據(jù)中心級HDD進入32TB容量區(qū)間。

容量增長帶來的價值不言而喻。

對于基礎設施提供商而言，在相同數(shù)量的服務器、機架，以及供電條件下，如果單盤能夠承載更多數(shù)據(jù)，就意味著單位存儲成本下降，同時降低擴容頻率和新增基礎設施投入。

這也是為什么車曉東反復強調，容量提升最終影響的是整個數(shù)據(jù)中心的成本結構與資源利用效率。

然而，對于西部數(shù)據(jù)而言，32TB 并不是終點。

隨著 AI推理持續(xù)產生數(shù)據(jù)、長期存儲需求不斷增長，單純依靠增加盤片數(shù)量或繼續(xù)壓縮磁道，能夠釋放的空間正在逐漸收窄。繼續(xù)提升容量，開始越來越依賴磁記錄技術本身的演進。

從車曉東披露的技術路線來看，后續(xù)西部數(shù)據(jù)將同時推進ePMR與HAMR（Heat-Assisted Magnetic Recording，熱輔助磁記錄）兩條路徑。

其中，HAMR的核心思路，是在數(shù)據(jù)寫入瞬間，通過微型激光對記錄區(qū)域進行短時間局部加熱，使磁介質在寫入時更容易完成磁化狀態(tài)變化，而在寫入結束后重新恢復高熱穩(wěn)定性。

這樣一來，就能夠使用尺寸更小、排列更密的磁性顆粒，在不犧牲數(shù)據(jù)的長期可靠性前提下，繼續(xù)提高面密度，也就是在同樣面積內記錄更多數(shù)據(jù)。

沿著這條技術路徑，西部數(shù)據(jù)規(guī)劃繼續(xù)推動單盤容量向100TB 級別演進。

04第二增長曲線：性能提升開啟HDD“iPod時刻”

解決了數(shù)據(jù)“存進去”的容量問題，下一步就是要解決數(shù)據(jù)能不能更快地“ 取出來”。

如果一塊硬盤能夠存下更多數(shù)據(jù)，卻不能更快地把數(shù)據(jù)讀出來，那么容量增長未必會轉化成系統(tǒng)效率的提升。

這一現(xiàn)象，在AI場景中尤其明顯。

過去，企業(yè)級存儲更多承擔的是長期保存與歸檔的職責，數(shù)據(jù)寫入之后，被讀取的頻率并不高。但AI進入推理階段之后，大模型、RAG（Retrieval-Augmented Generation，檢索增強生成），以及智能體應用，會持續(xù)地訪問知識庫、上下文記錄、多模態(tài)素材。

數(shù)據(jù)開始被反復調用。

而問題在于，HDD過去十多年的演進并不均衡，容量持續(xù)增長，但訪問能力并沒有同步提升。一個直觀的對照是，單盤容量已經(jīng)從幾TB 提升到數(shù)十TB 以上，但單盤順序吞吐能力長期仍停留在每秒數(shù)百MB的量級。

這意味著，同樣讀取1TB 數(shù)據(jù)，大容量HDD并不會比過去更快.相反，由于單塊HDD承載的數(shù)據(jù)越來越多，單位容量對應的數(shù)據(jù)訪問效率實際上在下降。

反觀在AI場景里，除了吞吐，IOPS（Input/Output Operations Per Second，每秒輸入/輸出操作次數(shù)）的重要性也愈發(fā)凸顯。AI推理對知識庫、向量索引、上下文片段的訪問，往往是大量、小塊、并發(fā)的隨機請求。當一塊30TB的硬盤同時面對成千上萬次小請求時，IOPS不足帶來的延遲，會讓GPU陷入空轉，即使還有計算余量，也只能等待數(shù)據(jù)到位。

也正因如此，車曉東直言，HDD新的演進方向，就是提升性能。

這里所說的性能，首先是帶寬，即單塊硬盤單位時間內能夠完成的數(shù)據(jù)讀取與傳輸能力。

為了解決容量增長之后訪問效率跟不上的問題，西部數(shù)據(jù)推出了高帶寬硬盤技術（High Bandwidth Drive Technology，HBDT）。

具體而言，傳統(tǒng)HDD內部雖然有多張盤片和多個磁頭，但同一時刻只有一個磁頭處于工作狀態(tài)，其余磁頭只能閑置等待，數(shù)據(jù)訪問本質上是串行的。

而HBDT的關鍵，是在三級執(zhí)行器（Triple-Stage Actuator，TSA）的基礎上，讓多個磁頭可以同時落在不同盤面的不同磁道上完成讀寫。TSA由音圈電機（VCM）、毫致動器（milliactuator）和微致動器（microactuator）三級控制構成，能將磁頭定位精度壓到納米級，從而支撐多磁頭在高速旋轉中并行工作。這種“多頭并行”的訪問方式，讓單盤順序吞吐能力直接翻倍，使一塊搭載HBDT的硬盤具備了接近“兩塊HDD協(xié)同工作”的訪問能力。

而這一切，是在不改變硬盤外形尺寸、也不顯著增加功耗的前提下完成的。

沿著這條路徑，HBDT未來還有進一步演進的空間。當并行讀寫的磁道數(shù)量從2條擴展到8條，單盤帶寬有望達到當前HDD的8倍。車曉東透露，西部數(shù)據(jù)正在研發(fā)“雙軸雙臂”的雙樞軸技術（Dual Pivot Technology），將傳統(tǒng)的單一執(zhí)行器升級為兩套相互獨立的執(zhí)行器，分別從盤片兩側對磁頭進行控制。這一架構能在不犧牲單盤容量的前提下，再帶來約2倍的順序吞吐提升。兩者疊加之后，單盤I/O性能有望相比當前主流HDD提升約4倍。

AI基礎設施本質上是一個數(shù)據(jù)系統(tǒng)，在這個系統(tǒng)里，任何孤立的硬件都沒有價值。為了承接企業(yè)普遍采用的RAG多模態(tài)知識庫需求，西部數(shù)據(jù)正在開發(fā)能夠與GPU直接聯(lián)動的系統(tǒng)層架構。

在這一架構中，HDD、SSD等不同存儲介質，會與中間的軟件層（Software Layer）深度耦合，讓數(shù)據(jù)在更合適的介質之間無縫流轉。

落到西部數(shù)據(jù)的具體產品上，這種“讓數(shù)據(jù)各居其位”的分層思路，對應著兩類數(shù)據(jù)中心存儲平臺。

靠近性能需求的熱數(shù)據(jù)層，可由OpenFlex Data24 4000系列NVMe-oF 存儲平臺來承接。該平臺在2U 24盤位的機身里可容納高達 1474.56TB 的低延遲雙端口 SSD，通過高性能以太網(wǎng)把 NVMe 閃存延伸到共享存儲環(huán)境，做到接近直連存儲（DAS）的性能，又能讓存儲與網(wǎng)絡帶寬相互匹配、避免過度訂閱。

其中，4100型號可提供PCIe Gen4x4連接，主打單盤極致性能；4200 型號則以雙路 PCIe Gen4x2 連接支持主機I/O主動故障轉移，兼顧高可用性。

在更偏重容量的溫冷數(shù)據(jù)層，Ultrastar Data系列JBOD混合存儲平臺作為解耦與軟件定義存儲（SDS）架構的基礎構建塊，可在實現(xiàn)高容量的同時兼顧靈活性。Ultrastar Data102 3000 在4U機架內，容納多達102塊HDD，提供高達3.26PB的原始容量，串聯(lián)四臺后總原始容量可達13.04PB。該系列的Ultrastar Data60 3000則在4U 內支持多達60塊HDD、提供 1.92PB 原始容量，串聯(lián)四臺后可達7.68PB。

此外，該系列還集成了兩項專利可靠性技術：“IsoVibe振動隔離技術”能主動抵消盤片振動，讓硬盤在滿載狀態(tài)下依然保持穩(wěn)定性能，“ArcticFlow 熱區(qū)冷卻技術”則將冷風精準送入機箱中心，實現(xiàn)高效散熱。兩者疊加，可將硬盤返修率降低高達 62%，從而大幅減少故障、降低運營成本。

事實上，這種底層架構與前端應用的共生關系，車曉東也用消費電子設備的演進做了一個類比——“iPod 時刻”。

早期 iPod 等移動設備曾使用微型硬盤來滿足當時的大容量本地存儲需求；隨著移動終端向更輕薄、更高性能的智能手機形態(tài)演進，本地存儲逐漸轉向閃存。而今天，OpenClaw, Manus這類Agentic AI 應用扮演的就像當年的iPod，它們在前端持續(xù)生成推理結果、上下文、日志和衍生數(shù)據(jù)，這些數(shù)據(jù)中的相當一部分最終仍會進入企業(yè)或云端存儲基礎設施進行長期管理和留存，從而進一步推動對大容量 HDD 的需求。

不僅如此，在性能狂飆的背后，西部數(shù)據(jù)還在持續(xù)向能源與安全方面發(fā)力。

能源，是 AI 時代的“第二通貨”。車曉東指出，面對數(shù)據(jù)中心日益嚴苛的PUE要求，西部數(shù)據(jù)在數(shù)據(jù)中心產品上搭載 HelioSeal氦氣封裝技術，通過把盤片密封在低阻力的氦氣環(huán)境中，讓整盤功耗下降約30%，每TB 功耗相比傳統(tǒng)空氣硬盤實現(xiàn)明顯降低。再配合低功耗選項（Low Power Option）的調優(yōu)，進一步降低硬盤的能耗。

而在安全性上，西部數(shù)據(jù)已經(jīng)把戰(zhàn)略眼光投向了“后量子時代（Post-Quantum Era）”。

由于HDD的承載屬性極強，一旦被黑客奪取控制權，后果將是災難性的。車曉東強調，“面對未來量子計算可能帶來的新威脅，我們采用完全符合NIST標準的抗量子加密方案，從頭重新設計了HSM（硬件安全模塊）與BitLocker，并引入主機真實性驗證（Authenticity Check），確保在這場數(shù)據(jù)守衛(wèi)戰(zhàn)中，底層防線足夠堅固。”

05 寫在最后

盤片、磁道、氦氣、糾錯、磁頭、加密這些技術細節(jié)，恰恰藏著AI 基礎設施的底層運行邏輯。

過去兩年，行業(yè)幾乎把所有注意力都投向了算力，仿佛只要算力持續(xù)增長，AI就會自然向前演進。

可現(xiàn)實并不是這樣。

模型需要被訓練，需要被調用，需要持續(xù)產生數(shù)據(jù)、保存狀態(tài)、形成歷史記錄，而這些數(shù)據(jù)能否被低成本、穩(wěn)定、安全地存下來，決定AI系統(tǒng)是否能長期運行。

尤其進入推理時代之后，數(shù)據(jù)的增長方式正在變化。

訓練數(shù)據(jù)是階段性的，而推理數(shù)據(jù)是持續(xù)性的。智能體每一次調用、交互都在形成新的數(shù)據(jù)沉淀。這時，存儲開始影響整個AI系統(tǒng)的邊界。

如果回頭再看西部數(shù)據(jù)這一輪技術演進，11碟設計解決容量，UltraSMR等磁記錄技術提高密度，HBDT與DPT提升吞吐，HelioSeal技術降低能耗，這些創(chuàng)新解決的其實是同一類問題，那就是讓持續(xù)增長的數(shù)據(jù)，以可接受的成本長期存在。

正如每一次技術爆發(fā)那樣，繁榮屬于前臺，基礎設施留在后臺。而這種背后的“長期主義”，往往就發(fā)生在那些看不見的地方！

數(shù)據(jù)來源：IDC, https://www.idc.com/resource-center/blog/ai-infrastructure-spending-caps-historic-year-at-90-billion-in-q4-2025-2029-spending-to-eclipse-1-trillion/