在AI产业的讨论当中，绝大多数目光都聚焦在GPU芯片身上，算力强弱也成为评判AI集群实力最主流的标尺。但从一线硬件厂商释放出的信号来看，存储环节正在变成制约AI大规模落地的现实短板。西部数据在最新财报沟通环节对外传递出行业现状，海量AI业务持续产出的数据，正在拉动大容量存储设备出现持续性的需求爆发。
大客户订单周期拉到多年之后
根据海外媒体报道，西部数据CEO在财报电话会议上提出一个核心观点，AI整套体系本质属于数据系统。各类AI业务运行过程中会源源不断生成大量数据，这让HDD机械硬盘拿到了比算力赛道更加长久的发展机会。
企业前七大重点合作客户的采购订单，需求能见度已经延伸到2030至2031年。旺盛的市场需求直接反映在产能状态上，2026年度的HDD产能已经被全部预定完毕，部分长期供货协议已经签到2028年。
从经营数据来看，该企业2027财年第一季度营收同比上涨55%，下个季度的业绩预期同样超出市场机构的普遍预估。不过管理层也坦诚，现阶段营收和产品出货的天花板来自供给产能，并不是市场端缺少采购需求。
AI场景对存储的多层需求逻辑
很多人会简单把AI存储需求等同于GPU配套的HBM高速显存、企业级SSD固态硬盘。但真实业务场景里，存储的分工远比这个更加复杂。
GPU主要承担模型训练与实时推理的计算任务。企业级SSD负责处理访问频次高的热数据，而HDD机械硬盘则承担海量训练数据集、模型历史版本、运行日志、视频素材还有各类数据备份的保存工作。
伴随AI应用从训练阶段大规模转向推理部署，KV缓存这类原本运行在昂贵GPU显存内部的工作，开始迁移到共享高性能存储设备当中，这进一步放大了整体系统对于存储总容量的硬性要求。
普通服务器和AI服务器存储差距明显
单机硬件配置的对比，可以直观感受到AI带来的存储增量。一台AI服务器对应的存储配置可以达到1.7TB，传统普通服务器仅为0.5TB，前者存储容量规模达到后者三倍以上。
对于云服务商和超大型科技企业，搭建AI集群的时候，采购清单不会只有GPU服务器硬件。模型迭代产生的原始素材、中间文件、历史数据归档长期保存，才是把存储需求不断放大的核心诱因。
可以这样通俗理解，GPU硬件能够决定AI任务的运算速度有多快，可存储硬件，决定整套AI业务到底可以走多远。就算手握性能顶尖的算力集群，如果没有充足存储容量作为基础，整套体系也很难实现高效稳定运转。
整个AI基础设施建设，算力与存储二者不可偏废。行业过去的关注点过度集中在加速芯片，随着大量AI项目进入实际商用，存储的价值与压力，也会越来越多地暴露出来。
（素材来自：西部数据 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。