物界前沿AI规模化落地的瓶颈，藏在存储里
这篇文章最有价值的信息是：存储行业正在从“被低估的配角”转变为AI基础设施的“战略要塞”，而大多数人对这一转变的认知仍停留在资本市场的涨跌上，忽略了产业底层架构的变迁。希捷俞康的访谈揭示了一个关键判断——AI规模化落地的卡点不在算力，而在数据如何被高效地存储、调用和迁移。
从战略层面看，过去两年AI基础设施的军备竞赛主要围绕GPU集群展开，英伟达的算力霸权几乎定义了所有人的认知。但当我们从“训练”转向“推理”和“规模化应用”时，一个更根本的问题浮现出来：数据搬运的成本和速度。大模型参数动辄千亿级，训练数据达到PB级，而推理阶段需要实时访问海量上下文。这就好比修了一条超高速公路（算力），但收费站和停车场（存储）却严重拥堵。
核心竞争壁垒正在从“算力密度”向“存储带宽与成本平衡”迁移。
希捷作为传统机械硬盘巨头，在这个节点上发声，其实是在强调一个容易被忽视的事实：AI的数据生命周期中，冷数据（训练数据、备份、归档）的占比远高于热数据（实时推理）。而机械硬盘在单位成本、容量密度和大规模部署的可靠性上，依然是SSD无法替代的。尤其是希捷的HAMR（热辅助磁记录）技术，理论上可以将单盘容量推到30TB以上，这对任何需要大规模数据湖的AI基础设施都至关重要。
用SWOT框架看传统存储厂商的AI突围
我试着用SWOT（优势、劣势、机会、威胁）拆解一下希捷为代表的传统存储厂商在AI时代的处境。
优势
- 容量密度与成本曲线：机械硬盘的每TB成本远低于SSD，尤其适合海量冷数据存储。AI训练数据集的存储大多属于此类。
- 技术积累：HAMR等热辅助技术已进入量产阶段，领先于竞争对手。
- 生态兼容性：现有数据中心基础设施对HDD的接口、供电、散热设计成熟，迁移成本低。
劣势
- 性能天花板：机械硬盘的随机读写延迟和IOPS远低于SSD，无法满足AI推理阶段的实时数据访问需求。
- 功耗与散热：高容量HDD的功耗密度不低，在PUE要求严格的现代数据中心中面临挑战。
- 市场认知固化：投资者和产业界更容易关注HBM和SSD的爆发，机械硬盘被贴上“夕阳产业”标签。
机会
- AI规模化落地的数据存储需求爆发：全球数据量年增长超过30%，AI算力集群需要配套的存储基础设施。希捷可顺势切入。
- 混合存储架构趋势：热数据用SSD，温冷数据用HDD，分层存储成为主流。希捷可以绑定云计算厂商和大型企业。
- 边缘AI与物联网：端侧设备产生的数据需要本地存储，机械硬盘在边缘场景仍有成本优势。
威胁
- 云计算厂商自研存储：AWS、Azure、Google Cloud都在自研高密度存储服务器，甚至定制SSD控制器，削弱传统厂商议价权。
- SSD成本持续下降：QLC、PLC等技术的成熟，让SSD在容量层面逼近HDD，可能蚕食温冷数据市场。
- 技术替代风险：如全闪存阵列、存储级内存（SCM）等新架构可能彻底改变存储层级。
对标海外案例：存储厂商的AI战略分化
从波特五力模型看，存储行业买方议价能力极强——云计算厂商和数据中心运营商是最大的买家，他们有能力压价并推动定制化。供应商（存储厂商）要在这种格局下维持利润，必须构建技术壁垒或生态锁定。
西部数据：与希捷类似，同样押注HAMR和SMR（叠瓦式磁记录），但更激进地推OptiNAND架构，试图将HDD与闪存融合。其策略是“靠容量密度取胜”，在冷数据市场维持垄断地位。
三星与美光：全力押注SSD和HBM，放弃HDD。三星的PM9D3系列企业级SSD已经达到30TB容量，且性能是HDD的100倍以上。但成本依然是HDD的4-5倍，无法完全替代。
云厂商的“存储自研”：AWS的Glacier归档存储使用定制化HDD，Azure的“Project Olympus”也包含高密度HDD方案。但更值得注意的是，他们正在将存储硬件与自研软件（如Ceph、完全分布式文件系统）深度绑定，形成锁定效应。这对希捷们是威胁，也是机会——如果能在标准接口上提供更优的成本密度，反而能成为云厂商的“白牌供应商”。
!(https://bbs-physixfrontier-com-data.oss-cn-hongkong.aliyuncs.com/collector/article-images