摘要：在AI的喧嚣热潮里，大家的目光几乎都被GPU这类“明星选手”吸引，可你知道吗？有一个环节默默支撑着整个AI体系的运转，却长期被市场低估，它就是存储。今天咱们就来好好聊聊，这个在AI产业链里扮演着“幕后英雄”角色的领域，到底有多重要，又藏着哪些不为人知的逻辑。

在AI的喧嚣热潮里，大家的目光几乎都被GPU这类“明星选手”吸引，可你知道吗？有一个环节默默支撑着整个AI体系的运转，却长期被市场低估，它就是存储。今天咱们就来好好聊聊，这个在AI产业链里扮演着“幕后英雄”角色的领域，到底有多重要，又藏着哪些不为人知的逻辑。

很多人觉得AI的核心就是GPU，这想法本身没错，毕竟GPU是AI计算的“动力心脏”。但你想过没有，要是没有足够快、足够大的存储系统来“喂饱”它，再强的GPU也只能干瞪眼。就像一辆跑车，发动机再猛，油箱小或者供油跟不上，照样跑不起来。

AI模型的发展就是最好的证明。以前的模型几十GB就能运行，现在随随便便就是上百亿参数，训练所需的数据量更是以PB、甚至EB为单位（1EB等于1024PB，1PB等于1024TB）。这么庞大的数据量，普通硬盘根本扛不住。更关键的是，AI训练不是读一遍数据就完事，它得反复调用数据，还得不断把中间结果写回去。要是存储速度跟不上，GPU就得在那干等着，效率能不打折扣吗？

等模型到了推理和实际应用阶段，对存储的依赖还是没减。比如现在很火的检索增强生成（RAG），得实时从数据库里取材料给模型生成答案，存储系统要是不够快，回答延迟都是轻的，搞不好直接就卡壳了。所以说，从训练到推理再到应用，存储就是AI基建里绕不开的关键环节。

现在的问题是，存储体系和实际需求的差距越来越大了。IDC预测，到2028年全球数据总量会接近394ZB，可目前全行业每年新增的存储产能才1-2个ZB。这意味着什么？未来几年，谁能在存储容量上实现突破，谁就能在这个赛道上占据先机。

从技术层面看，存储架构也在悄悄发生大变化。AI的工作负载要求很高，得响应快、能支持大量并发访问，还得延迟低。传统的机械硬盘（HDD）虽然容量大，但速度和能效都不行，越来越满足不了需求。于是，存储领域就形成了新的分工：

- 对于经常要用到的“热数据”，全闪存的SSD正在成为标配；

- 对于那些体量很大、访问频率却不高的“冷数据”，大容量SSD和部分HDD还有发挥空间。

这种分工差异，也让不同的存储厂商有了各自的机会。有的厂商在HDD和企业级SSD上有深厚积累，适合做数据湖这类冷存储；有的主攻全闪存方案，契合AI训练和推理的高频调用需求；还有的存储芯片和NAND厂商，借着AI带来的快闪需求东风，迎来了增长机遇。甚至一些小规模的公司，只要在特定场景里布局得够灵活，在上行周期也能分到一杯羹。

那存储为啥以前会被低估呢？主要还是因为市场的注意力都被GPU吸走了。可实际上，GPU要是没有稳定的存储供给，根本没法高效运转。尤其是英伟达Blackwell架构开始放量后，数据需求被推到了一个新高度。那些超大规模的云厂商采购GPU时，不会只买算力，而是会把存储和网络一起打包采购，这就让存储从幕后配角变成了必须同步布局的核心环节。

从投资的节奏来看，一般是先补存储容量，再补性能。也就是说，大厂会先扩大数据湖的容量，避免数据堵塞，之后再扩展高性能SSD来保证速度和延迟。这么一来，HDD和大容量SSD厂商可能会先受益，全闪存方案和相关软件厂商则会在第二阶段接力。从更长远的角度看，新型存储架构也会慢慢带来一些新的机会。

当然，这里面也有需要注意的地方。要是GPU交付延迟了，存储采购也会跟着顺延，但不会消失，只是节奏会变。还有像QLC SSD，虽然能降低成本，但得搭配软件使用，不然在高频写入的场景下可能会出问题。另外，能耗和散热一直是数据中心的硬约束，SSD虽然在能效上有明显优势，但得在整体的电力和散热方案里落地，才能真正把优势体现出来。

整体来看，AI的发展正在让存储的重要性快速提升。以前它只是个后台角色，现在逐渐走到了台前。GPU是发动机，存储就是油箱和供油系统，缺一不可。随着数据规模持续扩大、模型越来越复杂、GPU集群不断扩张，存储的需求只会越来越突出。

对于咱们普通读者来说，存储不是那种能制造短期热点的领域，但它的趋势很明确，确定性也很强。它可能不会像GPU那样成为市场明星，但它是AI工厂能否顺畅运转的关键拼图之一。存储正在从可有可无变成必不可少，这种转变背后的价值，值得我们好好关注。

来源：阿伟