数据孤岛，被算力叙事掩盖的真问题

先说一个基本判断：全球的数据不可能全部转到SSD上。未来会是多种介质长期共存。

从整体来看，数据中心里SSD的占比大约在20%左右。其余80%还是机械硬盘的天下。

存储早已不是那个被低估的赛道了。从HBM到企业级SSD，再到机械硬盘，整个存储板块的涨势已经让市场充分意识到，这门传统生意的分量远比想象中重。

但资本市场的共识和产业界的认知，往往走在不同的节奏上。关于AI规模化落地究竟卡在哪个环节，以及存储在其中扮演什么角色，业界仍然有大量的讨论和思考需要厘清。

过去两年，AI基础设施的话题几乎都被GPU、HBM和网络带宽占据。核心目标只有一个：让模型训练得更快。但随着AI大规模落地，智能体走向真实业务场景，模型上下文越来越长，数据需要同时满足“存下来”、“管理好”，还要支持“随时调用”。

在WAIC 2026期间，钛媒体与希捷科技中国区市场与业务战略负责人俞康进行了一次对话。从存储厂商的视角，拆解了AI规模化落地过程中那些被低估的部分——数据的流动、闭环与复用能力，以及硬盘这门传统技术如何在AI时代找到新的增长曲线。

钛媒体：今年WAIC，你看到了哪些关键的洞察和趋势？

俞康：整体来看，智能机器人方面与去年相比变化不算特别大。很多展示仍然依赖遥控操作。

但今年一个明显的变化是，Token相关话题的热度显著提升。很多企业开始围绕Agent、推理成本及商业化路径展开探索。

另一个值得注意的变化是，以前和AI关联不大的企业也开始出现在展会上。比如做化妆品、乳制品的企业。这说明AI已经不仅仅用于模型训练，而是在逐渐融入企业自身的发展和业务应用，开始进入真正的落地阶段。

钛媒体：存储领域有哪些新的关注焦点？

俞康：随着AI Agent、企业Copilot以及各类行业智能体逐步进入真实业务场景，存储正变得不可或缺。

前段时间，希捷与SK Hynix联合发布的白皮书里提到，KV Cache需要被存储下来，用于保留和记忆对话上下文。因此会带来较大的存储需求。据希捷科技预测，到2031年，智能体（Agentic AI）相关应用的存储数据总量将达到10 ZB。

以前大家会讨论，是否应该把所有数据都放在SSD里。但实际上这种思路并不现实。现在比较普遍的做法是采用分层存储架构：

• 靠近GPU的内存非常快
• SSD存放相对活跃的数据
• 访问频率较低的数据则放到HDD

这个架构已经很成熟了。各种介质共存，各司其职，没有非此即彼的选择。

数据最终要流动起来，要跨云、边、端不停循环，才能真正发挥价值。企业需要重点关注不同层级的数据如何管理，让数据能流到不同的地方。

钛媒体：从存储视角看，AI大规模落地会带来哪些问题？

俞康：AI规模化落地的最大挑战，是数据本身的流动、闭环与复用能力。具体体现在三个层面：

• 数据如何在云、边、端之间高效流动
• 如何形成持续的数据反馈闭环
• 如何让历史数据被反复调用、持续产生价值

换句话说，如果数据无法被有效保存和调度，再强大的模型也无法持续进化。云边协同的本质不是计算的协同，而是数据的协同。缺乏统一的数据基础设施和全生命周期管理能力，云与边之间就会形成难以打通的数据孤岛。

Agent本身也会生成大量新数据。无论是视频、图像、文本，还是推理过程中产生的KV Cache，都会进一步推动数据规模增长。现在很多AI产品会结合用户过去的使用记录和交互历史来理解需求。这意味着系统需要长期保存大量上下文信息和记忆数据。只要开始用Agent，存储方面的储备一定是非常庞大的。

未来，谁能更高效地管理和利用数据资产，谁就能构建更可持续的AI优势。当数据规模迈向数百ZB时代，成本、能耗与可扩展性将成为企业长期面临的重要课题。

钛媒体：当前AI存储产业链日益复杂，您如何看待这一生态变化？

俞康：这要具体情况具体分析。有些公司比较专注，会做好自己擅长的事情。有些公司有能力，也会向更多方向扩展。这完全取决于企业自身能力，以及市场对它的期待和需求。

我们认为AI基础设施已经进入系统工程阶段。未来更重要的问题是：数据如何产生、数据如何流动、数据如何存储、数据如何持续创造价值。

对希捷来说，我们目前还是专注于硬盘。我们的核心价值就是把硬盘做得更好、把容量做得更高，同时保证性能等各方面持续提升，从而支撑未来数据规模的持续增长。

我们非常愿意和云厂商、模型厂商等合作。存储架构设计有各种可能性。有的客户SSD占比高，有些占比低，很多客户也会结合自身软件能力进行优化。我们希望与行业内成熟、有实力的企业开展合作，包括联合发布白皮书、分享行业经验和最佳实践，为客户提供参考建议。

目前大规模数据存储场景中，对象存储已经成为主流架构之一。很多企业会在架构里增加一些中间层。但如果软件优化做得足够好，这个中间层可以用得越少越好，进一步改善成本结构。

全球的数据不可能全部转到SSD上，未来是多种介质长期共存。整体来看，数据中心里SSD占比大约在20%左右，其余80%是机械硬盘。

单盘容量之外，企业客户最看重TCO

钛媒体：HAMR被视为下一代存储技术的重要方向，您如何看待其发展节奏？

俞康：对数据中心来说，不是简单堆更多盘就能解决问题。盘多了，硬件设施、占地空间随之增加，耗电量也会增加，能耗就不具备优势。数据中心要求的不仅是容量大，还要求高密度。以前两块盘才能实现的容量，现在放到一块盘里就能实现，能耗就会降下来。

HAMR最大的价值在于，它能够突破传统磁记录技术的物理限制，实现更高的单盘面存储密度。基于HAMR的Mozaic+平台目前已经实现超过4TB单盘面密度，并支撑44TB级硬盘产品。

我们两年前发布了第一代HAMR产品，很快实现了规模化量产。最新的44TB产品是今年年初发布的，发布后已经有两家全球领先的超大规模云厂商完成测试，并开始批量发货。接下来两三年内，我们还会继续向50TB以及更高容量演进。内部已经有相关demo，也具备相应能力。

至于行业内的差距，主要来自技术创新。HAMR之所以能做到这么高密度，是因为它能在单位面积内存储更多数据。这意味着要把磁晶做得非常小，同时保证稳定性。不然磁力线变少，传统介质就容易出现稳定性问题。因此从材料上、读取信号的精度上，都需要实现核心突破。希捷的Mozaic平台融合了磁记录、磁头、材料学、电子设计等多项关键技术创新。

钛媒体：44TB硬盘推出后，客户在实际部署中更看重哪些方面？

俞康：衡量价格不是按一块盘多少钱算，而是按TB算。比如一块44TB硬盘，如果拆成一块20TB、一块24TB，总TB数一样，从容量维度看相同。但两块盘需要两套磁头、两套控制组件，总体拥有成本就比一块44TB的盘更高。

HAMR技术希捷已经研发了二十几年。我们是通过技术突破来消化成本的。产品硬件物理规格没有变化，但容量增长了很多。过去硬盘行业的发展节奏基本是每一代增加2TB左右。HAMR技术出现后，这个节奏已经明显加快。

对于新一代魔彩盒平台的产品，客户测试过程出乎意料地顺利。因为这是一次比较大的技术变化，一开始我们也比较谨慎。但客户测试完成后的反馈非常积极。目前产品发布只有两个季度左右，客户还处于装机和上线阶段，运行数据还需要一些时间积累。

不管是中国客户还是海外客户，数据中心运营中面临的核心矛盾并不是“数据不够”，而是数据越来越多，但空间、能源和预算并没有同步增长。因此客户希望同时获得更高容量、更低能耗、更优TCO。

Mozaic 4+正是在解决这一问题。以1EB部署规模为例，相比30TB硬盘方案：

• 硬盘数量减少约32%
• 数据中心占地减少约32%
• 基础设施效率提升约47%
• 每年减少近0.8GWh能源消耗

很多客户一年采购的容量不止1EB，节省下来的成本非常可观。这也是他们越来越关注大容量硬盘的重要原因。

钛媒体：能否具体谈谈客户对降低TCO的需求和场景？

俞康：一个最直接的因素就是占地空间。数据中心建设成本非常高。国内建设机房可能一年到一年半能完成。国外往往需要更长时间，建设之前还需要获得能源审批等资源支持。整个过程非常复杂，后期扩容也不容易。因此在数据中心规模不变的情况下，提高单盘密度是增加存储量最有效的办法。以前用16TB产品，现在可以用40TB以上产品。总容量提升的同时占地面积减少，能耗也会下降。

另外，随着容量越来越大，部分场景可能担心I/O性能受到影响。但对超大规模云客户来说这通常不是核心问题。因为他们可以通过更多通道来分摊影响，也会通过软件层面优化进一步提升效率。

在实际的应用落地中，客户基本不会替换原有硬盘，都是用于新增需求。只是比以前的成本降低了，他们希望更好地实现降本增效。

钛媒体：中国在AI基础设施建设方面有哪些独特趋势？

俞康：中国市场的应用驱动速度快于技术讨论。这些场景有一个共同特点：产生大量非结构化数据。视频已经占全球网络流量的80%，生成和存储的数据中约有一半是视频数据。因此中国企业对边缘存储、本地数据治理、长期数据留存的关注度会更高。

未来几年我最看好的规模化AI行业包括：

• 制造业数字孪生
• 智能交通
• 自动驾驶
• AI视频生产
• 智能机器人

这些领域都高度依赖持续增长的数据资产。

钛媒体：当前存储市场需求火爆，希捷现阶段的工作重点是什么？

俞康：因为很多客户的存储需求都在快速增长，所以我们一直在想办法提升容量、增加产能，更好满足客户需求。

从长远看：

• 一是要增加产能和迭代产品
• 二是加强与客户的合作，让客户把我们的硬盘作为重要的基础设施，降低TCO，遇到架构问题一起解决，及时调整产品
• 三是持续关注新兴AI应用，因为新的应用就意味着新的数据增长需求

数据生成后，在AI推理、训练中不断流动，并持续创造价值。这些价值又能反过来帮助模型更新、演进，形成良性循环。所以一定要让数据流转起来，跨越端、边、云，跨越训练和推理的不同阶段，这样数据才能发挥价值。