AI的发展不仅依赖GPU，同样离不开硬盘。

过去两年，围绕AI基础设施的讨论几乎被GPU、HBM、高速网络和电力供应这几个关键词主导。这并不意外——大模型公司需要更多GPU来执行训练和推理任务，而HBM则为芯片提供充足的带宽；高速网络决定了成千上万个芯片能否高效协同工作，与此同时，数据中心仍在为供电、散热和互联问题焦头烂额。算力链条上的每一个环节，都成为了这一轮AI竞赛中最显眼的入场券。

谈到这个瓶颈，行业里一直提及一个概念——“内存墙”。简单来说，就是计算芯片的速度越来越快，但数据从DRAM、HBM等高速内存传输到芯片的速度跟不上，导致算力被白白浪费。它反映的是计算过程中“供料”环节的效率问题。

然而，当越来越多的GPU被部署进数据中心时，另一个问题也开始浮出水面：这些算力，究竟要分析什么？模型训练、推理、智能体、自动驾驶、机器人和生命科学应用所产生的海量数据，应该存放在哪里？保存多久？未来又如何被重新调用？

如果这些数据无法以足够低的成本、足够高的密度、足够可靠的方式实现长期保存、分层管理，并在需要时随取随用，那么是否会出现另一堵墙——存储墙？

日常对话中，“内存”和“存储”经常被混用，但在AI基础设施中，它们指向完全不同的层级。前者偏向计算过程中的高速数据供给；后者则指的是数据中心里承载海量数据长期保存、分层管理和反复调用的基础设施，例如对象存储、高容量机械硬盘（HDD）、企业级固态硬盘（SSD）等。

那么，AI究竟如何改变了存储系统？硬盘在AI数据中心中是否变得更重要？“存储墙”会产生什么影响？存储行业最大的共识又是什么？

带着这些问题，近期我们与希捷科技云存储业务高级副总裁杰森·费斯特（Jason Feist）进行了深入交流。

希捷科技云存储业务高级副总裁杰森·费斯特，图片来源：受访者提供

费斯特负责希捷全球云存储业务，在云基础设施、AI工作负载和数据中心存储系统方面积累了丰富的实战经验。他从事过硬件工程、产品开发和运营，拥有电气工程背景和多项专利。相比单纯从市场角度解释存储需求，他更熟悉一块硬盘从设计、制造到最终部署进超大规模云厂商和AI数据中心的全过程。

此次来中国，他一方面要与希捷中国团队沟通，另一方面从北京一路南下到深圳，拜访云服务商、OEM厂商和系统集成商等关键客户。

费斯特给出了一个非常清晰的判断：AI基础设施总是围绕一系列约束条件展开——“首先是计算，然后是内存，现在是存储”。但他并不认为这意味着行业已经撞上一道无法突破的“存储墙”。他的判断更为务实：随着算力扩张，数据正在成为新的核心变量。AI模型需要更多数据来训练和重训，智能体和物理AI会自主生成更多交互、副本和实例，企业也越来越倾向于长期保存数据，等待未来从中挖掘新的价值。

费斯特用了一个很形象的说法：“delete the delete key”，意思是“把删除键删掉”。

这也能解释一个看似反直觉的现象：在SSD不断普及的今天，HDD并没有从数据中心退场。相反，随着AI数据中心扩张，高容量硬盘的重要性正在被重新看见。