對話希捷俞康：AI規模化落地，存儲正成為關鍵基礎設施

存儲早已不是此前那個被低估的賽道，從HBM到企業級SSD再到機械硬盤，存儲板塊的漲勢已經讓市場充分意識到這門傳統生意的分量。

但資本市場的共識和產業界的認知，往往走在不同的節奏上。關于AI規模化落地究竟卡在哪個環節，以及存儲在其中扮演什么角色，業界仍然有很多的討論和思考。

過去兩年，AI基礎設施的話題幾乎都被GPU、HBM和網絡帶寬占據，核心是讓模型訓練得更快，隨著AI大規模落地，智能體走向真實業務場景，模型上下文越來越長，數據需要同時滿足存下來、管理好，還要支持隨時調用。

在2026 世界人工智能大會(WAIC 2026)期間，鈦媒體對話了希捷科技中國區市場與業務戰略負責人俞康，從存儲廠商的視角，講述了AI規模化落地過程中被低估的部分，數據的流動、閉環與復用能力，以及硬盤這門傳統技術如何在AI時代找到新的增長曲線。

數據孤島，被算力敘事掩蓋的真問題

鈦媒體：今年WAIC，你看到了哪些洞察和趨勢？

俞康：整體來看，智能機器人方面，與去年相比變化不算特別大，很多展示仍然依靠遙控操作。今年Token相關話題熱度明顯提升，很多企業開始圍繞Agent、推理成本及商業化路徑展開探索。

另一個明顯變化是，以前和AI關聯不大的企業也開始出現在展會上，比如做化妝品、乳制品的企業。這說明AI已經不僅僅用于模型訓練，而是在逐漸融入企業自身的發展和業務應用，開始進入真正的落地階段。

鈦媒體：存儲領域有哪些新的關注焦點？

俞康：隨著AI Agent、企業Copilot以及各類行業智能體逐步進入真實業務場景，存儲正變得不可或缺。

前段時間，希捷與SK Hynix聯合發布的白皮書里提到，KV Cache需要被存儲下來，用于保留和記憶對話上下文，因此會帶來較大的存儲需求。據希捷科技預測，到2031年，智能體（Agentic AI）相關應用的存儲數據總量將達到10 ZB。

以前大家會討論，是否應該把所有數據都放在SSD里，但實際上這種方式并不可能。現在比較普遍的做法是采用分層存儲架構：靠近GPU的內存非常快，SSD存放相對活躍的數據，訪問頻率較低的數據則放到HDD。這樣的架構已經很成熟了，各種介質共存，各司其職，沒有非此即彼的選擇。

數據最終要流動起來，要跨云、邊、端不停循環，才能真正發揮價值。企業需要重點關注不同層級的數據如何管理，讓數據能流到不同的地方，這對企業來說非常有價值。

鈦媒體：從存儲視角看，AI大規模落地會帶來哪些問題？

俞康：AI規模化落地的最大挑戰，是數據本身的流動、閉環與復用能力，具體體現在三個層面：數據如何在云、邊、端之間高效流動，如何形成持續的數據反饋閉環，如何讓歷史數據被反復調用、持續產生價值。

換言之，如果數據無法被有效保存和調度，再強大的模型也無法持續進化。云邊協同的本質不是計算的協同，而是數據的協同，缺乏統一的數據基礎設施和全生命周期管理能力，云與邊之間就會形成難以打通的數據孤島。

Agent本身也會生成大量新數據，無論是視頻、圖像、文本，還是推理過程中產生的KV Cache，都會進一步推動數據規模增長。現在很多AI產品會結合用戶過去的使用記錄和交互歷史來理解需求，這意味著系統需要長期保存大量上下文信息和記憶數據，只要開始用Agent，存儲方面的儲備一定是非常巨大的。

未來，誰能更高效地管理和利用數據資產，誰就能構建更可持續的AI優勢。當數據規模邁向數百ZB時代，成本、能耗與可擴展性將成為企業長期面臨的重要課題。

鈦媒體：當前AI存儲產業鏈日益復雜，云廠商、模型廠商、存儲廠商都在突破原有邊界，您如何看待這一生態變化？希捷主要關注哪些方面？

俞康：這要具體情況具體分析。有些公司比較專注，會做好自己擅長的事情；有些公司有能力，也會向更多方向擴展，這完全取決于企業自身能力，以及市場對它的期待和需求。

我們認為AI基礎設施已經進入系統工程階段，未來更重要的問題是，數據如何產生、數據如何流動、數據如何存儲、數據如何持續創造價值。

對希捷來說，我們目前還是專注于硬盤。我們的核心價值就是把硬盤做得更好、把容量做得更高，同時保證性能等各方面持續提升，從而支撐未來數據規模的持續增長。

我們非常愿意和云廠商、模型廠商等合作，存儲架構設計有各種可能性，有的客戶SSD占比高，有些占比低，很多客戶也會結合自身軟件能力進行優化。我們希望與行業內成熟、有實力的企業開展合作，包括聯合發布白皮書、分享行業經驗和最佳實踐，為客戶提供參考建議。

目前大規模數據存儲場景中，對象存儲已經成為主流架構之一。很多企業會在架構里增加一些中間層，但如果軟件優化做得足夠好，這個中間層可以用得越少越好，進一步改善成本結構。

全球的數據不可能全部轉到SSD上，未來是多種介質長期共存。整體來看，數據中心里SSD占比大約在20%左右，其余80%是機械硬盤。

單盤容量之外，企業客戶最看重TCO

鈦媒體：HAMR被視為下一代存儲技術的重要方向，您如何看待其未來幾年的發展節奏？

俞康：對數據中心來說，不是簡單堆更多盤就能解決問題，盤多了，硬件設施、占地空間隨之增加，耗電量也會增加，能耗就不具備優勢。數據中心要求的不僅是容量大，還要求高密度，以前兩塊盤才能實現的容量，現在放到一塊盤里就能實現，能耗就會降下來。

HAMR最大的價值在于能夠繼續突破傳統磁記錄技術的物理限制，實現更高的單盤面存儲密度。基于HAMR的Mozaic+平臺目前已經實現超過4TB單盤面密度，并支撐44TB級硬盤產品。

我們兩年前發布了第一代HAMR產品，很快實現了規模化量產，最新的44TB產品是今年年初發布的，發布后已經有兩家全球領先的超大規模云廠商完成測試，并開始批量發貨。接下來兩三年內，我們還會繼續向50TB以及更高容量演進，內部已經有相關demo，也具備相應能力。

至于行業內的差距，我認為主要來自技術創新。HAMR之所以能做到這么高密度，是因為它能在單位面積內存儲更多數據，這意味著要把磁晶做得非常小，同時保證穩定性，不然磁力線變少，傳統介質就容易出現穩定性問題。因此從材料上、讀取信號的精度上，都需要實現核心突破。希捷的Mozaic平臺融合了磁記錄、磁頭、材料學、電子設計等多項關鍵技術創新。

鈦媒體：44TB硬盤推出后，客戶在實際部署中更看重哪些方面？

俞康：衡量價格不是按一塊盤多少錢算，而是按TB算。比如一塊44TB硬盤，如果拆成一塊20TB、一塊24TB，總TB數一樣，從容量維度看相同，但兩塊盤需要兩套磁頭、兩套控制組件，總體擁有成本就比一塊44TB的盤更高。

HAMR技術希捷已經研發了二十幾年，我們是通過技術突破來消化成本的，產品硬件物理規格沒有變化，但容量增長了很多。過去硬盤行業的發展節奏基本是每一代增加2TB左右，HAMR技術出現后，（單碟片與單盤容量提升的）這個節奏已經明顯加快。

對于新一代魔彩盒平臺的產品，客戶測試過程出乎意料地順利，因為這是一次比較大的技術變化，一開始我們也比較謹慎，但客戶測試完成后的反饋非常積極。目前產品發布只有兩個季度左右，客戶還處于裝機和上線階段，運行數據還需要一些時間積累。

不管是中國客戶還是海外客戶，數據中心運營中面臨的核心矛盾并不是”數據不夠”，而是數據越來越多，但空間、能源和預算并沒有同步增長。因此客戶希望同時獲得更高容量、更低能耗、更優TCO。

Mozaic 4+正是在解決這一問題。以1EB部署規模為例，相比30TB硬盤方案：硬盤數量減少約32%，數據中心占地減少約32%，基礎設施效率提升約47%，每年減少近0.8GWh能源消耗。很多客戶一年采購的容量不止1EB，節省下來的成本非常可觀，這也是他們越來越關注大容量硬盤的重要原因。

鈦媒體：能否具體談談客戶對降低TCO的需求和場景？

俞康：一個最直接的因素就是占地空間。數據中心建設成本非常高，國內建設機房可能一年到一年半能完成，國外往往需要更長時間，建設之前還需要獲得能源審批等資源支持，整個過程非常復雜，后期擴容也不容易。因此在數據中心規模不變的情況下，提高單盤密度是增加存儲量最有效的辦法——以前用16TB產品，現在可以用40TB以上產品，總容量提升的同時占地面積減少，能耗也會下降。

另外，隨著容量越來越大，部分場景可能擔心I/O性能受到影響，但對超大規模云客戶來說這通常不是核心問題，因為他們可以通過更多通道來分攤影響，也會通過軟件層面優化進一步提升效率。

在實際的應用落地中，客戶基本不會替換原有硬盤，都是用于新增需求，只是比以前的成本降低了，他們希望更好地實現降本增效。

鈦媒體：與全球其他市場相比，中國在云邊協同、AI基礎設施建設以及數據管理方面有哪些獨特趨勢？未來幾年您看好哪些行業率先實現AI規模化應用？

俞康：中國市場的應用驅動速度快于技術討論，這些場景有一個共同特點，產生大量非結構化數據，視頻已經占全球網絡流量的80%，生成和存儲的數據中約有一半是視頻數據。因此中國企業對邊緣存儲、本地數據治理、長期數據留存的關注度會更高。

未來幾年我最看好的規模化AI行業包括：制造業數字孿生、智能交通、自動駕駛、AI視頻生產、智能機器人，這些領域都高度依賴持續增長的數據資產。

鈦媒體：當前存儲市場需求火爆，供不應求，希捷現階段的工作重點是什么？

俞康：因為很多客戶的存儲需求都在快速增長，所以我們一直在想辦法提升容量、增加產能，更好滿足客戶需求。

從長遠看：一是要增加產能和迭代產品；二是加強與客戶的合作，讓客戶把我們的硬盤作為重要的基礎設施，降低TCO，遇到架構問題一起解決，及時調整產品；三是持續關注新興AI應用，因為新的應用就意味著新的數據增長需求。

數據生成后，在AI推理、訓練中不斷流動，并持續創造價值，這些價值又能反過來幫助模型更新、演進，形成良性循環。所以一定要讓數據流轉起來，跨越端、邊、云，跨越訓練和推理的不同階段，這樣數據才能發揮價值。（本文作者 ｜ 張帥，編輯，楊林）