2026世界人工智能大会（WAIC）以”面向AI时代的数据存储架构创新“为主题的分论坛上，西部数据开发工程高级副总裁Tim Rausch发表了《面向规模化AI的存储革新》的主题演讲，从AI数据循环、分层存储、容量与性能技术路线，以及总体拥有成本等角度，重新阐释HDD在AI基础设施中的位置。
论坛还汇集了基础设施厂商、存储合作伙伴以及智能驾驶、医疗等行业用户。虽然各方对HDD所处层级的表述不尽相同，但大家形成了一个共同的判断——AI正在持续扩大需要长期存储的数据总量。
Tim Rausch在演讲中给出的一组价格预测非常值得关注。据其分享，2026年第一季度SSD成本上涨了约80%。据Gartner预计，DRAM和SSD的综合价格到2026年的年底可能要上涨130%。
当数据规模从TB、PB走向EB甚至百EB，按百EB来大概计算，单位容量成本每增加1美分，就可能对应约10亿美元的额外投入。存储介质之间的单位成本差异，会被迅速放大。AI存储必须回答一个更现实的问题——怎样把不同温度、访问频率和价值的数据，放到经济性合适的位置上。
AI是一场无休止的数据流循环
Tim Rausch拆解了AI数据流，AI模型从报纸、图片、视频等数据的摄取和准备开始。数据在积累阶段访问频率较低，通常保存在HDD中。完成清洗、筛选和偏差检查后，再从HDD和SSD复制到训练系统，进入高频访问状态。
到推理阶段，HBM、DRAM、SSD与HDD共同参与——内存用于存放模型权重、高性能中间数据及对话上下文，SSD处理高性能读取、KV Cache和语义数据，大量生成内容与日志则随着热度下降迁移至HDD长期保存。
并且，这个过程不会在一次训练后结束。自动驾驶汽车产生的传感器数据，用户与模型交互生成的内容，以及游戏、作业和业务系统产生的新数据，都会有部分重新回流，成为下一代模型的训练素材。
正如Tim Rausch所说，AI不仅是计算系统，更是数据系统——数据持续流经计算系统，在被不断丰富的同时，又产生更多数据。
目前约80%的AI内容存储在HDD上，约20%存储在SSD上。但这不意味着两种介质去争夺固定市场。IDC预计，全球数据生成量将从2026年的274ZB增长至2030年的718ZB。因此数据池本身正在迅速扩大，HDD、SSD、DRAM和HBM要按照性能与经济性分别部署到合适层级。而随着DRAM和SSD价格上行，数据分层和自动迁移的重要性也随之上升。
100TB HDD怎么实现？西部数据有两条路线、两个容量杠杆
西部数据在未来几年将并行推进HAMR与ePMR两条磁记录路线。由于两者采用的是通用硬件平台，客户不用立即在技术路线之间作出取舍，可以根据自身验证周期和部署节奏逐步向HAMR迁移。
目前，西部数据已向部分客户提供40TB HAMR和40TB ePMR硬盘样品，并计划在今年晚些时候提供44TB HAMR样品。按照路线图，到2028年，两条技术路线都将达到60TB。从更长期来看，行业将逐步转向HAMR，西部数据的目标是在2029年实现100TB HAMR HDD。
100TB的实现主要依靠两个方向，一是提升单张盘片的存储密度，二是在单块硬盘中容纳更多盘片。随着HAMR持续提高单盘片容量，并通过内部结构优化增加盘片数量，单盘总容量将由当前40TB级继续向60TB、100TB迈进。
高带宽硬盘与双枢轴技术，让性能追上容量增长
随着HDD容量持续提升，单一执行器和单一读写流可能逐渐成为性能瓶颈。为此，西部数据正在推进高带宽硬盘与双枢轴两条技术路线。
高带宽硬盘通过更精细的执行器控制，同时访问多条磁道，能将随机读写吞吐提升至传统HDD的1.7倍，顺序读写吞吐提升至2倍。目前，西部数据已向三家客户交付高带宽硬盘样品，并计划继续扩大验证。长期来看，其并发访问能力还将进一步扩展至8条磁道，吞吐性能具备提升至8倍的潜力。
双枢轴技术则是在一块硬盘内部部署两个独立执行器，可将顺序I/O提升至约2倍。
两项技术还能组合使用。按照西部数据的规划，高带宽硬盘与双枢轴结合后，硬盘整体顺序I/O性能有望达到传统设计的4倍。目前高带宽硬盘已经进入客户验证，双枢轴硬盘预计于2027年或2028年初开始送样，随后推进量产。
当前两种增容路径——SMR和可变容量
除了HAMR、高带宽硬盘和双枢轴等中长期路线，西部数据还提出两种当前即可采用的容量与TCO优化方式——SMR和可变容量。
SMR是通过让相邻磁道部分重叠，在同一块硬盘上获得约20%的额外容量。但写入需要按分区顺序进行，并由主机负责分区管理和垃圾回收，读取可以随机进行。按照西部数据给出的简化模型，在机架五年TCO为100万美元、原始容量40PB的条件下，采用SMR后容量能提升到48PB，单位容量TCO约下降8.4%。
可变容量则是把传统固定容量档位中被隐藏的制造余量释放出来。不同硬盘在实际测试后的可用容量并不完全一致，如果客户系统能够识别并管理不同容量，就可以按真实可用容量交付。以平均实际容量30.9TB、15盘JBOD为例，总容量可由450TB提升至约463.5TB，增幅约3%。在同一套简化模型下，单位容量TCO约下降1.5%。
Tim Rausch还提到，随着制造工艺成熟，部分型号曾在一年内实现平均可用容量最高约10%的提升；按照演讲中的简化模型，对应TCO改善约4.5%。
与HAMR等技术相比，SMR和可变容量更像是从现有平台中继续挖掘容量效率——前者改变数据写入方式，后者释放原本未被利用的容量余量。
AI存储竞争，还会回到数据经济性
AI基础设施的关注点往往首先落在GPU、HBM和高性能SSD上，但训练数据、推理输出、日志及用户生成内容持续回流，真正长期沉淀的数据规模仍在快速扩大。HDD因此不只是速度较低的一层，更是依靠大容量和单位成本优势，承接长期数据资产的重要底座。
西部数据此次释放出的信号是，HDD的发展目标已经不只是继续扩容，还要同步改善吞吐能力和单位容量TCO，以适应规模化AI的数据增长。
AI存储的关键，是让HBM、DRAM、SSD和HDD各自承担适合的任务，并让数据在不同层级之间有效流动。大家最终比拼的，不是单一介质的胜负，而是谁能以更合理的分层，让海量数据长期、可持续地留在系统中。
