对话希捷俞康：AI规模化落地，存储正成为关键基础设施

存储早已不是此前那个被低估的赛道，从HBM到企业级SSD再到机械硬盘，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。

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，业界仍然有很多的讨论和思考。

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，核心是让模型训练得更快，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2026 世界人工智能大会(WAIC 2026)期间，钛媒体对话了希捷科技中国区市场与业务战略负责人俞康，从存储厂商的视角，讲述了AI规模化落地过程中被低估的部分，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。

数据孤岛，被算力叙事掩盖的真问题

钛媒体：今年WAIC，你看到了哪些洞察和趋势？

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，很多展示仍然依靠遥控操作。今年Token相关话题热度明显提升，很多企业开始围绕Agent、推理成本及商业化路径展开探索。

另一个明显变化是，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，但实际上这种方式并不可能。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。这样的架构已经很成熟了，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，这对企业来说非常有价值。

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。

换言之，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巨大的。

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，云厂商、模型厂商、存储厂商都在突破原有边界，您如何看待这一生态变化？希捷主要关注哪些方面？

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，您如何看待其未来几年的发展节奏？

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最大的价值在于能够继续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，我认为主要来自技术创新。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，（单碟片与单盘容量提升的）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：与全球其他市场相比，中国在云边协同、AI基础设施建设以及数据管理方面有哪些独特趋势？未来几年您看好哪些行业率先实现AI规模化应用？

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，供不应求，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。（本文作者 ｜ 张帅，编辑，杨林）