硬盤價格漲瘋了，AI存儲何去何從？

“在漲價潮下，曙光存儲通過“效能、智能、協同”這一套系統性抗風險方案，讓“先進存力”成為抗漲周期的中流砥柱。

2025年之后，AI行業正在集體經歷一場“算力焦慮”的反噬。

SSD價格暴漲、CPU漲價、供應不穩、交付周期長、能源吃緊……所有構成AI基礎設施的關鍵部件，幾乎都被推上了漲價通道。

例如，2025年9月到2026年1月，以美國亞馬遜零售渠道為樣本統計，SSD均價漲幅約74%，部分型號漲幅達到100%以上，高端8TB SSD的價格甚至被標到了約2500美元（折合約1.9萬元）。

在企業級市場，合約價同樣走高：2025年Q4企業級SSD價格上漲約 12%~15%，企業級HDD合約價上漲約4%。

CPU端也出現漲價信號：AMD在2025年12月已確認向渠道發出漲價通知（主要集中在消費級產品）。市場預期，2026年Q1服務器級CPU預計價格上調10%~15%。

與此同時，大模型項目越來越多，Agent、RAG、向量數據庫等應用層出不窮。模型越來越強，成本越來越重，資源反而越來越浪費。

這是一個有點諷刺的現象：我們正在以越來越貴的價格，買來可能被閑置的“存力”。

為什么會這樣？問題的根源在于：我們對“存力”的理解，可能落后了。

面對硬件漲價，許多項目第一反應仍是“買更好的設備”：換全閃、加帶寬、擴存儲。可現實是，堆設備≠提效能。

如果說AI基礎設施是一臺發動機，那么AI存儲的角色，早已不是“油箱”，而是燃料的管道調度系統——決定算力是否能釋放，數據是否能高效流通，鏈路是否能真正跑通。

這也是這篇文章想討論的問題：在成本上升與需求激增的“雙重高壓”下，AI存儲該如何從“被動成本中心”，升級為“主動價值中樞”？

硬件漲價只是表象

更致命的是資源錯配與系統內耗

如果說“硬件漲價”是這場危機的顯性變量，那更大的隱患，其實藏在水面之下。

在AI項目的真實運行過程中，真正吞噬掉預算的，不是硬件買得少了，而是用得不夠好，大量的存儲資源，被系統“黑洞”吞噬了。

從多個智算中心、一線大模型項目的案例來看，至少存在三類被普遍低估的“系統內耗”黑洞：

1.性能瓶頸：GPU“喂不飽”，高算力在低效等待

大模型訓練和推理高度依賴GPU集群、AI芯片等高價值算力資源，但這些“高端兵器”在現實中卻經常處于“開機但低負載”的狀態。

為什么？

在不少AI任務重，數據傳輸不上來——IO帶寬不足、存儲響應慢、路徑擁堵，導致GPU只能“干等數據包”，訓練任務“間歇性停頓”，算力效率低下。

這不僅僅是資金問題，還是系統調度架構的問題。

2.數據錯配：冷熱混堆，占了位置，毀了效率

AI系統產生的數據是分層的：只有部分是熱數據，大量是溫冷甚至長尾歸檔數據。但現實是，大量溫冷數據被存放在昂貴的全閃、NVMe等高性能設備上，空間被占、電力白耗、資源錯配嚴重。

在PB甚至EB級數據體量下，每一個“擺錯位置”的數據，都意味著資金的浪費。

3.系統割裂：數據孤島讓鏈路“斷電”

如今的AI項目早已不是單一任務，而是一條完整的數據流鏈路：從采集、清洗，到訓練、推理，再到調用部署。

但問題在于：存儲系統常常是按項目、按業務線、按服務廠商分割的，接口不兼容、標準不統一、資源無法共通，導致數據難以跨系統流動，成為“鏈路斷電”的瓶頸地帶。

模型想調數據？調不出來。數據想被訓練？卡在搬運流程。算力系統和數據系統之間，明明離得很近，卻像住在不同星球。

結果就是，資源在漲價，ROI卻在下滑。TCO（Total Cost of Ownership，總擁有成本）持續抬高，AI項目投入產出比持續惡化。

諷刺的是，大家都在談“AI提效”，但在基礎設施層面，我們正陷入一種“低效的高成本結構”。

這一切，正在倒逼行業重新思考一個關鍵問題：存儲系統，不應該只是“存數據”的設備，而應是一套面向AI的系統能力集成。能調數據、能適配算力、能協同鏈路、能動態優化，是它在AI時代的“新角色”。

這場變革，“硬件進化”是硬幣的一面，另一面則是“架構升級”。

行業的“先進存力”主張

效能、智能、協同“三板斧”

面對漲價潮襲來，幾乎所有AI基礎設施廠商都在尋找“減壓閥”。

有廠商選擇切換采購策略，用二手盤、低端芯片做權衡；有企業試圖延長設備生命周期，以“減緩上新”方式緩釋投入；也有玩家轉向海外或本地云，寄望通過算網融合拉平成本曲線。

但從實效上看，這些方式多是“拆東補西”式的戰術優化，難以從根本上緩解存儲帶來的結構性瓶頸。

與之不同，曙光存儲的應對策略更像是“系統工程”視角下的逆周期重構——它不僅僅靠某個單點技術，而是從底層架構+上層調度+生態協同三個維度入手，提出一套面向AI時代的“先進存力”體系。

①效能為先：單位成本下的極致效率

在硬件漲價的大背景下，“效率”成了第一準則。

曙光推出的F9000全閃系統，配合“超級隧道”技術，將數據通路進一步壓縮，加速吞吐，在大模型訓練中實現4倍提速，減少GPU閑置。

更底層的優化還來自其S6000高密液冷方案：在4U空間內封裝1.44PB容量，同時節省20%以上構建成本，兼顧了擴展性與能耗效率。系統級的RDMA、零拷貝、智能卸載技術，則將部分CPU任務“下沉”至存儲系統，釋放出30%以上的計算資源空間，降低了傳統“CPU負擔冗余”的慣性成本。

②軟件定義智能：用算法對沖硬件價格波動

當硬件價格失控，軟件算法開始成為解決這個難題新的抓手。

曙光的StorInsight技術，通過智能壓縮、糾刪碼、去重等技術手段，將整體存儲利用率提升至91%。配合對熱、溫、冷數據的自動識別與遷移機制，可動態調節資源分布、系統能耗與交付路徑，實現資源利用率提升35%、能效比提升45%，將TCO進一步壓縮。

這些機制的核心在于：用軟件能力重構“存儲分層—資源調度—能耗管理”三大控制環，使存儲從“靜態資產”變為“智能決策單元”，在系統級別對沖硬件價格上漲帶來的剛性成本。

③協同驅動生態：打破孤島，構建“AI數據工廠”

最后，是“生態視角”的協同重構。

曙光通過存算網一體架構，打通了數據清洗→訓練→推理→部署的全流程，使得數據在系統內可自由流動，減少重復加載與遷移。它的開放接口可無縫適配DeepSeek等主流AI框架，并支持異構設備的多源接入——不再“為數據換平臺”，而是“讓平臺適配數據”。

更值得注意的是，曙光還與多方產業伙伴共建“數據可信流動機制”，在跨區域部署中，實現多地數據治理合規協同，為數據從存儲到使用之間建立起了“可信軌道”。

在漲價潮下，曙光存儲通過“效能、智能、協同”這一套系統性抗風險方案，讓“先進存力”成為抗漲周期的中流砥柱。

AI存儲不只是基礎設施

也是產業智能化的催化劑

如果說GPU是AI的“燃料”，那么存儲，就是數據的“發動機”。

過去，它常常被看作一項“邊緣投資”——放在機房角落的設備，用于歸檔、備份、合規。而在大模型、Agent時代，這種觀念正被徹底推翻。

存儲的角色，正在從“數據倉庫”轉向“智能中樞”，它不僅關乎容量、速度，更決定了算力系統的效率、平臺的可用性，以及數據資產的真實價值。

如何理解這個轉變呢？我們可以從下面幾個維度來分析：

①對AI行業發展的價值：AI的“輸入側引擎”

AI訓練和推理的關鍵，不只是GPU數量有多少，還在于數據流通的速度和效率。大模型每一輪訓練的有效性，背后都依賴于高帶寬、低延遲、高吞吐的存儲支持。

曙光等廠商提出的“先進存力”概念，實質上是對傳統存儲范式的一次重寫：它將“喂數據”這個動作，從工具鏈邊緣拉到了AI架構的中心。如果說以前是“算力等數據”，現在則是“存儲決定算力的上限”。

更進一步，高效、穩定的數據調用體系也正在成為判斷AI平臺SLA等級的關鍵指標——沒有強大的存儲，就沒有可用的大模型。

②對企業數智化轉型的價值：“后勤”走向“樞紐”

在企業視角中，存儲也早已不是“只為IT而存在”的角色。

從制造到金融，從零售到能源，越來越多的行業轉型場景中，都需要具備三種能力的底座支持：

·AI-native架構適配

·數據跨域協同

·智能調度與治理

這意味著，企業的“數據基礎設施”，不能只是放數據的地方，而要能調度、推理、融合、交付。

曙光等廠商正試圖把“智能分層+跨系統協同”做成一種標準，讓企業的數據資產真正“流動”起來，而不是“靜止”在那里貶值。

在數據成為核心生產要素的今天，這種“數據流動能力”的價值，并不亞于算力規模。

IDC數據顯示，2025年二季度全球AI計算與存儲硬件投入約820億美元，同比增長166%，并預計到2029年全球AI基礎設施市場將達到7580億美元。其中，AI存儲發揮的價值將越來越大——當模型多、任務多、租戶多成為常態，存儲系統需要承擔更多“計算之外”的職責，包括緩存調度、能耗管理、任務優先級與服務質量（QoS）等。因此，AI存儲相關支出，將成為智算中心建設中的核心預算項。

這也是為什么，越來越多基礎設施廠商把“先進存力”作為自身能否進入“生態閉環”的決勝點。

從這個角度來看，漲價只是周期波動的一種表現，本質是產業從“堆規模”走向“拼結構”的拐點。誰能在結構上建立抗風險壁壘，誰就能穿越周期。

在一輪輪技術迭代和市場波動中，具備體系能力的廠商，才有資格成為行業的“定海神針”。

AI的黃金十年才剛剛開始，而每一次“看似艱難的漲價”，其實都是“系統重構的好時機”。

留下來的，則是那些提前準備好“系統性解法”的長期主義者。