獨家對話希捷科技Jason Feist：AI時代，企業正在“刪除刪除鍵”｜甲子光年

AI不只需要GPU，也需要硬盤。

作者｜王博

過去兩年，關于AI基礎設施的討論幾乎被GPU、HBM、高速網絡和電力占滿。

這并不難理解。大模型公司需要更多GPU訓練和推理，也需要HBM為芯片提供足夠高的帶寬；高速網絡決定了大規模集群能否協同工作，數據中心則要解決供電、散熱和互聯問題。圍繞算力展開的每一個環節，都成了這一輪AI競賽最顯性的入場券。

圍繞這些瓶頸，行業常常談到“內存墻（memory wall）”。“內存墻”指的是計算芯片越來越快，但數據從DRAM、HBM等高速內存送到芯片的速度跟不上，導致算力無法被充分釋放。它反映的是計算過程中的數據供給效率。

但當越來越多GPU被部署到數據中心，另一個問題也開始浮現：這些算力到底要分析什么？模型訓練、推理、Agent、自動駕駛、機器人和生命科學應用產生的數據，應該放在哪里？保存多久？未來又如何被重新調用？

如果海量數據不能以足夠低的成本、足夠高的密度和足夠可靠的方式被長期保存、分層管理，并在需要時重新調用，是否會出現“存儲墻（storage wall）”呢？

在日常討論中，“內存”和“存儲”常常被混用，但在AI基礎設施中，兩者指向不同層級：前者偏向計算過程中的高速數據供給，后者則指數據中心里承載海量數據長期保存、分層管理和反復調用的基礎設施，包括對象存儲、高容量機械硬盤（HDD）、企業級固態硬盤（SSD）等。

那么，AI到底怎樣改變了存儲系統？硬盤在AI數據中心是否變得更重要？“存儲墻”的影響是什么？存儲行業最大的共識是什么？

帶著這些問題，近期，「甲子光年」獨家對話了希捷科技云存儲業務高級副總裁杰森·費斯特（Jason Feist）。

希捷科技云存儲業務高級副總裁杰森·費斯特，圖片來源：受訪者提供

費斯特負責希捷科技（Seagate）全球云存儲業務，在云基礎設施、AI工作負載和數據中心存儲系統方面積累了豐富的經驗。他曾在希捷做過硬件工程、產品開發和運營等多個崗位，擁有電氣工程背景和多項專利。相比單純從市場角度解釋存儲需求，他更熟悉一塊硬盤如何被設計、制造、部署，并最終進入超大規模云廠商和AI數據中心的系統架構。

這次來到中國，費斯特一方面是與希捷中國團隊溝通，另一方面也會從北京一路到深圳，拜訪云服務商、OEM廠商和系統集成商等關鍵客戶。

在和「甲子光年」的對話中，費斯特給出了一個清晰判斷：AI基礎設施總是圍繞一系列約束條件展開——“首先是計算，然后是內存，現在是存儲”。

但他并不認為這意味著行業已經撞上一道無法突破的“存儲墻”。

隨著算力擴張，數據正在成為新的核心變量。AI模型需要更多數據訓練和重訓，Agent和物理AI會自主生成更多交互、副本和實例，企業也越來越傾向于長期保存數據，等待未來從中挖掘新的價值。

費斯特用了一個形象的說法：“delete the delete key（刪除刪除鍵）”。

這也解釋了一個看似反直覺的現象：在SSD不斷普及的今天，HDD并沒有從數據中心退場。相反，隨著AI數據中心擴張，高容量硬盤的重要性正在被重新看見。

本文，「甲子光年」獨家對話希捷科技云存儲業務高級副總裁杰森·費斯特，由「甲子光年」整理編輯，在不改變原意的基礎上有所刪改。

1.首先計算，然后內存，現在存儲

甲子光年：過去1到2年，AI基礎設施領域里更多討論的是GPU、HBM。我想知道，從你們看到的客戶需求，AI到底怎樣改變了存儲系統？

費斯特：這是一個好問題。面向全球部署的系統，在搭建時需要圍繞一系列約束條件（constraints）展開，每一項約束條件都必須妥善處理。

首先是計算，然后是內存，現在是存儲。因此我們并不認為這是什么變化或意外情況，它的發生是預料之中的。

當你擁有更強的計算能力時，你就需要更多的信息來進行分析。而硬盤正是在這一環節發揮作用。我們正在構建數據基礎設施，以便目前在全球部署的所有計算資源都有可供分析的永久記錄，從而能夠持續地發展智能。

這和人類成長過程十分相似：我們上學學習，不斷迭代自己，不斷積累更多知識，從而變得愈發聰慧。而希捷科技在AI基礎設施領域正扮演著類似的角色，助力云服務商與AI模型開發者承載更大規模的數據集，提升數據的價值。

當這些公司運行自己的基礎設施時，尤其是這些成本極高、必須盡可能高效運轉的基礎設施，系統會不斷產生各種記錄、交互、實驗結果和中間過程。企業會研究和優化這些信息，從而讓模型和系統更快學習、成長和迭代。

甲子光年：這與AI Agent的爆發有關嗎？

費斯特：AI Agent是數據驅動因素之一。

當我們思考當前發生的情況時，會發現文件變得越來越大。人們保存數據的時間也越來越長，因為他們未來還會基于這些信息進行重新訓練和部署。

現在，我們同時看到了物理AI和Agentic AI的發展。它們讓計算機能夠減少人類在環節中的參與，甚至代表人類采取行動。這會產生更多數據副本、更多實例。

所以，變化不只是數據量在增長、數據文件在變大，現在還出現了自主系統生成數據的趨勢，包括代碼生成和軟件開發，這些不依賴人類就可以完成。

甲子光年：你最近寫到，云和AI工作負載如何重新定義主存儲（primary storage）。過去我們通常把主存儲理解為靠近計算的高性能存儲，主存儲也稱為主內存。但你認為對象存儲（Object storage，一種面向海量非結構化數據的存儲方式）和高容量硬盤也正在成為主存儲的一部分。為什么會發生這種變化？

費斯特：對象存儲正在成為所有新AI應用開發的記錄系統。也就是說，一種新的關聯正在形成：只要你要運行一個應用，就需要一個記錄系統，用來作為主要的數據留存載體。

過去所謂的主存儲，更多指的是一臺計算機內部的存儲體系，比如CPU、內存和閃存設備。

但現在，在云和AI的規模下，計算機已經通過全球范圍內的高速網絡連接起來。因此，記錄系統和主存儲現在不再只是一個單一設備，而實際上是由一整機架的硬盤組成，這些硬盤在高速網絡“骨干（spine）”連接下，支撐著一個GPU集群運行。

這也正是云廠商和AI模型開發者正在做的事情：他們需要確保自己的軟件能夠利用各種類型的存儲設備，并在正確的時間，把數據放到正確的位置。

這里面有一個非常有意思也非常動態的變化，發生在控制平面（control plane）與數據平面（data plane）之間。把這兩者結合起來，就定義了對象存儲，也讓對象存儲逐漸成為新的定義下的主存儲。

甲子光年：對中國云廠商來說，是否也應該重新理解主存儲？

費斯特：不僅是中國，實際上，如果你去看任何一家云服務提供商的網站，留意他們所使用的語言，以及他們是如何定義、營銷、推廣并持續創新其基礎設施的，你會發現這都是從對象存儲層開始的。

他們在這一層實現商業變現，并圍繞這一層進行創新與擴展，因為他們清楚，客戶最有價值的數據正是存放在這里。

甲子光年：過去很多人認為固態硬盤會持續替代機械硬盤。但AI數據中心擴張后，機械硬盤似乎反而重新變得重要。你覺得這個反直覺嗎？

費斯特：這并不反直覺。事實上，我認為這相當符合直覺。因為計算要發揮作用，需要內存；而計算也需要存儲，來保存所有信息。

我們持續投入研發、推進技術創新，依托Mozaic（魔彩盒）以及HAMR（熱輔助磁記錄）等技術來提升面密度（areal density，一張硬盤盤片單位面積里能存的數據量）。

我們清楚這會為客戶創造顯著優勢：硬盤單盤容量將大幅提升，整體擴容能力也會更強。因此我們始終堅信機械硬盤擁有不可替代的市場空間。

“一種技術會替代另一種技術”的說法，通常更多出現在媒體敘事里，并不真正來自應用實踐。任何實際在部署計算、網絡和存儲的人都清楚，關鍵在于在合適的時間把數據放在合適的位置，并根據性能、容量和擴展性等需求，選擇最合適的組件。

正是基于與客戶的直接溝通，以及那些真正編寫數據流動管理軟件的工程師的反饋，我們始終堅信，這不是“非此即彼”（or）的關系，而是“共存互補”（and）的關系。

從工作負載的角度看也是如此。人們常把云視為一個單一工作負載，但實際上，云承載著多種不同的應用場景——包括視頻流、圖片流、各類在線服務，以及不同的應用和Agent。每一種軟件算法對數據量的需求不同，對數據訪問速度的要求也不同。

因此，這種工作負載的多樣性，天然需要多種存儲設備類型來實現平衡。不過歸根結底，每當出現新的應用時，它最終仍會落在記錄系統（system of record），也就是對象存儲和硬盤層之上，這也意味著增長的核心依然在這里。

這正是為什么我們現在看到需求如此旺盛，因為整個行業都在持續創新，而且創新的速度比以往更快。

2.突破存儲密度

甲子光年：行業常常談到“內存墻（memory wall）”，那么現在AI基礎設施是否遇到了“存儲墻（storage wall）”？

費斯特：硬盤產業具備較高的運營效率。我們在全球布局多處生產工廠，工廠內部持續深耕存儲密度技術研發。只要客戶需求增加，我們就能依托硬盤自研技術提升單盤存儲容量，匹配市場需求。

我們的技術路線規劃十分清晰：隨著熱輔助磁記錄（HAMR）技術落地，單盤片容量從4TB提升至5TB，后續還有清晰升級路徑，未來單盤片容量最高可達到10TB。我們相信憑借這項技術，我們完全能夠匹配客戶的各類需求。

除此之外，為實現產能擴張、儲備充足制造產能以支撐客戶需求，我們會與客戶緊密協同開展需求規劃，搭建成熟的訂單排產模式。這套模式至關重要，能保障我們按照客戶需求量精準匹配供貨量，同時我們著力為客戶提供穩定可預期的交付保障。

我們在對接全球各大客戶時，聽到最多的訴求之一就是供貨與技術節奏必須穩定可控。我們可以清晰地地告知客戶下一代技術節點的落地時間，并如期完成產品交付。

希捷硬盤制造過程，圖片來源：希捷科技

甲子光年：但我們也觀察到，2026年存儲市場其實很熱，近線HDD需求緊張，背后是短期搶貨，還是長期結構性變化？

費斯特：這無疑是一場更為長期的變革。我們看到客戶向我們作出長期合作承諾，同時云端也正在發生顯著的技術變革：人工智能模型會生成海量數據、產出更大的文件，并且催生各類全新應用，迭代速度遠快于以往任何技術周期。

我還想強調一點，現在客戶快速成長的能力，本身也是一個很大的變化。也許十年前，一個客戶需要五年甚至十年，才能成長到足以被希捷這樣的存儲供應商明顯感知和重視的規模。

但現在，一個客戶可以在兩到三年內，從一個想法發展到非常大規模的生產部署。由于云原生規模和數據中心基礎設施的發展，我們看到應用增長和內容生成的速度，確實非常驚人。

甲子光年：你剛才提到了HAMR（熱輔助磁記錄）和Mozaic（魔彩盒），這些技術可以解決哪些問題？

費斯特：HAMR，可以理解為一種讓硬盤“在同樣面積上寫入更多數據”的技術；Mozaic則是一個硬盤平臺，利用HAMR技術在規模上實現極高的存儲密度，加速數據中心容量擴展，幫助客戶跟上AI驅動創新的快速增長。

Mozaic平臺核心技術組件，圖片來源：希捷科技

甲子光年：HAMR有哪些創新之處？

費斯特：HAMR是一項非常強大的技術，而且高度跨學科。

它包含材料方面的創新，也包含制造工藝方面的創新，還包括磁學和記錄物理方面的創新。我們的全球團隊共同協作，從思考各個子系統如何設計開始，再把它們整合成一個完整解決方案，最后實現規模化制造。這就是HAMR的核心。

你可以把它理解為一種全新設計和全新技術能力的整體概念。我們可以類比GPU技術：當一顆新的GPU芯片出現時，需要有人做LSI（大規模集成電路）設計，需要有人設計和布局芯片，需要有人測試芯片，也需要有人制造芯片。

在希捷內部，HAMR也包含了所有這些環節。比如，我們如何制造記錄磁頭？如何讓記錄磁頭與記錄介質配合工作？如何把記錄磁頭和記錄介質結合起來，并讓它們與記錄通道、電子元件和固件協同工作？

HAMR觸及了硬盤內部每一個子系統，所有這些創新最終匯聚在一起。對用戶來說，最終得到的是一塊容量更大的硬盤，而且他們不需要為背后的復雜技術操心。

希捷會處理所有這些創新和技術問題。對客戶來說，他們只需要把硬盤接入系統，一切照常運行。

Mozaic平臺硬盤內部結構示意圖，圖片來源：希捷科技

甲子光年：聽起來，AI基礎設施行業還沒有撞上一道無法突破的“存儲墻”。不過，你近期提到，如果廠商主要通過增加盤片提升容量，可能意味著他們遇到了“面密度墻（areal density wall）”。這個判斷是否可以展開解釋？

費斯特：希捷過去也曾經有過只有5張盤片的硬盤。后來，我們增加到了6張盤片，接著是7張、8張、9張，最后到10張盤片。

當面密度無法繼續提升時，你就會通過增加盤片數量來把硬盤容量做大。因為客戶始終希望在同樣的空間里存入更多數據。

要做到這一點，有兩種方式：一種是提高面密度，另一種是增加更多磁頭和盤片。

通常來說，你總是會希望優先提高面密度，因為這在制造效率上更有優勢。

希捷在全球各地都有工廠。如果我們通過提升面密度來解決容量增長問題，這些工廠就能產出更多有效存儲容量。相反，如果沒有面密度的提升，這些工廠就必須制造更多磁頭和盤片。

因此，我們必須考慮為了滿足客戶需求，需要投入多少零部件。任何公司都會關注自身效率，也會關注在資本投入和執行周期之內，如何盡可能高效地完成交付。

而面密度，正是實現這一點的關鍵。

3.刪除刪除鍵

甲子光年：目前，存儲行業最大的共識是什么？

費斯特：數據是有價值的，這是當前最大的共識。你可以看到，所有這些公司都在圍繞數據進行創新。

隨著AI模型能力和GPU計算能力的發展，我們已經進入了一種新的范式：能夠從信息中挖掘出更多價值。

因此，每個人都希望“把一切都保存下來”。我們經常用一個說法—— “刪除刪除鍵（delete the delete key）”。現在，大家都在某種程度上移除刪除鍵，選擇保留一切。

因為你會假設，也會知道，隨著未來技術創新和計算能力的發展，人們會從這些數據中發現新的信息，找到新的數學公式，甚至找到解決全球性問題的新創新路徑。無論是氣候問題、醫療健康，還是其他非常復雜的大規模數據問題，都可能如此。

在我看來，這就是一個非常強烈的共識：我們需要持續構建和發展硬盤技術，以承載并長期保存這些海量信息。

甲子光年：對中國AI基礎設施建設者來說，最應該重新理解存儲的哪一點？

費斯特：我希望他們與希捷密切合作，確保自己正在建設的環境，能夠適配并使用盡可能大容量的硬盤。

在整個基礎設施中，數據中心設備非常重要。這包括服務器機架、網絡機架和存儲機架。其中，存儲機架的設計需要認真考慮一個事實：未來短短幾年內，硬盤容量會比過去幾年大得多。

他們必須在設計中考慮到這一點，以確保硬盤環境、振動、溫度、連接速度等所有因素都得到優化，并與數據傳輸的計算需求相匹配。

同時，這些設計還需要與計算側對數據流動的需求相匹配，實現整體架構上的“模式對齊”（pattern matching），從而確保數據在系統中的高效流轉與利用。

甲子光年：如果說過去兩年AI行業的共識是“no compute, no AI（無計算，不AI）”，那么未來幾年是否會變成“no data infrastructure, no AI（無數據基礎設施，不AI）”？

費斯特：沒有數據，就沒有可以計算和分析的對象。所以我認為，所有公司都正在意識到，他們必須持續保存和存儲越來越多的信息。因為有了這些信息，它們才能在所從事的業務中獲得戰略優勢。

自動駕駛公司會意識到，如果它們能夠保存所有訓練數據，就有可能打造出性能頂尖的自動駕駛車輛。生命科學或金融領域的從業者也很清楚，如果他們能夠保存更多信息，用來理解新的藥物遞送方式如何發揮作用，或者新的金融算法如何運行，一旦獲得這些洞察，就能在各自服務的垂直行業中獲得競爭優勢。

我們正在很多領域看到這種變化，包括機器人和制造業。所有人都意識到，如果能把自己的信息放進特定領域的AI模型中，就有可能相對于同行建立競爭優勢，進而獲得更高的市場份額和更多業務收入。

也正因為如此，我們看到了非常強勁的存儲需求。各行各業各類特色應用場景，都需要完整留存海量數據。

（封面圖來源：AI生成）