作者：王聪彬

过去两年，机械硬盘在生成式AI时代展现出了强劲的活力与广阔的潜力。

自1956年问世以来，机械硬盘（HDD）长期是计算机存储的核心。从最初几MB到TB级别，从几千转到上万转，每一次技术突破都推动着计算机产业的进步。

进入21世纪，生成式AI需要消耗和生成海量数据，这使得机械硬盘的依赖程度前所未有，尤其在数据中心和企业级存储领域，迎来了新一轮发展热潮。

根据IDC预测，到2028年，全球数据总量将增长至393.8ZB，与2018年相比增长9.8倍。 从2024年到2028年这五年间生成的数据量，将至少是过去10年生成数据总量的2.2倍。 这一增长很大程度上是由AI技术的发展和应用所驱动的 [1]。

西部数据全球销售与市场营销副总裁Stefan Mandl看到，AI的发展，为一个已然庞大且还在不断增长的数据存储市场注入了额外的上升动力。他认为，AI在数据生命周期的每一个阶段都会消耗并生成海量数据，对于可扩展、高性能数据存储的需求随之激增。这些海量数据往往达到PB级别，为AI模型提供所需的数据智能，助力在关键时刻和大规模场景中快速、精准地做出决策。

AI正重新定义数据本身的价值，而存储正是让这一价值得以被充分释放的关键底座。

西部数据全球销售与市场营销副总裁Stefan Mandl

AI走向核心应用，存储逻辑正在发生根本变化

如今生成式AI正迅速从“技术测试”走向“核心应用”，计算与存储的需求正在以前所未有的速度加速扩张。

IDC最近发布2025年V2版IDC《全球人工智能和生成式人工智能支出指南》(IDC Worldwide AI and Generative AI Spending Guide)。数据显示，2024年全球人工智能（AI）IT总投资规模为3159亿美元，并有望在2029年增至12619亿美元，五年复合增长率（CAGR）为31.9% [2]。

中国作为一个极具代表性的市场，AI 应用同样呈现快速落地趋势。2025年9月，国务院发布关于深入实施“人工智能+”行动的意见，设置了清晰的目标：到2027年，新一代智能终端、智能体等应用普及率超70%，到2030年，应用普及率超90%。

这一趋势也正驱动存储基础设施的转型。传统存储架构多为应对可预测、静态工作负载而设计，AI应用则需要持续学习、动态训练和大规模扩展。面向未来的存储不仅要在海量数据下保持成本效益、适应性与可靠性，还要能够处理不可预测的工作负载、维持长期性能与耐用性，同时兼顾能耗和成本管理。

这一全新命题，正考验存储行业的设计与创新能力。

对于这一变化，机械硬盘无疑是出色的解决方案。据IDC预测，到2029年，云端将近80%的存储仍将基于机械硬盘。这进一步印证了其在超大规模数据中心中的基础性地位，作为长期存储方案的持续价值。

AI应用会生成热（hot data）、温（warm data）、冷（cold data）等不同类型的数据，仅靠闪存无法经济或可持续地进行管理。机械硬盘在AI基础设施建设中发挥着关键作用，作为与闪存协同工作的长期、大容量数据存储的核心支柱。

“在AI时代，一个突破性AI模型的背后，都潜藏着重重挑战：如何存储AI所需消耗、持续产生的海量非结构化数据。”Stefan Mandl认为，这正是大容量机械硬盘发挥战略作用的关键所在，它们能提供具有规模化成本效益的存储容量，为PB/EB级AI存储环境带来卓越的总体拥有成本优势 ( TCO )。

西部数据的研究表明，机械硬盘在每TB成本上较闪存具有6倍优势，其在大容量、规模化存储场景中更为显著。而且机械硬盘正不断演进，现代机械硬盘在标准3.5英寸尺寸下实现了更高存储密度，西部数据在机械硬盘架构上创新，不仅提升了每TB的价值，也在容量不断增加的同时，有效降低了总体拥有成本。

正是机械硬盘让大规模AI应用具备经济可行性，可以说没有机械硬盘，就没有AI的落地。

从容量到效率，机械硬盘如何支撑AI规模化落地

针对AI带来的规模、性能与可靠性需求，西部数据的机械硬盘产品组合建立在行业领先的创新基础上，包括能量辅助垂直磁记录（ePMR）、OptiNAND™和UltraSMR，致力于为现代数据中心提供卓越的总拥有成本表现、可靠耐用性以及无缝的可扩展性。

ePMR通过在相同的物理硬盘区域内装入更多数据，有效提升机械硬盘的存储容量。该技术在整个写入操作过程中向写入磁头的主磁极施加电流，使写入磁头的切换更加一致和快速，从而减少时序抖动。当单个数据比特能够被更紧密地写入时，就实现了更高的每英寸比特数（BPI），进而带来更高的面密度。

OptiNAND™是西部数据的专有技术，将iNAND嵌入式闪存器件集成到硬盘中。借助 OptiNAND™，硬盘的关键内部管理功能可以利用iNAND的速度和容量优势，从而释放出更多可用容量并提升硬盘的整体性能。

UltraSMR将硬件、控制器和读取通道技术和专有的固件和算法融合，显著扩大了SMR相对于CMR的容量优势。总的来说，这些技术提升了SMR硬盘的容量，使其能够比传统CMR硬盘的容量提升20%。这项创新使我们的云规模客户能够获得满足当今海量数据存储需求所需的高容量。

目前容量提升已不再是唯一目标，更关键的是如何在有限的基础设施条件下实现更高效率。这些技术不仅满足了容量需求，还通过降低对基础设施、电力和散热的依赖，帮助企业获得显著的规模经济效益。

Ultrastar™ DC HC690 数据中心硬盘便是典型例证，作为全球首款商用11 碟UltraSMR HDD，其32TB容量在融合成熟设计与前沿创新的同时，使数据中心能够在既有架构内实现更高存储密度。

Ultrastar™ DC HC690数据中心硬盘采用西部数据独家的UltraSMR与ePMR技术，通过提升每英寸磁道数，最大限度地利用了碟片表面的存储空间。同时，西部数据专有，集成嵌入式闪存的OptiNAND™技术与HelioSeal™氦气密封设计进一步强化了这一设计。两者结合，使硬盘在提升性能的同时，实现业界领先的低功耗表现。

同样部署2PB存储容量的情况下，使用Ultrastar™ DC HC690 32TB硬盘替代24TB硬盘，便可将服务器数量减少25%，能耗降低20%，并同步降低基础设施与维护成本。

AI的兴起从根本上改变了存储市场格局，工作负载已趋向动态化，数据量正以前所未有的速度扩张，这要求基础设施能够轻松扩展，为持续创新提供支持。在Stefan Mandl的眼中，一个真正面向未来的存储战略需要建立在三大支柱之上：可扩展的经济性、动态适应性以及可持续的运营体系。这一种方法论的核心，就是机械硬盘。

西部数据制定了2030年后50TB以上容量产品发展路线图,以及ePMR与HAMR“两者并行”的技术路线图，为客户带来无缝过渡体验。目前西部数据已与超大规模企业开展联合测试，预计2026年底完成认证，2027年上半年将按计划实现 HAMR 硬盘的批量出货。

与此同时，西部数据正持续推动存储架构与平台的演进：从大容量、高可靠性的JBOD（硬盘存储扩展柜），到面向AI的超高速JBOF（全闪存存储扩展柜）及基于NVMe-oF的解耦式存储解决方案，并结合RapidFlex™与OpenFlex™技术，支撑软件定义存储与解耦式架构的规模化落地，帮助客户构建无缝集成、经济高效且面向未来的AI基础设施。

以本地化为核心，构建面向AI的长期存储战略

中国作为全球第二大经济体，拥有超大规模的市场优势，不论是活力，还是开放程度都对全球经济格局产生了深远影响。

中国及亚太地区始终是西部数据具有战略意义的重要市场。随着AI应用、大规模模型训练与云服务加速演进，中国及亚太地区正进入数据规模与存储密度同步跃升的新阶段，这也让高性能存储需求被系统性放大。

Market Data Forecast数据显示，亚太地AI市场预计将以近40%的复合年增长率 (CAGR) 增长，到2033年达到1.365万亿美元。中国互联网络信息中心（CNNIC）最近发布的第56次《中国互联网络发展状况统计报告》显示，2024年我国人工智能产业规模突破7000亿元，连续多年保持20%以上的增长率。

AI 的加速落地也在持续放大云计算的增长动能。根据中国信通院（CAICT）数据，2024年中国云计算市场规模达8288亿元，较2023年增长34.4%。未来中国云计算市场将保持高速增长态势，预计到2030年规模将突破3万亿元。

进入下一阶段，关键在于回到AI工作负载本身，重新拆解其对数据存储的真实需求。基于这一判断，西部数据通过与超大规模企业的深度协作，构建将可靠性融入复杂环境DNA的解决方案。

在Stefan Mandl看来，西部数据以客户成功为导向，共同开发符合客户目标的解决方案，提供多样化的选择、灵活的方案和可靠的性能，并通过早期介入和战略合作简化部署流程并降低风险。这一协作机制确保西部数据的存储解决方案能够为超大规模企业及企业级客户的基础设施投资，提供所需的可预测扩展能力和兼具成本效益的存储容量。

无论身处任何时代，无论技术如何演进，西部数据对客户的长期承诺始终如一。这一承诺通过其全球SIT实验室网络得到充分印证，该网络在美国及亚洲多地设有临近客户的站点，提供涵盖产品开发规划与部署、新产品测试验证、产品认证与客户对接，以及贯穿产品全生命周期的持续工程支持等全方位服务，形成一套可持续运转的技术与服务体系。

“作为存储创新前沿的引领者，西部数据是AI驱动型数据经济的核心支柱。”Stefan Mandl说。凭借对创新的专注、对下一代技术的投入以及对卓越运营的不懈追求，我们持续为客户、股东及整个行业创造长期价值。

在AI重塑数据价值曲线的时代，真正决定长期竞争力的，正是像西部数据这样把可靠性、规模化部署与前瞻性纳入AI基础设施的整体体系。

[1] https://my.idc.com/getdoc.jsp?containerId=prCHC52667624

[2] https://my.idc.com/getdoc.jsp?containerId=prCHC53829925