过去一年，AI基础设施全链路需求呈现显著增长。据Data Center Knowledge预测，2026年超大规模云服务提供商的资本支出（CapEx）将高达7000亿美元，并预计明年攀升至8200亿美元¹,增长势头未见放缓。

行业关注的焦点多集中在GPU上，即AI工作流的“引擎”。但几乎所有建设AI数据中心所需的组件都处于供应紧张状态。 无论是网络设备、DRAM/HBM、闪存、机械硬盘（HDD），还是物理机架硬件乃至可用电力供应，需求似乎持续超出供给。

AI工厂的建设浪潮，为已处于长期增长趋势中的HDD行业注入了强劲的需求动力。西部数据在2025年2月投资者日上预测，EB（艾字节）需求的“基准情景”复合年增长率（CAGR）为15%，若计入AI带来的提振效应，则可高达23%²。即使与AI无关，全球数据总量仍在持续增长。一年后的今天，AI提振效应已经兑现，我们目前的预测为25%的复合年增长率³, 甚至高于2025年2月的预估。对于一艘本就满帆前行的HDD行业巨轮而言，AI建设浪潮正在加速其增长。

但这只是故事的一部分。当前的讨论几乎**聚焦于AI数据中心的建设及其对供应链造成的压力，而真正驱动这**的底层逻辑却往往被忽视。AI仅仅是一种工具；工具被用于何处、如何使用，才是核心叙事。建设之所以持续推进，是因为我们认为需要更多工具；而我们之所以需要更多工具，是因为AI所产出之物正被高度需求。

AI数据中心：构建新数据的工具因此，每个人心中的疑问是：如果AI数据中心建设放缓甚至停滞，意味着什么？对HDD又有何影响？

要回答这个问题，必须理解HDD存储在AI中的角色。而这个故事始于数据。数据既是AI的基石，也是其产出。所有的GPU、内存和网络设备，若没有海量数据湖与训练集来赋能模型，都将形同虚设。而若没有对模型的产出——即更多的数据——的需求，这些模型也根本不会存在。因此，AI不仅依赖数据来运行，它自身也在每一次输入提示时生成新的数据。每一次训练、每一次推理、每一次交互，都会产生必须被存储、管理和保留的新数据。在云端，这些数据绝大多数由HDD所承载⁴。

除了直接产出的数据，AI所创造的数据还常以被低估的形式“倍增”。例如，社交媒体账号DogPack利用AI生成播客风格的搞笑狗狗视频⁵。若审视其流程，每一条AI视频都会生成必须被存储在系统中的数据——在许多情况下，*终成片前的中间制作素材也会被留存。这些视频随后会被创作者下载并存储在本地。当然，它们还会被上传至社交媒体平台。

而且不止一个平台——它们可能会同时发布在Instagram、YouTube、Facebook、TikTok以及它们自己的App上。从*初的创作站点、创作者的本地存储，到多个社交媒体平台，每条视频至少会产生七份存储副本。诚然，社交媒体达人跨平台发布视频并非新鲜事，但AI加速视频内容创作的能力是****的。每一条新的AI视频，都会带来逐步增加且呈倍数增长的存储需求。

我们可以将一台运行中的AI模型比作一辆汽车。汽车是各类组件（发动机、变速箱、座椅等）的集合，由一台计算机统一控制。客户购车后，只需补充燃料、定期维护，它便能在多年内、数万英里中履行其作为交通工具的使命。从很多方面看，一台运行中的AI模型也是如此：它需要GPU/DRAM/闪存/网络设备等一系列组件，以及由一个训练好的大语言模型（LLM）来统一控制。一旦完成硬件采购和模型部署，便具备了能在未来数年内持续响应用户提示的能力。购买汽车或模型只是一个事件——但它随后能转化为一项资产，并在多年间持续产生价值。

究竟什么是AI工厂？当我们审视AI数据中心建设与数据存储需求之间的关系时，必须牢记我们为何将这些数据中心称为“AI工厂”。提到工厂，我们想到的是用于生产某种产品的大型建筑。在这里，那个“产品”就是数据。这意味着，正如现有的汽车工厂可以被描述为“汽车生成器”，现有的AI数据中心就是“数据生成器”。因此，每一个已建成的AI数据中心，如今都在源源不断地用新生成的数据填满硬盘。工厂本身不是故事的主角；其产出——数据——才是。

我们甚至可以将每一座现有的AI数据中心视为一个数据的循环生成器：它们基于需要持久存储的大规模数据集进行训练，因为未来版本的模型将需要再次利用这些数据进行训练；在训练和推理过程中，它们会生成大量元数据，这些数据必须被留存，以便理解模型行为并推动持续优化；而在推理阶段，模型正在生成新的数据，同样需要存储。元数据、新生成的数据，以及专为模型训练而生成的合成数据，均可被纳入其中，用于改进和更新未来模型的训练。

AI是一个数据系统，而非仅仅是一个算力系统，而且它正加速发展算力硬件以离散事件的形式部署，持续被循环复用，被构建、优化，*终升级。对算力的需求，取决于我们对任意**需要使用多少的预估。

数据的逻辑不同。它是持久的，它会累积、会复合增长。对存储的需求，取决于我们对长期留存所有产出物所需容量的预估。

当我们思考GPU、网络设备、DRAM乃至建设AI数据中心所需的无数其他设备的需求时，可以将这种需求理解为“满足一个事件”。这些组件的需求量，取决于有多少座AI数据中心被建设出来。

与此同时，对存储的需求——尤其是HDD存储需求——在AI工厂的运营过程中持续增长。它是一种持续的、累积性的需求，由推理驱动。对HDD的需求，取决于AI数据中心的使用强度。

而我们看到的现实是，这种使用正在加速——无论是新架构的部署，还是现有部署的效率提升。在2026年NVIDIA GTC主题演讲中，英伟达CEO黄仁勋提到，一位现有客户仅通过软件算法效率升级，就将平均每秒生成Token（词元）数从700提升至近5000，实现了七倍增长⁶。此外，由于架构各层之间的紧密耦合，NVIDIA的VeraRubin**计算机在每兆瓦Token生成效率上，较上一代架构提升了35倍。这些效率提升使更多推理成为可能，而每一次推理的增加，都意味着更多数据被生成并必须被存储。

这正在驱动真实的存储需求。例如，Omdia Research近期表示:“在*近一项研究中，四分之三的企业预计，其未来24个月的数据增长率将高于或显著高于过去12个月”，并指出AI是首要原因。

但如果建设放缓呢？AI数据中心建设带来的增长助推是真实的，它正在影响HDD存储行业的增速。但重要的是需认识到，HDD存储本就处于长期增长叙事之中，且已经因现有AI数据中心持续生成新数据而呈现出更强劲的需求。即使AI基础设施建设放缓，那些已经产生且在不断产生的数据仍然需要被存储、访问和留存。这使得存储需求在结构上有别于算力需求。