推理规模扩张，数据足迹呈指数级增长
传统AI基础设施讨论多聚焦于计算密集型的模型训练。训练具有明确的起止边界，属于可预算、可归档的项目制任务；而推理则是持续发生的常态化负载，每次响应请求都会在后台留下数据痕迹，且永不“退休”。
以AI生成视频为例，其后端开销远超用户感知。内部数据显示，一个最终输出为3.97MB的720p、8秒视频片段，会在后端产生包括日志、缓存上下文、即时渲染、备份及安全记录在内的超过500MB数据。这一后端数据量是前端输出文件的130倍。若扩展至企业级高分辨率、长时长视频生成场景，单个片段的后端数据足迹将激增至数百GB。
这一趋势正在加速。麦肯锡预测，到2030年，AI推理需求的年复合增长率（CAGR）将达35%，高于训练需求的22%。届时，推理负载将占据数据中心总需求的40%以上。
全球调查数据印证了这一压力。近95%的IT及商业决策者表示，过去12个月内生成式AI导致数据量增加，其中约61%的企业数据增幅超过25%。某超大规模云服务提供商高级产品经理指出：“增加存储实质上是保持GPU忙碌的优化手段。”GPU空闲数小时即会产生高昂成本，若存储支出以25%的年增速扩张，终将突破预算红线。
存储架构需适配AI数据全生命周期
与随训练周期和硬件刷新波动的计算需求不同，数据留存具有累积性。即便计算负载放缓，模型日志、合成输出及推理结果仍在不断堆积，且保留周期日益延长。
数据的角色随之重构。曾经沉睡于归档系统中的信息，正转变为未来AI工作负载的关键输入。随着数据被频繁保留、检索和重用，存储系统不仅需扩容，更需支持动态访问。调查显示，96%的受访者预计需要更快的归档检索速度，以支撑推理或检索增强生成（RAG）应用。
面对兼顾性能与容量的双重挑战，硬盘驱动器（HDD）凭借显著的每TB成本优势，成为承载海量长期保留数据的高性价比基础设施。