GPU佔據市場關注，雲端平台競逐工作負載，模型基準測試驅動投資決策。然而，企業應用AI的真正瓶頸不在運算效能，而是如何以具成本效益且可擴展的方式儲存、管理並檢索AI系統生成、消耗與倍增的資料——AI基礎架構的核心就是資料系統。
數位轉型對儲存與運算基礎架構帶來長期壓力，但真正加速此進程的是AI。AI生成資料——如推論日誌、遙測資料流、模型檢查點與合成資料集會創造反饋循環產生海量資料，引發所謂的「冷資料悖論」。企業累積的資料未來可能成為競爭優勢。難題在判斷資料去留、儲存位置及其成本。這項挑戰因「暗資料」的增加變得複雜。這些已蒐集、未被運用的資料在AI環境中可作為驗證輸入、檢索增強生成（RAG）背景資訊，或後續模型訓練的素材，導致企業難以取捨。
多數儲存架構建構於AI時代以前，當時熱、溫與冷資料分層明確且靜態。AI的興起使資料狀態趨於流動，今日的冷資料可能成為明日的營運關鍵。雖然快閃儲存對推論等即時AI工作負載不可或缺，但當部署規模超越延遲敏感層級，儲存的重點將轉向容量、吞吐量與成本效益。
大規模部署下快閃儲存每TB成本是硬碟的5至10倍，這成本差距在AI轉向實際營運時尤為明顯。因此硬碟仍支撐全球約80%的雲端儲存，提供更具成本效益的每TB儲存成本與可擴展儲存密度。硬碟並非過時組件，而是可擴展AI基礎架構中的經濟基礎。此類工作負載由吞吐量驅動，對循序讀取效率與儲存密度的需求遠高於微秒級存取時間，ePMR與HAMR等技術持續突破容量限制，使硬碟隨AI資料同步成長。
解決方案在於建立嚴謹分層架構：採用高效快閃儲存應對延遲敏感的工作負載；對經濟效益與吞吐量要求較高的工作負載則靠硬碟的擴展容量。將大量資料完全儲存於快閃儲存不具長期經濟性，但過度歸檔則會削弱其未來價值，改成策略性分層可在規模化時兼顧效能與效益。
在AI時代，領先的企業不再是累積最多資料的，而是能落實分層管理，使儲存投資精準對應實際工作負載價值的企業。冷資料悖論正在重塑基礎架構，企業唯有將儲存視為策略部署而非成本考量，才能持續擴展AI布局，儲存已變成構建競爭優勢的核心。
＜本文作者：Stefan Mandl現為WD全球行銷銷售副總裁＞