2026年数据基础设施准备情况报告

人工智能的需求增长速度超过了基础设施的准备速度。Seagate 委托开展的一项覆盖全球、针对 2,700 多名企业技术决策者的最新调研发现，99% 的受访者预计未来三年 AI 将推动存储需求增长，但仅有 38% 表示已做好充分准备。

随着人工智能进入新阶段，这种准备不足的差距正变得越来越重要。AI 的第一个时代，以模型与算力领域的突破为标志。下一个时代将由实现 AI 高效、可持续扩展并释放长期价值所需的数据基础设施决策所塑造。各组织正面临着新的现实：人工智能的成功取决于基础设施的创新，数据现在是战略性业务资产，而不是成本中心。

在此背景下，该研究探讨了各组织在为人工智能基础设施的未来做准备时所面临的几种动态：

• AI 驱动的数据增长
• AI 基础设施就绪度
• 基础设施投资优先事项
• 可持续性与运营效率
• 存储战略与长期可扩展性

这些动态凸显了持续投资于数据战略、治理以及人工智能成功所需系统的迫切性，并定义了一个新的当务之急：可持续扩展。

可持续扩展是指在不断提高支持人工智能的基础设施效率的同时，增加人工智能能力和商业价值的能力。随着政策制定者、监管机构和公众对人工智能基础设施的增长给予更多关注，可持续扩展将在一个强大而健康的人工智能经济的长期可行性方面发挥关键作用。

以下五个战略转变说明了组织如何将可持续规模化付诸实践，以及最大的机遇和挑战在哪里。

人工智能已经创造了可衡量的商业价值。86% 的受访者表示，他们所在机构在人工智能投资方面的回报是中等或显著的，其中 33% 的受访者表示获得了显著的、可衡量的回报。这些结果提高了人工智能所需数据的重要性。当模型、应用程序和决策都依赖于数据时，数据存储就不再是后台功能了。随着时间的推移，这将成为组织提升人工智能成果能力的一部分。这种模式在各个市场普遍存在，美国（87%）、中国（91%）、印度（91%）、日本（75%）、法国（82%）、英国（86%）和德国（82%）均报告了适度或显著的回报。

预计增长幅度将相当可观。几乎所有受访者都预计人工智能将在三年内增加存储容量需求。十分之七的人预计增长至少 26%，其中 32% 的人预计需求将增长超过一半。这种预期在各个市场几乎普遍存在，从日本的 98% 到印度、法国、英国和德国的 100%，美国和中国的预期均为 99%。

这意味着：组织必须规划如何应对更多的数据以及数据中蕴含的更多价值。只关注眼前能力的短期方法可能会导致信息碎片化、难以获取或重复使用成本高昂。从更长远的角度来看，可以将保留、访问和治理决策与组织期望人工智能创造的未来价值联系起来。

这种转变已经在领导者对存储的描述中有所体现。98% 的人认为人工智能正在将数据存储从后台功能转变为战略业务基础设施。这一发现表明优先事项发生了变化：存储决策现在直接影响着组织能够多快地利用数据以及能够多好地保存数据的价值。这一观点在各个市场都保持一致，从日本和德国的 96% 到印度的 100%，美国和英国为 99%，中国为 98%，法国为 97%。

增大

大多数组织都对自身的发展方向充满信心，但仔细观察就会发现，实际情况远比这复杂得多。83% 的人表示他们已为人工智能的长期数据需求做好了充分或大部分准备，但只有 38% 的人认为自己已做好充分准备。不同市场的感知准备程度差异很大，从中国的 96% 到日本的 55%，印度的 89%，英国的 88%，美国和德国均为 86%，法国为 74%。

研究结果表明，人工智能的准备程度不仅仅取决于计算能力或投资。受访者认为人工智能战略成熟度、预算和资源、数据管理和治理是他们面临的最普遍的差距。部署方面的挑战也与之类似。在关键运营限制因素中，53% 的人提到数据质量和准备情况，43% 的人提到存储基础设施，相比之下，27% 的人提到计算可用性，24% 的人提到能源限制。

受访者认为，数据质量和准备情况（53%）以及存储基础设施（43%）是人工智能部署面临的主要挑战，其次是计算可用性和能源限制。

增大

受访者认为，数据质量和准备情况（53%）以及存储基础设施（43%）是人工智能部署面临的主要挑战，其次是计算可用性和能源限制。

准备工作方面的差距归根结底是数据基础方面的挑战。因此，各组织需要一个协调一致的数据基础，将数据保留、治理、存储和计算结合起来，以有效地扩展人工智能。

企业越来越将数据中心投资视为一项战略业务重点，而不是一项必要的运营支出。超过四分之三的人将其列为三大基础设施优先事项之一，五分之一的人将其视为最重要的优先事项。

增大

支出展望还表明，人工智能基础设施不仅仅局限于GPU。安全和合规基础设施在组织的投资优先事项中名列前茅（44%），数据管理/治理排名第二（43%）。AI 和 GPU 基础设施及存储硬件更新并列第三大投资重点（39%）。

因此，战略问题不在于堆栈中的哪一层获得最大的预算。关键在于整个基础设施能否支持数据流入人工智能系统，能否保存以后可能产生价值的数据，以及能否在不产生新的运营限制的情况下进行扩展。当组织将这些依赖关系综合评估时，投资能创造更多价值。

能源和可持续性方面的考虑已经开始影响人工智能基础设施规划。77% 的受访者表示，由于这些担忧，他们的组织已经推迟或调整了扩张计划。其中 36% 的公司大幅调整了投资计划，41% 的公司经历了轻微延误。

这一发现将效率从未来的目标变成了当前的规划制约因素。各组织需要增加产能，但他们也需要了解这种增长对电力、空间、冷却和设备生命周期的影响。领导者能够将决策与可衡量的运营需求联系起来的决策是最有用的。

受访者期望取得进展。39% 的人认为他们目前的仓储运营“非常可持续”。考虑到五年后他们的业务发展方向，这一比例上升至 61%。预期也会因可用投资额而异：年度可持续发展预算在 1 亿美元或以上的组织中，有 70% 的组织预计其运营将在五年内实现“非常可持续”，而预算低于 100 万美元的组织中，只有 48% 的组织抱有这种期望。

各组织越来越倾向于通过运营效率而非仅仅通过环境报告来定义和衡量可持续基础设施。在评估存储硬件的环境足迹时，功耗是最常被考虑的因素，62% 的人提到了这一点。设备寿命和耐用性紧随其后，占比 55%。几乎所有受访者都认为，延长数据存储设备的使用寿命对数据中心运营的可持续性有显著影响。

这些发现支持了可持续规模化的操作性观点。与其依赖更广泛的环境语言，组织可以通过电力使用、容量利用率、设备寿命和每TB的能源成本来评估具体的基础设施选择。这些措施使可持续发展目标更容易与基础设施的日常经济效益联系起来。

随着人工智能不断增加组织成功和发展所需的数据的数量、种类和价值，支撑其发展的商业模式也越来越受到底层数据基础设施的影响。与增加产能同等重要的是优化增长的经济效益和运营效率。这意味着将效率导向原则应用于基础设施设计，使组织能够在不断提高资源利用率、利润率和长期投资回报率的同时，扩大产能。

组织机构正在采用的运营实践体现了向效率导向型基础设施的转变：

• 52% 的企业使用人工智能来确定存储和运营需求（美国：48%，中国：55%，印度：62%，日本：54%，法国：47%，英国：53%，德国：42%).
• 46%的人投资于可再生能源（美国：44%，中国：41%，印度：58%，日本：37%，法国：45%，英国: 49%，德国：47%).
• 40% 的企业根据实际数据需求部署电力，而不是持续运行基础设施（美国：34%，中国：44%，印度：48%，日本：41%，法国：29%，英国：41%，德国：40%).
• 31% 的数据基础设施产生的热量可重复利用（美国：26%，中国：37%，印度：32%，日本：24%，法国：38%，英国：31%，德国：33%).

同样的效率导向思维也日益影响着存储架构。工作量匹配方法是这种转变的一个例子。企业与其在整个数据生命周期中应用单一架构，不如根据工作负载需求设计能够平衡性能、容量、效率和长期价值的系统。这为在控制基础设施成本和资源需求的同时扩展人工智能创造了一个更实用的框架。

人工智能环境涵盖多种数据类型，这些数据类型在性能、容量和访问要求方面各不相同。训练数据、活动数据集、推理上下文、模型检查点、源内容和保留的输出对基础设施的要求并不相同。随着人工智能规模的扩大，以效率为导向的设计变得越来越重要。在智能的多层架构中，将存储技术与工作负载需求相匹配的组织可以提高经济效率，降低运营成本，并为长期增长构建更具弹性的基础。

人工智能的下一阶段将产生更多数据，但仅凭容量本身并不能决定哪些组织能够获得其价值。关键在于能否在有效管理增长带来的基础设施需求的同时，保持数据的可用性和随时可用性。

调查显示，这项工作已经在进行中。各组织正在优先考虑数据中心投资，重新评估存储的作用，并将效率和生命周期因素纳入扩展计划。然而，基本做好准备和完全做好准备之间的差距仍然很大。

弥合这一差距需要围绕完整的数据生命周期构建基础设施战略。组织需要了解他们将创建哪些数据，不同的工作负载需要以多快的速度访问这些数据，这些数据可以保留价值多长时间，以及哪些运营措施将指导增长。这些决策为人工智能的可持续扩展和持久价值奠定了基础。