多くの企業において、AIへの投資は、意思決定の改善、製品開発の加速、よりパーソナライズされたユーザー体験の提供といった成果に直結しています。
企業がクラウドベースのプラットフォームやサービス上でどのように製品を開発しているか、考えてみてください。競争優位性は、単一の洞察から生まれるのではなく、長年にわたる顧客とのやり取り、試行錯誤、失敗、フィードバック、そして改善を通じて知識を蓄積することから生まれるものです。企業が組織のノウハウをより多く蓄積し、活用できればできるほど、改善のスピードは速くなります。
AIシステムも、同様の仕組みで動作し始めています。当初、課題はモデルの学習でした。導入が進むにつれて、その価値は、これまでのやり取りや成果を通じて蓄積されたデータを、いかに効果的に保持・参照・再利用できるかにますます左右されるようになります。当初は作業がさほど大変ではないように感じられますが、導入が進むにつれて期待値が高まっています。システムが、すでに起こったことを分析するだけでは、もはや不十分です。新しいデータが入ってくるにつれて、モデルは学習を続け、推奨内容を洗練させ、ユーザー体験を適応させていくことが期待されています。モデル自体は依然として重要ですが、システムがこれまでに学習した内容を保持し、必要なときにそれを活用できる能力も同様に重要です。
顧客の行動、過去の成果、そして変化し続ける傾向はすべて、保存され、いつでも参照できる状態にしておく必要があり、それによって議論の在り方も変わってきます。モデルの性能は依然として重要ですが、もはやそれだけがすべてというわけではありません。より大きな問題は、システムそのものが、進化していく中でその文脈を維持できるかどうかということです。
長年にわたり、AIに関する議論はモデルや計算能力に焦点が当てられてきました。各組織は、GPUへの投資を行い、データサイエンティストを採用し、トレーニングに注力しました。ストレージはこのプロセスを支え、データセットを保持しつつ、基本的には裏方に徹していました。
こうしたシステムが広く導入されるようになった今、別の問題が浮上してきています。モデルは継続的に稼働しており、その取り組みはAIの構築から、そのスケールアップへと移行しています。これはしばしば「エージェント型AI」と呼ばれます。つまり、単に要求に応えるだけでなく、文脈を引き継ぎ、これまでに実行したことを基に学習を重ねていくシステムのことです。
それらは出力を生成し、保存されたデータを取り込み、これまでのやり取りを基に構築していきます。一見、単一のリクエストのように見えるものでも、実際には、コンテキストを取得し、応答を精緻化し、新しい情報をシステムにフィードバックするという、継続的なサイクルのうちの一段階に過ぎないことがよくあります。
システムの改善は、ワークフロー全体を通じて、そのデータがいかに効果的に保持、参照、再利用されるかに、ますます依存するようになってきています。ハイパースケール環境――つまり、これらのシステムが稼働する、世界規模で分散された大規模なクラウドインフラストラクチャ――において、オブジェクトストレージは、蓄積されたデータの「システム・オブ・レコード」となります。ハードドライブ上で大規模に構築されており、AIシステムが文脈を維持し、それを長期にわたって拡張し、継続的に改善できるようにする、堅牢かつ経済的な基盤を提供します。
アーカイブから正式な記録システムへ
システムがこのように稼働し始めると、ストレージの役割も変化し始めます。製品開発においては、顧客からのフィードバック、過去の成果物、テストデータ、そしてこれまでのやり取りが、次に何を改善すべきかについて、引き続き指針となっています。AIシステムがデータの保持と再利用に依存している業界であれば、どの業界でも同様の傾向が見られます。
オブジェクトストレージは、長い間、データがもはや積極的に使用されなくなった後に格納される場所として扱われてきました。そのモデルは、ワークロードが断続的だった場合には機能していました。しかし、継続的に学習し、進化し続けるAIシステムには、明確な終着点がありません。
あらゆる交流には、何かが残されます。出力は蓄積され、保持されると、システムの動作コンテキストの一部となります。それらの出力は消えてしまうのではなく、それ以前に生み出されたすべてのものと並んで利用可能な状態を維持し、その後の展開を形作っていきます。こうしたシステムが時間の経過とともに構築されていくにつれ、オブジェクトストレージは、単なるデータ保管場所としてだけでなく、蓄積されたデータが永続的に保持され、アクセス可能な状態を維持し、将来の成果に役立てるためにアクティブなワークフローに再び取り込むことができるレイヤーとして、より中心的な役割を担うようになります。
データは引き続き、他の階層間を移動しています。それはメモリに読み込まれ、処理レイヤーに取り込まれ、リアルタイムで利用されます。多くの場合、1つのワークフローの中で複数回使用されます。しかし、最終的にはどこかに保存されなければなりません。利用しやすく、耐久性があり、いつでも再び使える状態にしておく必要があります。
その役割はますますオブジェクトストレージに委ねられるようになっており、ハイパースケールクラウドにおいては、ハードドライブを基盤として構築されています。実際、クラウドデータセンターの容量の90％以上はハードドライブに保存されており、これはデータがどこに配置されているかだけでなく、大規模な運用においてデータがどこに存在しなければならないかを反映しています¹。ストレージこそが、AIが文脈を保持するための手段なのです。規模が大きくなると、それは単なる背景的な要素ではなく、システムが何ができるかを決定づける要素の一つとなります。
データに関する質問が変わりました
トレーニングの段階では、データに関する疑問は単純明快でした。有用なモデルを構築するのに十分なデータがあるかどうか、ということです。
このようなシステムでは、別の疑問が浮上してきます。つまり、システムは稼働中に、適切なタイミングで、しばしば繰り返し、正しいデータにアクセスできるのでしょうか？
ここで、もはや単なる理論の話ではなくなります。システムが保存されたデータを繰り返し参照し、文脈が追加されるにつれて出力を精緻化していく様子が見て取れます。一見すると単一のクエリのように見えるものでも、実際には裏側で一連の検索が行われており、それぞれの検索は、すでに保持されている情報に基づいています。こうしたシステムが成熟するにつれて、データは新たな役割を担うようになります。実際に使用されていない間、保管されているものは、ただ眠っているわけではありません。それは、システムが把握している情報の一部です――今後の展開を形作る、過去の出力、相互作用、そしてシグナルです。その蓄積された文脈は、モデルそのものと同じくらい重要になってきています。大規模な環境では、AIワークロードは依然として膨大な量のデータを生成し続けていますが、その多くは、システムが今後の基盤として活用できるものとして保持されるのではなく、依然として「一時的なもの」――一度使用されて破棄されるもの――として扱われています。
そこで、新たな制約が生じます。データが長期的な資産となるにつれ、課題はもはや単に「どれだけの量を保存できるか」ということではなく、システムの規模が拡大し続ける中で、「どれだけのデータをアクセス可能かつ耐久性があり、再利用可能な状態で維持できるか」ということになります。
市場はすでにその現実に適応しつつあります。IDCは、オブジェクトストレージの容量が年平均成長率（CAGR）25.6％で拡大すると予測しており、これは大規模かつ永続的でアクセスしやすいデータに対する需要の高まりを反映したものです。²
ストレージと演算処理の同期がずれてしまった場合
理論上、AIシステムは効率性を重視して設計されています。実際には、規模が拡大するにつれて、その効率を維持することが難しくなります。コンピューティング技術は、ますます高性能で洗練されたモデルの登場により、進化を続けています。導入が進むにつれて、これらのシステムが保持し、依存するデータの量はさらに急速に増加しています。
組織は、情報を取得・活用する能力を高めており、適切なタイミングで適切なデータをワークフローに取り込むことができるようになっています。しかしその一方で、彼らが保持したい情報の量は増え続けています。システムの成熟に伴い、過去の業務データ、過去の成果、顧客とのやり取り、そして蓄積された組織の知見は、すべてより価値のあるものとなります。AIシステムの出力の質は、そのシステムがアクセスできる情報の深さと広さをますます反映するようになっています。
パフォーマンスが期待通りに出ない場合、やはり本能的に計算リソースを増やそうとしてしまいます。しかし、それだけでは根本的な問題が解決されるとは限りません。データの処理以上に難しい課題は、システムに文脈を与える蓄積されたデータへのアクセスを維持し、システムの進化に伴い、そのデータを確実に保持・検索・再利用できるようにすることです。
その不均衡は、インフラ計画の分野でも顕在化し始めています。AIシステムがより多くのデータを保持・再利用するにつれて、データ層は、それらのシステムがどれほど効果的にスケールできるかを決定するアーキテクチャ上の判断において、より大きな比重を占めるようになってきています。
結局のところ、システムが制約を受けるのは、その処理速度ではなく、過去の履歴のうちどれだけの部分を、利用可能な状態として引き継ぐことができるかという点によって決まります。
ソフトウェアを支えるハードウェア
組織が今下すインフラに関する決定が、そのAIシステムが実際にどこまで活用できるかを左右することになります。
その多くは「ソフトウェア定義」と表現されており、システムの挙動のかなりの部分は、データの分散やアクセス方法によって形作られています。しかし、導入規模が拡大するにつれ、もう一つの現実を無視しづらくなってきます。つまり、これらのシステムがどこまで拡張できるかは、最終的にはその基盤となるハードウェアによって決まるのです。
AIインフラは、複数のレイヤーにまたがって稼働しています。記憶は、今起きていることを支えています。Flashは、レイテンシが重要な場面において高速なアクセスを可能にします。これら両方の基盤として、ハードドライブ上に大規模に構築されたオブジェクトストレージが、データが長期にわたって利用可能な状態を維持するための堅牢な基盤を提供しています。
システムの継続性がますます高まるにつれて、その区別はより鮮明になっていきます。パフォーマンス階層は即時処理を担当し、オブジェクトストレージは、すでに発生した処理の結果が引き続き利用可能であることを保証します。これらのシステムは、大量の非構造化データを継続的に生成・再利用するため、パフォーマンス層のみに依存して運用し続けることはできません。密度、耐久性、規模といった要素が、単なる背景的な考慮事項から中心的な制約へと移行する中で、ハードディスクは依然として不可欠な存在です。
ソフトウェアは、システムの動作を決定づけます。ハードウェアによって、何が把握できるかが決まります。
なぜ密度が決定的な要因となるのか
いずれのAI投資においても、ある時点で必ず同じ疑問に直面することになります。それは、システムが基盤となるインフラの処理能力を上回ることなく、どのようにして成長し続けていくのか、ということです。その疑問の答えは、記憶密度にあります。企業向けAIにおける真の制約は、演算能力ではなく、継続性です。インフラの設置面積を拡大することなく、より多くのデータを保存できる能力は、システムの拡張性に直接影響します。
規模が大きくなると、その効果は相乗的に高まります。1エクサバイト（EB）規模の導入環境において、Seagateの Mozaic™ 4+ プラットフォームは、標準的な30TB導入と比較してインフラ効率を約47%向上させるとともに、データセンターの設置面積とエネルギー消費を削減します。3
インフラに関する決定とビジネス上の決定は、結局のところ同じものであることがわかりました。学習した内容を保持し、それを効率的に引き出し、何百万ものやり取りにわたって再利用できるシステムは、その価値をさらに高めていくでしょう。データを一時的なものとみなすインフラストラクチャ上に構築されたシステムは、いずれ成長が頭打ちになります。それは、モデル自体が間違っているからではなく、その基盤が重みに耐えられないからです。
ストレージは、AIが知識を蓄積する手段です。そして、大規模なデータ処理において、その蓄積された文脈こそが、システムが自身の過去からどれだけ学習し、適応し、ビジネスに価値を還元できるかを決定づけるのです。
HDDを基盤とする多層ストレージアーキテクチャが、大規模なオブジェクトストレージをどのように支えているかについてご説明します。
参考資料
- Seagate Technology、「Seagateのデータ・センター・ワークロード全体をハイブリッド・ストレージ・システムとハードディスク・ドライブ・ストレージ・システムで処理」、Seagate U.S.,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC、「オブジェクトストレージ市場予測、2024年～2028年」：2024年版 世界のファイル型およびオブジェクト型ストレージ市場の最新動向と予測。
- Seagate Technology、「Seagate、次世代Mozaic 4+を搭載した業界最高容量のハードディスクドライブを発表」、2026年3月3日。
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
