在許多企業中，人工智慧投資與結果直接掛鉤，例如改善決策、加速產品開發和提供更個人化的使用者體驗。
思考一下公司是如何在雲端平台和服務上開發產品的。競爭優勢並非源自於單一的洞察力，而是源自於多年來與客戶互動、測試、失敗、回饋和改進過程中所累積的知識。公司保留和應用的機構知識越多，改進速度就越快。
人工智慧系統也開始以同樣的方式運作。早期的挑戰在於訓練模型。隨著部署的成熟，其價值越來越取決於它們能否有效地保留、存取和重複使用先前互動和輸出中累積的資料。這項工作起初感覺還能應付，但隨著部署的成熟，期望值也不斷提高。系統僅僅分析已經發生的事情已經遠遠不夠了。他們需要不斷學習，隨著新數據的湧入，不斷完善推薦方案並調整現有經驗。模型固然重要，但係統能否記住現有的資訊並在需要時調用，同樣至關重要。
客戶行為、以往的產出和不斷變化的模式都需要持續存在並保持可訪問性，這將改變對話的內容。模型性能仍然很重要，但這不再是全部問題。更重要的問題是，隨著系統的演變，它本身能否維持這種環境。
多年來，人工智慧的討論主要集中在模型和計算上。各組織投資購買GPU，聘請資料科學家，並專注於培訓。儲存為整個過程提供支持，保存資料集，並且主要在背景運行。
現在這些系統已經廣泛部署，但其他問題也隨之出現了。模型持續運行，工作重點也從創造智慧轉向擴展智慧。這通常被描述為智慧體人工智慧——這類系統不僅回應請求，而且還能將上下文訊息傳遞下去，並在已完成的工作基礎上繼續發展。
它們產生輸出，從儲存的資料中提取訊息，並在先前互動的基礎上進行建構。看似單一請求，實際上只是檢索上下文、完善回應並將新資訊回饋到系統中的持續循環中的一個步驟。
系統改進越來越取決於資料在工作流程中的保留、存取和重複使用效率。在超大規模環境（即這些系統運作的大規模、全球分散式雲端基礎設施）中，物件儲存成為累積資料的記錄系統。它基於硬碟大規模構建，提供了持久、經濟的基礎，使人工智慧系統能夠保存上下文，隨著時間的推移擴展上下文並不斷改進。
從檔案庫到記錄系統
一旦系統開始以這種方式運行，儲存的作用就開始發生變化。在產品開發過程中，客戶回饋、先前的成果、測試數據和早期互動不斷為下一步的改進提供資訊。同樣的模式在各個產業中都會出現，只要人工智慧系統依賴資料的保留和重複使用，就會出現這種情況。
長期以來，物件儲存一直被視為資料不再使用後的最終歸宿。當工作負載呈現階段性變化時，這種模式是有效的。但是，不斷學習和進化的AI系統並沒有明確的終點。
每一次互動都會留下痕跡。產出不斷積累，當它們被保留下來時，就成為系統工作環境的一部分。這些成果不會消失，而是與先前的一切成果一起繼續存在，並塑造未來的發展。隨著這些系統隨著時間的推移而不斷發展，物件儲存扮演著更核心的角色——它不僅是儲存庫，而且是累積資料得以持久存在、保持可存取性並能重新融入活躍工作流程中以指導未來結果的層。
數據繼續在其他層級之間流動。它被載入到記憶體中，被提取到處理層中，並即時使用——通常在單一工作流程中不只一次使用。但它最終總會在某個地方繼續存在下去。它必須保持易用性、耐用性和可再次使用的狀態。
這個角色越來越落到物件儲存身上，在超大規模雲端中，物件儲存是基於硬碟建構的。事實上，超過 90% 的雲端資料中心容量都位於硬碟上，這不僅反映了資料的存放位置，也反映了資料大規模儲存的位置。 ¹ 儲存是 AI 保留上下文的方式。從規模上看，它不再是背景考慮因素，而是成為定義系統功能的一部分。
數據問題已經改變。
在訓練階段，資料問題很簡單：我們是否有足夠的資料來建立一個有用的模型？
在這樣的系統中，一個不同的問題開始出現：系統能否在正確的時間取得正確的數據，並且經常在運作過程中反覆取得？
這就不再是理論問題了。你會看到系統不斷地從儲存的資料中提取信息，隨著更多上下文的添加，不斷改進輸出結果。表面上看似單一的查詢，實際上往往是一系列後台查找，每一次查找都取決於已經保留的資訊。隨著這些系統的成熟，數據扮演了新的角色。處於非使用狀態的儲存資料並非閒置資料。這是系統已知資訊的一部分——先前的輸出、互動和訊號會影響接下來發生的事情。累積起來的背景資訊開始變得和模型本身一樣重要。大規模人工智慧工作負載持續產生大量數據，但其中大部分數據仍被視為瞬態數據——使用一次後即被丟棄——而不是被保留下來作為系統可以賴以構建的基礎。
這就出現了一個新的限制。隨著數據成為長期資產，挑戰不再只是能夠儲存多少數據，而是隨著系統不斷擴展，能夠保持多少數據可存取、持久且可重複使用。
市場已經開始適應這個現實。IDC預測物件儲存容量將以25.6%的複合年增長率成長，反映出市場對持久化、大規模可存取資料的需求日益增長。 ²
當儲存和運算不同步時
理論上，人工智慧系統的設計目標是提高效率。實際上，隨著規模的擴大，這種效率越來越難以維持。計算技術不斷進步，模型功能日益強大且複雜。隨著部署的成熟，這些系統保留和依賴的資料量成長得更快。
各個組織越來越擅長檢索和使用信息，在合適的時機將合適的數據導入工作流程。但同時，他們想要保留的物品數量卻不斷增加。隨著系統的成熟，歷史業務數據、先前的輸出、客戶互動和累積的組織知識都會變得更有價值。人工智慧系統的輸出品質越來越能反映其能夠獲得的資訊的深度和廣度。
當效能不足時，人們的本能反應仍然是增加運算能力。但這並不總是能解決根本問題。除了處理資料之外，更難的問題是保持對累積的資料的訪問，這些資料為系統提供上下文，並確保隨著系統的演變，這些資料可以被保留、檢索和重複使用。
這種不平衡現像也開始在基礎建設規劃中顯現。隨著人工智慧系統保留和重複使用更多數據，資料層在架構決策中扮演越來越重要的角色，這些決策決定了這些系統能夠多有效地擴展。
最終，系統的限制不再是運作速度，而是能夠將多少歷史資訊作為可用狀態傳承下去。
軟體下方的硬體
企業現在做出的基礎設施決策將決定其人工智慧系統究竟能發展到什麼程度。
其中許多都被描述為軟體定義，系統行為的很大一部分是由資料的分佈和存取方式決定的。但隨著部署規模的擴大，另一個現實也變得越來越難以忽視——這些系統能夠發展到什麼程度，最終取決於底層的硬體。
人工智慧基礎設施跨越多個層面運作。記憶證實了現在正在發生的事情。在對延遲要求很高的場合，快閃記憶體可以實現高速存取。在兩者之下，基於硬碟大規模建置的物件儲存提供了持久的基礎，使資料能夠長期可用。
隨著系統變得越來越連續，這種差異也變得更加明顯。效能層負責處理即時數據，而物件儲存則確保已發生的數據仍然可用。由於這些系統不斷產生和重複使用大量非結構化數據，因此僅靠效能層級是無法維持的。隨著密度、耐用性和規模從背景考慮因素變為核心限制因素，硬碟仍然至關重要。
軟體決定了系統的運作方式。硬體決定了它能知道什麼。
為什麼密度成為決定性因素
在任何人工智慧投資過程中，總是會遇到同一個問題：如何在不超越其底層基礎設施的情況下，讓系統持續發展？儲存密度可以解答這個問題。企業人工智慧的真正限制因素是連續性，而不是運算能力。在不擴大基礎設施規模的情況下儲存更多資料的能力，直接影響系統的可擴展程度。
規模擴大後，這種影響會疊加。在一個 1 EB（Exabyte） 的部署環境中，Seagate 的 Mozaic™ 4+ 平台 相較於標準 30TB 部署，可將基礎設施效率提升約 47%，同時降低資料中心的占地面積與能源消耗。3
基礎設施決策和業務決策最終殊途同歸。能夠記住所學到的知識，並能高效地檢索和在數百萬次互動中重複利用這些知識的系統，其價值將會不斷增長。基於將資料視為瞬態的基礎設施而建構的系統最終會達到瓶頸。不是因為模型本身有問題，而是因為模型的基礎無法承受其重量。
儲存是人工智慧累積知識的方式——而且在規模化應用後，保留的上下文決定了系統能夠從自身過去學習多少知識，如何適應變化並為企業帶來價值。
了解由 HDD 驅動的多層儲存架構如何支援大規模物件儲存。
參考資料
- Seagate Technology，「Seagate 資料中心工作負載，完全由混合式和硬碟機儲存系統處理」，Seagate U.S.,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC，《物件儲存預測，2024-2028》：全球文件和物件儲存市場最新動態及預測（2024 年）。
- Seagate Technology，《Seagate 推出業界最高容量硬碟，搭載新一代 Mozaic 4+ 技術平台》（Seagate Delivers Industry’s Highest Capacity Hard Drives With Next-Generation Mozaic 4+），2026 年 3 月 3 日。
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
