企業應如何準備才能將 AI 投資效益最大化？

AI 的成功離不開大量的資料。

龐大的資料集離不開充足高效的資料儲存裝置。

有資料才有 AI，而有大容量硬碟機才有資料。

研究公司 Recon Analytics 的 2025 年的調查，讓這些深度分析資訊躍然紙上。

這項由 Seagate 委託進行的全球調查共有 1,062 名受訪者參與。 他們是 IT 儲存設備的採購者和決策者，在公司擔任儲存基礎結構職位，其所在的公司年營收超過 1,000 萬美元、目前儲存使用量超過 50TB 並已採用 AI 或計劃在未來三年內採用 AI 且分布於美國、中國、英國、南韓、新加坡、法國、印度、日本、台灣和德國。

這項調查的重點是採用 AI 對基礎架構優先順序、資料保留和資料管理的影響。 調查結果顯示 AI 將如何影響未來三年的基礎架構需求。

調查重點

首先，調查顯示直至 2028 年，AI 的採用將推動資料儲存需求的指數成長。

• 主要使用雲端儲存的公司中，有多達 61% 的受訪者表示他們的公司雲端型儲存必須增加超過 100%也就是必須在未來三年內翻倍。

圖 1：61% 的受訪者表示其公司主要使用雲端儲存來管理 AI 資料，他們預計儲存需求將增加 100% 或更多。

隨著 AI 應用推動前所未有的資料創建，組織保存的資料越多，就越能驗證人工智慧是否如預期運作。透過存取行為資料 (例如訓練資料集、模型檢查點、提示和答案) 公司可以仔細檢查演算法並更好地了解和完善 AI 決策。如果沒有資料中心的規模和效率，AI 的潛力就會受到限制，因為儲存和擷取大量資料集的能力是 AI 成功的關鍵。

推動 AI 成功的不只是儲存量。 資料儲存的持續時間也很重要。

• 在採用 AI 技術的企業所僱用的受訪者中90% 的受訪者認為更長的資料保留時間可改善 AI 成果的品質。

圖 2：目前使用 AI 的公司中，有 90% 認為保留更多的歷史資料可以提高模型的準確性。

這項發現指出資料保存時間更長與 AI 深度分析更可靠之間存在關聯。 有幾個因素能支持這樣的論點。首先持續的迭代處理是 AI 演算法運作方式的本質。 內容輸出的成果會輸回模型之中，改善模型的準確度，並能藉此建立新模型。原始資料集和成果成為進一步開發和新工作流程的來源。

但保留資料集的時間更長，也有助於其他業務關鍵功能，它可以保護公司的智慧財產。它保存模型原始資料集和處理的「收據」並在需要時提供結果說明 (例如作為法律程序的一部分)。 這些「收據」建立資料沿襲，確保旅程資料從輸入到輸出的整個過程有清晰的記錄。資料沿襲讓組織驗證資料集的來源和使用情況，確保 AI 模型所依賴的資料正確無誤。使得 AI 系統完全能加以稽核，且不但能符合嚴苛的法規，也能達成內部的責任歸屬。

此外，公司可能會選擇將更多資料儲存更長時間，因為他們意識到他們今天無法預知明天的演算法可能會從昨天的資料中，發現哪些新的有價值的見解。更長的資料保留時間可供尚未開發的 AI 模型處理舊資料。基於上述原因，延長資料保留時間可大幅提升 AI 所能提供的商業價值。

在相關調查結果中，基礎架構決策者認為延長資料保留時間，對於建立信任至關重要，這是一個重要基礎，若非如此 AI 深度分析的資訊就毫無價值。

• 在其公司目前使用 AI 的受訪者中，88% 認為採用值得信賴的 AI 會增加資料儲存時間更長的需求。

Seagate 定義值得信賴的 AI為能使用可靠的輸入並產生可靠的深度分析資訊的 AI 資料工作流程和模型。值得信賴的 AI 是以符合下列條件的資料為基礎所建立的：

• 高品質與準確度
• 有明確的合法性、所有權和出處
• 安全儲存與保護
• 透過演算法進行可加以解釋和追蹤轉換
• 資料處理後能有一致且可靠的輸出

圖 3：88% 的公司目前使用 AI 的受訪者表示，採用值得信賴的 AI 需要增加儲存更多資料和更長時間的需求。

可擴充的儲存基礎結構支援值得信賴的 AI，因為可協助妥善管理、儲存和保護 AI 系統使用的大量資料。

• 在打造值得信賴的 AI 過程中80% 的受訪者強調檢查點的重要性。

所謂的檢查點設定，是指在訓練期間以短時間的特定間隔儲存 AI 模型狀態的程序。AI 模型會在大型資料集上透過迭代程序進行訓練，耗時數分鐘到數月不等。模型訓練所需的時間，取決於模型的複雜性、資料集的大小以及可用的運算能力。在此期間，模型會接收資料、調整參數，且系統會學習如何根據所處理的資訊來預測結果。

至於檢查點的作用，就像是訓練期間模型在許多時間點當下狀態的快照，包含了模型的資料、參數和設定。快照會每分鐘或每隔幾分鐘就儲存到儲存裝置，如此開發人員即可為模型進度保留記錄，避免因意外中斷而失去寶貴的工作成果。

根據調查使用 100PB 以上儲存設備的公司，每天到每週都會保存和備份檢查點，其中有 87% 的公司將這些檢查點儲存在雲端或混合使用 HDD 和 SDD。

儲存：AI 成功背後的秘密關鍵

在採用 AI 的討論中，運算和能源是熱門主題。但 Recon Analytics 調查強調儲存是關鍵的驅動因素。

• 從基礎架構買家的角度來看，資料儲存對 AI 基礎架構的重要性僅次於安全性，排名第二。資料管理、網路容量、運算能力、法規、LLM 生存能力和能源的重要性依序排列在安全性和儲存之後。
• 三分之二 (66%) 的受訪者將儲存視為推動 AI 的四大因素中的第二位，同時也是第四大阻礙。

 圖 4：66% 的基礎架構決策者認為儲存是 AI 四大推動因素中第二重要的要素。他們也將儲存列為 AI 部署的第四大障礙。

Recon 創辦人暨首席分析師 Roger Entner 說道：

為了發揮人工智慧的最大價值，企業必須準備好易於擴充、效率良好的資料儲存裝置。無論是直接使用還是透過雲端服務，AI 對資料的仰賴都○取決於硬碟機，硬碟機可提供無與倫比的容量、成本效益和永續性，成為值得信賴的 AI 骨幹。