2026 年資料基礎設施準備報告

人工智慧的需求成長速度超過了基礎設施的準備速度。Seagate 委託進行的一項最新全球研究，針對超過 2,700 位企業技術決策者進行調查，結果顯示 99% 的受訪者預期未來三年 AI 將增加儲存需求，但僅有 38% 表示已做好充分準備。

隨著人工智慧進入新階段，這種準備不足的差距正變得越來越重要。人工智慧的第一個時代以模型和計算方面的突破為標誌。下一個時代將由高效、可持續地擴展人工智慧規模並釋放長期價值所需的資料基礎設施決策來塑造。各組織正面臨新的現實：人工智慧的成功取決於基礎設施的創新，而數據現在是戰略性業務資產，而不是成本中心。

在此背景下，該研究探討了各組織在為人工智慧基礎設施的未來做準備時所面臨的幾種動態：

• 人工智慧驅動的數據成長
• 人工智慧基礎設施準備情況
• 基礎設施投資優先事項
• 永續性和營運效率
• 儲存策略和長期可擴充性

這些動態凸顯了持續投資於資料策略、治理以及人工智慧成功所需系統的緊迫性，並定義了一個新的當務之急：永續擴展。

永續擴展是指在不斷提高支援人工智慧的基礎設施效率的同時，增加人工智慧能力和商業價值的能力。隨著政策制定者、監管機構和公眾對人工智慧基礎設施的成長給予更多關注，永續擴展將在強大而健康的人工智慧經濟的長期可行性方面發揮關鍵作用。

以下五個策略轉變說明了組織如何將永續規模化付諸實踐，以及最大的機會和挑戰所在。

人工智慧已經創造了可衡量的商業價值。86% 的受訪者表示，他們所在機構在人工智慧投資方面的回報是中等或顯著的，其中 33% 的受訪者表示他們獲得了顯著的、可衡量的回報。這些結果提高了人工智慧所需數據的重要性。當模型、應用程式和決策都依賴資料時，資料儲存就不再是後台功能了。隨著時間的推移，這將成為組織提升人工智慧成果能力的一部分。這種模式在各個市場普遍存在，美國（87%）、中國（91%）、印度（91%）、日本（75%）、法國（82%）、英國（86%）和德國（82%）都報告了適度或顯著的回報。

預計成長幅度將相當可觀。幾乎所有受訪者都預期人工智慧將在三年內增加儲存容量需求。十分之七的人預計將成長至少 26%，其中 32% 的人預計需求將增加超過一半。這種預期在各個市場幾乎普遍存在，從日本的 98% 到印度、法國、英國和德國的 100%，美國和中國的預期均為 99%。

這意味著：組織必須規劃如何應對更多的數據以及數據中蘊含的更多價值。只關注眼前能力的短期方法可能會導致資訊碎片化、難以取得或重複使用成本高昂。從更長遠的角度來看，可以將保留、存取和治理決策與組織期望人工智慧創造的未來價值連結起來。

這種轉變已經在領導者對儲存的描述中有所體現。98% 的人認為人工智慧正在將資料儲存從後台功能轉變為策略性業務基礎設施。這項發現表明優先事項發生了變化：儲存決策現在直接影響組織能夠多快地利用資料以及能夠多好地保存資料的價值。這一觀點在各個市場都保持一致，從日本和德國的 96% 到印度的 100%，美國和英國為 99%，中國為 98%，法國為 97%。

放大

大多數組織都對自身的發展方向充滿信心，但仔細觀察就會發現，實際情況遠比這複雜得多。83% 的人表示他們已為人工智慧的長期數據需求做好了充分或大部分準備，但只有 38% 的人認為自己已做好充分準備。不同市場的感知準備程度差異很大，從中國的 96% 到日本的 55%，印度的 89%，英國的 88%，美國和德國均為 86%，法國為 74%。

研究結果表明，人工智慧的準備程度不僅取決於運算能力或投資。受訪者認為人工智慧策略成熟度、預算和資源、資料管理和治理是他們面臨的最普遍的差距。部署方面的挑戰也與此類似。在關鍵營運限制因素中，53% 的人提到資料品質和準備情況，43% 的人提到儲存基礎設施，相較之下，27% 的人提到運算可用性，24% 的人提到能源限制。

受訪者認為，資料品質和準備（53%）以及儲存基礎設施（43%）是人工智慧部署面臨的主要挑戰，其次是運算可用性和能源限制。

放大

受訪者認為，資料品質和準備（53%）以及儲存基礎設施（43%）是人工智慧部署面臨的主要挑戰，其次是運算可用性和能源限制。

準備工作上的差距歸根究底是數據基礎的挑戰。因此，各組織需要一個協調一致的資料基礎，將資料保留、治理、儲存和運算結合起來，以有效地擴展人工智慧。

企業越來越將資料中心投資視為一項策略性業務重點，而不是一項必要的營運支出。超過四分之三的人將其列為三大基礎設施優先事項之一，五分之一的人將其視為最重要的優先事項。

放大

支出展望也表明，人工智慧基礎設施不僅限於GPU。安全和合規基礎設施在組織的投資優先事項中名列前茅（44%），資料管理/治理排名第二（43%）。AI 與 GPU 基礎架構及儲存硬體更新並列第三大投資重點（39%）。

因此，戰略問題不在於堆疊中的哪一層獲得最大的預算。關鍵在於整個基礎設施能否支援數據流入人工智慧系統，能否保存日後可能產生價值的數據，以及能否在不產生新的營運限制的情況下進行擴展。當組織將這些依賴關係綜合評估時，投資能創造更多價值。

能源和永續性的考量已經開始影響人工智慧基礎設施規劃。77% 的受訪者表示，由於這些擔憂，他們的組織已經推遲或調整了擴張計畫。其中 36% 的公司大幅調整了投資計劃，41% 的公司經歷了輕微延誤。

這項發現將效率從未來的目標變成了目前的規劃限制因素。各組織需要增加產能，但他們也需要了解這種成長對電力、空間、冷卻和設備生命週期的影響。領導者能夠將決策與可衡量的營運需求連結起來的決策是最有用的。

受訪者期望取得進展。39% 的人認為他們目前的倉儲營運「非常永續」。考慮到五年後他們的業務發展方向，這一比例上升至 61%。預期也會因可用投資金額而異：年度永續發展預算在 1 億美元或以上的組織中，有 70% 的組織預計其營運將在五年內實現“非常可持續”，而預算低於 100 萬美元的組織中，只有 48% 的組織抱有這種期望。

各組織越來越傾向於透過營運效率而非僅僅透過環境報告來定義和衡量永續基礎設施。在評估儲存硬體的環境足跡時，功耗是最常被考慮的因素，62% 的人提到了這一點。設備壽命和耐用性緊隨其後，佔 55%。幾乎所有受訪者都認為，延長資料儲存設備的使用壽命對資料中心營運的可持續性有顯著影響。

這些發現支持了可持續規模化的操作性觀點。與其依賴更廣泛的環境語言，組織可以透過電力使用、容量利用率、設備壽命和每TB的能源成本來評估特定的基礎設施選擇。這些措施使永續發展目標更容易與基礎設施的日常經濟效益連結起來。

隨著人工智慧不斷增加組織成功和發展所需的資料的數量、種類和價值，支撐其發展的商業模式也越來越受到底層資料基礎設施的影響。與增加產能同等重要的是優化成長的經濟效益和營運效率。這意味著將效率導向原則應用於基礎設施設計，使組織能夠在不斷提高資源利用率、利潤率和長期投資報酬率的同時，擴大產能。

組織機構正在採用的營運實務體現了向效率導向基礎設施的轉變：

• 52% 的企業使用人工智慧來確定儲存和營運需求（美國：48%，中國：55%，印度：62%，日本：54%，法國：47%，英國：53%，德國：42%).
• 46%的人投資再生能源（美國：44%，中國：41%，印度：58%，日本：37%，法國：45%，英國：49%，德國：47%).
• 40% 的企業根據實際數據需求部署電力，而不是持續運行基礎設施（美國：34%，中國：44%，印度：48%，日本：41%，法國：29%，英國：41%，德國：40%).
• 31% 的資料基礎設施產生的熱量可重複利用（美國：26%，中國：37%，印度：32%，日本：24%，法國：38%，英國：31%，德國：33%).

同樣的效率導向思維也日益影響儲存架構。工作量匹配方法就是這種轉變的一個例子。企業與其在整個資料生命週期中應用單一架構，不如根據工作負載需求設計能夠平衡效能、容量、效率和長期價值的系統。這為在控制基礎設施成本和資源需求的同時擴展人工智慧創造了一個更實用的框架。

人工智慧環境涵蓋多種資料類型，這些資料類型在效能、容量和存取要求方面各不相同。訓練資料、活動資料集、推理上下文、模型檢查點、來源內容和保留的輸出對基礎設施的要求並不相同。隨著人工智慧規模的擴大，以效率為導向的設計變得越來越重要。在智慧的多層架構中，將儲存技術與工作負載需求相符的組織可以提高經濟效率，降低營運成本，並為長期成長建立更具彈性的基礎。

人工智慧的下一階段將產生更多數據，但僅憑容量本身並不能決定哪些組織能夠獲得其價值。關鍵在於能否在有效管理成長帶來的基礎設施需求的同時，保持資料的可用性和隨時可用性。

調查顯示，這項工作已經在進行中。各組織正在優先考慮資料中心投資，重新評估儲存的作用，並將效率和生命週期因素納入擴展計劃。然而，基本做好準備和完全準備之間的差距仍然很大。

彌合這一差距需要圍繞完整的資料生命週期來建立基礎設施策略。組織需要了解他們將創建哪些數據，不同的工作負載需要以多快的速度存取這些數據，這些數據可以保留價值多長時間，以及哪些營運措施將指導成長。這些決策為人工智慧的可持續擴展和持久價值奠定了基礎。