- AI 与存储技术开启未来数据新纪元：随着通用大模型和生成式AI技术的发展，数据需求呈爆炸式增长，对存储容量、性能和可靠性提出更高要求。
- 典型 AI 应用带来的存储增长趋势：大模型训练需要海量数据，自动驾驶数据量指数级增长，边缘AI存储成为热点，这些都推动存储需求增长。
- 存储技术的挑战与机遇：AI应用产生的数据类型多样，对存储系统提出更高要求，分布式存储和云存储技术应运而生，为AI应用提供有力支持。
- 存储系统的智能化：智能化存储系统通过机器学习和深度学习算法，优化存储性能，提升数据处理效率，并实现数据备份、恢复和容灾。
- 算力与存力高效协同：AI工作负载在不同阶段需要不同类型的算力和存力，大容量、高速、低延迟的存储系统是支撑AI生态系统的关键。
- 计算存储协同促进 AI 落地：计算和存储高度融合，才能不断加速AI应用落地的步伐，全球AI驱动存储市场预计将快速增长。
- AI 应用场景与存储需求：AI工作负载分为准备数据、训练过程和推理过程，对存储的访问贯穿其中，需求上各有侧重，需要组合使用不同的存储技术。
- 准备数据：数据采集和预处理需要大容量、低成本、高可靠的存储底座。
- 训练过程：检查点操作需要高性能的存储系统，以缩短断点续训时间，提高训练效率。
- 推理过程：KV Cache和向量数据库需要高性能的存储系统，以支持实时数据处理和分析。
- AI 应用中的存储层级：存储层级架构包括内存、存储级内存和外部存储，不同存储介质在性能和可扩展性方面各具优势。
- HBM 与 SRAM：HBM和SRAM属于内存类介质，速度快但容量有限，HBM通过2.5D封装与GPU互联，受限于中介层的尺寸。
- HDD：HDD具有高容量、低成本的优势，HAMR技术有效提升了硬盘容量、性能和能效，单碟容量已达到3TB，未来有望实现10TB。
- SSD：SSD具有高性能的优势，3D NAND和裸片堆叠技术提升了存储密度，NAND闪存封装容量提升，企业级SSD主流容量为3.84到7.68TB，大容量SSD需求增长。
- 技术演进与生态：存储技术持续演进，以满足AI应用的需求。
- 容量趋势：HAMR和3D NAND技术持续提升存储密度，SSD和HDD的容量需求都将继续增长。
- 性能趋势：多磁臂技术和FDP技术提升了SSD和HDD的性能，NVMe硬盘的出现简化了存储拓扑结构，并有利于与高性能存储网络解决方案整合。
- 绿色节能：SSD和HDD都支持不同的节能模式，液冷方案可以有效降低存储系统的功耗。
- 增长趋势：SSD的体积更小，功耗更高，EDSFF外形规格满足企业级和数据中心对高密度存储的需求。
- 硬盘再生：硬盘再生技术可以修复“单磁头”故障，延长产品的正常使用周期，减少碳排放。
- 结语：AI重新定义数据存储的量与质，数据增量巨大，数据价值提升，存储优化成为关键。
