在数字化浪潮中，人工智能（AI）技术发展迅猛，从语音、图像识别，到自然语言处理、智能推荐系统，已广泛融入各领域。作为 AI 运算核心的服务器，其存储配置正经历深刻变革，以满足 AI 严苛的数据处理需求。

AI 工作负载对存储的特殊要求

AI 工作负载独具特性。一方面，数据量极为庞大。例如图像识别训练模型，需大量图像数据；自然语言处理也不例外，训练精准理解和生成语言的模型，要处理海量文本语料库。另一方面，数据读写实时性要求极高。AI 模型训练时需持续读取训练数据迭代更新，稍有延迟就会大幅降低训练效率。以自动驾驶汽车的 AI 模型训练来说，为模拟复杂路况，要实时处理大量传感器数据，存储系统若无法快速提供，训练出的模型便难以应对实际行驶状况 。

市场研究机构 TrendForce 集邦咨询也提出，因 AI 需求猛增，AI 服务器客户纷纷向供应商加单 Enterprise SSD（企业级固态硬盘），导致 2023 年 Q4 至 2024 年 Q3 期间，其合约价累计涨幅超 80% ，凸显 AI 对存储需求的紧迫性及对市场价格的影响力。

服务器存储容量的大幅扩张

在 AI 引发海量数据存储需求的背景下，服务器存储容量扩张势在必行。传统服务器存储多为 TB 级，如今，为契合 AI 训练与推理需求，已迈向 PB 甚至 EB 级。不少大型互联网公司和科研机构开展 AI 项目时，都配置了大规模存储集群。这些集群借助分布式存储技术，把众多存储设备相连，构建成统一存储资源池，为 AI 工作负载提供充裕存储空间，既满足当下 AI 项目的海量数据存储需求，又为未来数据增长预留空间 。

国盛证券发布的研报指出，以 AI 服务器、AI PC、AI phone 等为代表的云端和边缘侧 AI 将驱动 3D NAND 市场快速增长。Counterpoint 预计到 2030 年，整体 NAND 闪存市场将超过 930 亿美元，2023 年为 400 亿美元。AI 服务器预计将持续推动 SSD 需求的年增长率超过 60%，这表明 AI 服务器存储容量扩张的趋势将在未来持续，市场前景广阔。

读写速度的显著提升

AI对数据读写实时性要求极高，传统机械硬盘因机械结构限制，难以满足需求，固态硬盘（SSD）顺势成为服务器存储的不二之选。SSD 采用闪存芯片，无机械部件，读写速度远超机械硬盘。在实时数据分析等严苛 AI 场景中，企业会选用高性能的 NVMe SSD，其配套协议能充分释放 SSD 性能。同时，一些先进服务器采用存储分级技术，将 “热数据”“冷数据” 分别存储，兼顾读写速度与存储成本。随着 AI 加速芯片的不断更新换代，其搭载的 HBM（高带宽存储器）总容量、带宽等规格也持续升级，带动单机 HBM 容量及价值量快速攀升。

根据 Intel Market Research，至 2030 年，预计全球 HBM 市场规模将达 489.3 亿美元，2023 至 2030 年 CAGR 达 68.1%。HBM 的发展也从侧面反映出 AI 对高速存储的追求，不断推动存储技术向更高速度迈进。

存储架构的创新与演进

为契合 AI 需求，服务器存储架构持续创新。传统集中式存储将数据集中在少数设备，面对 AI 海量数据和高并发读写易出现性能瓶颈。分布式存储架构随之兴起，它把数据分散到多个节点，各节点可独立读写，大幅提升存储系统性能和可靠性，在 AI 模型训练中有力支持大规模并行处理，提高训练效率。

同时，新型存储架构不断涌现。基于内存的存储利用高速内存芯片，读写快但成本高，适用于关键实时数据存储；混合存储架构融合内存、SSD 和机械硬盘优势，按数据访问频率和重要性分层存储，兼顾性能与成本。

AI 发展推动服务器存储变革。容量从 TB 迈向 PB、EB 级，读写速度因 SSD 及 NVMe 协议大幅提升；存储架构从集中式向分布式转变，新型架构不断涌现。同时，数据管理需先进软件，存储安全依赖加密、访问控制、备份恢复等技术。未来，服务器存储将持续革新，支撑 AI 发展，应对新挑战机遇。