独家对话希捷科技Jason Feist：AI时代，企业正在“删除删除键”｜甲子光年
AI不只需要GPU，也需要硬盘。
作者｜王博
过去两年，关于AI基础设施的讨论几乎被GPU、HBM、高速网络和电力占满。
这并不难理解。大模型公司需要更多GPU训练和推理，也需要HBM为芯片提供足够高的带宽；高速网络决定了大规模集群能否协同工作，数据中心则要解决供电、散热和互联问题。围绕算力展开的每一个环节，都成了这一轮AI竞赛最显性的入场券。
围绕这些瓶颈，行业常常谈到“内存墙（memory wall）”。“内存墙”指的是计算芯片越来越快，但数据从DRAM、HBM等高速内存送到芯片的速度跟不上，导致算力无法被充分释放。它反映的是计算过程中的数据供给效率。
但当越来越多GPU被部署到数据中心，另一个问题也开始浮现：这些算力到底要分析什么？模型训练、推理、Agent、自动驾驶、机器人和生命科学应用产生的数据，应该放在哪里？保存多久？未来又如何被重新调用？
如果海量数据不能以足够低的成本、足够高的密度和足够可靠的方式被长期保存、分层管理，并在需要时重新调用，是否会出现“存储墙（storage wall）”呢？
在日常讨论中，“内存”和“存储”常常被混用，但在AI基础设施中，两者指向不同层级：前者偏向计算过程中的高速数据供给，后者则指数据中心里承载海量数据长期保存、分层管理和反复调用的基础设施，包括对象存储、高容量机械硬盘（HDD）、企业级固态硬盘（SSD）等。
那么，AI到底怎样改变了存储系统？硬盘在AI数据中心是否变得更重要？“存储墙”的影响是什么？存储行业最大的共识是什么？
带着这些问题，近期，「甲子光年」独家对话了希捷科技云存储业务高级副总裁杰森·费斯特（Jason Feist）。
希捷科技云存储业务高级副总裁杰森·费斯特，图片来源：受访者提供
费斯特负责希捷科技（Seagate）全球云存储业务，在云基础设施、AI工作负载和数据中心存储系统方面积累了丰富的经验。他曾在希捷做过硬件工程、产品开发和运营等多个岗位，拥有电气工程背景和多项专利。相比单纯从市场角度解释存储需求，他更熟悉一块硬盘如何被设计、制造、部署，并最终进入超大规模云厂商和AI数据中心的系统架构。
这次来到中国，费斯特一方面是与希捷中国团队沟通，另一方面也会从北京一路到深圳，拜访云服务商、OEM厂商和系统集成商等关键客户。
在和「甲子光年」的对话中，费斯特给出了一个清晰判断：AI基础设施总是围绕一系列约束条件展开——“首先是计算，然后是内存，现在是存储”。
但他并不认为这意味着行业已经撞上一道无法突破的“存储墙”。
随着算力扩张，数据正在成为新的核心变量。AI模型需要更多数据训练和重训，Agent和物理AI会自主生成更多交互、副本和实例，企业也越来越倾向于长期保存数据，等待未来从中挖掘新的价值。
费斯特用了一个形象的说法：“delete the delete key（删除删除键）”。
这也解释了一个看似反直觉的现象：在SSD不断普及的今天，HDD并没有从数据中心退场。相反，随着AI数据中心扩张，高容量硬盘的重要性正在被重新看见。
本文，「甲子光年」独家对话希捷科技云存储业务高级副总裁杰森·费斯特，由「甲子光年」整理编辑，在不改变原意的基础上有所删改。
1.首先计算，然后内存，现在存储
甲子光年：过去1到2年，AI基础设施领域里更多讨论的是GPU、HBM。我想知道，从你们看到的客户需求，AI到底怎样改变了存储系统？
费斯特：这是一个好问题。面向全球部署的系统，在搭建时需要围绕一系列约束条件（constraints）展开，每一项约束条件都必须妥善处理。
首先是计算，然后是内存，现在是存储。因此我们并不认为这是什么变化或意外情况，它的发生是预料之中的。
当你拥有更强的计算能力时，你就需要更多的信息来进行分析。而硬盘正是在这一环节发挥作用。我们正在构建数据基础设施，以便目前在全球部署的所有计算资源都有可供分析的永久记录，从而能够持续地发展智能。
这和人类成长过程十分相似：我们上学学习，不断迭代自己，不断积累更多知识，从而变得愈发聪慧。而希捷科技在AI基础设施领域正扮演着类似的角色，助力云服务商与AI模型开发者承载更大规模的数据集，提升数据的价值。
当这些公司运行自己的基础设施时，尤其是这些成本极高、必须尽可能高效运转的基础设施，系统会不断产生各种记录、交互、实验结果和中间过程。企业会研究和优化这些信息，从而让模型和系统更快学习、成长和迭代。
甲子光年：这与AI Agent的爆发有关吗？
费斯特：AI Agent是数据驱动因素之一。
当我们思考当前发生的情况时，会发现文件变得越来越大。人们保存数据的时间也越来越长，因为他们未来还会基于这些信息进行重新训练和部署。
现在，我们同时看到了物理AI和Agentic AI的发展。它们让计算机能够减少人类在环节中的参与，甚至代表人类采取行动。这会产生更多数据副本、更多实例。
所以，变化不只是数据量在增长、数据文件在变大，现在还出现了自主系统生成数据的趋势，包括代码生成和软件开发，这些不依赖人类就可以完成。
甲子光年：你最近写到，云和AI工作负载如何重新定义主存储（primary storage）。过去我们通常把主存储理解为靠近计算的高性能存储，主存储也称为主内存。但你认为对象存储（Object storage，一种面向海量非结构化数据的存储方式）和高容量硬盘也正在成为主存储的一部分。为什么会发生这种变化？
费斯特：对象存储正在成为所有新AI应用开发的记录系统。也就是说，一种新的关联正在形成：只要你要运行一个应用，就需要一个记录系统，用来作为主要的数据留存载体。
过去所谓的主存储，更多指的是一台计算机内部的存储体系，比如CPU、内存和闪存设备。
但现在，在云和AI的规模下，计算机已经通过全球范围内的高速网络连接起来。因此，记录系统和主存储现在不再只是一个单一设备，而实际上是由一整机架的硬盘组成，这些硬盘在高速网络“骨干（spine）”连接下，支撑着一个GPU集群运行。
这也正是云厂商和AI模型开发者正在做的事情：他们需要确保自己的软件能够利用各种类型的存储设备，并在正确的时间，把数据放到正确的位置。
这里面有一个非常有意思也非常动态的变化，发生在控制平面（control plane）与数据平面（data plane）之间。把这两者结合起来，就定义了对象存储，也让对象存储逐渐成为新的定义下的主存储。
甲子光年：对中国云厂商来说，是否也应该重新理解主存储？
费斯特：不仅是中国，实际上，如果你去看任何一家云服务提供商的网站，留意他们所使用的语言，以及他们是如何定义、营销、推广并持续创新其基础设施的，你会发现这都是从对象存储层开始的。
他们在这一层实现商业变现，并围绕这一层进行创新与扩展，因为他们清楚，客户最有价值的数据正是存放在这里。
甲子光年：过去很多人认为固态硬盘会持续替代机械硬盘。但AI数据中心扩张后，机械硬盘似乎反而重新变得重要。你觉得这个反直觉吗？
费斯特：这并不反直觉。事实上，我认为这相当符合直觉。因为计算要发挥作用，需要内存；而计算也需要存储，来保存所有信息。
我们持续投入研发、推进技术创新，依托Mozaic（魔彩盒）以及HAMR（热辅助磁记录）等技术来提升面密度（areal density，一张硬盘盘片单位面积里能存的数据量）。
我们清楚这会为客户创造显著优势：硬盘单盘容量将大幅提升，整体扩容能力也会更强。因此我们始终坚信机械硬盘拥有不可替代的市场空间。
“一种技术会替代另一种技术”的说法，通常更多出现在媒体叙事里，并不真正来自应用实践。任何实际在部署计算、网络和存储的人都清楚，关键在于在合适的时间把数据放在合适的位置，并根据性能、容量和扩展性等需求，选择最合适的组件。
正是基于与客户的直接沟通，以及那些真正编写数据流动管理软件的工程师的反馈，我们始终坚信，这不是“非此即彼”（or）的关系，而是“共存互补”（and）的关系。
从工作负载的角度看也是如此。人们常把云视为一个单一工作负载，但实际上，云承载着多种不同的应用场景——包括视频流、图片流、各类在线服务，以及不同的应用和Agent。每一种软件算法对数据量的需求不同，对数据访问速度的要求也不同。
因此，这种工作负载的多样性，天然需要多种存储设备类型来实现平衡。不过归根结底，每当出现新的应用时，它最终仍会落在记录系统（system of record），也就是对象存储和硬盘层之上，这也意味着增长的核心依然在这里。
这正是为什么我们现在看到需求如此旺盛，因为整个行业都在持续创新，而且创新的速度比以往更快。
2.突破存储密度
甲子光年：行业常常谈到“内存墙（memory wall）”，那么现在AI基础设施是否遇到了“存储墙（storage wall）”？
费斯特：硬盘产业具备较高的运营效率。我们在全球布局多处生产工厂，工厂内部持续深耕存储密度技术研发。只要客户需求增加，我们就能依托硬盘自研技术提升单盘存储容量，匹配市场需求。
我们的技术路线规划十分清晰：随着热辅助磁记录（HAMR）技术落地，单盘片容量从4TB提升至5TB，后续还有清晰升级路径，未来单盘片容量最高可达到10TB。我们相信凭借这项技术，我们完全能够匹配客户的各类需求。
除此之外，为实现产能扩张、储备充足制造产能以支撑客户需求，我们会与客户紧密协同开展需求规划，搭建成熟的订单排产模式。这套模式至关重要，能保障我们按照客户需求量精准匹配供货量，同时我们着力为客户提供稳定可预期的交付保障。
我们在对接全球各大客户时，听到最多的诉求之一就是供货与技术节奏必须稳定可控。我们可以清晰地地告知客户下一代技术节点的落地时间，并如期完成产品交付。
希捷硬盘制造过程，图片来源：希捷科技
甲子光年：但我们也观察到，2026年存储市场其实很热，近线HDD需求紧张，背后是短期抢货，还是长期结构性变化？
费斯特：这无疑是一场更为长期的变革。我们看到客户向我们作出长期合作承诺，同时云端也正在发生显著的技术变革：人工智能模型会生成海量数据、产出更大的文件，并且催生各类全新应用，迭代速度远快于以往任何技术周期。
我还想强调一点，现在客户快速成长的能力，本身也是一个很大的变化。也许十年前，一个客户需要五年甚至十年，才能成长到足以被希捷这样的存储供应商明显感知和重视的规模。
但现在，一个客户可以在两到三年内，从一个想法发展到非常大规模的生产部署。由于云原生规模和数据中心基础设施的发展，我们看到应用增长和内容生成的速度，确实非常惊人。
甲子光年：你刚才提到了HAMR（热辅助磁记录）和Mozaic（魔彩盒），这些技术可以解决哪些问题？
费斯特：HAMR，可以理解为一种让硬盘“在同样面积上写入更多数据”的技术；Mozaic则是一个硬盘平台，利用HAMR技术在规模上实现极高的存储密度，加速数据中心容量扩展，帮助客户跟上AI驱动创新的快速增长。
Mozaic平台核心技术组件，图片来源：希捷科技
甲子光年：HAMR有哪些创新之处？
费斯特：HAMR是一项非常强大的技术，而且高度跨学科。
它包含材料方面的创新，也包含制造工艺方面的创新，还包括磁学和记录物理方面的创新。我们的全球团队共同协作，从思考各个子系统如何设计开始，再把它们整合成一个完整解决方案，最后实现规模化制造。这就是HAMR的核心。
你可以把它理解为一种全新设计和全新技术能力的整体概念。我们可以类比GPU技术：当一颗新的GPU芯片出现时，需要有人做LSI（大规模集成电路）设计，需要有人设计和布局芯片，需要有人测试芯片，也需要有人制造芯片。
在希捷内部，HAMR也包含了所有这些环节。比如，我们如何制造记录磁头？如何让记录磁头与记录介质配合工作？如何把记录磁头和记录介质结合起来，并让它们与记录通道、电子元件和固件协同工作？
HAMR触及了硬盘内部每一个子系统，所有这些创新最终汇聚在一起。对用户来说，最终得到的是一块容量更大的硬盘，而且他们不需要为背后的复杂技术操心。
希捷会处理所有这些创新和技术问题。对客户来说，他们只需要把硬盘接入系统，一切照常运行。
Mozaic平台硬盘内部结构示意图，图片来源：希捷科技
甲子光年：听起来，AI基础设施行业还没有撞上一道无法突破的“存储墙”。不过，你近期提到，如果厂商主要通过增加盘片提升容量，可能意味着他们遇到了“面密度墙（areal density wall）”。这个判断是否可以展开解释？
费斯特：希捷过去也曾经有过只有5张盘片的硬盘。后来，我们增加到了6张盘片，接着是7张、8张、9张，最后到10张盘片。
当面密度无法继续提升时，你就会通过增加盘片数量来把硬盘容量做大。因为客户始终希望在同样的空间里存入更多数据。
要做到这一点，有两种方式：一种是提高面密度，另一种是增加更多磁头和盘片。
通常来说，你总是会希望优先提高面密度，因为这在制造效率上更有优势。
希捷在全球各地都有工厂。如果我们通过提升面密度来解决容量增长问题，这些工厂就能产出更多有效存储容量。相反，如果没有面密度的提升，这些工厂就必须制造更多磁头和盘片。
因此，我们必须考虑为了满足客户需求，需要投入多少零部件。任何公司都会关注自身效率，也会关注在资本投入和执行周期之内，如何尽可能高效地完成交付。
而面密度，正是实现这一点的关键。
3.删除删除键
甲子光年：目前，存储行业最大的共识是什么？
费斯特：数据是有价值的，这是当前最大的共识。你可以看到，所有这些公司都在围绕数据进行创新。
随着AI模型能力和GPU计算能力的发展，我们已经进入了一种新的范式：能够从信息中挖掘出更多价值。
因此，每个人都希望“把一切都保存下来”。我们经常用一个说法—— “删除删除键（delete the delete key）”。现在，大家都在某种程度上移除删除键，选择保留一切。
因为你会假设，也会知道，随着未来技术创新和计算能力的发展，人们会从这些数据中发现新的信息，找到新的数学公式，甚至找到解决全球性问题的新创新路径。无论是气候问题、医疗健康，还是其他非常复杂的大规模数据问题，都可能如此。
在我看来，这就是一个非常强烈的共识：我们需要持续构建和发展硬盘技术，以承载并长期保存这些海量信息。
甲子光年：对中国AI基础设施建设者来说，最应该重新理解存储的哪一点？
费斯特：我希望他们与希捷密切合作，确保自己正在建设的环境，能够适配并使用尽可能大容量的硬盘。
在整个基础设施中，数据中心设备非常重要。这包括服务器机架、网络机架和存储机架。其中，存储机架的设计需要认真考虑一个事实：未来短短几年内，硬盘容量会比过去几年大得多。
他们必须在设计中考虑到这一点，以确保硬盘环境、振动、温度、连接速度等所有因素都得到优化，并与数据传输的计算需求相匹配。
同时，这些设计还需要与计算侧对数据流动的需求相匹配，实现整体架构上的“模式对齐”（pattern matching），从而确保数据在系统中的高效流转与利用。
甲子光年：如果说过去两年AI行业的共识是“no compute, no AI（无计算，不AI）”，那么未来几年是否会变成“no data infrastructure, no AI（无数据基础设施，不AI）”？
费斯特：没有数据，就没有可以计算和分析的对象。所以我认为，所有公司都正在意识到，他们必须持续保存和存储越来越多的信息。因为有了这些信息，它们才能在所从事的业务中获得战略优势。
自动驾驶公司会意识到，如果它们能够保存所有训练数据，就有可能打造出性能顶尖的自动驾驶车辆。生命科学或金融领域的从业者也很清楚，如果他们能够保存更多信息，用来理解新的药物递送方式如何发挥作用，或者新的金融算法如何运行，一旦获得这些洞察，就能在各自服务的垂直行业中获得竞争优势。
我们正在很多领域看到这种变化，包括机器人和制造业。所有人都意识到，如果能把自己的信息放进特定领域的AI模型中，就有可能相对于同行建立竞争优势，进而获得更高的市场份额和更多业务收入。
也正因为如此，我们看到了非常强劲的存储需求。各行各业各类特色应用场景，都需要完整留存海量数据。
（封面图来源：AI生成）
