AI热榜 在大模型产业的讨论中，GPU、HBM 和高速互联通常占据舞台中央，机械硬盘则常被视为远离计算核心的“冷数据仓库”。
但随着 AI 从模型训练走向大规模推理，这种判断正在变得过于简单。
7 月 19 日，在 2026 世界人工智能大会期间举行的一场分论坛上，西部数据开发工程高级副总裁 Tim Rausch 试图说明一个容易被忽略的事实：AI 不仅是计算系统，也是一套不断制造、复制、迁移和回收数据的系统。
模型规模越大、用户越多、生成内容越丰富，对存储容量和分层管理的要求反而越高。
这并不意味着 HDD 会取代 SSD，更不意味着所有 AI 数据都应该回到机械硬盘。
真正发生的变化是，HBM、DRAM、SSD 和 HDD 之间的边界正在重新划分。
AI 基础设施竞争的下一阶段，不只是购买更多 GPU，还包括如何把数据放在合适的介质上，并控制每 TB 数据在整个生命周期内的成本。
AI 推理结束后，数据并没有消失 一个 AI 模型的生命周期通常从数据摄取开始。
文本、图片、视频和其他训练资料首先被收集并保存，随后进入清洗、去重、偏差检查和标注等准备环节。
训练开始后，数据从大容量存储迁移至 SSD、内存和 GPU 附近，供计算集群高频读取。
但训练完成并不是数据生命周期的终点。
进入推理阶段后，系统还会产生用户提示词、上下文缓存、生成结果、调用日志、追踪记录、安全审计、合规信息、遥测数据和水印记录。
这些数据中的一部分只在内存中短暂停留，另一部分则需要长期保存。
Rausch 在演讲中演示了一个视频生成请求：让 AI 生成一段 8 秒、720p 的短片。
最终下载的视频大小只有 3.97MB，但按照其展示的系统估算，生成过程中约有 44GB 数据经过 GPU 处理，涉及约 40GB 模型权重、4GB 潜在张量以及解码后的原始帧。
更值得关注的是请求完成后的数据留存。
按照这一案例的估算，平台保存的编码输出、中间结果、推理追踪、请求日志、合规记录、会话信息和元数据合计约 509MB，约为最终下载文件的 130 倍。
这一比例显然不能直接外推到所有 AI 应用，不同平台对中间结果、日志和合规数据的保留策略差异很大。
但它揭示了一个普遍现象：用户看到的生成结果，只是 AI 数据足迹的一小部分。
生成内容还会被继续复制。
一段视频可能保存在生成平台、个人云盘、即时通信软件和社交网络中；平台还可能再次使用 AI 进行内容理解、审核、推荐、字幕生成或广告匹配。
每一次上传、转发和处理，都可能形成新的副本、索引、向量和日志。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接