每次响应背后堆积的存储成本

在AI基础设施的讨论中，训练阶段长期占据核心位置。训练有明确的起止节点，算力消耗可以预算、可以核销。但推理不同——它持续运行，每一次模型响应都会在系统后端留下痕迹。这种差异在基础设施规划层面意义重大：训练是一个可以结项的项目，而推理产生的数据积累却没有终点。随着推理规模扩大，数据足迹也随之线性乃至超线性增长，形成一条持续攀升的隐性成本曲线。

WD的实测数据揭示了这一问题的具体量级。一段8秒的AI生成视频，用户收到的720p文件约为3.97MB，但后端实际存储的关联数据超过500MB，涵盖日志、缓存上下文、中间渲染、备份及安全记录，是输出文件体积的约130倍。若将分辨率提升至企业级标准，单条视频的后端数据足迹可轻松达到数百GB。对于大规模部署AI视频生成的企业而言，这一乘数效应将迅速将存储成本推至不可忽视的量级。

麦肯锡的预测进一步强化了这一趋势的紧迫性：AI推理需求将以35%的年复合增长率持续扩张至2030年，届时将占全球数据中心总需求的40%以上，远超训练需求22%的增速。IDC调查同样印证了这一判断——近95%的受访决策者表示生成式AI已导致其数据量在过去一年内显著增加。一位超大规模云服务商的高级产品经理在报告中指出，充足的存储本质上是保持GPU高效运转的优化手段，GPU因等待数据而空转的成本极高，这一瓶颈往往在问题暴露后才被察觉。

存储成本的另一个复杂之处在于其与计算成本的不对称性。计算需求随训练周期、产品发布和硬件更新而起伏，但已积累的数据体量不会随计算需求回落而缩减。模型日志、合成输出、推理结果持续堆叠，且越来越多的历史数据正被纳入检索增强生成（RAG）等新型工作流，从冷存档转变为活跃的推理输入。IDC调查显示，96%的受访者预计未来需要更快的归档检索能力以支持推理或RAG场景，这对存储架构的性能与容量提出了双重要求。

对CFO和CIO而言，这意味着当前对「AI基础设施支出」的界定可能过于狭窄。以零售商为AI商品视频生成、保险公司通过RAG流水线处理理赔文件为例，计算成本是可预测的单次费率，而存储成本则随每一次生成、每一次处理持续复利累积。一个将存储视为「计算成本附带零头」的预算方案，往往会在12至18个月后发现这个零头已演变为项目总成本的重要组成部分——恰好是管理层决定是否扩大投入的关键节点。

应对这一挑战需要从架构层面重新设计存储策略。企业当前的存储规划往往偏重高性能热层，而AI数据在体量上大量沉淀于温层、冷层和归档层。真正可持续的AI存储架构应覆盖数据全生命周期，在性能、容量、功耗、可靠性与总拥有成本之间取得平衡。企业需要回答三个核心问题：AI生成内容的数据保留策略由谁制定、如何制定？存储采购是否匹配数据的实际生命周期而非仅服务于训练阶段？若AI使用量明年翻倍，存储成本是否也会同步翻倍甚至更高？大多数组织尚无法自信地回答这三个问题，而这正是下一个预算周期前最值得弥合的认知缺口。

要点

• AI推理产生的后端数据量远超用户可见输出：一段8秒视频的后端关联数据是输出文件的约130倍，存储成本被系统性低估。
• 麦肯锡预测推理需求将以35%年复合增长率扩张至2030年，届时占数据中心总需求逾40%，增速显著高于训练需求。
• 历史归档数据正因RAG等技术重新成为活跃推理输入，存储架构需同时满足大容量与动态检索的双重需求。
• 存储成本具有复利特性，不随计算需求回落而缩减，若预算规划忽视这一点，12至18个月内可能面临显著的成本超支。
• 企业应围绕数据保留策略、采购逻辑与扩容弹性三个维度重新审视AI基础设施预算，在下一个预算周期前主动填补认知缺口。