2025年之后，AI行业正在集体经历一场“算力焦虑”的反噬。
SSD价格暴涨、CPU涨价、供应不稳、交付周期长、能源吃紧……所有构成AI基础设施的关键部件，几乎都被推上了涨价通道。
例如，2025年9月到2026年1月，以美国亚马逊零售渠道为样本统计，SSD均价涨幅约74%，部分型号涨幅达到100%以上，高端8TB SSD的价格甚至被标到了约2500美元（折合约1.9万元）。
在企业级市场，合约价同样走高：2025年Q4企业级SSD价格上涨约 12%~15%，企业级HDD合约价上涨约4%。
CPU端也出现涨价信号：AMD在2025年12月已确认向渠道发出涨价通知（主要集中在消费级产品）。市场预期，2026年Q1服务器级CPU预计价格上调10%~15%。
与此同时，大模型项目越来越多，Agent、RAG、向量数据库等应用层出不穷。模型越来越强，成本越来越重，资源反而越来越浪费。
这是一个有点讽刺的现象：我们正在以越来越贵的价格，买来可能被闲置的“存力”。
为什么会这样？问题的根源在于：我们对“存力”的理解，可能落后了。
面对硬件涨价，许多项目第 一反应仍是“买更好的设备”：换全闪、加带宽、扩存储。可现实是，堆设备≠提效能。
如果说AI基础设施是一台发动机，那么AI存储的角色，早已不是“油箱”，而是燃料的管道调度系统——决定算力是否能释放，数据是否能高效流通，链路是否能真正跑通。
这也是这篇文章想讨论的问题：在成本上升与需求激增的“双重高压”下，AI存储该如何从“被动成本中心”，升级为“主动价值中枢”？
硬件涨价只是表象
更致命的是资源错配与系统内耗
如果说“硬件涨价”是这场危机的显性变量，那更大的隐患，其实藏在水面之下。
在AI项目的真实运行过程中，真正吞噬掉预算的，不是硬件买得少了，而是用得不够好，大量的存储资源，被系统“黑洞”吞噬了。
从多个智算中心、一线大模型项目的案例来看，至少存在三类被普遍低估的“系统内耗”黑洞：
1.性能瓶颈：GPU“喂不饱”，高算力在低效等待
大模型训练和推理高度依赖GPU集群、AI芯片等高价值算力资源，但这些“高端兵器”在现实中却经常处于“开机但低负载”的状态。
为什么？
在不少AI任务重，数据传输不上来——IO带宽不足、存储响应慢、路径拥堵，导致GPU只能“干等数据包”，训练任务“间歇性停顿”，算力效率低下。
这不仅仅是资金问题，还是系统调度架构的问题。
2.数据错配：冷热混堆，占了位置，毁了效率
AI系统产生的数据是分层的：只有部分是热数据，大量是温冷甚至长尾归档数据。但现实是，大量温冷数据被存放在昂贵的全闪、NVMe等高性能设备上，空间被占、电力白耗、资源错配严重。
在PB甚至EB级数据体量下，每一个“摆错位置”的数据，都意味着资金的浪费。
3.系统割裂：数据孤岛让链路“断电”
如今的AI项目早已不是单一任务，而是一条完整的数据流链路：从采集、清洗，到训练、推理，再到调用部署。
但问题在于：存储系统常常是按项目、按业务线、按服务厂商分割的，接口不兼容、标准不统一、资源无法共通，导致数据难以跨系统流动，成为“链路断电”的瓶颈地带。
模型想调数据？调不出来。数据想被训练？卡在搬运流程。算力系统和数据系统之间，明明离得很近，却像住在不同星球。
结果就是，资源在涨价，ROI却在下滑。TCO（Total Cost of Ownership，总拥有成本）持续抬高，AI项目投入产出比持续恶化。
讽刺的是，大家都在谈“AI提效”，但在基础设施层面，我们正陷入一种“低效的高成本结构”。
这一切，正在倒逼行业重新思考一个关键问题：存储系统，不应该只是“存数据”的设备，而应是一套面向AI的系统能力集成。能调数据、能适配算力、能协同链路、能动态优化，是它在AI时代的“新角色”。
这场变革，“硬件进化”是硬币的一面，另一面则是“架构升级”。
行业的“先进存力”主张
效能、智能、协同“三板斧”
面对涨价潮袭来，几乎所有AI基础设施厂商都在寻找“减压阀”。
有厂商选择切换采购策略，用二手盘、低端芯片做权衡；有企业试图延长设备生命周期，以“减缓上新”方式缓释投入；也有玩家转向海外或本地云，寄望通过算网融合拉平成本曲线。
但从实效上看，这些方式多是“拆东补西”式的战术优化，难以从根本上缓解存储带来的结构性瓶颈。
与之不同，曙光存储的应对策略更像是“系统工程”视角下的逆周期重构——它不仅仅靠某个单点技术，而是从底层架构+上层调度+生态协同三个维度入手，提出一套面向AI时代的“先进存力”体系。
①效能为先：单位成本下的极 致效率
在硬件涨价的大背景下，“效率”成了第 一准则。
曙光推出的F9000全闪系统，配合“超级隧道”技术，将数据通路进一步压缩，加速吞吐，在大模型训练中实现4倍提速，减少GPU闲置。
更底层的优化还来自其S6000高密液冷方案：在4U空间内封装1.44PB容量，同时节省20%以上构建成本，兼顾了扩展性与能耗效率。系统级的RDMA、零拷贝、智能卸载技术，则将部分CPU任务“下沉”至存储系统，释放出30%以上的计算资源空间，降低了传统“CPU负担冗余”的惯性成本。
②软件定义智能：用算法对冲硬件价格波动
当硬件价格失控，软件算法开始成为解决这个难题新的抓手。
曙光的StorInsight技术，通过智能压缩、纠删码、去重等技术手段，将整体存储利用率提升至91%。配合对热、温、冷数据的自动识别与迁移机制，可动态调节资源分布、系统能耗与交付路径，实现资源利用率提升35%、能效比提升45%，将TCO进一步压缩。
这些机制的核心在于：用软件能力重构“存储分层—资源调度—能耗管理”三大控制环，使存储从“静态资产”变为“智能决策单元”，在系统级别对冲硬件价格上涨带来的刚性成本。
③协同驱动生态：打破孤岛，构建“AI数据工厂”
最后，是“生态视角”的协同重构。
曙光通过存算网一体架构，打通了数据清洗→训练→推理→部署的全流程，使得数据在系统内可自由流动，减少重复加载与迁移。它的开放接口可无缝适配DeepSeek等主流AI框架，并支持异构设备的多源接入——不再“为数据换平台”，而是“让平台适配数据”。
更值得注意的是，曙光还与多方产业伙伴共建“数据可信流动机制”，在跨区域部署中，实现多地数据治理合规协同，为数据从存储到使用之间建立起了“可信轨道”。
在涨价潮下，曙光存储通过“效能、智能、协同”这一套系统性抗风险方案，让“先进存力”成为抗涨周期的中流砥柱。
AI存储不只是基础设施
也是产业智能化的催化剂
如果说GPU是AI的“燃料”，那么存储，就是数据的“发动机”。
过去，它常常被看作一项“边缘投资”——放在机房角落的设备，用于归档、备份、合规。而在大模型、Agent时代，这种观念正被彻底推翻。
存储的角色，正在从“数据仓库”转向“智能中枢”，它不仅关乎容量、速度，更决定了算力系统的效率、平台的可用性，以及数据资产的真实价值。
如何理解这个转变呢？我们可以从下面几个维度来分析：
①对AI行业发展的价值：AI的“输入侧引擎”
AI训练和推理的关键，不只是GPU数量有多少，还在于数据流通的速度和效率。大模型每一轮训练的有效性，背后都依赖于高带宽、低延迟、高吞吐的存储支持。
曙光等厂商提出的“先进存力”概念，实质上是对传统存储范式的一次重写：它将“喂数据”这个动作，从工具链边缘拉到了AI架构的中心。如果说以前是“算力等数据”，现在则是“存储决定算力的上限”。
更进一步，高效、稳定的数据调用体系也正在成为判断AI平台SLA等级的关键指标——没有强大的存储，就没有可用的大模型。
②对企业数智化转型的价值：“后勤”走向“枢纽”
在企业视角中，存储也早已不是“只为IT而存在”的角色。
从制造到金融，从零售到能源，越来越多的行业转型场景中，都需要具备三种能力的底座支持：
·AI-native架构适配
·数据跨域协同
·智能调度与治理
这意味着，企业的“数据基础设施”，不能只是放数据的地方，而要能调度、推理、融合、交付。
曙光等厂商正试图把“智能分层+跨系统协同”做成一种标准，让企业的数据资产真正“流动”起来，而不是“静止”在那里贬值。
在数据成为核心生产要素的今天，这种“数据流动能力”的价值，并不亚于算力规模。
IDC数据显示，2025年二季度全球AI计算与存储硬件投入约820亿美元，同比增长166%，并预计到2029年全球AI基础设施市场将达到7580亿美元。其中，AI存储发挥的价值将越来越大——当模型多、任务多、租户多成为常态，存储系统需要承担更多“计算之外”的职责，包括缓存调度、能耗管理、任务优先级与服务质量（QoS）等。因此，AI存储相关支出，将成为智算中心建设中的核心预算项。
这也是为什么，越来越多基础设施厂商把“先进存力”作为自身能否进入“生态闭环”的决胜点。
从这个角度来看，涨价只是周期波动的一种表现，本质是产业从“堆规模”走向“拼结构”的拐点。谁能在结构上建立抗风险壁垒，谁就能穿越周期。
在一轮轮技术迭代和市场波动中，具备体系能力的厂商，才有资格成为行业的“定海神针”。
AI的黄金十年才刚刚开始，而每一次“看似艰难的涨价”，其实都是“系统重构的好时机”。
留下来的，则是那些提前准备好“系统性解法”的长期主义者。
