亞太地區AI發展不能只追求運算能力
更 需 以 數 據 系 統 思 維 構 建
過去數年，算力一直主導着 AI基礎設施的討論。隨着企業不斷突破效能極限，處理能力、記憶體吞吐量、互連速度及功耗密度等指標均顯著提升。當業界的首要任務是訓練大型模型，並將 AI從實驗階段推向實際應用時，這種聚焦於算力的取向確實合乎邏輯。
然而，隨著 AI在亞太地區逐漸邁向成熟，運算能力與數據之間的結構性落差正變得愈來愈關鍵。模型訓練固然重要，但 AI 的下一階段發展，不再只取決於企業能部署多少運算資源，更在於 AI系統未來將持續消耗、生成、儲存及重複使用多少數據。當 AI開始進入正式生產及推理階段，以驅動實際商業價值時，這一點將更為明顯。AI 不只是使用數據，更會持續產生新的數據，包括上下文資訊、元數據、輸出結果、歷史紀錄，以及不少企業为了配合監管要求、模型優化或未來應用而保留的各類營運衍生數據。
不同的 AI 工作負載亦對儲存層級也有著不同的需求， 涵蓋數據擷取、模型訓練、推理，以及長期保存等不同階段，因為每個階段對效能、容量及成本均有截然不同的需求。當 AI進入推理階段後，這種差異將更為明顯 —— 運算需求或許會隨工作負載波動，但數據量卻會持續增長，幾乎不會停止。
長遠而言，AI 生產環境將更像一套「數據系統」，而不只是單純的運算系統。原因在於，數據的持續累積，將逐漸主導系統如何擴展、運作，以及創造價值。這對亞太地區尤其重要，因為區內 AI 發展正同時面對規模擴張、成本壓力、能源限制，以及不同監管環境等多重挑戰。
亞太地區 AI數據規模持續擴大
亞太地區的增長趨勢已十分明顯。根據德勤的報告，該地區有望成為全球下一個數據中心樞紐 — 預計到 2030年，數據中心投資將達到約 8,000億美元。
與此同時，亞太地區的 AI基礎設施規劃亦相對複雜。區內既有高速增長的數碼經濟體，亦有成熟基礎設施的市場及新興 AI原生環境，各自面對不同優先事項與發展需求。以香港為例，根據仲量聯行的數據，目前有超過 517MW的數據中心容量正在興建中，另有 22MW處於規劃階段。2026至2029 年間，預計將有約 480 萬平方呎的新數據中心樓面面積落成，較 2022 至 2025 年間落成的180 萬平方呎大幅增加 167%。這反映市場對數碼基礎設施的需求持續增長，而作為數據與 AI應用的重要基礎，儲存系統的重要性亦將進一步提升。
因此，AI真正的瓶頸，正逐漸由爆發式的高效運算能力，轉向如何以具成本效益的方式大規模管理數據。隨著 AI 環境不斷擴展，企業需要在其數據生命週期中，同時支援不同的數據層級，包括需要高速存取的熱數據適合採用快閃儲存，而間歇性使用的溫數據，以及需要長期保存的冷數據，則可充分發揮 HDD 在成本效益方面的優勢。在小規模環境下，將所有數據集中於同一高效能儲存層或許可行，但隨著數據量持續增長，這種模式將變得低效且難以持續。
從實際層面而言，亞太地區的 AI增長不僅會對運算資源施加壓力，更涉及如何建立能夠長遠支撐 AI 發展、同時兼顧責任與經濟效益的整體數據架構。因此，現時架構設計的重要性，已不亞於追求原始速度。在討論擴展時，關鍵在於可用性、持久性、韌性，以及長期留存和管理數據的經濟性。現在真正重要的是：當數據量激增、工作負載變化以及成本壓力加劇時，底層架構能否跟上步伐。
AI的長期成本
隨著 AI持續產生大量數據，AI的長遠成本將不再只由運算能力決定，而是取決於企業能否有效率地保存及管理數據。在大規模環境下，總體擁有成本將受到多項因素累積影響，包括硬碟成本、耗電量、冷卻系統、機櫃空間，以及管理龐大數據量所帶來的營運負擔。
這亦意味著，可持續發展已與基礎設施設計密不可分。問題不再只是如何為運算提供電力，而是如何建立一套能更有效運用容量、能源及空間的 AI數據系統，涵蓋從數據擷取、模型訓練，到推理及長期保存的完整流程。並非所有數據都需要儲存在同一效能層級，若能根據不同工作負載配置相應儲存資源，企業便可於整個生命週期中，更有效運用容量、能源、冷卻及實體空間。
對基礎設施決策者而言，這代表企業必須從系統設計初期，便將可持續性及 TCO納入核心考量。系統在建立初期，對數據保存時間、分層架構、耐用性及可用性等方面所作出的決定，往往會在系統正式投入運作後，對長遠營運帶來重大影響，而一旦規模擴大後，再作調整的成本亦會相當高昂。能夠以完整數據生命週期作為基礎進行規劃的企業，將更有能力以具經濟效益及營運韌性的方式推動 AI 發展。
AI下一階段將由架構決定
AI 基礎設施產業正逐漸走出只圍繞晶片、效能指標及模型峰值表現的階段。下一階段的關鍵，將取決於企業如何透過架構設計，確保系統在使用規模不斷擴大下，仍能維持成本效益、靈活性及可持續性。
這亦代表企業需要開始面對更多核心問題，例如：哪些數據需要長期保存？需要保存多久？哪些工作負載真正需要最高效能？又應如何平衡存取速度、韌性、監管要求與成本？這些問題已不再屬於次要考量，而是決定 AI 能否以具商業可行性及長遠營運能力方式擴展的核心因素。
未來 AI 的贏家，不一定是部署最多運算資源的企業，而是那些真正理解 AI 系統如何隨時間演變，並明白 AI 不只會產生智能，更會持續產生大量數據的企業。在大規模應用下，數據即系統。
撰寫: WD 全球銷售與市場推廣副總裁 Stefan Mandl
( 內容由有關方面代表提供, 經編輯後刊登 )
