中國及亞太地區的 AI 建設應以數據系統為核心 ，而非單純的算力系統

中國及亞太地區的 AI 建設應以數據系統為核心，而非單純的算力系統

供稿 / 2026-06-24 14:461286

多年來，算力一直是 AI基礎設施討論中的決定性指標。隨著各類組織不斷突破性能極限，處理能力、內存吞吐量、互連速度、功率密度等各項指標均實現了顯著提升。當行業面臨的緊迫挑戰是訓練大規模模型，并將 AI 從實驗階段推向實際應用時，這種關注是合乎情理的。

然而，隨著 AI 在中國及亞太地區的應用日趨成熟，算力與數據之間的結構性差距正變得愈發關鍵。訓練固然重要，但 AI 發展的下一階段將不僅取決于企業能夠部署多少算力，更取決于隨著時間的推移，AI 系統將消耗、生成、保留和復用多少數據。而當 AI 進入生產和推理階段以驅動業務價值，這種差異將愈發顯著。AI 不僅在使用數據，還在持續創造新數據——從上下文、元數據到輸出結果、歷史記錄，以及許多企業為了治理合規、模型優化或未來使用而希望保留的運行衍生數據。

不同的AI工作負載對存儲分層也存在著不同的需求，涵蓋從數據攝取、訓練到推理和長期留存的各個階段，因為在每個階段，系統對性能、容量和成本的要求都有著本質的區別。一旦推理開始，這種分歧就更加明顯：算力的擴展可能呈階段性波動，但數據的增長卻永不停歇。

久而久之，AI 生產環境的運作方式將越來越呈現出數據系統的特征，而非純粹的算力系統，因為數據的積累開始決定這些系統如何擴展、運行并交付價值。這一點在亞太地區尤為關鍵，因為該地區的AI應用正在規模擴張、成本壓力、能源限制與監管復雜性的多重因素交織下加速演進。

中國及亞太區的 AI 數據規模持續擴大

亞太地區的增長勢頭是有目共睹的。德勤的一份報告顯示，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。

同時， AI 基礎設施的規劃十分復雜。這里匯集了高速增長的數字經濟體、擁有成熟基礎設施的市場以及新興的 AI 原生環境，且各地的優先事項不盡相同。例如在中國十四屆全國人大四次會議經濟記者會中，與會的國家發改委領導表示，將深化“人工智能+”行動，賦能千行百業、服務千家萬戶，并預測“十五五”末 AI 相關產業規模將增長到10萬億元以上。為實現這一遠大的愿景，企業需要確保數據其基礎設施能夠承載不斷增長的 AI 工作負載。

因此，AI 的真正瓶頸已經逐漸從爆發式的算力，轉向了如何經濟高效地大規模管理數據。隨著 AI 環境的擴大，企業必須支持數據全生命周期的分層管理：熱數據需要閃存以實現快速訪問、間歇性使用的溫數據以及需要長期存儲的冷數據則可以利用 HDD 的經濟性。將所有數據集中在單一的高性能存儲層，在小規模下或許可行，但隨著數據量的增長，這在效率和經濟上都將難以為繼。

從實際應用角度來看，亞太地區的 AI 增長不僅會對算力部署施加壓力，還會對支撐 AI 長期可持續、經濟高效運行所需的底層數據架構提出更高要求。這就是為何底層架構現在與原始速度同等重要。在討論擴展時，關鍵在于可用性、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的長期成本考量

隨著 AI 步入持久且持續生成數據的階段，其長期成本將不僅由算力決定，還取決于企業如何長期高效地保留和管理數據。在大規模應用中，總體擁有成本（TCO）由存儲成本、功耗、散熱設備以及管理激增數據的運營負擔共同決定。

這正是可持續性與基礎設施設計密不可分的原因所在。問題不僅在于如何為算力供電，還在于如何將 AI 構建為能高效利用容量、能源和物理空間的數據系統——涵蓋從數據攝取、訓練到推理和長期留存的各個環節。并非所有數據都需要存儲在同一性能層級。將存儲資源與工作負載需求相匹配，可以讓企業在數據全周期內更高效地利用容量、能源、散熱和物理空間。

對于基礎設施決策者而言，這意味著從一開始就將可持續性和TCO設計作為設計優先級進行考量。在系統投產前，關于數據留存、分層、持久性和可用性的初始假設，在投產后都會產生長期影響；一旦進入大規模階段，再回頭來調整的代價將極其高昂。那些從數據全生命周期角度出發進行構建的企業，將能更好地以經濟可持續且具備運營韌性的方式實現 AI 擴展。

AI 的下一階段將由架構定義

行業正在跨越僅關注芯片、基準測試和模型峰值性能的階段。下一階段將由架構選擇來塑造，這決定了在應用規模擴大時，系統能否保持經濟可行性、適應性和可持續性。

這意味著需要思考更棘手的問題，例如：應該保留多少數據？留存多長時間？哪些工作負載需要強大的性能，哪些不需要？企業應如何在訪問便捷性、韌性、治理和成本之間取得平衡？這些不再是次要問題，而是決定 AI 能否以商業可行且可長久運營的方式實現擴展的核心要素。

AI 領域的下一批贏家，將不僅僅是那些部署了最多算力的企業，更是那些理解AI系統長期運作規律，并基于“AI不僅創造智能，同時也創造數據”這一現實進行構建的企業。在大規模應用下，數據即系統。