实战

富士磁带扩产 5 倍:AI 真正缺的不是 GPU

Fujifilm 计划将磁带产能提升至当前约 5 倍。AI 数据增长、Agent 轨迹留存和冷存储成本,正在把磁带重新推回数据中心采购清单。

字号

Fujifilm 计划把磁带产能提升至当前约 5 倍。AI 数据还在累积。对基础设施团队来说,这提醒我们:GPU 之外,还要算清长期存储成本。

原始报道:Ars Technica

五倍扩产背后的需求变化

这次扩产不是某个模型突然需要更多磁带。真正变化的是数据生命周期。

训练阶段会留下数据集快照、预处理中间文件、tokenized corpus 和 checkpoint。推理阶段也不只是“输入问题、输出答案”。完整业务系统还会保存请求日志、用户反馈、检索结果、模型版本与策略配置。

这些数据通常不是每次推理都要读取,却不能随意删除。原因可能是业务追溯、模型评测、监管审计,也可能只是组织暂时不知道未来会需要什么。

过去,企业常用「热数据放 SSD、温数据放 HDD、冷数据低成本处理」的经验处理文件。现在,数据增长速度和可追溯要求同时提高。大量数据即使几个月不访问,也不能一直占用昂贵闪存。

磁带因此重新进入讨论。Fujifilm 不是因为 AI 需要更快的磁带而扩产。恰恰相反:AI 让低价保存大量非活跃数据变得更重要。

这也解释了为什么磁带厂商会再次进入超大规模数据中心供应链。采购对象不再只是档案馆和备份部门,还包括训练平台、托管云厂商,以及需要保留多年执行记录的 AI 服务团队。

GPU 竞赛外的一块成本

把磁带放进 AI 基础设施成本表,它不适合高频推理,却适合长期保存训练语料、日志和模型版本,并能降低持续供电与散热支出。

这里要区分访问速度和持有成本。

NVMe SSD 延迟低,适合在线检索、checkpoint 读写和 AI Agent 的即时工具调用。磁带的优势则是单位容量成本低、设备无需长期上电,同时具备离线保存能力。

可以把它理解成三级结构:

层级 典型介质 主要用途 关键约束
热层 NVMe SSD 在线推理、检索、checkpoint 容量贵,功耗高
温层 HDD / 对象存储 近期归档、任务重算、数据分发 需要持续服务与运维
冷层 LTO 磁带 长期训练语料、模型版本、审计日志 恢复慢,不适合实时读取

真正有效的基础设施通常不是让一种介质包办全部工作,而是按访问频率分层。AI 项目增长后,最容易被低估的往往不是 GPU 采购,而是「买来但没有立刻使用」的原始数据。

AI Agent 的日志尤其如此。每次工具调用都可能产生输入、输出、时间戳、token 用量、错误信息和权限记录。把它们实时留在 SSD 上很方便,但几年后仍然在线,成本并不合理。

磁带的价值不在跑分,而在降低闲置数据的持有成本。

云存储没有完全替代磁带

对象存储是不是已经让磁带没用了?并没有。

对象存储的抽象层很好用,API 简单,也能和计算资源放在同一套云环境中。但底层仍需要介质。热点数据可以用 SSD 支撑,大规模冷数据则可以下沉到 HDD 或磁带。

对比对象存储、企业磁带库与机械硬盘,磁带的优势不是速度,而是单位容量成本、离线保存能力和较长生命周期。

企业磁带库还有几个实际优势。

第一,离线能力。磁带库可以整体断开服务,物理隔离恶意代码和误删除。勒索软件即使控制云控制面,也不一定能直接触达离线介质。

第二,恢复是批处理任务。恢复 TB 级文件不需要让所有用户等待 SSD 达到在线延迟。运维人员可以安排窗口,把磁带数据复制到临时 SSD,再恢复服务。

第三,生命周期更可预测。磁带不像消费级 HDD 那样持续旋转,机械部件和电子元件更少。它依然需要定期迁移和恢复测试,但部署形态更适合基础设施团队管理。

代价也很直接:访问慢、设备专用、生态封闭、人员技能少。很多企业已经完成一次「磁带到云」的迁移,现在不会为了节省少量成本轻易回退。

所以,这次扩产更可能推动一种混合路径,而不是全面去磁带化:云端提供统一接口,磁带承担最冷的部分。

AI Agent 会制造更多可追溯数据

过去的大模型请求通常可以概括成一次 API 调用。AI Agent 不是。

一个 AI Agent 可能先读取工单,再查询 CRM,调用搜索工具,生成文档,提交审批,并在失败后重试。每一步都会改变状态,也可能留下不同格式的证据。

因此,AI Agent 运行会留下大量结构化与非结构化数据,存档对象也从图片和视频扩展到工作流日志。

常见数据至少包括四类:

  1. 工具调用记录:工具名、参数、返回值、耗时与错误码。
  2. 检索索引:query、命中文档、rerank 结果、引用片段。
  3. 执行轨迹:计划、状态变化、人工审批、失败恢复路径。
  4. 评测样本:真实任务、期望结果、评分依据与版本对比。

如果团队只保存最终答案,会丢掉最有价值的排障材料。AI Agent 出错时,工程师通常需要回答这些问题:

  • 它当时看到了什么上下文?
  • 哪个工具返回了错误数据?
  • 是模型规划错了,还是检索漏了证据?
  • 更换模型版本后,结果是否发生变化?
  • 哪条规则决定了工具调用顺序?

答案都藏在轨迹里。

这带来一个反直觉结果:模型越自主,存储系统越重要。因为「模型做了什么」不再能从单次 prompt 中看出来,只能从完整执行历史中重建。

HN 社区真正讨论的是什么

原草稿称,这条消息登上 Hacker News 首页,获得 92 分和 26 条评论。现有原始素材只提供了 Ars Technica 报道链接,未提供 Hacker News 帖子的独立链接、截图或抓取记录。为避免把无法核验的数字写成事实,已删除这组数据。

讨论重点更应该放在数据耐久性、成本分摊和供应商集中度,而不是简单归结为「磁带复活」。

数据耐久性的争议在于:厂商宣称的经济寿命不等于每个团队都适合采用。企业需要确认恢复流程、介质迁移周期,以及测试环境是否足够真实。备份写在磁带上,但从未成功恢复,等于没有备份。

成本分摊也不只是比较「每 TB 单价」。磁带库有库机、机器人、驱动、介质迁移和人工操作。规模越大,单位成本通常越低,但只有超大规模厂商和大型归档机构能充分摊薄这些费用。

供应商集中度则更值得警惕。存储接口相对标准,介质与设备却可能形成新的生态锁定。一旦数据以某种企业磁带格式保存多年,更换厂商可能同时涉及设备、软件和迁移流程。

这也是混合存储比单一磁带方案更稳妥的原因。冷热之间保留导出路径,云厂商之间保留可移植格式,尽量避免厂商锁定落到数据本身。

编辑思考

磁带扩产不是 AI 存储焦虑的简单答案。它更像是高性能计算与低成本归档重新分工的信号。对基础设施团队来说,真正重要的不是追逐某一种介质,而是确认数据在多久后还会被读取,以及能否在预算内完成恢复。

我的判断是,AI Agent 产生的执行轨迹会推高日志量,但未必同步推高最终归档量。企业更可能只保留异常轨迹、关键审计记录和抽样评测,而不是保存每次运行的全部上下文。磁带订单能否持续增长,要看云厂商采购,而不是只看 Agent 调用次数。

这次与过去的不同,是冷存储需求不再主要来自传统备份。训练语料、模型版本和 AI Agent 工作流,把「长期可追溯」变成了新的产品要求。不过,现有原始素材没有给出完整成本曲线、目标客户结构和五年订单量。扩产计划是信号,不是需求承诺。后续应观察云厂商采购合同、磁带实际出货量,以及企业是否恢复混合存储架构。

来源

https://arstechnica.com/gadgets/2026/10/fujifilm-to-boost-tape-production-5x-as-ai-fuels-archiving-demand/

来源: https://arstechnica.com/gadgets/2026/10/fujifilm-to-boost-tape-production-5x-as-ai-fuels-archiving-demand/