實戰

富士磁帶產能擬擴大五倍:AI 基建真正短缺的並非 GPU

AI 資料量持續成長,加上 Agent 執行紀錄與冷儲存需求,讓磁帶重新回到資料中心的採購清單。富士擴產五倍,凸顯大型 AI 基建的成本缺口不只在運算,也在長期保存。

字級

Fujifilm 計畫將磁帶產能擴增至目前約 5 倍。AI 資料仍在累積;對基礎設施團隊而言,這提醒決策者:評估 AI 成本時,除了 GPU,還必須把長期儲存納入計算。

原始報導:Ars Technica

五倍擴產反映的需求轉變

這次擴產並不是某個模型突然需要更多磁帶,真正改變的是資料生命週期。

訓練階段會留下資料集快照、預處理中間檔案、tokenized corpus 與 checkpoint。推理階段也不只是「輸入問題、輸出答案」;完整業務系統還會保存請求日誌、使用者回饋、檢索結果、模型版本與策略設定。

這些資料通常不需要在每次推理時讀取,卻也不能任意刪除。原因可能是業務追溯、模型評測、監管稽核,也可能只是組織目前尚不知道未來會有哪些需求。

過去,企業通常依照「熱資料放 SSD、溫資料放 HDD、冷資料以低成本方式處理」的經驗管理檔案。如今,資料成長速度與可追溯要求同步提高。即使大量資料數月內沒有存取,也不能長期占用昂貴的閃存。

因此,磁帶重新受到關注。Fujifilm 並非因為 AI 需要更快的磁帶而擴產;恰恰相反,AI 讓低價保存大量非活躍資料變得更加重要。

這也解釋了磁帶廠商為何再次進入超大規模資料中心供應鏈。採購對象不再只有檔案館與備份部門,還包括訓練平台、託管雲端業者,以及需要保留多年執行紀錄的 AI 服務團隊。

GPU 競賽之外的一項成本

將磁帶納入 AI 基礎設施成本表後,可以發現它不適合高頻推理,卻很適合長期保存訓練語料、日誌與模型版本,並可降低持續供電與散熱支出。

這裡必須區分存取速度與持有成本。

NVMe SSD 延遲低,適合線上檢索、checkpoint 讀寫與 AI Agent 的即時工具呼叫。磁帶的優勢則是單位容量成本低、設備無須長期通電,並具備離線保存能力。

整體架構可以理解為三層:

層級典型介質主要用途關鍵限制
熱層NVMe SSD線上推理、檢索、checkpoint容量成本高,耗電量大
溫層HDD/物件儲存近期封存、任務重算、資料分發需要持續服務與維運
冷層LTO 磁帶長期訓練語料、模型版本、稽核日誌復原緩慢,不適合即時讀取

真正有效率的基礎設施,通常不是讓單一介質包辦所有工作,而是依存取頻率分層。AI 專案擴大後,最容易被低估的往往是 GPU 採購成本,而不是那些「買來卻沒有立刻使用」的原始資料。

AI Agent 的日誌尤其如此。每次工具呼叫都可能產生輸入、輸出、時間戳、token 用量、錯誤訊息與權限紀錄。把這些資料即時留在 SSD 上固然方便,但數年後仍保持線上,成本並不合理。

磁帶的價值不在跑分,而在降低閒置資料的持有成本。

雲端儲存並未完全取代磁帶

物件儲存是否已讓磁帶失去用途?答案是沒有。

物件儲存的抽象層很好用,API 簡單,也能與運算資源整合在同一套雲端環境中,但底層仍需要實體介質。熱門資料可以由 SSD 支應,大規模冷資料則可下沉至 HDD 或磁帶。

比較物件儲存、企業級磁帶庫與機械硬碟時,磁帶的優勢不是速度,而是單位容量成本、離線保存能力與較長的使用週期。

企業級磁帶庫還具備幾項實際優勢。

第一,離線能力。磁帶庫可以整體中斷服務,以實體隔離惡意程式與誤刪。勒索軟體即使控制雲端控制面,也未必能直接接觸離線介質。

第二,復原屬於批次作業。復原 TB 級檔案,不必讓所有使用者等待 SSD 達到線上延遲。維運人員可以安排維護時段,將磁帶資料複製到暫存 SSD,再恢復服務。

第三,生命週期較容易預測。磁帶不像消費級 HDD 那樣持續旋轉,機械與電子零件較少。雖然仍須定期遷移資料與進行復原測試,但部署方式更適合基礎設施團隊管理。

代價也相當直接:存取緩慢、設備用途專一、生態系統封閉,以及具備相關技能的人員較少。許多企業已完成一次「磁帶到雲端」的遷移,現在不會只為節省少量成本就輕易改走回頭路。

因此,這次擴產更可能推動混合架構,而非全面淘汰磁帶:由雲端提供統一介面,再由磁帶承載最冷端的資料。

AI Agent 將製造更多可追溯資料

過去的大模型請求通常可概括為一次 API 呼叫,AI Agent 則不同。

一個 AI Agent 可能先讀取工單,再查詢 CRM、呼叫搜尋工具、產生文件、提交審核,並在失敗後重試。每一步都會改變狀態,也可能留下格式不一的證據。

因此,AI Agent 執行會留下大量結構化與非結構化資料,封存對象也從圖片與影片擴展至工作流程日誌。

常見資料至少包含四類:

  1. 工具呼叫紀錄:工具名稱、參數、回傳值、耗時與錯誤碼。
  2. 檢索索引:query、命中文檔、rerank 結果與引用片段。
  3. 執行軌跡:計畫、狀態變化、人工核准與失敗復原路徑。
  4. 評測樣本:真實任務、預期結果、評分依據與版本比較。

如果團隊只保存最終答案,就會丟失最有價值的排錯資料。AI Agent 發生錯誤時,工程師通常需要回答以下問題:

  • 它當時看見了哪些脈絡?
  • 哪個工具回傳了錯誤資料?
  • 問題出在模型規劃錯誤,還是檢索遺漏證據?
  • 更換模型版本後,結果是否改變?
  • 是哪條規則決定工具呼叫的順序?

答案都藏在執行軌跡之中。

這帶來一項反直覺的結果:模型越自主,儲存系統就越重要。因為「模型做了什麼」已無法從單次 prompt 看出,只能透過完整的執行歷史重建。

HN 社群真正討論的議題

原始草稿稱,這則消息登上 Hacker News 首頁,獲得 92 分與 26 則留言。不過,現有原始素材僅提供 Ars Technica 報導連結,未包含 Hacker News 貼文的獨立連結、截圖或擷取紀錄。為避免將無法核實的數字寫成事實,因此刪除這組資料。

討論焦點更應放在資料耐久性、成本分攤與供應商集中度,而不是簡化成「磁帶復活」。

資料耐久性的爭議在於,廠商宣稱的經濟使用年限,不等於每個團隊都適合採用。企業需要確認復原流程、介質遷移週期,以及測試環境是否足夠接近實際環境。備份寫在磁帶上卻從未成功復原,等同於沒有備份。

成本分攤也不能只比較「每 TB 單價」。磁帶庫包含庫機、機器人、驅動器、介質遷移與人工操作。規模越大,單位成本通常越低,但只有超大規模廠商與大型封存機構能充分攤分這些費用。

供應商集中度更值得警惕。儲存介面相對標準,介質與設備卻可能形成新的生態系鎖定。一旦資料以某種企業磁帶格式保存多年,更換供應商可能同時牽涉設備、軟體與資料遷移流程。

這也是混合儲存比單一磁帶方案更穩妥的原因。冷熱層之間保留匯出路徑,雲端供應商之間保留可攜格式,盡量避免供應商鎖定直接反映在資料本身。

編輯觀察

磁帶擴產不是解決 AI 儲存焦慮的簡單答案,更像是高效能運算與低成本封存重新分工的訊號。對基礎設施團隊而言,真正重要的不是追逐單一介質,而是確認資料在多久之後仍會被讀取,以及能否在預算範圍內完成復原。

我的判斷是,AI Agent 產生的執行軌跡會推高日誌量,但最終封存量未必同步增加。企業更可能只保留異常軌跡、關鍵稽核紀錄與抽樣評測,而不是每次執行的完整脈絡。磁帶訂單能否持續成長,取決於雲端供應商的採購,而不能只看 Agent 呼叫次數。

這次與過去不同之處,在於冷儲存需求不再主要來自傳統備份。訓練語料、模型版本與 AI Agent 工作流程,將「長期可追溯」變成新的產品需求。不過,現有原始素材未提供完整成本曲線、目標客戶結構與五年訂單量。擴產計畫是一項訊號,而非需求承諾。後續應觀察雲端供應商的採購合約、磁帶實際出貨量,以及企業是否恢復混合儲存架構。

來源

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

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