当前 AI 与大数据对应的存储需求

1. 大容量且非结构化数据为主：2025 年全球数据量预计达 200ZB，其中非结构化数据占比高达 80%，AI 训练常需处理 PB 级样本数据，单台 AI 服务器存储需求已突破 200TB，传统小容量存储完全无法适配。例如千亿参数大模型单次训练就需读取超 10PB 样本数据。

2. 高性能与低时延是核心诉求：AI 训练的带宽需求已进入 TB 级纪元，推理阶段还需千万级别 IOPS 低时延支撑高并发场景，避免 GPU 因等待数据而闲置。传统 HDD 存储 150MB/s 的带宽成为明显瓶颈，全闪存储已成为满足该性能需求的核心选择。

3. 架构趋向分布式与存算协同：传统集中式存储的架构会导致数据搬运成本激增，比如部分数据中心支撑大模型训练时 GPU 利用率仅 40%。目前行业普遍转向分布式架构，且 “存算一体” 成为趋势，通过拉近数据与计算单元的距离，解决数据搬运的能耗和效率问题。

存储行业的未来发展预估

1. 市场规模持续高速增长：WSTS 预测 2025 年存储市场规模达 1938 亿美元，2026 年将增长至 2283 亿美元；其中 HBM（高带宽存储）增长尤为突出，2024 年市场规模约 170 亿美元，后续年均增长有望超 33%。到 2030 年全球数据量将达 1000ZB，AI 相关存储需求占比约三分之二，企业级 SSD 市场规模也将从 2024 年的 234 亿美元增长至 490 亿美元。

2. 技术向高性能与绿色化双线突破：高性能方面，PCIe Gen6 SSD、HBM4 等产品将逐步普及，行业力争 2027 年前将 AI SSD 的 IOPS 性能从百万级提升至亿级；绿色化方面，数据中心会通过液冷技术、动态电压调节等降低能耗，同时西部数据中心绿电占比已达 58%，绿电替代成为主流趋势。

3. 管理向智能化升级：面对多模态数据的治理难题，智能存储管理工具将逐步普及。比如通过实时采集 IO 特征，自动将热数据迁移至全闪层、冷数据存至低成本存储层，目前这类技术已能使存储资源利用率提升 35%，未来普及率将大幅提高。

对币圈需求的带动作用

AI 与大数据的存储需求，正给币圈中专注去中心化存储的项目带来显著需求增量。此前币圈的去中心化存储更多用于小众数据归档，而 AI 对低成本、高安全存储的需求，让 Filecoin、Arweave 等项目找到新的价值场景。例如 Filecoin 通过 “Compute over Data” 计划整合计算能力，从单纯 “存数据” 向支持 AI 数据处理、预训练的方向进化；Arweave 的永久存储特性，也适配了 AI 模型权重、训练记录等需不可篡改归档的数据需求。这些变化推动相关项目热度上升，预售活跃，间接带动了其代币的需求和价值预期。

利用币圈存储需求存储 AI 数据的可行性与现状

1. 具备独特适配性：币圈的去中心化存储网络，刚好能弥补传统 AI 存储的部分短板。一方面，其分布式架构可避免中心化存储的单点故障风险，且像 Filecoin 通过存储证明机制，能确保数据不可篡改、长期完整保存，适合存储医疗影像、训练溯源等 AI 高可信度数据；另一方面，去中心化模式采用按需计费，相比传统全闪存储的高成本，能降低 AI 存储的规模化投入压力，例如io.net与 Walrus 整合的去中心化方案，就为 AI 团队提供了低成本且私密的存储与计算组合。

2. 已有落地案例与探索：目前已有实际合作案例验证了可行性，如io.net与基于 Sui 构建的去中心化存储协议 Walrus 整合，Walrus 提供去中心化存储保障 AI 模型安全无篡改，io.net提供 GPU 集群支撑训练，构建了 AI 专用的去中心化存储与计算环境。此外 Filecoin 也在推进技术升级，计划成为 AI 训练的数据后端，承接更多 AI 数据处理环节。

3. 存在一定局限性：这种模式并非完美，币圈存储当前面临存储效率问题，不可变性存储虽安全，但对于需频繁更新的 AI 训练中间数据来说不够灵活；同时，部分地区的数据合规要求、去中心化节点的带宽差异，也可能影响其承接大规模 AI 核心数据存储的能力，短期内更适合作为中心化存储的补充，而非替代。