从目前的发展态势来看,SSD预计再有四年就将全面取代(HDD)磁盘驱动器。从当下到2027年,SSD的出货量增长速度将稳定超越HDD,同时每GB存储成本的下降速度也将保持相对优势。
受到读写磁头和寻道时间的天然影响,HDD的数据访问延迟和访问速度必然低于SSD。但二者的数据传输速度基本持平,且HDD的每TB存储成本仅为SSD的五分之一。不过这已经磁盘的唯一优势,其24至28 TB的容量上限已经无法比肩30.7 TB的TLC SSD与61.4 TB的QLC SSD,因此在存储空间上亦全面落败。
除了专供企业应用的大容量近线存储盘以外,整个HDD市场正面临SSD的日益蚕食。可以看到,笔记本电脑和PC高性能工作站的存储正越来越多转向SSD,用于支持关键任务的万转2.5英寸磁盘也渐渐不敌SSD。好消息是大容量近线驱动器的生命力仍然顽强,而且随着HAMR技术的落地,其容量也开始提升至40 TB甚至更高。
富国银行的Aaron Rakers表示,这些近线驱动器已然成为磁盘驱动器阵营的核心主力,约占磁盘驱动器出货量的70%到75%,收入则占磁盘行业总收入的60%以上。但受到总体经济衰退下超大规模企业、中国客户及其他买家采购速度放缓的影响,近线驱动器最近几个季度的销售额亦遭遇大幅萎缩。

最新数据显示,近线磁盘驱动器出货量已连续五个季度呈下降态势。
然而,Rakers也意识到近线磁盘出货量仍有回暖的可能。他写道,“TrendFocus的报告表明,随着宏观经济驱动的货币紧缩政策于2023年底/2024年初出现,2024年第一财季的预期磁盘供应已经售罄,早于此前库存消化预期的2024年下半年。”磁盘驱动器制造商西部数据也提到,最近似乎出现了市场需求复苏的迹象。
Rakers预计随着下半年超大规模企业需求的回归,近线磁盘驱动器市场将在2024年实现强劲复苏。Gartner则预测,2024年近线磁盘驱动器的总出货容量将同比增长22%。
Rakers还援引Gartner公布的数据,表示近线产品在磁盘驱动器总收入中所占份额预计将继续上升。随着消费级客户更多转向SSD,加之企业在近线存储以外的用例中更多采用SSD,近线驱动器预计将在今年占据磁盘驱动器总收入的72%左右,并在2027年将比例进一步提升至93%。
预计从2022年到2027年,SSD出货量将以21%的复合年均增长率稳定提升,而同期近线磁盘驱动器的出货量则保持19%的复合年均增长率。
据我们了解,从2022年到2027年,SSD的每GB存储成本将下降13%,而同期近线驱动器的每GB成本降幅相对较小,为8%。也就是说,SSD在同等容量下相较于磁盘驱动器的5倍溢价问题将有所缓解。

从2023年到2027年,SSD占企业级存储总出货量(SSD+磁盘驱动器)的百分比将稳定在31%至32%,其间再无波动。
尽管磁盘驱动器销量长期低迷,但Rakers并未发现企业存储市场有被SSD加速蚕食的迹象。他写道,“我们认为SSD的出货容量约占企业存储总出货容量(磁盘驱动器+SSD)的12%。尽管过去几个季度间NAND闪存的价格大幅下跌,但这一比例在过去几年间始终保持相对稳定。或者更确切地说,没有将要出现任何实际性变化的迹象。”
但他仍坚信企业级SSD存储产品的销量未来将会上升,并将对此保持关注:“我们将关注企业级SSD/闪存容量的部署比例是否会有所变化。”
他还认为2024年SSD每GB存储成本将会上涨,这将阻止SSD进一步蚕食磁盘驱动器的生存空间。但在另一方面,以下三大因素则可能助长这一趋势:
总体而言,我们将Rakers的观点总结为:随着2027年的到来,企业级SSD存储的出货容量比例可能有所上升。但目前还很难判断这样的上升幅度,能否在2028年及之后彻底堵死磁盘驱动器的生存空间。
好文章,需要你的鼓励
2025年,企业技术高管面临巨大压力,需要帮助企业从持续的AI投入中获得回报。大多数高管取得了进展,完善了项目优先级排序方法。然而,CIO仍面临AI相关问题。支离破裂的AI监管环境和宏观经济阻力将继续推动技术高管保持谨慎态度。随着AI采用增长的影响不断显现,一些CIO预期明年将带来劳动力策略变化。
微软亚洲研究院与清华大学联合提出双向感知塑造技术,通过创新的两阶段训练方法解决AI视觉理解中的关键问题。该技术让AI学会正确聚焦重要视觉信息,避免被无关内容误导。仅用1.3万训练样本就在八个基准测试中平均提升8.2%性能,超越使用数十万样本的专门模型,为AI视觉推理能力提升开辟新路径。
FinOps基金会周四更新了其FinOps开放成本和使用规范云成本管理工具,新版本1.3更好地支持多供应商工作流。该版本新增了合同承诺和协商协议数据集,增加了跨工作负载成本分摊跟踪列,以及云支出和使用报告时效性和完整性的元数据可见性。随着云和AI采用推动企业IT预算增长,技术供应商正在关注将成本与价值联系起来的努力。大型企业通常使用三到四家云供应商,小企业可能使用两家,同时还有数据中心、SaaS和许可等服务。
上海交通大学研究团队开发了TimeBill框架,解决大语言模型在实时应用中的时间不确定性问题。该系统通过精确预测回答长度和执行时间,动态调整AI记忆管理策略,确保在规定时间内完成任务的同时保持回答质量。实验显示TimeBill在各种时间预算下都能实现最佳的完成率与性能平衡,为AI在自动驾驶、工业控制等安全关键领域的应用提供了重要技术支撑。