富士胶片投资100亿日元扩产LTO-10磁带,单盒容量达40TB,AI冷数据归档需求推动老技术复兴

日本富士胶片宣布投资约100亿日元扩建磁带产能,目标在2026–2028财年将LTO磁带产量提升至2025财年的五倍,主因是生成式AI爆发带来的海量冷数据归档需求。LTO-10单盒原始容量达40TB(...

人工智能

2026年10月29日,日本富士胶片宣布一项罕见的重资投入:计划在未来三年内投资约100亿日元(约合人民币4.22亿元),用于扩建神奈川县小田原工厂的数据存储磁带产线。此次扩产目标明确——将LTO(Linear Tape-Open)磁带产能提升至2025财年的五倍,并重点生产最新一代LTO Ultrium 10规格产品。这是富士胶片近20年来针对LTO磁带专用设施规模最大的一次投资,背后驱动力并非怀旧情怀,而是生成式人工智能浪潮下激增的冷数据归档需求。

磁带在公众认知中早已退场,但其在企业级数据基础设施中的角色从未真正消失。当大模型训练完成,GPU集群安静下来,真正庞大的数据资产才开始沉淀:原始语料库、清洗后的中间数据集、训练日志、模型检查点、历史版本权重文件……这些数据极少被实时调用,却因合规、复现或未来研究需要必须长期保存。行业称其为“冷数据”——访问频率极低,但删除风险极高。

此时,传统在线存储方案面临成本与能耗双重压力。一块企业级18TB机械硬盘年均耗电约100千瓦时,若维持一个100PB的全硬盘归档阵列持续通电十年,不仅电费高昂,散热与运维开销亦不可忽视。而磁带系统可完全离线封存,仅在读取时由自动化库启动机械臂加载,闲置期间零功耗。富士胶片测算,在100PB数据、十年保存周期的典型场景下,自动化磁带方案相较全机械硬盘方案,总体拥有成本(TCO)降低约86%,碳排放减少约95%。

文章配图

安全性同样是关键优势。勒索软件攻击已成为数据中心常态威胁,而物理隔离的磁带可实现“气隙备份”(air-gap backup)——即使主系统被加密锁定,离线磁带仍保有完整副本。这一特性使磁带成为金融、科研与政府机构数据韧性的核心组件。欧洲核子研究中心CERN早在2025年12月就披露,其大型强子对撞机累计保存实验数据已达1EB(100万TB),其中约6万盒磁带承载了绝大部分历史数据;未来十年新增数据量预计将是此前总量的十倍,磁带仍是其首选归档介质。

手持LTO磁带盒特写,磁带正被拉出

技术演进常被误认为停滞。事实上,LTO标准自2000年第一代推出以来,单盒原始容量已从100GB跃升至2026年量产的40TB——26年间提升400倍。2025年6月富士胶片首发LTO-10 30TB版本,同年12月即升级至40TB,并于2026年初开始供货。按理想压缩比2.5:1计算,理论有效容量可达100TB。一盒仅10厘米见方、厚2.15厘米的磁带盒内,卷绕着长达1337米的钡铁氧体磁带(相当于三圈标准田径跑道),其微观结构经纳米级优化,磁性层厚度控制在100纳米量级,以支撑超高面密度记录。

LTO-10的连续传输速率最高达1200MB/s,虽无法媲美NVMe SSD的随机读写性能,但在批量归档与恢复场景中效率可观。其顺序访问特性恰恰契合冷数据使用模式:一次导入百万级文件,数小时后整批调取用于模型回溯或审计,无需毫秒级响应。正如计算机科学家安德鲁·坦嫩鲍姆的著名论断:“永远不要低估一辆满载磁带、在高速公路上飞驰的汽车的带宽。”——当数据规模达PB乃至EB级,物理运输有时比网络传输更高效。亚马逊AWS曾于2016年推出Snowmobile服务,用定制卡车单次运送100PB数据,虽已于2024年停用,但印证了超大规模数据迁移的现实瓶颈。

市场数据印证了这一趋势。LTO联盟2026年9月发布的统计显示,2024年全球LTO磁带出货容量达176.5EB,创历史新高,同比增长15.4%;2025年小幅回调至160.3EB;进入2026年第一季度,伴随LTO-10上市与AI归档需求释放,出货容量同比暴增57%。需注意,此处“出货容量”指磁带提供的总存储能力,而非物理盒数,反映的是企业采购规模的真实扩张。

值得注意的是,磁带复兴并非替代SSD或HDD,而是构成分层存储架构的关键一环。现代AI数据中心普遍采用“热-温-冷”三级存储策略:热层由DRAM与NVMe SSD承担实时推理与训练;温层由高吞吐SAS/SATA HDD存放高频访问数据集;冷层则交由磁带库管理长期归档。这种架构在保证性能的同时,显著优化了全生命周期成本。

尽管消费级市场早已告别磁带,但企业级数据基础设施正经历一场静默变革。当生成式AI不断产出指数级增长的数据洪流,如何经济、安全、可持续地保存“数字遗产”,成为比算力更紧迫的工程命题。磁带——这个诞生于20世纪50年代的技术,凭借其不可替代的离线性、低成本与高密度,在AI时代悄然重获战略地位。它不参与实时计算,却默默守护着每一次模型迭代的来路与可能的归途。