電力時代的儲存效率

受 AI 成長和資料中心擴展的推動，全球電力需求正在快速攀升。2025 年 IEA World Energy Outlook 警告電網容量可能無法跟上數位需求的腳步，因此對電力可用性造成了真正的限制。AI 推論和新興的代理工作負載會加深這種壓力。對資料中心規劃人員而言，儲存效率現在至關重要。Pure Storage 平台以大幅降低的能源與空間消耗提供高效能，協助企業擴充 AI，同時維持電力、成本與永續性的限制。

為什麼電力時代的儲存效率很重要

全球電力需求正在急速成長

國際能源局 （IEA） 的 2025 年世界能源展望，確認了大多數資料中心基礎設施團隊已經看到的內容。世界正邁向電力時代。IEA 模型在各種情況下，電力需求比總能源使用量成長得更快。電力需求成長過去來自於新興經濟體。現在也來自進階市場的資料中心和 AI。IEA 預計 2025 年全球資料中心投資將達到 5，800 億美元，高於全球石油供應投資的 5，400 億美元。雖然可再生能源持續擴展，但電網成長速度和新能源供應將與數位需求的步伐並不相符。結果是 AI 系統的需求與電網能帶來的差距越來越大。

表 1：IEA WEO 2025 資料中心與電力趨勢

資料來源：IEA World Energy Outlook 2025、S&P Global、資料中心動態。

AI 推動了動力曲線

過去幾年來，資料成長是主流。如今是 AI 推論 訓練基礎模型需要短時間內大量電力。推論無所不在。當組織部署聊天機器人、程式碼助理或代理式 AI 服務時，這些模型會不斷被使用。能量消耗不會在訓練停止時結束。在 2030 年以前，即使 AI 在雲端和企業工作負載中的 AI 使用量小幅增加，資料中心的能源需求也可能增加數百兆瓦小時。推論的負載主要是增加，因為它們會隨著使用者而非模型而擴展。

AI 推論工作負載預計將成為資料中心電力需求成長的主要因素。 

資料來源：IEA 報告：Lawrence Berkeley 國家實驗室對 AI 的能源需求： 2024 年美國資料中心能源使用報告

當電力不存在時

能源供應現在是營運風險。在加州、北維吉尼亞州和歐洲部分地區，由於電網限制，公用事業已經延遲新的資料中心連接。美國西部的某些設施已建造出空閒的外殼，等待電力分配。舉例來說，在加州的 Santa Clara 郡，由於可用的電網容量無法滿足規劃的負載，因此暫停了新的專案。即使新能源專案獲得核准，線上作業也需要數年的時間。IEA 將之描述為數位擴充與實體限制之間不斷增加的緊張關係。當電力基礎架構無法跟上腳步時，資料中心開發人員會面臨更高的成本、更長的排程，以及不確定的可用性。

能源效率是新的容量

最容易找到的就是您不需要的強大功能。實際上，效率提升現在等同於容量提升。當儲存、運算和網路設備在相同工作負載中消耗較少電力時，可以為更多 AI 和更多使用者釋放電網空間，而無需新的變電站或線路。IEA 強調，跨基礎架構的彈性和效率對於避免供應短缺至關重要。這不僅使能源效能成為永續性指標，也使規劃受限。

為何儲存裝置扮演核心角色

儲存通常是能源規劃中被遺忘的元素。運算和冷卻是眾所周知的，但Oracle架構的選擇，以三種方式塑造資料中心的總負載：

1. 直接功耗：陣列每 TB 的瓦數和每 IOPS 的瓦數
   
2. 間接負載：需要多少機架、交換器和冷卻資源來支援該儲存裝置
   
3. 生命週期足跡：具體的能源、製造和處置成本

AI 工作負載，尤其是推論和代理系統，都很 I/O 繁重。它們透過向量儲存、功能儲存和檢索索引提取和推送大量資料。如果這些資料位於低效率或低密度的儲存設備上，每項查詢都會消耗更多能源和冷卻。

Pure Storage 的高效環境

Pure Storage 系統的設計原則是效能與效率的結合。Pure Storage 平台以高密度、快閃式基礎架構為基礎，可提供每瓦高傳輸量和資料儲存容量。在比較傳統混合磁碟陣列與 Pure Storage 全快閃陣列的近期內部分析中，結果顯示：

表 2：儲存能源與空間比較 

這些差異迅速擴展。跨多 PB 的 AI 資料集，FlashBlade//EXA 的佔地面積可以使資料中心的電力和冷卻使用量比競爭的 PB 規模系統減少 75% 以上。

為何推論工作負載需要高效率的儲存

推論無處不在。模型服務、擷取擴增世代 （RAG）、代理系統，以及嵌入式 AI 功能皆仰賴快速存取儲存的資料。每個模型調用都可以接觸數十億位元組的向量資料或日誌。將使用者每天的通話次數乘以數百萬，儲存 I/O 設定檔便變得相當龐大。

推論儲存的關鍵需求：

• 高傳輸量，無需 I/O 停止運作即可供應加速器
  
• 低延遲，反應迅速
  
• 高密度，可保持資料接近並降低機架數量
  
• 能效處理成長，同時不會負擔龐大的電力預算

FlashBlade//EXA 和 FlashArray FlashArray 基礎架構透過平行處理和密集的快閃設計來滿足這些需求。相同的推論輸送量，比起旋轉磁碟，甚至是混合式快閃系統，它們使用的機架更少，功耗也更少。

代理式 AI 即將來臨

代理式 AI 工作負載不僅止於簡單的推論。它們連結了多個模型呼叫、重複擷取資料，並執行複雜的推理步驟，以模擬多階段工作流程。

每次代理互動都可能涉及：

1. 輸入解析
   
2. 從向量或結構化資料庫擷取
   
3. 合理性或工具調用
   
4. 輸出產生與驗證

這些迴圈每次查詢可能會執行數十次。儲存層必須有效處理數千個小型並行請求。如果此作業是在低效率的儲存設備上運作，則每個代理程式工作階段都會增加可衡量的能源成本。隨著時間的推移，系統的總能源消耗量可能會媲美訓練負載。唯一可行的管理途徑，就是透過每層的效率和密度。

電力限制現已成為業務限制

能源限制不再只出現在永續性報告中。他們現在塑造了部署時間表、服務正常運行時間和資料中心成長。當組織無法取得足夠的電力配置時，其擴展計畫會停止。當冷卻系統達到容量時，運作時間的利潤會縮減。當電網價格飆升時，營運成本會攀升。這是數位經濟的系統性風險。許多新興經濟體現在隨著 AI 採用率的擴散而複製了這種模式。2025 年 IEA WEO 報告還警告，關鍵礦物供應鏈可能減緩新能源系統的部署，進一步加強供應。

資料中心規劃人員現在應該怎麼做

資料中心和基礎架構團隊無法控制電網建造時間表，但可以控制設計選擇。

1. 稽核與基準
測量現有儲存、運算和冷卻的總能源和空間使用量。追蹤每 TB 的瓦數和每 IOPS 的瓦數。

2. 模擬未來的 AI 需求
預估訓練和推論的成長。包括預期的代理工作負載和分散式推論模式。

3. 找出瓶頸
找出能源或空間會先限制成長的地方：機架空間、冷卻、供電或變壓器容量。

4. 現代化儲存設備
從 HDD 或混合陣列轉變為密集的全快閃系統，如 FlashArray 和 FlashBlade//EXA。如此可降低每 TB 的能源、機架數量與冷卻需求。

5. 優化資料放置
在高效能快閃上保留經常存取的推論資料，並透過重複資料刪除功能將較冷的資料移至較低層級或物件式資料儲存。

6. 與設施和公用事業保持一致
及早聯絡當地電力供應商。預測電力需要三到五年。整合儲存裝置升級與電源可用性。

7. 整合永續性指標
在基礎架構規劃中納入能源與二氧化碳資料。量化各項效率測量的減量。

8. 為能源不足做準備
規劃電源受限或延遲的情況。高效率的儲存系統，確保您仍能在現有限制內進行擴充。

規劃情境範例

中型企業 AI 平台預計到 2027 年，推論流量將達到三倍。其目前的Oracle架構使用混合式 HDD 陣列，每 100 TB 消耗約 1.2 kW。如果公司將資料容量從 2PB 擴展到 6PB，總儲存功率會從 24kW 成長到 72kW。冷卻再增加 30%-40%，將儲存設備的總負載推近 100kW。

以每 100TB 250W 的 FlashBlade//EXA 系統取代這些陣列，可將預計的儲存負載從 72kW 降至 15kW。包括冷卻，總設施負載低於 20kW。每年可節省約 700MWh、約 85，000 美元的能源成本，並避免約 300 噸的二氧化碳排放量。更重要的是，它能將專案保持在現有的電力容量內。

展望未來

IEA 預計，在太陽能PV伏的領導下，到 2050 年，可再生能源的成長速度將比任何其他能源更快。經過數十年的停滯後，核子也開始擴張。但即便有了這樣的成長，線上帶來新的清潔電力仍需要時間。AI 和資料服務比發電和電網強化的速度更快。這種不平衡將定義未來十年的基礎架構設計。儲存效率不再是附帶優勢。這是一項設計要求。每瓦效能更高、容量更高的系統，直接支援業務永續性與永續性。

最終想法

下一波 AI 將不受運算的限制。它將受到電力供應的限制。規劃能源與空間效率的組織現在將能更快速地部署、以更低的成本營運，並輕鬆達成永續性目標。Pure Storage 平台為資料中心提供切實可行的路徑。它們在一個平台上提供高效能、密度和效率，使 AI 基礎架構能夠在現實世界範圍內進行擴展。隨著 IEA 的警告，電力時代已經來臨。電力是無限的。高效率就是容量。最佳規劃時機是在方格拒絕之前。