当企业高管设想人工智能的成本时，通常想到的是成排的加速器、以吉瓦计的电力，以及等待芯片的排队名单。MIT Technology Review 在10月22日发表的文章中指出，这一图景遗漏了一项关键支出：数据存储成本。
文章提出的核心问题是：模型给出回答之后，数据去了哪里？据该文描述，大量由推理生成的后端数据——来自每日数十亿次的提示、图像和视频——都需要被留存和处理，由此产生的存储开销正在成为AI规模化落地中一笔隐性却持续增长的账单。
被忽视的后端账单
MIT Technology Review 的文章将当前企业界对AI成本的认知概括为“GPU与电力”的二元叙事。在这一叙事下，算力芯片的采购与运行功耗成为预算讨论的焦点，而推理环节产生的数据留存需求则很少被纳入成本模型。
文章指出，每一次模型响应背后，都伴随着提示、生成内容及相关元数据的产生。当这些数据以每日数十亿次的量级累积，图像与视频等非结构化内容的占比又不断提高，后端存储的规模与费用便不再是可以忽略的尾项。
“问大多数高管，AI的成本是什么样，他们很可能会看到GPU——成排的加速器、以吉瓦计的电力，以及芯片的等待名单。但这幅图景遗漏了一些东西：数据存储成本。”
推理数据为何持续累积
据该文描述，AI推理并非“用完即走”的过程。模型在响应请求时生成的后端数据，包括用户提示、模型输出、图像与视频等，很多都需要被保存下来。这些数据既可能用于审计、合规、模型改进，也可能只是系统运行中自然沉淀的副产品。
文章强调，正是这种“每日数十亿次”的规模，使得存储需求从技术细节演变为成本结构中的重要变量。与一次性投入的GPU采购不同，存储成本往往随着数据量的增长而持续累积，形成长期支出。
成本认知的盲区与后续关注
MIT Technology Review 的文章并未给出具体的存储成本数字，但其核心判断是：企业在评估AI经济账时，普遍将注意力集中在算力与电力上，而对推理所留下的数据资产及其存储负担缺乏系统性的审视。
这一盲区对科技与商业读者均有参考价值。随着AI应用从试验走向规模化，推理频次与多模态内容生成量预计将继续上升，后端存储需求也将随之扩大。文章提示，企业若只盯着GPU与电力，可能会在成本规划中低估AI落地的真实总拥有成本。
后续值得关注的是，企业是否会开始将推理数据的存储开销纳入AI预算模型，以及存储架构与数据生命周期管理策略能否跟上推理规模的增长。MIT Technology Review 的这篇文章为理解AI规模化落地的完整经济账提供了一个被长期忽略的视角。