當企業高管設想人工智能的成本時，通常想到的是成排的加速器、以吉瓦計的電力，以及等待芯片的排隊名單。MIT Technology Review 在10月22日發表的文章中指出，這一圖景遺漏了一項關鍵支出：數據存儲成本。
文章提出的核心問題是：模型給出回答之後，數據去了哪裡？據該文描述，大量由推理生成的後端數據——來自每日數十億次的提示、圖像和視頻——都需要被留存和處理，由此產生的存儲開銷正在成為AI規模化落地中一筆隱性卻持續增長的賬單。
被忽視的後端賬單
MIT Technology Review 的文章將當前企業界對AI成本的認知概括為“GPU與電力”的二元敘事。在這一敘事下，算力芯片的採購與運行功耗成為預算討論的焦點，而推理環節產生的數據留存需求則很少被納入成本模型。
文章指出，每一次模型響應背後，都伴隨著提示、生成內容及相關元數據的產生。當這些數據以每日數十億次的量級累積，圖像與視頻等非結構化內容的佔比又不斷提高，後端存儲的規模與費用便不再是可以忽略的尾項。
“問大多數高管，AI的成本是甚麼樣，他們很可能會看到GPU——成排的加速器、以吉瓦計的電力，以及芯片的等待名單。但這幅圖景遺漏了一些東西：數據存儲成本。”
推理數據為何持續累積
據該文描述，AI推理並非“用完即走”的過程。模型在響應請求時生成的後端數據，包括用戶提示、模型輸出、圖像與視頻等，很多都需要被保存下來。這些數據既可能用於審計、合規、模型改進，也可能只是系統運行中自然沈澱的副產品。
文章強調，正是這種“每日數十億次”的規模，使得存儲需求從技術細節演變為成本結構中的重要變量。與一次性投入的GPU採購不同，存儲成本往往隨著數據量的增長而持續累積，形成長期支出。
成本認知的盲區與後續關注
MIT Technology Review 的文章並未給出具體的存儲成本數字，但其核心判斷是：企業在評估AI經濟賬時，普遍將注意力集中在算力與電力上，而對推理所留下的數據資產及其存儲負擔缺乏系統性的審視。
這一盲區對科技與商業讀者均有參考價值。隨著AI應用從試驗走向規模化，推理頻次與多模態內容生成量預計將繼續上升，後端存儲需求也將隨之擴大。文章提示，企業若只盯著GPU與電力，可能會在成本規劃中低估AI落地的真實總擁有成本。
後續值得關注的是，企業是否會開始將推理數據的存儲開銷納入AI預算模型，以及存儲架構與數據生命週期管理策略能否跟上推理規模的增長。MIT Technology Review 的這篇文章為理解AI規模化落地的完整經濟賬提供了一個被長期忽略的視角。