伴随着GPU采购狂潮的，是对存储产品的巨大需求。与对特定GPU型号的选择性不同，xAI对存储的需求是全面且迫切的。

大模型训练需要处理海量的文本、图像等多模态数据，这些数据本身就构成了庞大的存储需求。

一个简单的对比是，传统数据中心可能只需几PB的存储空间，而一个前沿AI模型的训练数据集可能就需要几十甚至上百PB的容量。

xAI等前沿AI公司正在推动数据中心存储架构的变革。最新的分层存储技术将最高频访问的数据放在GPU显存中，而将海量的低频数据存储在大容量的NVMe SSD硬盘上。

这种架构转变正在引爆企业级SSD的需求。一个直观的例子是，一个拥有1750亿参数的AI模型，其训练中的一个“检查点”文件就可能达到3TB。

要保证训练不中断，存储系统必须能在极短的时间内保存如此巨大的文件，这意味着需要高达100GB/s的持续写入带宽。

据存储原厂消息，2026年的SSD产量已经被预定一空，供应紧张的局面可能持续到2027年。

xAI 的激进扩张，已经在行业里掀起了连锁反应。

最直接的冲击，体现在GPU 抢购战上。xAI 的采购规模之大，让原本就紧张的高端 GPU供应 直接雪上加霜。

业内甚至开始担心：xAI 会不会正在制造一个“算力黑洞”，把市场上本就稀缺的先进芯片和高端存储资源，源源不断地吸走。

这还不只是几十万块顶级GPU 的问题。更夸张的是，每一批 GPU 背后，都要配套数百 PB 级别的高速存储系统，对 HBM、企业级 SSD、网络设备、电力和散热的需求，几乎是成倍放大。

也正因此，一些行业专家开始提出警告：如此极端的资源集中，可能正在改变整个AI 生态结构。算力和存储越来越向头部公司集中，中小型研究机构和创业团队，未来获取高性能计算资源的门槛，可能会被进一步拉高。

如果把xAI 和其他巨头放在一起对比，这种“激进”就更加明显。

比如，OpenAI 正在规划的首个“星际之门”超级数据中心，预计部署 约 6.4 万块 GB200 芯片，已经堪称超级工程。

但 xAI 规划中的 “Colossus II” 数据中心，目标 GPU 数量几乎是它的 9 倍，规模直接拉开一个数量级。

这种夸张的差距，反映了马斯克对AGI 竞赛的独特理解：在他看来，决定胜负的核心变量，只有一个——算力规模。

如果xAI 按计划推进，其影响将远不止“买光 GPU”这么简单。它可能会在多个层面重塑整个 AI 行业：

• 硬件采购模式被彻底改写

• 存储系统架构向超大规模集中演进

• 能源消耗和数据中心建设标准被重新定义

• 研究机构与算力资源之间的关系发生根本性变化

随着越来越多的GB200、GB300 服务器上线，这些设备将接入 xAI 正在构建的超大规模算力网络。每多装上一块 GPU，都是在为 xAI 通往 AGI 的道路，再添一块“发动机”。

按照规划，未来几个月，随着GB300 服务器陆续交付，xAI 的算力集群将持续扩张，向 90 万块 GPU 的目标稳步逼近。

整个AI 行业，正在屏息围观这场前所未有的豪赌。而算力资源的流向，也正在悄然改写未来AI 研究的格局。