Vision & Strategy 洞察、远见与策略

Vision 与 Strategy 始于提问，1 年、3~5 年后、乃至 10 年后，我们应该处于什么位置，团队和部门应该在做什么，应该以什么样的方式工作。Vision 并不是指寻找最新技术趋势，并学习和应用它们。Vision 是“当事者”需要预测正确的技术趋势，确定投资方向，并用数据驱动和系统分析支持其的结论。

总的来说，其思考方式更接近于 产品经理、商业分析（Business Analytics）、市场调研（Market Research），而不是技术开发工作。当然，向内，其也需要良好的技术基础（见 A Holistic View of Distributed Storage Architecture and Design Space）。向外，其需要勘测市场和竞争对手，以及我们的位置。向前，其需要对趋势和规模（Scale）的预测。

为什么需要 Vision 与 Strategy？有许多方面的原因：

• 职业发展：随着级别的提高，职位期望从接收 输入 逐渐变为提供 输出。例如，初级个人开发者 关注做好被交给的任务，从管理者接收输入。而 有经验的个人开发者 常常需要制定项目的策略（包括技术上的），并日常地为管理者提供输入，例如可能的创新方向、团队的发展空间。管理者 的工作则更接近于投资（见 关于市场的分析 章节），洞察未来趋势并执行正确的策略，是本职工作之一。见 [95]

• 长远计划：更高的职位期望能够 管理更长的时间跨度。例如，初级开发者 大约需要制定未来 3 个月的计划，而 有经验的个人开发者 常常需要制定未来 1 年的计划。管理者 则更长，往往需要看到未来 3~5 年的，在项目管理计划外，更多的是团队发展的远见和策略。见 [95]。

• Leadership：Leadership 指在平等交流下，依靠远见和魅力吸引跟随者（Manage by influence not authority）。向 Leadership 发展要求当事者成为 Visionary 或 Thought Leader。当其他人与当事者交流时，应当总是能够受到 鼓舞 和 启发（Inspired）。Leadership 也是管理者（Manager）的职位要求之一。见 [96]。

• 系统架构：良好的系统架构常常能够工作 10 年以上，而考虑到存储系统较慢的迭代速度（数据不容损坏），也许开发就花掉 5 年（至成熟稳定）。架构师本质上是在 面向未来工作，需要了解未来的市场需求，在未来的技术发展的基础上做出决定。尤其是，硬件能力的发展是指数速度的。另一方面，架构决策需要被映射到 财务指标。

• 创新（Innovation）：创新是 日常工作（见 关于市场的分析 章节），也是为团队寻找 发展空间。创新即包括寻找技术的发展趋势，也包括分析市场的需求变化，即有 洞察 已有系统的“更进一步”，也有问最好的存储系统应该是什么样（Gap Analysis）。寻找创新需要 Vision，实施创新需要 Strategy。

本文主要围绕存储系统，在（云）存储行业的背景下展开。后文将依次讲解“一些方法论”，“理解股价”，“存储系统的市场”，“关于市场的分析”，“存储系统中的硬件”，“案例分析：EBOX” 各个章节。

• 方法论 部分将搭建 Vision 与 Strategy 的思考框架。

• 股价 部分将分析其原理，理解公司的目标，并映射到团队。

• 市场 部分纵览存储系统的竞争格局，并分析市场的关键特性、颠覆式创新、以及价值。

• 硬件 部分建模其能力和发展速度，并深入观察其要点。

• 案例分析 部分将用一个实例实践本文的分析方法，有许多有趣的结论。

目录

• 一些方法论
  • Critical Thinking
  • Case Interview
  • Strategic Thinking
  • Business Acumen
  • 信息收集
• 理解股价
  • 股价由什么构成
  • 股价应该涨多快
  • 什么推动股价增长
  • 团队的目标
  • 注意
• 存储系统的市场
  • 分类
  • A. 云存储
  • A. 主存储
  • A. 备份和归档存储
  • B. 文件存储
  • B. 对象存储
  • B. 块存储
  • B. 数据库
  • C. SSD 存储
  • C. HDD 存储
  • C. 磁带存储
  • C. 内存存储
• 关于市场的分析
  • 市场的结构
    • 客户组成
    • 市场的天然结构
    • 市场的天花板
    • 对相邻市场的渗透
    • “推论”
  • 市场的生命周期
    • 市场的阶段
    • 新市场的来源
  • 颠覆式创新
    • 渐进式创新
    • 颠覆式创新
    • 颠覆式创新的特性
    • “推论”
  • 驱动因素
    • 规模增长
    • 新技术
    • 成熟度
    • 商业模式变化
    • 政策合规
  • 什么是价值
    • 关系
    • 复杂性
    • 速度
    • 文化
    • 资产
    • 数据
    • 粘性
    • 垄断
    • 关于：有价值的技术
    • 关于：价值与市场周期
    • “推论”
  • 总结
• 存储系统中的硬件
  • 数据表
  • 额外成本
  • 与公有云价格的比较
  • 选择 HDD 和 SSD
  • 硬件发展的推动因素
  • 观察和要点
  • 软件的价值在哪里
• 案例分析：EBOX
  • 什么是 EBOX
  • 存储系统的成本收益
  • 研发成本的摊薄
  • 供应商和市场
• 总结
• 引用

一些方法论

Vision 与 Strategy 涉及一系列对未来和趋势的思考，以及对企业架构的理解，以使项目获得确实的投资回报。更重要的是，它需要用系统的分析和数据支持预测的结论。总的来说，其思考方式更接近于 产品经理、商业分析（Business Analytics）、市场调研（Market Research），而不单单是技术开发工作。

本章介绍关于 Vision 与 Strategy 的方法论（Methodologies）。将依次介绍 Critical Thinking、Case Interview、Strategic Thinking、Business Acumen、信息收集。介绍内容更多是大体框架，重要的是思考、实践、经验。

Critical Thinking

Critical Thinking 和批判性思考关系不大，更接近于 Problem Solving。“Critical” 更接近于 Critical Path。之所以用英文名，是因为直接翻译成中文后，含义一定程度发生曲解，下同。LinkedIn 的 Critical Thinking 课程 [91] 是不错的学习来源。课程包含完整知识，本文仅列出有趣或重要的点，下同。

Critical Thinking 的（部分）重点：

• 解决根因（Root Cause）而不是症状。不要直接开始做老板交给你的任务。首先，在上下游、利益人（Stakeholder）中追索，找到真正的、根因的、需要解决的问题。接下来是 定义问题，其中最重要的是 Problem Statement 和定义目标。在开始前，将你的定义讲述给其它团队和成员，看是否合理。

• 高效开展工作。你需要在 High Road 和 Low Road 中反复切换，Zoom-in/out 视角。High Road 是俯瞰视角，在 20/80 Rule 中，找到有效用的 20%，Don’t Boil the Ocean。Low Road 在地面视角，例如分析具体数据。其关键是需要不时返回 High Road，检验其业务价值（Business Impact），Don’t Polish the Dirt。

• “Critical” Path（关键路径）。你解决问题所走过的应该是一条关键路径（图论），每个任务节点必要且不多余（关联下文 MECE）。做老板不关心的工作没有意义。你提供的是 专业服务，购买你的服务很昂贵，不要浪费客户的资金。个人开发者不应只有 Low Road。最后，仔细思考任务的 优先级。

• 一些工具。例如，“5 Whys” 用来追索根因。“Seven So-whats” 用来推测行动的结果。“我们过去也这么做” 是触发 Critical Thinking 的“坏味道”，昨天的策略适合今天吗？第一性原理，更直白地说，是将问题分解（Top-down），然后累加（Bottom-up），以合理计算；这类似系统分析的方法。模仿训练（Shadow Practice），例如 Gartner 报告，你能否独立分析并得出同样的结果。切换角度，例如向另一人讲述，看其如何 Reframe 你的问题。启发式问题，例如，回顾过去 10 年，如果重新开始，你会做哪些不同。另一个 启发式问题，如何使你的产出指标（Performance Metrics）翻倍？

• 某种程度上，对 高层次（High Level）的关注和对 细节 的关注都是必要的。高层抽象的思考方式具有强大的力量，但如果长期生活在“云端”，则容易陷于思维定势（Stereotype）而无法自我修复（如管理者需避免）。自我修复需要重新进入细节层面，检验已有假设，换句话说是 第一性原理。

Case Interview

Case Interview [92] 属于商业分析（Business Analytics）或商业咨询（Business Consultant）领域，是面试商业咨询公司如 McKinsey 的一道环节。但实际上，如 Case Interview Secret（Victor Cheng 著）的书中，讲了大量分析业务问题的框架和范例，十分有益，“面试”反倒在其次。

Case Interview 的一些要点：

• 用 Proxy 估算。快速估算和口算是商业咨询的基础要求。估算有一系列方法，其中 Proxy 方法较为有趣，例如用街道人流计数、附近门店上座率等，估算新开门店的营业额。Proxy 方法可以更进一步，如按照人口统计分层、确定 Proxy 变量、分解问题，并切换另一 Proxy 来验算。

• Mindset。商业咨询的思考方法和 Critical Thinking 有很多重合，例如 Don’t Boil the Ocean、时间昂贵、专业服务。另一方面是 Independent Problem Solver：把你独自一人丢到 Fortune 500 企业的某部门中，你能够说服客户（如下面的 Conclusiveness），解决问题，并维护雇主的形象吗？极强的 Soft Skill 是必须的。

• Issue Tree Framework。Case Interview 的经典分析方法是 Issue Tree Framework，例如 Profitability 框架。其要求首先确定假设（Hypothesis），然后将问题逐层分解。分解需要满足 MECE 测试和 Conclusiveness 测试，前者指不重不漏，后者指如果所有分支为 True，那么父节点的结论无法否定。分析过程沿着树逐层深入，然后反向汇总回树根，过程中常常动态调整树的结构。Issue Tree Framework 有大量模板，但使用时常常根据问题定制。

Strategic Thinking

Strategic Thinking 用于制定公司策略，尤其是长期策略，其也往往与 Decision Making 捆绑。它是公司在未来 3~5 年后、乃至 10 年后应处位置的行动计划和导航地图。LinkedIn 的 Strategic Thinking 课程 [93] 有更多讲解。

Strategic Thinking 的一些重点：

• Win the Game。相比 Critical Thinking 中只有“我”和“问题”，Strategic Thinking 要求必须赢得“游戏”,“对手”被添加到图景中。在市场分析的上下文中，其图景更接近 Porter 五力分析。

• 观察。Strategic Thinking 首先要求观察人和对手，除了趋势，还要注意 Micro-trends。一个要点是 坏味道（Bad Small），不仅适用于编程，也适用于组织和文化，例如听到 “我们从未这么做”、“我们过去也这么做”。另一个要点是 Not be Surprised，Surprise 是管理中的术语，如果你感到 Surprise，那说明观察未到位。观察之后是思考（Reflection），It doesn’t take time, it takes space（见课程小节 Embrace the strategic thinking mindset）。

• 行动。决定做某件事，意味着决定 不 做另一件事。什么都不做，也 是一个决定。需要注意价值链中的 乘法 效用：你的时间 -> 在任务上的投资 -> 你的策略 -> 在公司层面的成效。问自己，3~5 年后，“我”如何 Win the Game，“我”会在哪里。行动意味着建立从长期到短期的任务 分解（关联 Issue Tree Framework），最终映射到 Tactics，即每天可具体执行的任务。在执行中，不时 切换 High Road 和 Low Road（关联 Critical Thinking）。

• Making Informed Strategy。好的策略（Strategy）不需要是创新的，策略的 重点在决策（Decision Making）。首先是市场 趋势、经典的 Porter 五力分析。注意从不同 来源 收集看法，包括新老群体，尤其是不同视角的。绘制（Map Out）你的 资产（Assets）和 盟友（Allies）的图谱。绘制你的 限制（Constraints），特别是 结构性障碍（Structural Obstacles）的图谱。以及 SWOT 分析。把它们放到上一张 行动 的地图上，需要是现实的（Realistic）、可达到的（Attainable）。

• 赢得支持。如何从老板、同事、雇员中赢得支持？不要急于在会议中发布你的策略或计划，此前有大量工作。首先，系统性地 与利益人会面，探讨你的计划，得到反馈并解决疑问。可以预见一定有大量反对，重点是你需要 预见所有可能的反对（关联 Not be Surprised），用合适的让步和谈判技巧在 会议前 达成一致（关联 BATNA）。最后，确保所有决定和任务是 Accountable 的，例如邮件会议小结、定期复查 Timeline。

• 监测执行进度。常见的 项目管理 被用于策略的执行过程。更为重要的是，设立 预期（Expectations）和 假设（Assumptions）。环境是不断变化的，时常 重新检验假设，并问有没有更好的 选择（Alternative）。在项目开始前（Upfront）、结束后（Retro）应该 复查。高风险的部分需要 更早、更频繁 地执行。

Business Acumen

Business Acumen 从公司的视角，讲解生意是如何开展的，以及如何推进和优化各部分（Pull the Lever）。其覆盖阅读财报、业务模型、策略、经营等方面。LinkedIn 的 Developing Business Acumen 课程 [94] 有更多展开。

Business Acumen 中一些和本文有关的要点：

• 财务报告：对应公司财报，损益表（P&L statement）可以被逐层分解：营收（Revenue）-> 扣除 COGS -> 毛利（Gross Profit）-> 扣除经营费用（Operating Expense、SG&A）-> 营业利润（Operating Profit）-> 扣除利率、税收、折旧等 -> 净利润（Net income）。围绕财务表现有很多可调节的 “杠杆”（Pull the Lever），对应上文 Profitability 的 Issue Tree Framework。一些是长期的，例如技术研发、设施兴建，一些是短期的，如减产、裁员。你可以尝试从历届财报中得出结论，并与公司发布的管理层报告（Financial Brief）对比。

• 业务模型（Business Model）：业务模型定义如何从生产商品中盈利，从原料加工角度有 价值链（Value Chain），从业务增长角度有 增长策略（Growth Strategy），从投资角度有 ROI，从成本角度有 CapEx、固定成本（Fixed Cost）、可变成本（Variable Cost）等概念。

• 运营（Operation）：业务模型 驱动 公司策略和人员配置，人员驱动运营，最终财务表现在财报上显现。围绕运营，首先是 策略（Strategy），在前文中已提及。公司的投资组合构成 Initiative Pipeline，其逐次展开实现公司的未来。营销策略 选择并帮助公司掌控客户。R&D 常与 并购 合并考虑，后者节省上市时间，并可以占有对方市场。在竞争中 保护产品 需要策略，例如快速发布，或者版权、专利。人员策略 涉及如何寻找人员、培训、组织架构、流失率等。观察公司在各个职级中开放招聘的岗位，可以了解其人员策略，以 推测 其业务策略。

信息收集

本节简单讲述如何收集市场信息，以支持 Vision 与 Strategy 分析。

• “水下”的信息（Underwater）。许多前沿的、有价值的信息，常常并未发表。例如论文作者往往提前一年已经知道某有价值的研究方向，并开始研究。而如果只阅读论文的话，一年后才能获知此信息。同理的是各高校实验室、企业研究院、开源社区等。获取“水下”信息更多依赖 社交，参与各式会议、面对面交流、寻找合作者、互惠互利。另一方面，公司拥有真实的的 客户 和 供应链，从这些关系更容易获得潜在的市场动向，甚至决定之。

• 投资。从投资新闻中可以获得新技术的动向。相比阅读论文，获得投资的技术是 被“金钱”验证 过的，并可以根据投资多少衡量其强度。投资新闻常见的有 Startup、融资、收购等等，或者看到某个新公司开始“有钱”在各媒体撰写文章，推广自己了。另一方面，有潜力的论文经常会迅速获得融资并创立 Startup，至少会开设网站。

• 研究报告。许多市场研究乐于预测未来方向，例如 Gartner、IDC。虽然企业可能会付费进行推广，但资金充裕的企业至少说明此方向确有发展前景。存储系统的市场 章节中，将看到更多例子。

理解股价

从公司角度，极为重要的目标是股价的增长（甚至是全部目标）。什么样的股价增长是合理的？如何将股价的增长映射到实际产品？对于部门或团队，需要完成什么样的目标以支撑股价？

这个目标进一步分解为团队 3~5 年的计划，映射到 Vision 与 Strategy。换句话说，股价的分析可以告诉团队，应该做到多好。股价看似和 Vision 与 Strategy 无关，却是极好的切入点。

股价由什么构成

理解股价的关键是 市盈率（P/E，Price-earning ratio）。英文原文更容易理解：股价 vs 收益的比率。

• 把股票想象成一张存折，市盈率的倒数就是它的 利率。其中，股价是 Share price。

其中，收益对应 每股盈余（EPS，Earning per share）。英文原文直白为，每股的收益。由公司的 净利润（Net income）除以股票总数（Average common shares）得到。

• 公式中，优先股息（Preferred dividends）是优先股（Preferred stock）的股息。可以 忽略，通常总量较小，甚至很少使用 [48]。

将每股盈余，代入到市盈率的公式，可以发现：

• 市盈率的倒数，是公司盈利除以公司市值（所有股票之和）。把公司想象成一张巨大的存折，市盈率的倒数就是“公司存折”的 利率。

• 换一种理解，市盈率计算，“公司存折”需要多少年，其“利息”才能付清市值。即市盈率指多少年公司 “回本”。

上文中的“公司存折”的利率，实际有多高？以 MSFT [49] 为例：

• 利率 = 1 / P/E = 1 / 37.32 = 2.68%。

• 对比，三十年美国国债利率是 4.6% [50]。（同期三月美债利率更高，约 5.3%。）

美债利率甚至高出上述“公司存折”的利率许多。相对股价，公司的盈利能力不如购买无风险的国债。为什么？

• 交易者认为尽管公司目前盈利能力不足，但未来 股价可能升值，因此持续买入，造成股价上涨，市盈率上升。

• 换句话说，股价升值的期望被市盈率反映。或者说，市盈率反映公司未来的预期，即对股价上涨的预期 [52]。

• 如果公司预期变好，股票被更多买入，市盈率上升。反之， 公司经营不善，市盈率下降。如果希望公司维持当前业绩，市盈率应该保持平稳。

另一面，净利润可以继续分解，映射到市场规模：

• 净利润等于公司的 营收（Revenue）乘以 净利润率（Net profit margin）。

• 营收可继续分解为 市场规模（Market size）和 市场占有率（Market share）。

由此，可以总结股价的构成：

• 首先是公司的 盈利能力，取决于市场规模、市场占有率、净利润率。盈利与公司市值对比，反映为利率形式，对应市盈率的倒数。

• 然后是交易者对 公司未来的期望，也由市盈率反映。其与无风险国债利率对比，可反映信念的强烈程度。

股价应该涨多快

股价应该上涨得多快？其应该能覆盖机会成本和风险溢价（Risk premium），否则交易者会选择卖出股票，购买无风险的国债。除股价上涨外，股票给持有者的另一收益是股息（Dividends）。

• 机会成本 对应无风险利率（Risk-free rate），通常由短期国债利率衡量。

• 股息收益率（Dividend yield），每股按股价比例给持有者的分红收益。

• 风险溢价，股票风险高于国债，交易者要求额外的回报。

首先来看股息收益率如何计算。股息来自于公司净利润，按比例取出后，发配到每股。

• 如果只求简单，股息收益率一般可以从股票交易网站上直接 查询 [51]。

• 股息收益率 可以分解为股票配息率（EPS payout ratio）除以市盈率。市盈率越高，股票收益率越低。

• 股票配息率 指公司净利润中，有多少比例分配为股息；又等于每股盈余中，有多少比例分配为股息。股票配息率一般不受股价波动影响。它也可以在股票交易网站上查询。

接下来看风险溢价的计算，这里使用常见的 CAPM [55] 资产定价模型。

• 风险溢价 可由 Beta 系数乘以股权风险溢价（ERP，Equity risk premium）得到。

• Beta 系数 反映某只股票的股价，相对市场均价的波动幅度 [53]，通常可在股票交易网站上直接查询 [49] 。

• 股权风险溢价 由预期市场回报（Expected market return）减去无风险利率得到。预期市场回可以股指基金得到，常用选 S&P 500 [56]。无风险利率前文已经讲到。

• CAPM 中的 股本成本（Cost of equity） 正是前文提到的无风险利率，与这里的风险溢价之和。股本成本不取决于股价，而是由市场背景决定。

套用之前的公式，现在可以计算股价应该上涨多快。以 MSFT 股票为例：

• 无风险利率取值自三十年美债，4.6% 。股息收益率直接查询，取 0.72% 。Beta 系数直接查询，取 0.89 。预期市场回报取 US S&P 500 过去五年的平均增长率，12.5%（惊人）。

• 股价上涨（年） Share price growth = 0.046 - 0.0072 + 0.89 * (0.125 - 0.046) = 10.9% 。可见，该股价 一年需上涨 10.9%，以满足交易者成本收益平衡。

• 相对高的股价上涨要求，一方面来自于当年较高的美债利息，另一方面来自于美股大盘高启的走势。

可以看到，在高利率牛市下，交易者对公司盈利要求苛刻。如果股价达不到预期，交易者将因机会成本或风险溢价导致亏损，从而卖出股票，降低市盈率和股价。最终的 股价平衡点 在哪里？假设股价不再变化：

• 继续上文的取值，股价取 $420。其它同上。假定股票配息率不变（26.9%），每股盈余不变（$11.25）。股价降低、市盈率降低，会提高股息收益率，从而平衡机会成本和风险溢价。

• 稳定点的股价 Share price = (0.0072 * 420) / (0.046 + 0.89 * (0.125 - 0.046)) = 26.0 。此时，市盈率为 2.31，股息收益率为 11.6%。此时，股息收益率正好等于股票的 股本成本，11.6%。

• 除了股价低，这看上去是一支不错的股票。确实，有许多类似的真实股票 [57] ，低股价、高股息收益率、低市盈率。注意本文只作理论分析，不构成任何股价涨跌预测，不构成任何投资建议。

还有一些额外推论：

• 股票上涨预期与公司市值无关，假设忽略股息收益率，科技公司的通常很低。从上文公式可以看到，交易者要求的股票上涨幅度取决于市场背景利率和风险。公司股价、市值甚至不在公式中（忽略股息收益率）。

• 高股价是负面作用，现在考虑股息收益率。它取决于公司因素，由每股盈余、股票配息率决定。股价出现在分母，会拉低股息收益率，从而更难满足股票上涨预期。

• 高市盈率是负面作用。同理，因为它出现在股息收益率的公式的分母。高市盈率意味着，公司盈利能力不足，但股价较高。

本节已经展示，从交易者的角度，预期股价应以多快速度上涨，以保持市盈率和股价的稳定。那么，从公司角度，应该如何促使股价上涨以符合预期？

什么推动股价增长

前文提到市盈率反映交易者对公司未来的预期。为保持公司市盈率和股价的稳定，如何促使股价按预期上涨？从股票构成的公式中可见：

• 首先，股价需要足额上涨，以跑赢无风险利率和风险溢价，即 股本成本。科技公司通常股息收益率都很低。

• 股价上涨的动力来自于公司净利润，净利润需要和股价等比例上涨，以支撑股价。

• 净利润展开为 市场规模、市场占有率、净利润率，它们是寻求增长的方向。

• 造梦。即使公司盈利能力不变，通过编织交易者对未来的乐观预期，也可推高市盈率，从而抬升股价。

从公司角度，上策是寻找高增长的新兴市场：

• 例如，全球 云存储市场 以每年 20% 以上的速率增长 [46]。单单进入这一市场，即有望满足前文中 11.6% 的股本成本。甚至不需要比同行更加优秀，类似搭便车。

• 相比成熟大型企业，小型新兴公司（SMB）没有存量市场负担。它们反而拥有更加良好的股价上涨动力。

• 科技、创新、新市场对于维系股价是必要的。

其次，公司可以寻求增加市场占有率：

• 增加市场占有率意味着 和竞争对手争夺，公司业绩必须比同行更加优秀。这是艰难的方向。

• 另一方面，这意味着在低增长的存量市场中，公司更难完成股价增长预期。大型成熟并不一定是优势。

下一个方向是提高净利润率：

• 良好的路线是出售 高附加值产品，发挥比较优势，提升科技水准，提高市场认可等。

• 另一条路线是，寻找 规模效应。随着规模扩大，固定成本降低，净利润率提高。

• 常见的路线是 降本增效。当净利润率偏低时，降本增效更加有效。见下图。

此外，公司可以通过造梦来提高市盈率：

• 市盈率反应交易者对股市预期，造梦 提高预期、卖概念，而不要求公司盈利能力提升。

• 此方法适合前期投入大，有 规模效应 或 科技积累 的业务。而一旦造梦破裂，股价可迅速下跌。

最后，真实公司的股价上涨是什么样呢？还是以 MSFT [58] 为例：

• 公司整体营收以 17% 同比增长，而 净利润 甚至增长更快，达 20%。表现出色。

• XBox 营收增长达 62%，Azure 云服务增长达 31%，Dynamics 365 增长达 23%，智能云增长达 21%。它们 远超股本成本 11.6%。

• 此外，Office、Windows、搜索、LinkedIn 都有不错的增长，在 10% ~ 15% 间。

团队的目标

股价分析帮助搭建一个从上到下、从公司顶层到具体团队的框架，明晰该以什么目标工作:

• 公司 需要股价涨幅达到交易者预期，覆盖股本成本（股价应该涨多快）。

• 增长目标 分解 到市场规模、市场占有率、净利润率、造梦（什么推动股价增长）。

• 对于具体 团队，则需要制定计划以完成上述增长。

• 对应到团队管理的某个 产品，需其市场规模、市场占有率、净利润率等达到增长目标。

具体的增长目标是多少呢？

• 从前文分析，以 MSFT 为例，增长目标是年度 10.9% 。

• 对于其它公司，按照前文公式 4.6% - 股息收益率 + Beta 系数 * (12.5% - 4.6%) 计算。股息收益率和 Beta 系数与股票相关，可直接查询 [49] 。计算结果通常在 11% 左右（互联网科技公司）。

• 对于占有新兴市场的产品，甚至要求其增长 超过 上述增长目标，以弥补公司处在市场衰退期的产品。

• 普通产品应达到上述目标，作为公司的 平均值。它们是公司的大多数。然而，11% 的平均要求并不低。

• 而 低于 平均值的产品是可能的。这意味着它们处于市场衰退期，员工面临裁员风险，职业发展空间受限。

• 本质上，增长目标是要求跑赢股市大盘以及国债利率。

最后的问题：

• 对于 个体员工，如何完成至少 11% 的年平均增长要求？注意是每年如此。（今天，你拖公司的后腿了吗？）

• 对于 团队，如何制定 3~5 年的计划，确保每年 11% 或以上的增长？这就是需要 Vision 与 Strategy 的地方了。

注意

本文是个人非专业的分析，所有文章仅表达作者个人观点，不构成对所述资产的任何投资建议。

存储系统的市场

商业策略分析通常可以分解为客户、产品、公司、竞争对手层面，进一步深入（下图）。客户、产品、竞争对手可归结为“市场”格局（Landscape）。本章将纵览存储系统的市场，列举市场的主要分区、产品功能、参与者。之后章节将进一步深入。

在不断变化的市场格局中，我们处于什么位置？3~5 年、或 10 年之后，市场版图又会如何变化，我们应在何处？理解市场是 Vision 与 Strategy 的基础。围绕市场，可以逐步揭示其结构和发展空间，什么是价值，需求，演化周期，以及背后的驱动因素。

（详见下文）

分类

第一个问题是如何将存储市场分类？本章使用如下分类来组织内容。后面各小节标题前的字母对应分类组。

• A. 经典的分类是 云存储 和 主存储。云存储来自公有云。主存储（Primary Storage）[49] 一词多由 Gartner 使用，指部署在客户本地，服务关键数据的存储系统，通常为传统存储厂商。主存储也被称作“企业存储”（Enterprise Storage）。另外，企业本地使用的另一大类存储是 备份和归档 系统。

• B. 按使用接口，存储可分类为 对象、块、文件 系统。对象存储服务由 Key 查询的不可变 BLOB，通常为图片、视频、虚拟机镜像、备份镜像等。块存储通常由虚拟机使用，作为其磁盘挂载。文件存储由来已久，存储目录和文件，可由用户直接使用，常见的是 HDFS、NFS、SMB 等。此外 数据库 也可看作存储。

• C. 按存储介质分类，存储可分类为 SSD、HDD、磁带 系统。SSD 存储昂贵、高性能，常用于文件系统和块存储。HDD 存储廉价、通用，常用于对象存储，或存储冷数据。磁带存储一般用于归档存储。此外，还有全 内存 的存储，一般用作缓存或分析型数据库。

上述对存储市场的分类是经典且常用的，也为本章讲解方便。但事实上，存储市场中的产品更为有机，为渗透对方市场、获得竞争优势，它们 互相交缠。例如：

• A. 云存储 也售卖客户近端部署的 Edge 存储，如 AWS S3 Express。主存储 也提供云端部署和云端卸载（Offloading）的版本，如 NetApp ONTAP。备份和归档 在云存储中尤其具有性价比，如 AWS Glacier。

• B. 对象存储 正变得越来越像文件系统，如模拟文件系统的 AWS S3 Mountpoint，如支持对象上的元数据和搜索，支持层级的对象路径。数据库 有 Key-Value 接口的产品如 RocksDB，而 SQL 数据库也往往支持非结构化数据，类似对象存储。块存储 不单用于虚拟机磁盘，也可为数据库提供 Page 存储。另外，各种存储系统的底层也可统一到 共享日志存储，如 Azure Storage，Apple FoundationDB、Log is Database 设计。

• C. SSD 存储 常常将冷数据卸载到 HDD 存储，以节省 SSD 的昂贵成本。HDD 存储 常常将 SSD 作为缓存，或 Write Staging。内存 被用作各种存储介质的缓存和索引，而内存存储系统也往往支持将冷数据或日志写到 SSD。

此外，为了简洁，本章省略了一些次要的分类。例如，

• 按用户企业规模，可将市场分类为 SMB、大型企业、特殊领域。这个分类基于客户侧。

• 企业存储也常按 DAS、SAN、NAS 分类。这个分类与对象、块、文件存储部分重合。

• 除磁带外，归档存储还可使用 DNA 技术，如今正在快速发展。

• Cyberstorage 是在 Ransomware 背景下的新兴存储分类，不过更多地是作为安全功能集成在已有产品中。

• 向量数据库是在 AI 背景下的新兴数据库类型，而传统数据库也往往集成向量支持。

A. 云存储

关于预测市场未来的方向，咨询公司的分析报告是良好的信息来源（Gartner、IDC 等）。尽管报告付费，但通常有 额外来源：

• 头部公司通常愿意提供免费的公开版本，作为公司的自我宣传。

• 博客、报道尽管不是第一手资料，但也能反映主要内容。一些博主有专门渠道。

• 在 Google 搜索前加入 filetype:pdf，可有效找到资料。

• 在 Google 搜索后加入 "Licensed for Distribution"，可找到 Gartner 公开的文档。

• 切换英文、中文搜索引擎、Scribd，可以找到不同内容。中文社区可能保存一些文档。

• 此外，阅读主导产品的用户手册也可了解领域的主要功能和评估指标。

Fortune 预测全球云存储市场规模在 $161B 左右，约 21.7% 年增长率 [46]。相比之下，全球数据存储市场规模在 $218 左右，约 17.1% 年增长率 [60]。可以看到：

• 云存储市场有 极好的增长率。结合 理解股价 章节可以看到，该增长率十分有利于支撑股价，而不太需要从挤压竞争对手或削减成本方面下手。

• 长期看，数据存储有趋势大部分 被云存储取代。这是由于云存储规模占比已经较高，且增长率快于数据存储整体。至少从预测来说如此。

从 Gartner 的云基础设施的魔力象限中 [61]（2024），可以找到市场的头部参与者：

• Amazon AWS：持久的领导者。AWS 在全球拥有大规模的基础设施、良好的可靠性和生态系统。AWS 是寻求可扩展性和安全性的企业的首选。然而，其复杂的服务对于新用户来说可能有挑战。

• Microsoft Azure：领导者。Azure 得力于混合云能力、与微软产品的深度集成，以及与 AI 领导者 OpenAI 的合作。Azure 的行业特定解决方案，以及协同战略，对企业有引力。然而，Azure 面临扩容挑战，也受到安全方面的批评。

• Google GCP：领导者。在 AI/ML 创新领域领先，Vertex AI 平台备受好评，云原生技术独树一帜。在环境可持续、AI 服务方面，GCP 对数据为核心的组织很有吸引力。然而，GCP 不足于企业支持和传统工作负载迁移。

• Oracle OCI：领导者。OCI 强于提供灵活的多云和主权云方案，吸引需要强大集成功能的企业。其在 AI 基础设施的投资、与 NVIDIA 的合作，巩固了市场地位。然而，OCI 的生成式 AI 服务和弹性架构仍不足。

• Alibaba Cloud：挑战者。作为亚太区的主力，阿里云在国内市场的电子商务、AI 服务方面领先。尽管拥有出色的合作伙伴生态，阿里云在全球拓展方面受限于地缘政治和基础设施。

• IBM Cloud：特定领域。IBM 借助混合云和面向企业解决方案的优势，与 Red Hat OpenShift 无缝集成。其解决方案对受监管行业有吸引力。但不足于产品组合分散，以及 Edge 战略不完善。

• Huawei Cloud：特定领域参与者。华为是新兴市场的关键参与者，优势于电信领域的集成云解决方案。在 AI/ML 研究方面出色，并在高需求的企业环境中取得成功。然而，地缘政治紧张局势和制裁限制了其全球扩张。

• Tencent Cloud：特定领域参与者。对可扩展和分布式应用优化，在社交网络集成方面独具优势。然而，其全球合作伙伴生态为有限，并且在成熟度上与全球同行存在差距。

云存储应该提供哪些 主要功能？Gartner 的云基础设施计分卡 [62]（2021）比较了各大公有云厂商，从中可以看到栏目列表，见下图。可以看到 AWS 的强劲实力。

另一方面，可将云存储看作逐步将传统存储的功能搬到云上，用主存储对标云存储。从这个角度来看，云存储应该具备哪些功能？哪些是主存储已有，而云存储未来可能发展的方向？有哪些衡量存储的关键指标？见下一节主存储。

A. 主存储

本文将主存储对应于云下本地部署的企业存储，服务关键数据，这是存储由来已久的传统领域。其增长率大致对应存储市场的大盘，由 [60] 及其配图可见（上一节），年增长率在 17.1% 左右，正逐步被云存储侵蚀。当然，实际上主存储已经与云深度结合。

从 Gartner 的主存储魔力象限中 [59]（2024），可以找到该市场的头部参与者：

• Pure Storage：持久的领导者。通过 Pure1，向用户提供主动 SLA，有利 IT 运维。融合的控制面无需外部云通信和 AIOps 的以来。DirectFlash Module 直接操作裸闪存，推动硬件、SLA、数据管理的创新。但是，Pure Storage 在美国外的用户多元化方面落后，生命周期管理计划增加了阵列的资产和支持成本，不支持计算、存储分离。

• NetApp：领导者。NetApp 提供 Ransomware 恢复保证，不可变快照。通过 Keystone 策略和 Equinix Metal 服务简化 IT 运维。BlueXP 控制面提供 Sustainability 监控管理能耗和碳排放。但是，NetApp 不为块存储提供有竞争力的 Ransomware 检测保证，系列产品不支持更大的 60TB/75TB SSD 盘，不支持计算、存储分离。

• IBM：领导者。IBM 消费计划提供产品生命周期、升级的统一定价，提供能耗效率的保证。Flash Grid 分区、迁移，持续优化负载，跨平台。但是，IBM 不提供容量优化型 QLC 阵列，不在块存储上提供文件服务，本地闪存部署不支持性能、容量分离。

• HPE：领导者。HPE 的 Alletra 服务器允许用户独立扩展容量和性能，以节省成本。GreenLake 可以在本地和 AWS 相同地部署，混合管理。负载模拟可为用户提供整全局的关于性能和容量的负载放置建议。但是，HPE 供应商在 Sustainability 和 Ransomware 方面落后，不支持更大的 60TB/75TB SSD 盘，产品-负载组合存在混淆。

• Dell Technologies：领导者。收购 EMC 后，Dell 拥有灵活的全线存储产品，APEX 提供跨本地和云的多云管理和编排。PowerMax 和 PowerStore 提供行业领先的 5:1 数据缩减和 SLA，与 Data Domain 数据备份整合。但是，Dell 不提供适用中端、高端的统一存储操作系统，这带来管理复杂度。

• 华为：挑战者。华为的多层 Ransomware 防护优秀，采用网络协作。闪存阵列提供三年的 100% 可靠性和 5:1 容量缩减保证。NVMe SSD FlashLink 支持高磁盘容量，由 ASIC 引擎加速。但是，华为在北美地区受限，不提供对 AWS、Azure、GCP 的多云扩展方案，客户集中于少数垂直领域而增加风险，多款存储产品许可过于复杂。

• Infinidat：挑战者。Infinidat 在高端全球企业市场享有口碑，提供高质量的服务。SSA Express 能够将多个较小的闪存阵列整合成更经济的单台 InfiniBox 混合阵列。在遭受网络攻击后，可从不可变快照中恢复数据。但是，Infinidat 缺乏中端产品，InfuzeOS 云版本限制为单节点架构，SSD 仅支持 15TB 硬盘。

• Hitachi Vantara：挑战者。Hitachi 允许用户在安装后五年内升级到下一代解决方案，以减少碳排放。EverFlex 简化用户订阅的流程，基于实际使用付费。EverFlex Control 将功能模块化，允许用户根据平台定制需求。但是，Hitachi 在 Ransomware 检测上落后，不提供计算存储的分离扩展，用于备份的 QLC SSD 方面落后。

• IEIT SYSTEMS：特定领域参与者。IEIT 拥有独特背板和四控制器设计，自主负载均衡，可扩展至 48 控制器。提供在线反 Ransomware 功能，通过快照回滚。Infinistor AIOps 工具提供性能工作负载规划和模拟。但是，IEIT 在中国市场之外不为人知，在全球多云扩展方面落后，独立软件供应商（ISV）生态方面落后。

• Zadara：特定领域参与者。Zadara 提供全球化的高技能的托管服务，基于低成本的对象存储和 Disaggregated 的 Key-Value 架构，利用灵活的生命周期管理来减少硬件浪费，多租户环境中的硬件可被动态重组。但是，Zadara 提供的 SLA 有限如 Ransomware 保护，商业规模和覆盖范围较小，第三方集成和 ISV 依赖于托管服务商。

主存储应该具备哪些功能？结合上文的魔力象限报告 [59]，Gartner 主存储关键能力报告 [64]（2023），企业存储主流趋势报告 [66]（2023），可以看到：

• Consumption-based 售卖模式：与传统购买整套存储软硬件不同，而是类似云服务，按实际消耗量付费。相应地，SLA 按照用户端的指标重新定义，如 99.99% 可用性。Gartner 预测 2028 年将有 33% 企业投资采用 Consumption-based 模式，从 2024 年的 15% 迅速增长。关联概念：Storage as a Service（STaaS）。

• Cyberstorage：针对 Ransomware 的检测和保护正成为企业标配，例如文件锁、不可变存储、网络监测、主动行为分析、Zero Trust 等功能 [65]。Gartner 预测 2028 年将有 2/3 企业采用 Cyber liability，从 2024 年的 5% 迅速增长。

• 软件定义存储（Software-defined Storage，SDS）：SDS 将用户从厂商专有硬件中解放，提供跨平台的、更灵活的管理方案，利用第三方基础设施，降低运维成本。另一方面，SDS 允许分离部署计算和存储资源、独立弹性地扩展，改善经济效益。AIOps 功能变得重要，常与 SDS 结合。利用公有云的 混合云 功能变得常见，该功能也常归于 SDS 名下。

• 高级 AIOps：例如实时事件流，主动的容量管理和负载均衡，持续优化成本和生产力，响应关键运维情形如 Cyber Resiliency 配合全局监控、报警、报告、支持。

• SSD / 闪存阵列 增长迅速。Gartner 预测 2028 年有 85% 的主存储是闪存阵列，从 2023 年的 63% 逐步增长，而闪存价格可能下降 40%。QLC Flash 正普及，带来 60TB/75TB 的超大 SSD 盘，具有更好的能耗、空间、制冷效率。

• 单平台支持文件和对象（Single Platform for File and Object）。针对非结构化数据，统一存储（Unified Storage）平台同时支持文件和对象。融合的系统节约成本，Multiprotocol 使管理简化。文件和对象本身有相似性，图片、视频、AI 语料文件的使用方式近似对象，而对象加上元数据和层级路径后类似文件。

• 混合云文件数据服务（Hybrid Cloud File Data Services）。混合云为企业提供跨越 Edge、云、数据中心的统一访问和管理，命名空间一致，无需拷贝。企业能够在 Edge 对数据作低延迟访问、大批量的 Ingestion，在数据中心作复杂处理，在公有云存放冷数据和备份。可以看到传统存储产品纷纷上云，公有云纷纷开发 Edge 部署。

• 数据管理服务（Data Storage Management Services）。类似数据湖，数据管理服务读取元数据或文件内容，对数据进行分类（Classification）、洞察、优化。它跨越多协议，包括文件、对象，NFS、SMB、S3，跨越不同数据服务如 Box、Dropbox、Google、Microsoft 365。安全、权限、Data Governance、数据保护、Retention 也在议题中。在非结构数据快速增长的背景下，企业需要从数据中提取价值，并按重要性管理。

• 其它常见特性，例如：Multiprotocol 支持多种访问协议。碳排放 的持续测量、报告、能耗控制。无干扰的迁移服务，从当前阵列到下一阵列，其间保证 100% 的数据可用性。NVMoF（NVMe over Fabric）是 NVMe 原生的 SAN 网络。Container Native Storage 为容器和 Kubernetes 提供原生存储挂载。Captive NVMe SSD，类似 Direct Attached 盘，为专用场景定制，强化性能、耐用（Endurance）。

另外，

• 主存储需要支持的 关键用户场景：OLTP 在线事务处理，虚拟化，容器，应用整合（Application Consolidation），混合云，虚拟桌面基础设施（VDI）。

• 主存储的 关键能力指标：性能，存储效率，RAS（Reliability, availability and serviceability），Scalability，Ecosystem，Multitenancy and Security，Operations Management。

了解主存储所需功能的另一渠道是用户的反馈。用户如何看待我们的产品？[67] 列出了用户访谈中关于某个存储产品喜欢或不喜欢的反馈。[68] 列出了一份常见的用户招标文件。从中可以看到一些容易忽视的方面：

• 易用性。例如配置简单、管理便利，在用户心中占有重要地位，不亚于性能、成本因素。对于企业用户，权限管理，与其它常用系统、协议的集成也很重要，例如文件共享、Active Directory。客户服务和支持能换来真金白银。

• 资源效率。用户本地数据中心部署的存储常常面临闲置资源，或者部分资源耗尽而另一部分资源闲置的问题。扩容是常见需求，而又需要与老系统集成兼容。类似云的负载迁移、平衡、持续优化很有用处。Disaggregated 分离扩展、购买资源，避免捆绑，可为用户带来经济效益。

• 截图只包括部分用户反馈，全文见 [67] [68] 原文。

主存储技术在未来的发展方向为何？可以从 Gartner 的 Hype Cycle 中获悉，下图来自 [69] [70] ，有不同的分类。可以看到：

• 对象存储、分布式文件系统、超融合 已被验证。DNA 存储、Edge 存储、Cyberstorage、Computational Storage、容器存储和备份 正在兴起。

• Distributed Hybrid Infrastructure (DHI) 和 软件定义存储（SDS） 是即将带来变革的技术。DHI 为用户本地数据中心提供云级别的解决方案，如 Consumption-based 模式、弹性、资源效率，并与外部的公有云、Edge 云无缝连接。其关联 混合云（Hybrid Cloud）。

• Hype Cycle of Storage and Data Protection 图类似。Hybrid Cloud Storage 类似 DHI。Immutable Data Value 归于 Cyberstorage。Enterprise Information Archiving 归于归档存储，后者也是被验证的技术，在下一节讲述。

A. 备份和归档存储

第一个问题是，备份和归档存储拥有多大的市场规模、多快的增长率？

• Market Research Future 预测 [72] 企业备份存储 在 2024 年拥有约 $27.6B 的市场规模，此后以约 11.2% 的年增长率增长。市场增长主要由数据量增长、数据保护、Ransomware 保护的需求驱动。

• 作为企业备份存储的一部分，归档存储 所占份额较小，但增长更快。Grand View Research 预测 [73] 其在 2024 年拥有约 $8.6B 的市场规模，此后以约 14.1% 的年增长率增长。市场增长主要由数据量增长、更严格的合规需求、数据管理和安全驱动。

下一个问题是，备份和归档存储的主要市场参与者是谁？从 Gartner 的企业备份和恢复软件方案魔力象限中 [74]（2023）[75]（2024），可以找到该市场的头部参与者：

• Commonvault：领导者。BaaS 覆盖广泛，包括 SaaS 应用、多云、本地部署，支持 Oracle OCI。Backup & Recovery 互操作性良好。Commonvault 将企业级功能带入有竞争力的价格。但是，Commonvault 的本地部署方面的创新落后于云端，部分用户反映体验不佳，HTML5 用户界面相比本地应用缺失功能。

• Rubrik：领导者。Rubrik 在产品定价组合方面创新，例如为 Microsoft 365 提供有基于容量的用户 tiers。Rubrik 在 Ransomware 保护方面出色，例如机器学习、在备份数据中检查异常。Rubrik 的扩展能力和出色客服持续吸引大型企业。但是，Rubrik 需平衡在安全和备份的投资，SaaS 应用覆盖有限，可选云存储有限，主要在 Azure Storage。

• Veeam：领导者。Veeam 拥有忠实的用户和 Veeam Community。Veeam 支持混合云和所有主要公有云。Veeam 在全球拥有大量合作伙伴。但是，Veeam 对 BaaS、SaaS、Ransomware 的市场需求反应缓慢，软件过于复杂，实现安全的平台部署需要仔细设计和配置。

• Cohesity：领导者。Helios 是基于 SaaS 的集中控制面，为所用备份产品提供统一、直观的管理体验。DataProtect 和 FortKnox 允许用户选择多个公有云存储位置。Cohesity 积极与不同领域的供应商组成数据安全联盟（Data Security Alliance）。但是，Cohesity 的新投资引入第三方技术依赖，Backup as a Service（BaaS）能力不足，地理覆盖有限。

• Veritas：领导者。Veritas 提供全面的备份产品，例如云和 scale-out & scale-up。NetBackup 和 Alta 服务支持云原生，在公有云运行 Kubernetes。服务和合作伙伴覆盖全球。但是，Veritas 的部分云产品仍处于早期，专注大企业而对中小企业不够友好，缺少 SaaS 应用支持（Microsoft Azure AD, Azure DevOps, Microsoft Dynamics 365 and GitHub）。

• Dell Technologies：领导者。PowerProtect 提供数据保护和 Ransomware 保护，支持本地和云端部署。其允许用户结合多个 Appliance 的平衡容量。它提供跨多个公有云的一致管理，可在 Marketplace 获取。但是，Dell 缺少 SaaS 控制面，不支持选择其它备份存储方案，高级 Ransomware 分析需要专用环境。

• 其它：挑战者、远见者、特定领域参与者。略，详见 [74] 报告原文。

接下来的问题是，备份和归档产品所需的主要功能是什么？从 [74] 可以看到一系列 Core Capabilities 和 Focus Areas：

• 备份和恢复数据：才此基础上，支持本地数据中心和公有云。支持 Point-in-time 备份、支持业务连续、容灾等场景。配置多种备份和 Retention 策略，并与公司政策对齐。Tier 冷热备份数据到不同地点，如公有云、第三方供应商、对象存储。全局去重、数据缩减。

• Cyberstorage：备份数据到不可变存储中，Immutable Data Vault。检测和防御 Ransomware。支持灾难、攻击的恢复测试和演习。为容器、对象存储、Edge 等不同目标提供保护，保护应覆盖本地、云、混合云。快速可靠的恢复，恢复书库、虚拟机、文件系统、Bare-metal 机器，恢复不同的 Point-in-time。

• 控制面：集中的控制面，在不同产品见统一，在本地、混合云端统一。管理分布式的备份和恢复任务，管理测试和演习。管理公司合规，数据保护和 Retention 政策。与常见其它 SaaS 产品、BaaS 产品的整合。控制面应是基于 SaaS 的，类似云，而不是让用户自己管理安装升级。

• Cloud-native：备份软件自身可以云原生部署，例如 Kunernetes。数据保护覆盖云原生负载，例如 DBaaS, IaaS and PaaS。与公有云服务结合，支持存放数据到云，支持在云端调度任务。备份产品以接近云的 BaaS 方式提供服务。按实际使用量付费（Consumption-based），而不是让强迫用户购买整台 Appliance。

• GenAI & ML：支持生成式 AI，例如在任务管理、故障排查、客服支持中。支持机器学习，例如用于 Ransomware 检测，自动数据分类（Classification）。

最后的问题是，备份和归档技术未来的发展方向为何？可以从 Gartner 的 Hype Cycle 中获悉 [69]（2024），见下图。可以看到：

• 数据归档、归档专用 Appliance、数据分类 已经被验证。Cyberstorage、生成式 AI、云恢复（CIRAS） [76]、备份数据重用分析 等正在兴起。

B. 文件存储

文件存储在企业和云存储中占有重要地位。首先，文件存储拥有多大的市场规模、多快的增长率？VMR 的报告 [78] 指出，

• 分布式文件系统 & 对象存储在 2023 年拥有约 $26.6B 的市场规模，年均增长率约 16%。这个增长率大致和主存储相仿。略慢于云存储整体。

• 许多报告中，文件系统和对象存储被合并统计。确实，这两种存储的用户场景相通，并且近年发展中也在吸收彼此特性。见本文 “互相交缠” 段落。

• 另外，Market Research Future 报告 [79] 中给出了（云）对象存储单独的市场规模（对象存储主要是云）。对照可发现，对象存储 2024 年市场规模仅 $7.6B ，年增长率不及文件存储，约 11.7% 。

• VMR 的另一报告 [81] 中给出了 块存储 的市场规模，可供对比。2023 年拥有约 $12.8B，约 16.5% 年增长率。块存储市场规模的增长率快于对象存储，与文件存储相仿。

Gartner 的文件和对象存储平台魔力象限中 [77]（2024），可以看到该市场的主要参与者。注意，文件系统和对象存储仍然被被合并统计。注意，这里主要针对存储厂商，类似主存储，而不是公有云（公有云见 “云存储” 一节）。

• Dell Technologies：领导者。收购 EMC 后，Dell 拥有最广泛的软硬件产品组合，包括非结构化数据和特定用途产品。Dell 拥有全球供应链和供应商。Dell 与 Nvidia 紧密合作并投资 AI 项目。但是，PowerScale 缺乏全局命名空间和 Edge 缓存，与拥有不同架构的现代闪存存储竞争加剧，依赖 ISV 解决关键需求。

• Pure Storage：领导者。FlashBlade 采用 NVMe QLC SSD，拥有行业最高密度、最低 TB 功耗，价格相比 HDD 混合阵列具有竞争力。Evergreen//One 和 Pure1 的 AIOps 功能和监控确保用户 SLA 。FlashBlade 与 Equinix Metal 合作，将本地基础设施扩展到全球。但是，Evergreen//Forever 方案显著增加了资本支出，Ransomware 检测能力有限，混合云支持有限，如 AWS、Azure、GCP 中以虚拟机、容器部署。

• VAST Data：领导者。VAST 的战略合作、营销大量增加大客户。VAST 使用 QLC 闪存、先进的数据缩减算法、高密度机架。终端用户认可其出色的客户服务，如知识、售前、架构，订购、部署。但是，VAST 缺乏品牌集成的 Appliance 因而难以吸引保守型全球企业，高频软件更新带来不稳定，缺少企业及功能如同步复制、Stretched Cluster、Geodistributed Erasure Coding、Active Cyber Defense，混合云吸引力有限。

• IBM：领导者。IBM 在 HPC 市场处于领导地位，与 AI 结合。文件和对象提供全局命名空间，跨越数据中心、云或 Edge、非 IBM 存储。IBM 持续增强 Ceph 存储，受开源用户青睐，统一文件、块、对象存储。但是，IBM 产品组合复杂，云支持不足，文件存储倾向 HPC 而通用场景不足。

• Qumulo：领导者。Qumulo 在 Azure 上提供 SaaS 的简便和云弹性。其软件在本地和云端部署提供一致的功能和性能。Qumulo 的全局命名空间提供跨越本地和多个云的访问。但是，Qumulo 缺乏 Ransomware 检测能力，不提供自己的硬件设备而依赖第三方，全球覆盖有限。

• 华为：挑战者。OceanStor Pacific 提供统一平台文件、块、对象的统一存储。从 AI 性能到数据管理，华为拥有专有硬件技术，包括芯片和闪存。客户支持和服务收到高度评价。但是，美国制裁和地缘政治限制全球扩张，对其它公有云如 AWS、Azure、GCP 的支持有限，不提供灵活的 SDS 方案。

• Nutanix：远见者，远见程度超越所有领导者。NUS 平台可 Consolidate 各类用户存储负载，在混合云下集中管理。NUS 简化实施、运维、监控、扩展的管理。客户支持服务在可靠和响应方面受到认可。但是，超融合（Hyperconverged）平台不受只想购买存储的用户认可，文件和对象在混合云部署中认可有限，不支持 RDMA 访问 NFS 因而不适合低延迟场景。

• WEKA：远见者。并行文件系统适用最苛刻的大规模 HPC 和 AI 负载。Converged 模式允许文件系统和应用运行于同一服务器上，并提高 GPU 利用率。混合云在各公有云、Oracle OCI 中广泛可用，但是，备份和归档方案不具备成本效益，S3 和对象支持有限，缺少 Ransomware 保护、AIOps、同步复制、数据效率保证、地理分布对象存储。

• Scality：远见者。Scality 的 RING 架构支持 EB 级部署，独立扩展性能和容量。Scality 追求纯软件方案，能够运行在广泛的标准硬件上，无论 Edge 还是数据中心。RING 数据保护支持地理分布，跨多个可用区，零 RPO/RTO，极高 Availability 和 Durability。但是，作为 SDS 方案，其依赖外部供应商，不具备交付 Turnkey Appliance 的能力；文件由对象存储集成 POSIX 实现，因而不适用 HPC。

• 其它：特定领域参与者。略，详见 [77] 报告原文。

文件和对象存储系统应该具有哪些主要功能？从 Gartner 魔力象限报告中可以看到一系列 Core Capabilities 和 Top Priorities，如下列出。另一方面，可以发现它们与主存储、备份和归档存储的主要功能 皆相通相似。

• 统一命名空间（Global Namespace）：文件跨本地数据中心、Edge、多个公有云统一管理和访问。支持地理分布、复制保护。支持 混合云、S3，以及多种文件访问协议。统一存储（Unified Storage），文件、块、对象由统一平台服务。单一平台处理高性能和数据湖。

• AIOps：支持 AIOps、简化、统一的管理配置，自动化。拥有出色的客户服务，在知识和架构方案等方面。数据管理，如元数据分类、成本优化、数据迁移、分析、安全。数据生命周期管理。元数据索引、文件和对象 Labeling/Tagging 。软件定义存储 SDS。

• Cyberstorage：提供 Ransomware 的检测和保护，在攻击中保持业务连续性。响应和恢复数据。当然，传统的数据加密、认证等安全功能必不可少。

• 成本和性能：采用具有容量、能耗优势的 QLC 闪存。提高机架存储密度。去重、压缩、纠删码等数据缩减技术，以及数据效率保证。使用闪存或 SSD 加速文件访问，提供缓存，并对闪存作数据缩减。RDMA 访问降低延迟，Edge 存储降低延迟。支持线性扩展，支持分离扩展性能和容量，妥善处理性能和容量的 Burst。STaaS 模式 Consumption-based 付费。管理能耗和碳排放。

• 不同用户场景：通用文件系统、数据库、对象（或按对象的方式使用文件）、HPC 及 AI，是不同的用户场景，在功能和性能上各有取舍。或者见下面来自 Nasuni 的“企业文件-数据量”图 [80] 。

文件也是主存储功能之一，关于未来发展趋势、Hype Cycle，不再重复。参见 “主存储” 一节。

B. 对象存储

对象存储和文件存储经常被合并统计，其功能相通，例如 Gartner 的文件和对象存储平台魔力象限中 [77]。上一节 “文件存储” 已经包含对象存储，本节不再复述。

另一方面，对象存储的经典场景是云存储，见前文 “云存储” 一节，本节不再复述。云存储所需功能也可与存储厂商对标而得，见 “文件存储” 一节。

B. 块存储

VMR 的报告 [81] 中给出了块存储的市场规模和增长率，在 “文件存储” 一节中已经包含在图中。

块存储是主存储的核心功能之一，通常合并到主存储中统计，“主存储” 一节已经包含，不再复述。现代平台常常是统一存储，同时提供文件、块、对象服务。

另一方面，块存储是云存储的经典场景之一，见前文 “云存储” 一节，不再复述。

B. 数据库

数据库的市场规模和增长率如何？从 Grand View Research 的预测可以看到：

• 数据库 在 2023 年拥有约 $100.8B 的市场规模，年增长率 13.1% [82] 。其中，全球 云数据库 在 2022 年拥有约 $15.05B 的市场规模，年增长率 16.3% [83] 。

• 与前文 “云存储” 一节对比，可以发现：1）数据库的主要市场在非云。2）云数据比非云增长更快，但远不及云存储（21.7%）。3）云存储市场比数据库大得多。

综合前文各节的市场规模和增长率，这里可以绘制 各存储类型并比较，可以看到：

• 云存储 拥有最大的市场规模和最快的增长率（21.7%），拥有良好的投资价值。其次是 非云的数据库 市场，规模较大，增长率较低（13.1%）。

• 文件存储、块存储、云数据库 市场规模较小，但增长率不错（16%~17%）。而 对象存储 较弱，市场规模小，增长率较低（11.7%）。

• 备份和归档存储中，归档存储（14.1%）增长快于 备份存储（11.21%）。前者增长快，后者存量大。

放大图中较低市场规模的部分：

虽然数据库存储数据，但在市场划分上， 数据库一般不被分作“存储”市场。存储通常指文件、块、对象，而数据库运行在文件、块存储上。数据库拥有庞大复杂的内容、持久活力的市场，值得另一篇文章，而数据湖跨越数据库和存储两者属性（结构和非结构化数据）。

本文围绕存储，因而不再深入数据库。下面仅列出：

• Gartner 云数据库魔力象限（2024）[84] 。

• Gartner 数据管理技术 Hype Cycle（2023）[71] 。

C. SSD 存储

Market Research Future 预测 [85]，企业闪存存储在 2025 年拥有约 $67.17B 的市场规模，年增长率约 9.89% 。

闪存存储常用于主存储、文件存储、块存储，它们是分析报告中更常见的分类方式，在前文章节中已经讲述，本节不再复述。相比 SSD，闪存是存储介质，SSD 通常指加上控制器、封装好的存储盘。

C. HDD 存储

Market Research Future 预测 [87]，HDD 市场规模在 2024 年有约 $62.43B，年增长率约 6.1% 。注意，这是磁盘而不是存储的市场。HDD 市场面临衰退，主因是被 SSD 取代。

HDD 存储常用于主存储、混合（闪存）阵列，对象存储，备份系统。后者是分析报告中更常见的分类方式，而不是以 SSD/HDD 归类，存储也常常不是使用单一介质。它们在前文章节中已经讲述，本节不再复述。

C. 磁带存储

Market Research Future 预测 [86]，磁带存储在 2024 年拥有约 $3.5B 的市场规模，年增长率约 5.82% 。相比 SSD 和 HDD，磁带的市场规模很小、增长率低。

磁带常用于归档存储。后者在前文章节中已经讲述，本节不再复述。

C. 内存存储

内存存储一般用于数据库或缓存。存储通常不会是纯内存的，因为难以保证数据持久性，尤其在数据中心断电故障中。内存在存储系统中一般用于服务元数据或索引，并不独立于其它存储类别之外。因此，本节略过内存存储。

关于市场的分析

上一章遍历了存储市场的主要分区、其中的重要参与者、各自的产品、产品的核心需求、未来可能的方向。这一章将继续深入。围绕市场，可以揭示其结构和发展空间、驱动因素、核心价值。

在不断变化的市场格局中，我们处于什么位置？3~5 年、或 10 年之后，我们位于何处？通过对规律的把握，能够帮助 Vision 与 Strategy 分析，规划未来 3~5 年、甚至 10 年之后，我们应处的方位。

市场的结构

基本的市场分析包括市场分区、市场规模、用户场景、竞争格局（Competitive Landscape）、产品和功能等，在上一章已经讲述。对于存储市场，有更多维度需要考虑。例如，市场的“天然结构”是什么？其决定产品的上限和增长模式。

客户组成

考虑开发新的产品、功能， 其对应的市场由哪些客户组成？

典型的划分是，SMB、大型企业、专业领域。作为客户类型，SMB（中小企业）、大型企业对产品的需求、营销策略显著不同。尽管大型企业能提供丰厚的销售利润，但 SMB 议价能力（Buyer Power）的要求更低，避免带来大量定制需求，甚至把公司变成运维。

如今，政府采购 应被添加作新的客户类型。此外，个人消费者 也应被添加，其常购买网盘存储（见下文 Empower Everyone）。在此之上，购买方 垄断程度 应作为市场的结构的关键考量之一。而销售方，开源 应被添加为竞争者。

这个话题进一步引导向 Porter 五力分析 [88]：竞争者、供应商议价能力（Supplier Power）、购买者议价能力（Buyer Power），替代品威胁、新进入者威胁。

相似的分类是，低端、中端、高端，覆盖不同偏好、规模的客户。低端走量、标准化。高端服务大型企业、定制需求，或特殊专业领域。

另一个关于客户的维度是 粘性，例如社交网络。详细内容见下文 “什么是价值” 小节。

市场的天然结构

有些市场天然具有 规模效应，例如水电、云计算。竞争最终导向参与者兼并，留存少数企业，而存活者享受营收和利润率的双重上升。

而另一些市场具有 反规模效应，例如教培、咨询、猎聘、投资。市场允许新小参与者不断加入，大型参与者导致分裂，而成熟的个人、团队倾向单干。

与此相配的市场维度是 增长模式。规模效应下，互联网产品的用户数量可以 指数 增长 。高 COGS 、人力成本占固定比例时，如制造、运维服务、外包定制，产品趋于 线性 增长。反规模效应下，产品增长甚至会 递减，另一种递减是市场衰退。

市场的天花板

在一轮市场生命周期（见下节）中，市场规模最终能增长到多高？这和市场的天然结构相关。一个参考是 O(P)：调查每一个人，有 P 概率使用该产品。

O(1) 规模的行业少见且珍贵，例如社交 App 和支付应用，每人都用。而好莱坞电影虽然知名，却未必每人都看过。O(1) 的行业上限极高，渗透力强。反之，则天花板有限，往往需走高端路线提高单价。

某种意义上，Enable Everyone / Empower Everyone 的经济效益，是增加 O(1) 级行业的数量，扩大 O(P<1) 行业的覆盖。

对相邻市场的渗透

新兴、高速发展的技术不仅能够革新自身行业，往往也对临近行业进行渗透，进一步扩大市场和销售范围。

例如，云计算发起自售卖计算、存储资源，但逐渐取代了企业的本地运维。对象存储原本用于存储图片、视频，但统一存储平台（Unified Storage）有能力兼管文件、块服务。互联网平台对各行业的渗透显而易见。

除增长模式外，渗透能力 是衡量市场潜力的另一维度。另一种说法是，1+1>2，多种产品形成逐步加强的循环反馈（闭环）。

反过来，易被渗透 的市场是不利的，往往需要配套投资相邻市场，利用产品组合构筑护城河。

“推论”

从个人 职业发展 角度考虑，所加入的市场分区起到重要作用。当产品具有规模效应时，企业倾向保留少量、尖端的人力，不吝惜给予高薪酬，因为成本不在此处。人力是成本还是 Multiplier？

当产品具有线性增长模式时，薪酬往往不高，但好在工作数量较多。市场天然利润率预期工资水平。见 理解股价 章节。

大规模 裁员 往往意味着市场处于递减、衰退阶段，此市场对职业发展非常不利，“被赶走” 至少避免主动处于不利市场。

市场的生命周期

从市场结构继续，下一个关键的维度是市场的生命周期。未来数年后，我们的团队和产品将处于什么位置？市场结构解释增长和上限，而市场生命周期预测其阶段。基于此制定策略，并为下一周期铺路。

市场的阶段

市场阶段可以 划分 为导入期（Introduction Stage）、成长期（Growth Stage）、成熟期（Maturity Stage）、衰退期（Decline Stage）。

新技术在导入期潜伏于小众爱好者，先进但增长缓慢。在成长期快速爆发，指数增长。在成熟期激烈竞争和兼并，比拼质量和客户留存。在衰退期被逐渐取代，营收、利润率双降。

更重要的是，通过市场分析预测 什么时候 该市场进入成长期、衰退期等阶段，以此计划策略转向。

新市场的来源

新的市场往往来自 规模增长、新技术、成熟度、商业模式变化、政策合规。在下文 “驱动因素” 一节详细讲解。颠覆式创新是市场更新的源动力。

颠覆式创新

本节仍属于 市场的生命周期 一节，但因重要性独立。这可以说是最重要的概念。科技行业中，颠覆式创新（Disruptive Innovation）是市场更新的 源动力。颠覆式创新是市场周期的开始和终结。

（更多关于创新，见 Methodologies for Skilled Innovation）。

渐进式创新

在未跳出单一市场生命周期前，企业增长一般依赖 渐进式创新。但随着复杂性积累，边际收益（Marginal Gain）降低，阻力增加。市场增长放缓，竞争加剧，陷入“内卷”或停滞。

另一方面可以看到，无论是渐进式创新还是颠覆式创新，企业的日常工作离不开创新。渐进式创新本身并不简单，其需要经验和洞察，以找到有效的“百尺竿头更进一步”，并带领团队成功实施。

颠覆式创新

颠覆式创新带来新的技术和新的范式，新一轮市场周期 由此开始，并替换、终结上一市场。

新技术在导入期潜伏于低端市场，往往不被原市场的成熟参与者发现。新技术进入成长期后，快速夺取大量用户，而原市场被迫进入衰退期。对于被替代的原市场参与者，此时 规模大成为负面因素（见 理解股价 章节），往往难以自由应对。最终，新技术夺取高端市场的桂冠，完成市场替代。旧新交替，重复循环，行业在一轮轮叠浪式的周期中发展 [90] 。

颠覆式创新有很多例子。例如，云计算渗透企业存储、数据库、运维市场，NewSQL 将 Scale-out 分布式带入数据库，统一存储（Unified Storage）引入 SDS 并实现分布式文件系统，容器和 Kubernetes 革新集群管理。下图中有更多例子 [90] 。

颠覆式创新的特性

颠覆式创新的 “发展进步” 体现在多个方面。新技术比旧技术具有更高的生产力和效率，达到完全替换后，市场天花板额外增高。新技术更具活力，除替换原市场外，对相邻市场进行渗透，进一步拓宽市场规模。新技术需要翻新原有产品和上下游配套，导致 重写代码，带来新一轮劳动力需求，从“内卷”中解放。

“重写”意味着，颠覆式创新并不抛弃上一市场周期的产物。知识、经验、旧有路线被 带入下一周期复用，螺旋上升。例如，DPU 是存储领域的新近创新，但 ASIC 在交换机中使用已久 [89]，而 SDS 之前的存储本就是“专用硬件化”的。长期看，软硬互相 交替摇摆。上一周期、上上周期的经验有高重用价值。

近年来，颠覆式创新在加速，市场周期在缩短。曾经的传统行业，老技术可以干一辈子。存储、服务器等后端技术，大约可以续用十到二十年。而互联网的快速迭代、前端技术，也许五年就已经面目全非。生成式 AI 的快速发展更惊人，突破成果的发布以月记。加速趋势得益于生产效率的提高，全球协作便利，开源基础设施完善，金融投资的远见，以及对企业快速扩张的支持。

“推论”

颠覆式创新下的新市场周期，往往“重写”上个周期的产品，重复上上周期的路线，“螺旋上升”。这意味着 老员工尤其重要，因为他们经历了上一周期乃至上上周期，其经验和目睹的历史，可以在下一市场周期复刻。（这与如今职场的 35 岁淘汰风气相反。）

另一方面，新手有特殊价值。颠覆式创新要求跳出固有范式（Think out of box），新手是难得的屏蔽思维定势和切换视角的机会。向他们咨询，赶在其被团队“污染”之前。而成熟员工往往或多或少已被团队“污染”，沿袭 We always do this before，习惯“成熟”经验和视角，并将“污染”新人。

颠覆式创新意味着，当前的工作一定会“完蛋”。而现代的颠覆式创新在加速，市场周期在缩短。这意味着未来的个人 职业生涯将更短，可能在五到十年后面临技术换代，大规模裁员。而新一届毕业生更有竞争力，拥有针对新技术的系统完整的训练。

新技术换代的被驱逐者也是 曾经的得利者。快速换代的市场中，新人总有大量机会进入，超越老人，获取高薪。市场不易形成“辈分”和壁垒，更加吸引新人加入。

驱动因素

是什么驱动源源不断的新需求，供各个市场参与者存活与成长，并周期性地开启新的市场周期？对于存储市场，驱动因素来自多个方面：规模增长、新技术、成熟度、商业模式变化、政策合规。掌握驱动因素帮助确定未来的发展空间和方向。

规模增长

相比其它市场，存储市场的一大特点是 天然的规模增长，不间断且速度不低，支持约 10%~20% 的市场规模增长。

为应对规模增长，催生各式创新。例如，软件层面上，分布式文件系统支持线性扩大数据规模，以及整个大数据生态。硬件层面上，多数硬件能力逐年指数增长，见 存储系统中的硬件 章节，并伴随逐代技术升级，例如 PCIe、QLC 闪存。运维管理上，SDS 允许更便利、弹性地管理大量、异构的存储设备，以及云计算。

数据增长同时伴随 能力效率的提升。一个人能管理多少数据？从旧时代的一个人管理一台机器，到运维中一个人管理 1PB 数据，再到云时代一个小团队管理全球数百数据中心。

新技术

市场更新的源动力来自 颠覆式创新。技术换代、范式转移（Paradigm Shift），带来原产品的 “重写”、重建、上下游重配套需求，诞生大量工作岗位。新市场在 替代 原市场的过程中，重新产生大量购买需求。新技术往往诞生_之前不存在的 新场景，进一步催生需求。

新技术的另一增长来自 硬件发展，其能力指数提高。更强、更快、更大、更便宜，使不可能的场景变成可能，使昂贵的产品变得触手可及，奇迹被瓶装出售、打折甩卖。

随之而来的是 软件层面 的需求。软件需要 整合 异构硬件、适配 下一代，优化 SKU 组合甚至 Co-design 。软件需要 集成 不同企业系统，并统一 管理 大量设备。软件需要提升 资源效率，并尽可能地保留硬件的原生 性能。而为了应对 复杂性 和 易变性，也催生更多技术。见 存储系统中的硬件 章节 - “软件的价值”。

成熟度

随着市场走向成熟，客户期望产品提供更丰富细化的功能，这一过程伴随 渐进式创新。它们提供了参与者日复一日的工作。

对于存储系统，具体的期望是：更大规模的数据，更好的性能，更高的可靠性，更低的成本，更便利的管理，更安全，更丰富的功能，更强大的集成，客户服务和支持。

首先，更大规模的数据，催生一系列 Scale-out、Scale-up 相关的容量、性能技术。在容量的基础上，需要分布式一致性（如 Paxos）、分布式事务、数据组织（如列存）、索引技术（如 Mass-tree）。为管理大规模的数据，集群管理（如 K8S）、部署 Orchestration、运维自动化、监控和预警技术（如时间序列数据库），应运而生。

其次，更好的性能，催生多个维度的优化，简化调用路径（如 DPDK、SPDK），高速网络（如 RDMA），负载均衡（如 Hedged Request），动态迁移等。另一方面，与硬件发展整合（如 DPU、ZNS SSD）。

在 更低的成本 需求驱动下，数据存储成本被持续降低，如冷热分层、纠删码、数据压缩、全局去重技术。另一方面，数据写入和读取的服务成本被降低，如 Foreground EC、芯片加速、分布式缓存技术。

接下来，更便利的管理 包含多个方面。客户希望见到简单易用的图形化界面，并自动升级。管理需要统一，例如混合云，跨越本地、Edge、云的边界。命名空间需要统一，常用于跨多云的文件系统，并且全球部署和访问。资源响应弹性快捷，如容器。

一大范畴是 更安全 Safety。典型的需求是数据复制、校验、QoS、备份、快照、容灾。在全球化部署下，地理复制、可用区容灾日渐普及。保护级别逐渐提高，从 5min RPO 到 Zero RPO，从低频的手动快照到 Point-in-time 和 Time Travel。另一方面，形式化验证如 TLA+，也在存储中应用普及。

另一大范畴是 更安全 Security。一部分需求来自传统的存储加密、传输加密、认证、权限、防火墙、密钥管理，补丁升级等。另一部分需求来自时新场景，如 Zero Trust、Ransomware 保护、不可变存储、隐私保护。

接下来是 更丰富的功能，有多个方向。单一功能可以 延伸至上下游，例如。数据格式 -> 可视化表格 -> 自动 ETL -> BI 统计报表 -> 复杂数据查询 -> 大规模存储 -> 数据湖 -> 专用服务器，形成产品组合，构筑护城河。单一功能可以更 完善、细化，如文件系统支持更多格式、访问协议、提供各式工具。甚至支持 定义外的功能，如数据仓库支持修改数据和事务，“打开文件”窗口支持顺手编辑无关文件，数据库集成 BLOB、时间序列、向量。功能的丰富如同 分形触手，在需求矛盾下层层深入、细化。

最后，更强大的集成，是企业应用的常见需求。在上一章 存储系统的市场 中，集成被反复提及，作为必要的竞争力。例如，办公软件集成数据库和 AI，存储平台集成第三方 ISV，数据管理集成通用的文件共享、Active Directory 等。集成也为产品跨界，向相邻市场渗透 提供窗口。集成包括众多 繁复 的工作，例如不兼容的 API、多样的数据格式、易变的业务流程、来自人的多样需求、报表和可视化、管理 Portal、持续花费的维护。

除此之外，客户服务和支持 也是存储产品走向成熟的需求之一。客户服务不单指解决产品故障，还包括为客户场景架构解决方案、选择费用合理的购买组合、部署实施等，一系列要求大量知识和专业沟通的工作。此外还有专业完善的文档写作。

商业模式变化

需求的驱动一端来自技术，另一端来自商业模式、来自客户。相比电商、社交网络、互联网，存储的商业模式变化相对缓慢，但近年来仍有一些变化。

大流行带来了 居家办公、远程工作 的普及。企业借此削减办公室租赁费用，获利于全球招聘，跨州团队日常运作。远程办公催生 Zero Trust 的需求，以及办公软件（如 Office 365）、远程会议（如 Zoom）的增长。办公文档、文件共享、会议视频促进存储需求。

另一反复提及的趋势是 STaaS（Storage as a Service，存储即服务）。使用 Web 服务提供存储服务不仅便利，省去客户的升级管理负担，还使得按实际使用量付费（Consumption-based）变得可能。相比 upfront 购买机器，企业降低了成本。云计算 也算作此趋势。

有更多趋势，例如，生成式 AI 在用户界面和客户支持中的集成，客户变得青睐 SDS 存储，容器 成为集群管理的基本模式，归档存储 在 GDPR 下的普及。

数据库市场更加活跃，例如，数据库在 SQL、NoSQL、NewSQL 间的变迁，数据仓库的 OLAP、OLTP、HTAP 混合，以及 数据湖。

政策合规

市场需求的另一变化来源是政策合规。近年来的变化有 GDPR、数据主权，以及相应的 地理跨区存储 等。

GDPR 强迫增加业务成本，也意味着增加了客户支出，从而增加市场规模。新政策规范催生新技术，以满足隐私管理、数据归档的需求，进一步扩大市场，驱动增长。

特别地，政策可以被市场的头部参与者 主动推动，以加快相对缓慢的商业模式变化。另一方面，严苛的合规要求增加行业准入门槛，排除体量较小的竞争者，加宽现存参与者的护城河。

什么是价值

关于市场的分析中，最核心的问题是，什么才是历久弥新的真正价值。这里的“价值”要求很高：

• 溢价：即使对手出售拥有同样功能集的产品，我们仍能卖出更高价格。

• 不可复制：即使技术完全泄露（或开源），我们的产品仍能卖出更高的价格。

• 稳定：不随时间衰减，跨越市场周期，在风险中稳定。

技术 能够提供良好的竞争优势，但“价值”的要求更高。技术容易被复制，专利可能被绕开。颠覆式创新注定瓦解现存技术的优势，市场周期确保这一定会发生。

核心技术 具有同样的不利问题。“核心”意味着在“大量”地方可以“复用”。那么，它是容易迁移的，只要被对手复制，就可为其所用。对手大概率会遇到相似场景，并自发地开发类似技术。一人开发成功技术，即可复用到各处，导致所有人失业（例如，开源的天然垄断性）。相反，复杂性、垄断，反而更容易构筑护城河（见下文）。

技术带来进步的 效率，例如网购平台相比实体商店的决定性优势。但这并不能阻止竞争者入场，搭建新的网购平台。相反，护城河常常围绕信任关系、垄断、迭代速度构筑（见下文）。

下面，本文将真正的价值分解为多个方面，并逐一讲解：关系、复杂性、速度、文化、资产、数据、粘性、垄断。

关系

这里的关系指连接（Connection），更接近图论，而不仅仅指人际关系。自然地，拥有广泛而丰富的连接的实体，更加健壮和稳定。连接组成链条，形成网络。

关系的例子有哪些？良好的 政府关系 帮助大型企业拿到高额的采购订单，甚至有能力影响政策，制定行业准入门槛。社交网络 构建于人际关系，广泛、粘性、挖掘价值巨大。网购平台与 大量客户连接，建立信任，获取流量。企业与 金融信任 的关系（Credit），帮助其拿到成本更低、更灵活的融资贷款。企业对 供应链 的培养，与众多供应商的紧密合作，帮助提高产品质量并稳定风险。拥有 全产业链 的企业，能够聚焦投资于单个产品以量突破，相比只有单个产品的企业更具优势。

广泛的连接让居中者成为 中介，往往比其连接的单个生产者更具优势，而 1 对 N 构成垄断优势。顺风时期，利用关系的弹性，快速扩展规模。面对风险时，中介方容易通过多重连接转嫁风险，而单一生产者则需刚性应对。中介方的优势并不依赖 技术 获得，广泛的连接易于获取 信息优势，甚至能够通过与技术端的连接，分享其利润。遍身罗绮者，不是养蚕人；牧畜产肉奶，收获却是人。

对于人而言，在能够自由选择的情况下，关系的根本是 信任（Trust）。信任是 资产、是价值，需要时间积累、维护，并且随时间增值。

复杂性

上文提到，单一核心技术难以匹配真正的价值。而持久的竞争优势往往来自众多技术组成的复杂性的 技术体系。它来自先发优势、常年的积累。其中的单个人极难完整讲述，亦或理清整个体系，乃至复制。

并且，技术体系是是 活的：拥有真实活跃的市场、竞争者、客户、销量，在持续的 反馈循环 中改进。其中有人和经验。复制活物更加困难。

如何加快技术体系的积累？持续的高速是真正的价值之一，在下节 “速度” 中讲解。它需要维持高质量的企业 组织关系、文化，维持大规模、复杂 成熟 的产品、产品组合，维持高效的 执行力、人才组合、工程实践，维持部门、客户、供应链的 关系网络，并努力降低沟通和交易成本。它们关联到本文的各章节。这些 无形资产 所体现的复杂性，需要长时间的建设，并且极难复制。

复杂性有更多的例子。典型的是 经验，其难以通过讲述、书本直接学习，其中混合大量零散片段、错乱交织，以及直觉。必须亲身经历、时间积累，正是“难以复制”。另一方面，其往往难以迁移复用，导致疏于传播、造成稀缺，反而加强在本地企业中的价值。

另一个例子是 数据，将在下文讲解。数据是现代企业的核心竞争力之一，庞大、复杂、有待挖掘，并源源不断注入。

速度

速度的英文 Velocity 更应景，指企业产品或技术体系 快速迭代 的能力。如果将产品的功能集比作城市建筑，那么速度类似 高速公路，虽然不对应直接产品功能，但对建设速度至关重要。

企业 持续 地高速迭代产品的能力，是真正的价值之一。即使被对手 完全复制 产品和技术（如开源），仍能够通过未来的速度赢得客户。例如 SpaceX 对传统航天机构的决定性优势，例如 Chrome 浏览器的频繁更新 vs IE 浏览器曾经的“年度”更新。此外，速度之外，加速度 甚至更为强大。

企业如何维持速度优势？上一节 “复杂性” 已经列举。企业需要良好的 管理体系，控制成本收益，输出高质量产品和服务，并在 成熟度（见前文小节）上持续前进，背后是企业 文化。另一方面，企业需着力 投资 和创新孵化，以应对周期性的 颠覆式创新 和原市场衰退。

从系统开发角度，成熟的 Continuous Integration（CI）系统、全球协作、GitHub 颇具价值。这里可见为何 GitHub 被 Microsoft 收购。另一方面，2C 产品在迭代速度上，天然对 2B 产品具有优势，后者的数据存储类产品尤其慢（数据不容损坏）。常见的策略是，用 2C 产品带动 2B，例如，公有云供应商 Amazon、Google、Microsoft、Alibaba 都兼具两类产品。

从速度作为“价值”的角度看，可以理解互联网公司普遍追求的 996、加班文化，此“价值”甚至超越核心技术。尽管对公司的价值与对个人的价值往往并不一致，见下文 “推论” 部分。

文化

企业文化在前文多已提及。根植于人于人 关系 的无形资产，往往最难以复制。企业文化涉及 复杂 的组织建设，历经多年积累。速度 需要企业文化支持，以维持强大的执行力和创新精神。

在与客户的关系中，品牌文化 在消费品市场中极具价值，例如众多的奢侈品。即使对手复制同样的商品，文化加持的产品也能卖出更高的价格。

在企业内部，良好的 雇佣文化 有利于维持员工稳定，以更优惠的价格招揽同样的人才。末位淘汰制 往往以危害文化为代价，牺牲真正的价值以节省开支。管理者的权利来源于裁员；重新招聘类似再抽签，而未修复任何问题。

资产

简单直接地，大量的钱就是“价值”。资产通过利率增值，是乘法，按照 指数增长，能在你 睡觉 时为你赚钱，并 持续 下去。而劳动力是加法，“时间-收入”是 线性 的，必须有你在场劳动，一次付出换取薪酬后便消失，并随年龄 折旧。

个人开发者与体力劳动者的区别在于，知识是资产。知识能够提供额外工资回报，随着经验和更多知识的积累而增值，付出后可重复使用，并得到 复杂性 的保护。知识容量可获得十倍增长，而很难想象体能获得十倍提升，如 100 米短跑从 12 秒变成 1.2 秒。况且，体育竞赛只有一个冠军，其 “内卷” 比知识工作更为严苛。类似地，996 式纯体力输出的工作方式并不明智，人无法每天工作十倍多的时间。

相应地，技术 对于公司而言，类似知识资产。公司还能大量拥有 其它类型的资产，如现金、证券、存款、品牌、用户、房地产、机器、产权、专利。众多资产需要有效 管理（见下文“管理者”），确保每一份资产的产出都至少达到 市场利率 水平。反例是，付出开发成本的项目被取消。另一方面，资产管理需要考虑 维护和折旧、税收 成本，以及 政策风险。折旧是资产的一大成本。

类似折旧，知识资产 随时间贬值（Expiring Asset），对个人开发者影响更大。而普通资产，往往能稳定产生利息，随时间增值，并通过变现阻止折旧。更重要的是，普通资产受私产 法律保护，而这并不直接适用于脑中的知识。

快速贬值的资产更需要管理。投资管理的准则之一是 多元化。而个人开发者的专精单一技术的 专家路线，可以说是背道而驰。尽管专精的技术专家在招聘中受到青睐，但对于公司，从前文看，销售 产品组合 更具竞争力。（同理，个人能力组合是否更利于招聘？）

多元化类似 众多的连接，见前文 “关系” 一节，公司部分已经覆盖。对于个人开发者而言，一种选择是在公司内积累经验并建立广泛的人脉（人脉是互惠的，而非资产排他），另一种选择是在公司外建立连接，确保知识和工作的 可迁移性（例如开源技术），第三种选择是 管理者。

公司经营的重要一环是管理者，管理者的工作本质是投资（前文提到资产管理的“市场利率”）。例如选择项目方向、雇用人员，对应的是工资等的投资。管理者使用 公司的资金 进行投资，并从投资回报中支付自己的工资。相比个人开发者，管理者的工作天然具有 多元化（也常常“多线程”）。例如同时运作多个项目、孵化多个创新、雇佣多名员工。管理者与员工满足 1 对 N 的 关系，前者在风险中更加稳定，并可分发裁员名额。管理者并不直接依赖 技术 获取竞争优势，但极具价值。

此外，许多工作岗位不具备资产的特性，却是社会运转的必要工作，献身其中的人是真正的勇士。

数据

数据是现代企业的核心竞争力之一。数据通常拥有 庞大 的体量，多维度的复杂结构，有待挖掘的价值，受到产权保护，并且是“活的”。容易复制产品功能，但难以复制背后的数据。

活的 数据意味着被大量真实客户使用、被维护、并不断地更新。更重要的是，被验证，尤其对于存储产品。在用户创作时代，活的数据积累了大量客户创作、社交关系、使用习惯和历史。用户、数据、产品构成不断演进的 反馈循环。

另一方面，数据往往具有 粘性（见下文小节）。客户迁出数据的成本高昂，和数据量成正比，随着数据积累增加。迁移数据往往带来格式不兼容、功能不匹配、高昂的传输费用等问题。

公司的 速度（见前文小节）依赖数据。现代项目管理、产品评估、创新，构筑于 数据驱动 之上。例如，评估某新存储功能带来的成本收益，并实时监控上线后的运行反馈。

粘性

粘性与产品的场景和特性有关。粘性提高用户迁出或放弃产品时的成本，例如积累的大量 数据，培养的 用户习惯。

另一种情况是 外部粘性，例如社交网络，一个用户使用产品，导致社交圈下的其他用户也倾向使用同一产品。另一个例子是企业产品组合的互相捆绑，俗称“全家桶”，优化同家产品互联，并劣化与竞争产品的兼容性。

在技术和功能之外，粘性提高了产品的价格，甚至帮助企业走向 垄断。即使对手完全复制产品，也难以赢得客户。

垄断

垄断为企业提供决定性的竞争优势，极具价值。垄断能够以高价出售产品，并影响政策以维护自身地位。垄断并不一定依赖技术，甚至常常减缓技术发展。

常见的垄断来自高度的 规模效应，例如水电基础设施、云计算、互联网平台。参与者常在早期赤巨资扩展规模，在达成垄断地位后获取超额收益。最终，在反垄断的政策限制下，通常市场上会留下两家企业，形成 寡头 局面。

另一种垄断来自 粘性（见前文小节），例如社交网络。第三种来自 政策性垄断，常见于公共事业和国家安全，例如石油产业。

此外，一种类似的企业行为是快速 扩大市场体量，增幅营收、压低利润率、加速迭代产品。其利用巨大体量获取银行融资的便利，在供应链上下游压货、压款以获取金融利差，并以巨量雇佣岗位获取政策优惠。例如新能源造车行业。

关于：有价值的技术

什么样的技术能够接近“价值”的要求？一则是见前文提及的，具有 复杂性 和 速度 的技术体系。或者，尖端技术并且 被保护，以对抗可复制性。

生成式 AI 是新近的尖端技术，同时也具有复杂性，但仍难以阻挡众多竞争者入场，并在各国复制和传播该技术。持有该技术不足以使企业生存，要么跑得足够快，见 速度 一节，要么配合其它产品，意味着企业还持有其它的“价值”。

关于：价值与市场周期

虽然“价值”有利于企业获得竞争优势，但长远来看，许多“价值”追求会降低市场活性，加速市场老化。例如，对 垄断 的追求和设置政策门槛，有意制造产品 粘性 以捆绑客户，编织特殊待遇的政商 关系。

最终，价值被排他地锁定在头部参与者中，新人进入市场将处于劣势。要么选择 “卷”、激烈竞争、996 式劳动输出，要么选择 “躺平”、跟随市场老化。

或者，在旧市场中革命，开辟新的世界。由此，颠覆式创新 到来，开启新一轮市场周期。颠覆式创新的另一个名字是破坏式创新。

“推论”

有许多关于个人 职业发展 的讨论，见前文 “资产” 一节。另一方面，在 粉丝经济 中，粉丝更接近于资产，其价值远超单纯劳动力输出。这解释了为什么“宁可做主播也不进厂”，尽管粉丝并不像普通资产一样受法律保护。

关于 关系 有进一步的思考。技术链条也是关系的网络，单一技术只是产业链条上下游定义的语言（不可迁移性），部分反映物理世界（可迁移性）。薪酬的回报取决于 上下游 市场，技术艰深并不确保之。相反，虚拟 的往往更值钱，因为满足 1 对 N 的关系，例如软件管理硬件、老板管理员工、金融投资实业。虚拟部分掌握资源分配、沟通渠道、信息流通等更具 价值 的部分，乃至法律、政策。

对 资产 有更多深入的思考。训练有素的分析者看 一切事物都标记着利率，金钱正在无声嘶喊，比人的嘴更值得信赖。法律、政策同理。社交网络的喧闹信息，其重要性可以按照背后流动的金钱排序。现代社会中，无法听到金钱的声音，无异于盲人聋哑。

通过对金钱的建模也可还原个人乃至社会的真实偏好。人们为保卫生命而激发的杀戮欲望，远超对普通消费品的购买需求。社会仇恨具有良好的资产特性，地缘政治冲突的获利空间巨大，可持续战争光华毕现（不幸）。

总结

在前文列举存储市场的基础上，本文分析了市场的诸多特性。例如天然结构、生命周期、颠覆式创新等。接下来，本文分析了背后的驱动因素，它们是预测未来、寻找需求的引导。最后，本文揭示了什么是真正的价值。在技术之上，其为企业和个人带来不可复制的竞争优势。

另外，其它值得一读的文章：

• 腾讯 22 年前的神级 PPT 立项汇报：https://zhuanlan.zhihu.com/p/684222828 。Highlight：市场分析。

• 硬核分享云产品定义 - 曹亚孟：https://mp.weixin.qq.com/s/8sQINI40GZlXm8l9Wd6n-w 。Highlight：定义的能力。

• 技术 Leader 的思考方式 - 朱春茂：https://developer.aliyun.com/article/940003 。Highlight：技术产品管理。

存储系统中的硬件

相比软件层面优化所需的人力成本和漫长周期，硬件性能往往指数增长。硬件的快速发展、模式的转变，是存储系统演进的持久动力之一，并向上重塑用户和市场。硬件能提供什么，是思考系统架构和未来战略的基石。

本章讨论存储系统相关的硬件，从数据层面评估，围绕它们的性能、成本、和未来增长。本文之后思考它们对存储系统的影响。

（关于存储中的软件，见 A Holistic View of Distributed Storage Architecture and Design Space）。

数据表

下表展示常见存储、网络、计算硬件的容量、带宽、能耗数据，并比较单位价格。数据均来自互联网，力求反映大致规模。准确的数据往往需要专业市场团队，受品牌和采购组合的影响，规模供应商甚至能提供折扣。

• HDD 吞吐量增长较慢。HDD的容量成本随新技术 SMR、HAMR 等逐步下降，导致单位容量性能缓慢下降。大致上，十年来 HDD 的容量增加了十倍，但吞吐量仅增加两倍。下表使用吞吐量（带宽），忽略IOPS，前者更反映综合性能。

• SSD 在 NVMe 技术下，近年来吞吐量呈指数增长，延迟接近原生闪存，瓶颈变成 PCIe。ZNS 等技术进一步改善容量和成本，大容量闪存利用并发通道提升性能。大吞吐量下，闪存磨损仍然是问题。近年 SSD 的单位容量成本快速下降，甚至有低于 HDD 的趋势。反直觉地，尽管单价昂贵，SSD 的单位带宽成本和能耗反而低于 HDD。

• DRAM 带宽随 DDR 技术换代呈指数增长，能耗随降低的电压逐步降低。Amazon 可采样容量和价格，下表以 DDR4 为基准。现代服务器常配备双通道、四通道以进一步提高带宽。DRAM 的能耗常分为静态刷新部分和读写传输部分，总体上与电压平方成正比。

• HBM（High-bandwidth memory）常用于 GPU 或片上内存。相比 DRAM，它采用大接口宽度和堆叠提高带宽到极高水平，读写传输能耗很低。HBM 是随 GPU 变得广为人知的新技术之一，目前缺点是昂贵，单位容量价格是 DRAM 的约十五倍。

• Ethernet 是近年发展最快的技术之一，带宽呈指数增长，几乎每两年翻倍，成本呈指数下跌。今天 100Gbps 网卡已经常见，200Gbps 正被部署，400Gbps 逐步出现。存储系统架构正被快速提高的网络带宽重塑。相比服务器中的 DPU，ASIC 是交换机中广泛使用的技术。

• PCIe 带宽随 PCIe Gen 换代呈指数增长，几乎每隔几年翻倍。其延迟取决于频率（100Mhz）。下表使用 PCIe Gen5.0 16x 作为基准。PCIe 价格绑定在主板上，Amazon 可采样主板售价，近年来基本维持稳定。尽管 PCIe 带宽较高，但远不及 GPU/NVLink，也仅勉强跟上 SSD（一机多盘）、Ethernet。

• CXL 由 Intel 主推，将原来集成到 CPU 的内存桥归还主板控制，整合 PCIe，并实现远程访问的缓存一致性。尽管被热烈讨论，但明确的产品不多。CXL 1.1 和 2.0 使用 PCIe Gen5.0 作为物理层，本文基于 PCIe 推测其性能和成本。

• NVLink 可替代 PCIe 实现 GPU 互联，相比 PCIe 拥有极高的带宽和相近的延迟。今年 NVLink 带宽呈指数提高，鉴于生成式 AI 的革命性和投资热度，其发展甚至可能加快。结合 AI 对高带宽和 All-to-All 通信的需求，NVLink 正在重塑 AI 集群架构。下表以 NVLink Gen4.0 为基准（ A100 使用 Gen3.0 ）。价格上，NVLink 与 Nvidia GPU 捆绑出售。

• CPU 性能可分解为核心数 X 频率 X IPC 。IPC 由单线程性能反映，逐年缓慢提高。核心数近年提高较快，尤其是服务器 CPU，甚至有 Manycore 研究方向。而频率的增长受限于芯片散热和服务器能耗。CPU 总体性能常用 Linux 内核编译时间，或网络通信吞吐量来衡量。下表以 AMD EPYC 7702P 64-Core 为基准。

• GPU 提供极高的 FLOPS 计算性能，核心数和并发数远胜 CPU。相比 CPU 受限于 DRAM 带宽内存墙，GPU 的 NVLink 和 HBM 带宽极高。今天 GPU 售价昂贵且一卡难求，未来预期单位成本的计算能力呈指数提高，并能耗下降。下表以 Nvidia A100 为基准。

注意上表中 Projection 列即使 10% 的差异，因为指数，都可导致翻倍/半衰年数的显著不同。可与下表对比：

数据来源及引用：

• HDD: [1] [2] [3]
• SSD: [4] [5] [22] [23]
• DRAM: [6] [7] [8] [24] [27]

• HBM: [9] [10] [11] [28] [29]

• Ethernet: [12] [17] [24]
• PCIe: [13] [14] [15]
• CXL: [30]

• NVLink: [16]

• CPU: [18] [19] [25] [26] [41]
• GPU: [20] [21] [31]

[1]

[3]

[6]

[8]

[12]

[19]

[26]

[31]

[32]

[33]

[34]

上述数据可以用来计算不同架构下的存储成本，以及未来竞争力。特别地，容量、带宽价格反映购买成本，而能耗反映反映运营成本（TCO）。

额外成本

首先是能耗及制冷成本，一份能耗同时带来对应的制冷成本，两者加总为数据中心电费开销，几年后电费甚至超过购买成本。

• PUE: 数据中心能耗效率。假如服务器能耗是 500W ，数据中心的 PUE 是 1.5x，则这台服务器包括制冷需要耗能 500W * 1.5 = 0.75KW 。假设电费是 $0.1 每 KWh ，则一年耗电 $657，五年电费甚至超过服务器购买成本。

• 常见数据中心 PUE 在 1.5x 左右，并基本维持稳定 [33] 。Google 数据中心甚至能将其压缩到 1.1x [32] 。

然后是网络带宽，一份服务器带宽需要配套对应的 T0（TOR）、T1、T2 等交换机带宽。

• 假设 100Gbps 服务器网卡，T0、T1 层使用 100% 带宽 Full-provisioning ，T2 层使用 50% 带宽 provisioning，忽略更高层次 T*。加起来额外带宽配比有 2.5x 。

除存储、网络、计算组件外，服务器在额外组件上花费的能耗数量可观。约 30% 的额外能耗花费在电力传输（15%）、主板（10%）、冷却风扇上（4%） [34] 。

与公有云价格的比较

如今的公有云价格是作成本评估的良好参考，除非需要重新思考存储系统的架构，和硬件提供的可能性。本节以公有云存储 Azure Storage [35] 为基准，比较上文计算的存储成本数据。

除前文提到的额外成本外，需要计算对于 1GB 存储应配套的 DRAM、Ethernet、PCIe 等。DRAM 涉及被缓存的数据比例。HDD 和 SSD 往往价格显著不同。CPU 需要依带宽处理能力配置。数据复制、压缩、纠删码可显著影响物理数据体积。冷数据可以极低带宽成本存储。

• 单位全文统一，容量 GB，带宽 GBps，货币 $。

下表计算了 1GB 的 HDD 存储所需成本，考虑了主要服务器组件、额外网络交换机配套、数据中心制冷等，也考虑了数据复制、压缩，以及部分是冷数据。购买成本和能耗成本都包含，购买成本按 60 个月摊还。可以发现：

• 相比 Azure Storage Reserved Capacity ，计算出的数据成本是 Cool 的约 1/22x，是 Archival 的约 1/4.5x 。

• 当然，文中的计算力求简单清晰，比实际 忽略了诸多开销。例如互联网带宽费用、数据中心建设、研发费用、销售费用、读写 IO 放大、SSD 磨损、跨区复制、备份和容灾等等。

• 除存储外，Azure Storage 对数据读写额外收费。持续的高 IOPS ，或对冷数据的大带宽访问，费用高昂。而计算出的数据成本已经将 1GB 对应带宽纳入。

• 计算出的 HDD 存储中，显著的购买成本从高到低分别是 HDD、DRAM。显著的能耗成本从高到低分别是数据中心制冷、HDD、服务器额外、DRAM。总能耗成本约占购买成本的 40%。

• 同理计算出 5 年后的数据，各成本组分变化不大。主要因为各组件成本都在下降。但总能耗成本占购买成本上升到约 60%。（虽然 1GB 容量对应的 HDD 带宽在下降，计算时假定配套带宽不变。）

下表是 1GB 的 SSD 存储所需成本，与 HDD 版本对比，可以发现：

• 相比 Azure Storage Pay-as-you-go ，计算出的数据成本是 Premium 的约 1/34x。当然，文中的计算相比实际忽略了诸多成本。

• 计算出的 SSD 存储成本是 HDD 的 12x 左右，与 Azure Storage 类似，Premium 是 cool 的 15x 左右。

• 计算出的 SSD 单位带宽的成本比 HDD 更低，这与 Azure Storage 相符，Premium 的读写价格比 Hot 更低，数据越冷读写成本越高。

• 计算出的 SSD 存储中，显著的购买成本从高到低分别是 SSD、CPU。显著的能耗成本从高到低分别是数据中心制冷、服务器额外、SSD、CPU。总能耗成本约占购买成本的 50%。

• 同理计算出 5 年后的数据，各成本组分变化不大。主要因为各组件成本都在下降。但总能耗成本占购买成本上升到约 58%。（虽然 1GB 容量对应的 SSD 带宽在上升，计算时假定配套带宽不变。）

可以推想，对于 SSD 存储，如果数据热度高、操作频繁、传输带宽大，并且功能简单，使用本地数据中心可能有成本优势。而对于冷数据，公有云是理想的存储地点，利用 Reserved Capacity 能进一步降低成本。

选择 HDD 和 SSD

基于需要的容量和带宽，可以将上文数据表中购买 HDD 或 SSD 的成本绘出，比较不同选择。加上能耗开销后结果类似。可以看到：

• Area 1 和 Area 2 分别对应1）低带宽高容量需求，使用 HDD ；2）高带宽低容量需求，使用 SSD。相比 SSD，HDD 的带宽很低，因而 Area 1 面积较小。

• Area 2 全部使用 HDD，但带宽需求较高，需要为带宽额外购买 HDD 容量。Area 3 全部使用 SSD，但带宽需求较低，给定容量的 SSD 有带宽闲置。

• 作为改进，Area 2 和 Area 3 适合使用 HDD 和 SSD 的混合存储，或者使用 SSD 作为 HDD 的缓存。

硬件发展的推动因素

硬件性能如此高速发展，它受何推动？推动因素可以从技术层面和市场层面分析。

技术层面，总体上，更小的制程、更高的集成度、专用设计的芯片、更高的频率、新型物理介质，摩尔定律 推动硬件性能指数提高。在各个组件上，近年来都有一系列技术创新：

• HDD: 不断提高的存储密度，近年来逐渐推广的 SMR 技术，以及未来将采用的 MAMR、HAMR 等 [36] 更复杂但密度更高的存储技术。

• SSD: 一系列技术从不同层面提高 SSD 性能。接口协议如 NVMe、NVMoF。简化 FTL 层如 ZNS、FDP [37] 。闪存架构如 3D NAND 。提高闪存密度，使用新型物理介质如 TLC、QLC、PLC 。

• DRAM: 每一代 DDR 不断提高时钟频率，改进架构，降低电压。DRAM 的密度、封装也在改进，如 3D Stacking 技术。

• HBM: 与 DRAM 一道，HBM 的堆叠技术在持续改进，允许更多层数和更高的跨层传输速度。线路的信号传输速率、接口宽度也在提高。

• Ethernet: 以太网协议不断换代，大幅提高传输带宽。近年来 RDMA RoCEv2 普遍被采用，服务器使用 ASIC 芯片替代 CPU 处理高速网络。光纤交换机也在数据中心采用。

• PCIe: 每一代 PCIe 的不断提速得益于编码协议和同步效率的改进，更多数据在一个时钟周期内传输。传输介质的改进容许更高的速率。然后，Lane 乘数加倍，并行传输。

• CPU: 性能在不同层面得到改进。更多的晶体管数量、集成度，更小的制程。多核、Manycore 集成于一个处理器中。频率的小幅提高。微架构的改进、更高的 IPC 。新型向量处理指令 SIMD 。集成专用任务的加速器。能耗优化、DVFS 等技术。

• NVLink: 类似于 PCIe ，PCIe 本身也在高速发展。NVLink 的提速额外受益于与 GPU 的高度集成、更大的连线宽度等，以及 AI 热度带来的投资。

• GPU: 得益于生成式 AI 的工业革命式的投资热度，GPU 领域快速发展。每一代新 Nvidia GPU 更新架构，更多核数、执行单元，集成更多更大容量的组件，并减小制程。Tensor Core 和 RT Core 为专用任务优化。相比于 CPU ，GPU 将内存、总线集成于自身板上。HBM、PCIe、NVLink 本身也在高速发展。相比于 CPU ，GPU 的时钟频率较低，近年来持续提高。

硬件发展的另一方面推动力来自于市场需求。可以从衡量存储性能的常见指标上理解：

• 容量: 经典的大数据 3V [38] 理论 - volume, velocity and variety 。对比其它行业如彩电、冰箱、汽车，很少有市场能像数据一般贪婪地增长。热数据量总是有限的，正比于业务活跃周期 X 事务频率，意味着冷数据有广阔的优化空间；而政策合规进一步推高需求。用户乐于为基于容量的额外需求付费，如安全加密、备份容灾、分析挖掘等。

• 吞吐量: 更丰富的媒体体验，图片、视频、流媒体，AI 训练和服务，近年来仍在驱动需求增长。

• IOPS: 事务处理偏向 IOPS 需求，数据库是少见的成熟但经久不衰的市场，近年来仍持续孵化创业公司。另一方面，Web、移动应用、互联网触及并深入每一个人。O(1) 规模的业务极其少见，即使好莱坞大片也难以达到（O(P) 指调查每一个人，有 P 概率使用该产品）。

• 延迟: 相对于人的感知，如今的硬件速度已经极快，延迟低于阈值后变得不再重要。但量化交易仍不竭地追求更低延迟；计算复杂的 AI、自动驾驶的延迟需求未被满足；以及物联网、机器人等接入物理的领域。另一方面，软件正变得日益复杂，意味着延迟优化被持续需要。

观察和要点

仔细观察上文的硬件数据表，可以发现许多值得思考的要点：

• 延迟无法购买。从上文数据表可以看到，带宽、容量均有价格，更多的钱可以购买更多，技术上横向扩展。但延迟例外，甚至不像带宽和容量有逐年的显著提升。改进延迟往往需要技术换代（无法预期），或从头替换存储介质（成本、迁移巨大）。延迟是最昂贵的。

• 数据容量对应的成本仍然昂贵。从上文数据表可以看出，无论是购买成本还是能耗成本，无论是 HDD 还是 SSD 存储，硬盘都占据显著位置。可以想见，任何 Data Reduction 技术，如压缩、去重、纠删码，都有显著改进存储系统成本收益的潜力。

• DRAM 占有显著的购买和能耗成本。相比 SSD，DRAM 购买成本昂贵。即使带宽未实际使用，DRAM 的静态刷新也持续耗能。尤其是 HDD 存储，DRAM 成本相比廉价的硬盘更加显著。一些新技术有利成本，如利用 SSD 而不是 DRAM 管理元数据，将冷（元）数据从 DRAM 卸载到 SSD。

• DRAM 带宽在未来可能成为瓶颈。一台服务器不会有太多 DRAM 通道，但可以安装几十盘 SSD 。Ethernet 带宽增长速度也远超 DRAM 。GPU/NVLink 带宽远超 DRAM 。而 DRAM 容量昂贵、能耗高。作为 CPU-IO 的桥梁，DRAM 带宽会被一份数据多次消耗。CPU 内存墙问题今天已经显著。有一些勉强的解决方案，如为服务器插入额外的小容量 DRAM ，使用 DDIO [39] 技术让短命数据跳过 DRAM 。

• SSD 尽管昂贵，但单位带宽价格远好于 HDD。这意味着用 SSD 作 Write Staging ，用廉价 SSD 为云存储作普适加速，是自然趋势。另一方面，在 SSD 普及到 HDD 存储后，存储系统需要支持适度混合 SSD/HDD 来适配各级别的“带宽/容量比”需求。类似地，NVDIMM-N 使用 DRAM 作 Write Staging ，闪存作断电存储。

• 在 SSD 存储中，CPU 的购买和能耗成本显著。这来自于高带宽的配套要求。由此可以看到 DPU 和专用网络芯片在改善成本上的巨大潜力。近年来，ARM CPU 被越来越多的采用，AWS Nitro 芯片取得巨大成功，压缩、加密专用卡已不少见。

• CPU 的性能提升较慢，跟不上 SSD 和 Ethernet ，CPU 的能耗开销显著。这催生今年来的一系列技术路线：1）使用 DPDK、SPDK 跳过操作系统内核；2）使用 DPU、加速卡替代 CPU 处理负载；3）使用 ARM 替代 Intel CPU ；4）绕过 CPU-DRAM-PCIe 生态，如 GPU，使用 GPU-HBM-NVLink 替代。

• Ethernet 和 PCIe 的带宽和价格达到相近水平，两者也在指数改进。合理的推想是，能否用 Ethernet 替代 PCIe，简化计算机体系结构？Ethernet 更容易横向扩展，互联多台机器，池化额外带宽。但相比 PCIe ，Ethernet 延迟更高，难以解决无损传输和一致性问题。CXL 在此路线上。

• 反过来推想，能否用 PCIe 替代 Ethernet？集群架构很大程度上取决于机器的互联方式，例如 Hyper-converged、Disaggregated、Geo-replicated 等。鉴于生成式 AI 对 TB 级互联带宽的需求，未来的集群架构可能分化为不同路线：1）大规模、GB 级互联带宽的存储系统；2）小规模、TB 级互联带宽的 HPC-GPU 集群。（1）计算存储分离，而（2）计算存储融合 Co-locating 。公有云需要针对（1）、（2）售卖新型产品。

• Ethernet 发展极快，超过所有其它硬件。这与存储系统和数据库向 Disaggregated 架构、Shared-nothing 架构、存算分离、Shared-logging、Log is database 等方向发展相符。另一方面，只有 HDD 单位容量的带宽持续下降，对未来的存储设计提出挑战 [40] 。主要原因是机械硬盘技术已经十分成熟，性能提升受机械物理的限制，而 SMR、HAMR 等提升存储密度的技术还有空间。

• 高性能硬件并不一定意味着昂贵的价格，甚至单位带宽成本反而更低，例如 DRAM < SSD < HDD 。Ethernet 也有类似趋势，单位带宽成本 100 Gbps < 40 Gbps < 10 Gbps 。这暗示共享和池化有利可图，具有规模效应，云存储可率先采用高端硬件。

• 数据中心制冷的能耗成本显著。如果把 PUE 从平均水准 1.5x 下降到 Google 数据中心的 1.1x 水准，收益巨大；或者，直接使用云计算服务。能耗并不是数据中心制冷的唯一问题，制冷系统损坏（如雷暴、过热）并不少见。如何向高密度的机架输送足够电力，并配套足够制冷，也有挑战。服务器能耗是巨大的问题，甚至可能超过存储系统对性能的关注度，在云存储中尤其显著。反之，高度规模化的云存储比私有数据中心更容易找到优化能耗的办法，例如建设选址和 Free Cooling 。另一方面，公有云厂商可利用规模优势，要求定制的服务器设计，以进一步节约能耗。

软件的价值在哪里

从上文的数据表可以发现，硬件普遍存在性能的 指数增长，或成本的指数下降。而通过软件改善性能，不仅研发成本昂贵，一年可能也只有 30% 的提升。那么，软件的价值在哪里？

• 为用户暴露裸硬件延迟：上文提到“延迟无法购买”，这就是软件的价值之一，尽可能为用户提供裸硬件的原生延迟水平（而不是带宽）。同时，软件层需要对抗系统的复杂性、物理组件的距离、动态负载的变动。许多架构技术来源于此。

• 管理大量硬件：只有软件能做到，而硬件本身难以要求一块 SSD 盘去管理另一块 SSD 盘。以此衍生出管理分布式系统、管理复杂性、管理资源效率等方向。相关联的需求是 系统集成，企业对集成打通、统一管理不同品牌系统的需求非常常见，见 存储系统的市场 一章。

• 分布式系统：软件层将大量硬件联合成为分布式系统，其间运转复杂的技术。虚拟化、调度、故障恢复、容灾、复制等等。只有软件层能够为硬件带来横向扩展、高可靠、负载均衡、地理复制等功能。直至云计算。

• 复杂性：在系统内部，软件层管理复杂的用户需求和复杂的系统需求。跨系统，软件层提供互操作性、兼容性、跨硬件协议接口。在产品和市场层面，软件维护多方参与的生态系统。统一命名空间、文件系统、数据库、访问协议等被设计出来，软件使本地的硬件能力走向全球化。软件受益于复杂非标准的功能带来的差异化竞争，而硬件的接口趋向标准化，激烈的性能、成本竞争削减利润空间。另一种说法是，软件提供 大量功能、统一性、简化管理。

• 资源效率：软件层通过负载均衡、拥塞控制、池化共享、并行处理等方式，提高硬件的资源利用效率。软件使统计大量硬件提供监控数据成为可能。软件可以在高低性能硬件间搭配迁移，以最佳成本配比。软件可以预测未来，调度负载和冷热。更重要的是，软件可以管理能耗这一数据中心头等成本。另外，需要减少软件自身带来的额外 管理成本。

另一方面，这意味着在选择存储系统架构，或者作为程序开发人员的职业发展上，需要仔细思考何为高价值方向。例如，将开发工资想象为投资投入，软件层性能优化的回报率是否足够高？

案例分析：EBOX

本章用一个案例来展示如何使用前文的框架进行分析。它能够帮助团队寻找前瞻性的投资方向，将技术创新映射到财务指标，规划未来 3~5 年的发展策略。EBOX 是个有趣的技术创新。

本章首先介绍什么是 EBOX，它的创新点，可能的收益与风险。接下来，本章从存储系统角度分析成本和收益、未来预期。然后，本章分析研发成本如何摊薄。最后，本章从供应商角度分析售卖 EBOX 是否有利可图。

什么是 EBOX

EBOX 是存储系统的一个有趣的可能的创新方向。它将传统的存储服务器进一步分解为 硬盘框服务器 EBOX 和 仅剩计算功能的存储服务器。两者均可独立优化，在此基础上有一些列技术创新。有一系列来源提到了 EBOX 技术，同时介绍了 EBOX 如何工作：

• zStorage [42] : 下层存储使用双控的 EBOF 全闪存硬盘框，上层业务运行在标准服务器节点。所有业务节点共享访问 EBOF 存储节点。Vast Data 自己并不生产 EBOF 硬盘框，委托其它厂商生产，目标是让 EBOF 硬盘框变成像标准服务器一样廉价，发展生态。

• Vast Data [43] : 未找到 Vast Data 直接提及 EBOF 或 EBOX （同名但不同意，Vast Data 的指 Everything Box）。但如 zStorage 所总结，Vast Data 使用 DBox （NVMe JBOF）存储数据，CNode 计算管理集群，两者通过 NVMoF 联接。任何 CNode 可访问任何 DBox，这种共享架构大幅提高数据节点的可靠性（Availability，不是 Durability）。超长纠删码被允许使用，降低数据副本开销到 1.0x~1.1x 。

• NVMoF for Disaggregated Storage [44] : 见下图，NVMoF 带来的诸多存储架构的创新，如果数据服务器足够简单和标准化，那么可以通过 Direct Access 的方法访问 SSD，不再需要 CPU。甚至 PCIe 也可以省去，与 Ethernet 合二为一。

• HammerSpace NFS-eSSD [45] : HammerSpace 的网络文件系统首先利用 NFS4.2 协议，允许客户端跳过元数据服务器，直接访问存储节点。进一步，存储节点不再需要 CPU、DRAM、PCIe，将 SSD 直接接入 Ethernet，用定制芯片控制。

可以看到，EBOX 有一系列优势，本文基于它们分析成本收益：

• 存储服务器与数据节点的全联接（Shared Everything）。不同于以往数据硬盘被单一存储服务器独占，全联接架构可以将数据盘的可靠性（Availability）提高多个数量级。在此基础上，超长纠删码 进一步降低数据副本开销。Fan-out 的联接有助于负载均衡。从 EBOX 到客户端的 DSR（Direct Server Return）有助于降低延迟。

• 标准化的 EBOX 可将 CPU 替换为定制芯片或 DPU。从 存储系统中的硬件 章节可以看到，CPU 占有显著的购买开销和能耗开销。将 CPU 替换为定制芯片有助于大幅降低对应的成本。另一方面，相比传统存储服务器，定制芯片代劳了巨大的数据流量处理，从而使存储服务器 CPU 可以专注元数据层面工作，转而使用更廉价的 CPU。

• Ethernet SSD 替换 PCIe。如果对 EBOX 的任何访问都来远程的服务器，来自于 Ethernet，那么其 PCIe 可以被省去，整合进 Ethernet。除了简化 EBOX 体系结构，将 PCIe 替代为 Ethernet 还可受益于近年来 Ethernet 在带宽和成本上的飞速进步。

• 存储服务器和数据盘的 Disaggregation。Disaggregation 设计常常有助于提高资源效率， 独立横向扩展。想象一个基于 HDD 的集群，如果数据持续变冷，则可以在保持 HDD EBOX 在线的情况下，逐步关闭配套的存储服务器，节省能耗开销。而传统服务器却无法解耦存储服务器和硬盘，单独关闭服务器而保持硬盘在线。

• EBOX 间的 Direct Access。EBOX 可以和另一个（些）EBOX 直接通信，搬迁数据。数据传输过程中不需要存储服务器参与，除了启动阶段。这非常有利于实现存储系统常见的数据修复和数据迁移功能，类似于 EBOX 层面的 RDMA，存储服务器自身的带宽和 CPU 得以节省。

另一方面，EBOX 也有一系列额外成本和风险：

• EBOX 没有成熟方案，没有供应商和生态。不成熟的制造意味着早期的高成本。虽然公有云可以提供大批量的订单，供应商需要思考为何参与。当然，低起点也意味着股票的高增长率、高投资回报。

• 全联接提高数据可靠性基于假设：EBOX 拥有比存储服务器高得多的可靠性。这是有理由的，完整的存储服务器比 EBOX 复杂得多，需要频繁升级软件、操作系统、重启。而 EBOX 足够简单，能够标准化操作。已知单独硬盘的可靠性往往远高于整台服务器。此外，双控需要额外的硬件成本。

• 用 Ethernet 替代 PCIe 基于假设：Ethernet 拥有比 PCIe 更低的成本，更高的带宽，并且未来增长更快。这不一定正确，PCIe 是为单服务器内传输特化的，特化很可能优于需要兼顾远近传输的 Ethernet 。更重要的是，额外的 Ethernet 建设成本。

• 额外 Ethernet 建设成本。存储服务器和硬盘被解耦，之间需要新的 Ethernet 联接，新的交换机、新的端口。但有办法规避，例如，将 EBOX 联接到已有网络，而不需构建新网。用 DSR 返回客户数据，存储服务器与 EBOX 只有元数据交流，甚至不需扩容带宽。

• 研发成本，数据迁移成本。基于全新硬件架构研发新系统并不容易，但有办法规避。例如，设计软硬件隔离层并力求只替换低层组件，或利用大规模用户摊薄成本。类似地，数据迁移成本可以摊薄，或设计价格策略引导用户自行迁移。

新技术的哪些优势有巨大潜力，哪些优势不如看上去重要，优势劣势如何映射到成本收益并系统地比较，需要更进一步的分析。

存储系统的成本收益

首先，可以定性地分析 EBOX 是否适用于现今的不同存储场景：

• 高容量、低吞吐：通常为 HDD 存储系统。适用。EBOX 带来诸多有利特性：超长纠删码降低冷数据的副本开销，将 CPU 替换为专用芯片以降低成本，关闭部分存储服务器以省电，EBOX 直接访问有利数据迁移平衡。

• 低容量、高吞吐：通常为 SSD 存储系统。适用。EBOX 除带来上述的有利特性外，数据链路省去 CPU，DSR 可提升吞吐量，降低延迟。

• 高容量、高吞吐：可以合并到“低容量、高吞吐”。

• 低容量、低吞吐：此场景不现实，并可以合并到“高容量、低吞吐”。

针对存储系统最昂贵的属性——延迟（存储系统中的硬件 章节），EBOX 能否提供优势：

• 有利因素：将 CPU 替换为专用芯片，并且省去操作系统等复杂软件。虽然专用芯片的频率往往低于 CPU（能耗和稳定性约束），但延迟得益于更高并行处理能力，降低等待队列长度。

• 不利因素：将存储服务器与硬盘解耦，原本的 PCIe 联接被替换为 Ethernet。PCIe 的延迟在 100ns 级别，而 Ethernet 的延迟在 10us 级别，况且网络包途经额外的交换机。

接下来，针对存储系统的主要指标——容量、带宽、能耗、成本，可以基于 存储系统中的硬件 章节的成本数据表进行分析。下面展示 SSD 存储：

• 参数设置：为比较 EBOX ，根据前文提到的潜在优势和额外成本，设定相应的参数。“全联接”带来的可靠性提升将纠删码冗余度从 1.3x 降低到 1.1x 。PCIe 被替换为 Ethernet。CPU 成本因替换为专用芯片而降低。分离的 EBOX 带来额外网卡开销。因早期不成熟，供应商生产成本有额外惩罚，惩罚每年递减 5% 。第 5 年因成熟标准化，没有惩罚，而成本下降 5%。

• 其它参数复用 存储系统中的硬件 章节。单位全文统一，容量 GB，带宽 GBps，货币 $。

• 购买和能耗成本表：下表显示采用 EBOX 后，第 0 年 1GB SSD 存储对应的各组件的购买成本和能耗成本。与 存储系统中的硬件 章节中 SSD 存储成本比较，可以看到成本相仿。CPU 的购买和能耗开销下降，SSD 购买成本下降，但节省的开支被供应商制造惩罚抵消。

• 购买和能耗成本比例：下表显示采用 EBOX 后，第 0 年的购买和能耗成本中，各组分的比例。与 存储系统中的硬件 章节对比，可以看到能耗占购买成本比例下降。各组件大致比例相仿，但 CPU 的购买和能耗占比下降，对应 SSD 占比上升，DRAM 占比也上升。

下面考虑 未来 5 年 硬件的性能成本变化，以 存储系统中的硬件 章节的存储成本计算作为基准，比较 EBOX 的收益。首先展示 SSD 存储。下图分别展示不同特性对成本的影响，纵轴是节省成本的比例（越高越好）。

• 各图例从左到右依次叠加更多特性，如 “++++ NIC cost extra” 表示开启了纠删码冗余度下降、PCIe 成本下降、CPU 成本下降、额外网卡成本，共 4 个特性（4 个 + 号）。

• 主要成本节省来自纠删码和 CPU。纠删码带来了 SSD 购买成本的下降，SSD 占总体成本较高，因而收益显著。另一方面，SSD 存储的高带宽带来高 CPU 成本，因而 CPU 上的改进效果明显。

• PCIe 替换为 Ethernet 的收益为负，但不显著。Ethernet 成本仍然比 PCIe 高。PCIe 原本所占成本比例极小。额外网卡开销相对较小，这也是因为 Ethernet 开销原本所占成本比例相对较小。这也说明，Disaggregated 架构并不会因网络离散而引入过高的成本。

• 总体成本节省在 20% 左右，这需要 5 年后供应商制造成熟。5 年 20%，即年均 4% 的成本下降，可支撑多少股价上涨？结合 理解股价 章节的计算，假设公司营收不变，初始利润率为 20%，则可支撑首年大致 16% 左右的股价增长。

• 总成本节省比例逐年略微下降，如果除去制造惩罚的影响，尽管下降非常轻微。主要原因是能耗占购买成本比例的上升，而纠删码冗余度下降不算进能耗节省。不能逐年下降的成本组分会逐渐增加占比，从而拖低节总节省，如 SSD 能耗、DRAM 购买成本。

HDD 的版本 类似，略过相似的图表。下面展示其未来 5 年的成本变化，以 存储系统中的硬件 章节的 HDD 存储计算表作为基准，进行比较。

• 主要成本节省来自纠删码。原因类似 SSD 存储，即使 HDD 廉价，其成本也占存储的显著比例。而 CPU 改进带来的节省不显著，因为其原本占比较小。类似地，PCIe 替换为 Ethernet 的收益不显著，额外网卡也开销不显著。

• PCIe 替换为 Ethernet 的收益不显著。趋势与 SSD 存储类似。但在 HDD 存储中，PCIe 或 Ethernet 的开销更大，因为 SSD 带来的高带宽。

• 采用 EBOX 后，各组件成本的比例变化不大。值得注意的是，DRAM 的购买与能耗是 HDD 存储的显著成本，但 EBOX 并未对此提供改进。

• 总体成本节省在 10% 左右，这需要 5 年后供应商制造成熟。相比 SSD 存储，节省比例较低，原因在于 HDD 存储中 CPU 成本并不高。按相同方式换算，5 年 10% 对应年均 2% 的成本下降。可支撑首年大致 8% 左右的股价增长。

可以看到，对于 SSD 存储，EBOX 有不错的收益。最有效的改进来自于纠删码和 CPU。意料之外的是，Ethernet 替换 PCIe 并没有太多收益，EBOX 分离引入的额外网络成本也不高。

研发成本的摊薄

继续前文，下一个问题是，EBOX 需要多少研发成本？EBOX 需要销售多少 PB 的存储以摊薄其成本？首先，可以合理推测 成本相关的参数：

• 单位 GB 的存储成本数据来自 存储系统中的硬件 章节的计算。这个成本是较低的，参考此章节的公有云存储的售价对比，下面按 10x 设置销售价格（markup）。

• 从不同国家雇佣开发者的大致月薪数据来自互联网，以美国最高。可以假设开发 EBOX 同时维持原产品运转需要 200 人。相比月薪，公司需付出 2x 的雇佣成本。

这个规模的研发团队需要销售多少 PB 的存储以 足够支付自己的月薪 呢？这可以被计算出来，见下图：

• 以最贵的美国雇佣为例，销售 HDD 存储需要达到约 1.8K PB。而销售 SSD 存储利润较好，只需约 1/10x PB 即可支付薪水。

• 如果从其它国家雇佣，有希望立即将 所需销售的存储 PB 削减一半，而另一半将变为利润。可见跨国雇佣有巨大的潜在收益。

一个有趣的发现是，996 可以显著提升员工产出，从而削减员工数量，减少开支。见下图。当然，后文分析仍然是以正常工作时间制为准（周 40 小时）。

• 一周 40 小时工作制下，实际开发产出只有 40 小时的 31%。这是因为开发工作的固定成本很高，例如已有 20% 时间用于开会，20% 时间用于运维和故障修复，20% 时间用于学习。此外，公共假日和带薪年假也占用约 9% 时间。

• 相对于 40 小时工作制，996 工作制可迅速将产出提高到 2.6 倍，对应每周工作 60 小时。这是因为额外加入的工作时间不改变固定成本，直接转变为开发产出，边际效应显著。这里没有考虑长期 996 造成的疲乏。

• 更加激进的是 早7-晚10-7天 工作制，可将产出进一步提高到 5 倍，对应每周工作 90 小时。这允许资金紧张的 Startup 显著压缩成本，等待后期规模的回报。注意，每周工作 90 小时是 SpaceX 的常见水准 [63]。

随着销售的存储规模增长，研发成本如何摊薄呢？下图展示随销售存储 PB 增长，营收的变化。单位是 $M，周期是年度。

• 随着销售存储 PB 增长，营收增长呈 线性，一分钱一分货。同样的销售存储 PB，SSD 的营收约为 HDD 的 十倍。

• 如果营收过 $1B，HDD 需销售约 20K PB 存储，SSD 需销售约 2K PB 存储。如果营收过 $10B，HDD 需销售约 200K PB 存储，SSD 需销售约 20K PB 存储。

• 对于全球约 $160B 的云存储市场大小 [46]，可以推测，$1B 对应小型公有云水准，约 1% 全球份额。$10B 对应顶级公有云水准，约 10% 全球份额。

下面是关键，净利润率 如何随着销售的存储 PB 变化？净利润率由营收扣除存储成本和研发成本计算。下面的计算以人力成本最贵的美国雇佣为例。下图中，可以看到剧烈的规模效应。

• 何时开始盈利。HDD 存储销售超过 2K PB 的临界点时开始盈利，SSD 则只需超过 200PB。尽管销售规模较小时，受研发成本拖累，亏损严重。HDD 亏损甚至能到约 -700%，SSD 能到约 -60% 。

• 超过临界点后，不仅营收上涨，净利润率也迅速上涨，这是极好的规模效应。普通业务往往在营收上涨的同时，净利润率下降。

• 净利润率迅速上涨到 90%。这是极为赚钱的业务水准。通常的经验是，制造业的净利润率在 5% 左右，尖端制造能到 15%~20%，优秀的软件业务可以达到 30% [47]。

• 净利润率达到 80%~90% 只需约 $1B 营收。结合上一段，$1B 营收对应约 1% 全球份额，小型公有云供应商。这意味着超高利润的规模效应，实际上并不要求很大的规模。而 10% 全球份额的顶级公有云供应商，可以稳赚巨大营收和极高净利润率。

• 净利润率对成本不敏感。下图额外展示了研发成本 X2、X4 后的净利润率。可以看到，具有一定规模后，翻倍的研发成本几乎不影响净利润率，后者仍然保持在 80%~90% 。业务非常健壮。

可以看到，对于具有一定规模的存储业务，负担 EBOX 的研发成本是足够的，甚至有余。当然，本文的分析相比实际作了许多简化，力求简单清晰，表明思路。

供应商和市场

Strategic 思考意味着不仅思考存储方自身，也思考对方一侧，这里是销售 EBOX 的供应商。成功的云存储策略需要供应商配合，尤其是新型硬件。假设供应商原本销售硬盘给公有云，本节的问题是，从供应商角度，供应商是否应该推出 EBOX 新产品销售？

作为思考的基础，可以借用 Issue Tree Framework（见前文 分析方法 章节），将问题分解：

• 市场需求
  • 公有云需求
  • 竞争性产品
• 产品可行性
  • 技术可行性
  • 制造可行性
• 财务能力
  • 潜在营收
  • 研发成本
• 风险
  • 客户采用
  • 供应链

首先看 市场需求 方面：

• 从前文分析来看，可以和公有云联合生产设计，从而确保需求。公有云方有意通过 EBOX 获取成本优势，寻找供应商。

• 如果抢先推出产品，则有利于超过竞争对手，扩大现有市场占有率。而公有云更可能大批量采购。

• 从售卖硬盘到售卖 EBOX 整机，扩大了销售范围，有利于提高营收，以及附加利润。

然后看 产品可行性 方面：

• 技术可行性方面，EBOX 类似简化定制的服务器，并不是全新技术，关键在有整合和控制成本，具有可行性。

• 制造方面，前期因不成熟引入额外成本，但可以通过售价转嫁。前文的计算可以看出，公有云方能够接受此价格的制造惩罚。

接下来看 财务能力 方面：

• 前提提到云存储市场规模 $160B ，数据表中硬盘约占 80% 成本，假设供应商现已占有 10% 市场份额。则供应商的 当前营收约为 $13B。

• 抢先推出 EBOX 产品可扩大市场占有率。假设市场占有率从 10% 增长到到 20%，则 营收增长为约 $26B。

• 从售卖硬盘到售卖 EBOX，扩大了销售范围，进一步提高营收。从前文数据表中估算，营收提高在 13% 左右，营收进一步增长为约 $29B。

• 相比售卖硬盘，EBOX 更复杂，可提供更高的附加利润。假设净利润率从原先的 10% 提搞到 12%。供应商的 净利润从约 $1.3B 增长为约 $3.5B。

• 从 $1.3B 到 $3.5B，净利润增长为 270%。假如该增长发生在 10 年间，结合 理解股价 章节的计算，可支持 平均每年 10% 的股价增长。收益良好。

• 研发成本方面，公有云带来的大批量采购能够摊薄成本。并且，EBOX 不是全新技术，其成本大头的硬盘是供应商经验成熟的领域。即使 200 人的研发成本，利用前文数据表计算，也 只占 $13B 的不到 1% 。

最后是 风险 方面：

• 公有云是否愿意持续大批量采购 EBOX 产品是一大风险。从供应商角度，最好避免绑定大客户，同时也向私有云销售 EBOX，并根据实际营收逐步提高投入。

• EBOX 相比单纯售卖硬盘多出许多组件，其中 CPU 占第二大硬件成本。可从较通用的如 ARM CPU 开始推出产品，在之后几代才考虑更定制化的 DPU 或专用芯片。可以在“允许定制”之名下，把软件成本转嫁给公有云客户。

通过以上浅显的分析，可以看出从供应商角度也能从推出 EBOX 产品中获利，甚至收益良好。

总结

全文完。本文在（云）存储的技术和行业背景下，依次讲解 方法论，理解股价，市场，市场的分析，硬件，EBOX 案例分析。方法论部分搭建 Vision 与 Strategy 的思考框架。股价部分分析其原理，理解公司的目标，并映射到团队。市场部分纵览存储系统的竞争格局，并分析市场的关键特性、颠覆式创新、以及价值。硬件部分建模其能力和发展速度，深入观察其要点。最后，案例分析部分用 EBOX 实例实践本文的分析方法，有许多有趣的结论。

引用

[1] Hard Drive Performance Over the Years : https://goughlui.com/the-hard-disk-corner/hard-drive-performance-over-the-years/

[2] Disk Prices: https://diskprices.com/

[3] Enterprise SSDs cost ten times more than nearline disk drives : https://blocksandfiles.com/2020/08/24/10x-enterprise-ssd-price-premium-over-nearline-disk-drives/

[4] Next-generation Information Technology Systems for Fast Detectors in Electron Microscopy : https://arxiv.org/ftp/arxiv/papers/2003/2003.11332.pdf

[5] SSDs Have Become Ridiculously Fast, Except in the Cloud : https://databasearchitects.blogspot.com/2024/02/ssds-have-become-ridiculously-fast.html

[6] A Modern Primer on Processing in Memory : https://arxiv.org/pdf/2012.03112

[7] Wikipedia DDR SDRAM : https://en.wikipedia.org/wiki/DDR_SDRAM

[8] Trends in DRAM price per gigabyte : https://aiimpacts.org/trends-in-dram-price-per-gigabyte/

[9] Bandwidth and latency of DRAM and HBM : https://www.researchgate.net/figure/Bandwidth-and-latency-of-DRAM-and-HBM-and-the-impact-of-latency-on-application_fig2_329551516

[10] High-bandwidth memory (HBM) options for demanding compute : https://www.embedded.com/high-bandwidth-memory-hbm-options-for-demanding-compute/

[11] Wikipedia High Bandwidth Memory : https://en.wikipedia.org/wiki/High_Bandwidth_Memory

[12] More Than Anything Else, Cost Per Bit Drives Datacenter Ethernet : https://www.nextplatform.com/2021/08/30/more-than-anything-else-cost-per-bit-drives-datacenter-ethernet/

[13] Wikipedia PCI Express : https://en.wikipedia.org/wiki/PCI_Express

[14] Quora Motherboard price changed over time : https://www.quora.com/How-has-the-cost-of-CPUs-on-motherboards-changed-over-time-Is-there-a-significant-difference-in-their-usage

[15] Quora What is the latency of a PCIe connection : https://www.quora.com/What-is-the-latency-of-a-PCIe-connection

[16] Wikipedia NVLink : https://en.wikipedia.org/wiki/NVLink

[17] Doubling of Data Center Ethernet Switch Bandwidth Every Two Years : https://www.prnewswire.com/news-releases/doubling-of-data-center-ethernet-switch-bandwidth-every-two-years-continued-in-2022-reports-crehan-research-301793556.html

[18] Timed Linux Kernel Compilation: https://openbenchmarking.org/test/pts/build-linux-kernel-1.16.0

[19] 2019 recent trends in Geekbench score per CPU price : https://aiimpacts.org/2019-recent-trends-in-geekbench-score-per-cpu-price/

[20] NVIDIA A100 GPU Benchmarks for Deep Learning : https://lambdalabs.com/blog/nvidia-a100-gpu-deep-learning-benchmarks-and-architectural-overview?srsltid=AfmBOoqh1Spj-txULhl0GTfLiqVJ2A_G-Sv3mCNiPC5UC2fnpuWI9o9s

[21] Trends in GPU Price-Performance : https://epoch.ai/blog/trends-in-gpu-price-performance

[22] Scality claims disk drives can use less electricity than high-density SSDs : https://blocksandfiles.com/2023/08/08/scality-disk-drives-ssds-electricity/

[23] Wikipedia Solid-state drive : https://en.wikipedia.org/wiki/Solid-state_drive

[24] GreenDIMM: OS-assisted DRAM Power Management for DRAM with a Sub-array Granularity Power-Down State : https://dl.acm.org/doi/fullHtml/10.1145/3466752.3480089

[24] ChatGPT Datacenter Networking Device Consuming Power Watt: https://chatgpt.com/share/676e8a82-bbf4-800f-8859-b34f22f95fee

[25] Gigabyte Server “Power Consumption” Roadmap Points To 600W CPUs & 700W GPUs By 2025 : https://wccftech.com/gigabyte-server-power-consumption-roadmap-points-600w-cpus-700w-gpus-by-2025/

[26] CPU, GPU and MIC Hardware Characteristics over Time : https://www.karlrupp.net/2013/06/cpu-gpu-and-mic-hardware-characteristics-over-time/

[27] Understanding the Energy Consumption of Dynamic Random Access Memories : https://www.seas.upenn.edu/~leebcc/teachdir/ece299_fall10/Vogelsang10_dram.pdf

[28] AMD Dives Deep On High Bandwidth Memory - What Will HBM Bring AMD : https://www.anandtech.com/show/9266/amd-hbm-deep-dive/4

[29] Reddit HBM cost and CPU memory cost comparison : https://www.reddit.com/r/chipdesign/comments/166thgi/hbm_cost_and_cpu_memory_cost_comparison/

[30] Compute Express Link (CXL): All you need to know : https://www.rambus.com/blogs/compute-express-link/

[31] Instructions/clock-cycle for each core of Intel Xeon CPUs compared with FLOPs/clock-cycle of Nvidia high-performance GPUs : https://www.researchgate.net/figure/nstructions-clock-cycle-for-each-core-of-Intel-Xeon-CPUs-compared-with-FLOPs-clock-cycle_fig6_319072296

[32] Google Data Centers Efficiency : https://www.google.com/about/datacenters/efficiency/

[33] Global PUEs — are they going anywhere? : https://journal.uptimeinstitute.com/global-pues-are-they-going-anywhere/

[34] Component-wise energy consumption of a server : https://www.researchgate.net/figure/Component-wise-energy-consumption-of-a-server-23-24_fig5_355862079

[35] Azure Blob Storage pricing : https://azure.microsoft.com/en-us/pricing/details/storage/blobs/

[36] Seagate Plans To HAMR WD’s MAMR; 20TB HDDs With Lasers Inbound : https://www.tomshardware.com/news/seagate-wd-hamr-mamr-20tb,35821.html

[37] Using SSD data placement to lessen SSD write amplification : https://blocksandfiles.com/2023/08/14/using-ssd-data-placement-to-lessen-write-amplification/

[38] Big Data: The 3 Vs explained : https://www.bigdataldn.com/en-gb/blog/data-engineering-platforms-architecture/big-data-the-3-vs-explained.html

[39] Intel Data Direct I/O Technology : https://www.intel.com/content/www/us/en/io/data-direct-i-o-technology.html

[40] Declarative IO - Cluster Storage Systems Need Declarative I/O Interfaces : https://youtube.com/watch?v=TGWKZnJeNmA&si=AC6gaUtfnPjIt_vB

[41] CPU open IPC_benchmark : https://openbenchmarking.org/test/pts/ipc-benchmark&eval=a29a620e89e1cb4ff15d5d31d24eaae1cc059b0e

[42] zStorage 分布式存储技术：总结2023，展望2024 : https://mp.weixin.qq.com/s/uXH8rkeJL_JMbKT3H9ZuCQ

[43] Vast Data white paper : https://www.vastdata.com/whitepaper/#TheDisaggregatedSharedEverythingArchitecture

[44] NVMe Over Fabrics Architectures for Disaggregated Storage : https://www.snia.org/sites/default/files/ESF/Security-of-Data-on-NVMe-over-Fabrics-Final.pdf#page=25

[45] Network Attached Storage and NFS-eSSD : https://msstconference.org/MSST-history/2023/FlynnPresentation2.pdf#page=7

[46] Fortune Cloud Storage Market Size, Share & Industry Analysis : https://www.fortunebusinessinsights.com/cloud-storage-market-102773

[47] Margins by Sector (US) : https://pages.stern.nyu.edu/~adamodar/New_Home_Page/datafile/margin.html

[48] MSFT (Microsoft) Preferred Stock : https://www.gurufocus.com/term/preferred-stock/MSFT

[49] Stock Analysis MSFT stock analysis : https://stockanalysis.com/stocks/msft/statistics/

[50] Trading Economics United States 30 Year Bond Yield : https://tradingeconomics.com/united-states/3-month-bill-yield

[51] Investing.com Microsoft corp historical dividends : https://in.investing.com/equities/microsoft-corp-dividends

[52] Jacob 从3年后的EPS看，现在的微软是否值得介入 : https://mp.weixin.qq.com/s/IU03qeV53bcK75U-sfRMGg

[53] Wikipedia Beta系数 : https://zh.wikipedia.org/wiki/Beta%E7%B3%BB%E6%95%B0

[54] Equity Risk Premium (ERP) : https://www.wallstreetprep.com/knowledge/equity-risk-premium/

[55] Capital Asset Pricing Model (CAPM) : https://www.wallstreetprep.com/knowledge/capm-capital-asset-pricing-model/

[56] Investing.com S&P 500 : https://in.investing.com/indices/us-spx-500

[57] TradingView US companies with the highest dividend yields : https://www.tradingview.com/markets/stocks-usa/market-movers-high-dividend/

[58] Microsoft Cloud strength fuels third quarter results : https://news.microsoft.com/2024/04/25/microsoft-cloud-strength-fuels-third-quarter-results-3/

[59] Gartner Magic Quadrant for Primary Storage Platforms 2024 : https://www.purestorage.com/resources/gartner-magic-quadrant-primary-storage.html

[60] Fortune Data Storage Market Size, Share & Industry Analysis : https://www.fortunebusinessinsights.com/data-storage-market-102991

[61] Key Insights for Gartner Magic Quadrant 2024 for Strategic Cloud Platforms : https://alnafitha.com/blog/key-insights-from-gartner-magic-quadrant-2024-for-cloud/

[62] Gartner Cloud Integrated IaaS and PaaS Solution Scorecard Comparison 2021 : https://clouddecisions.gartner.com/a/scorecard/#/iaas-alibaba-vs-aws-vs-google-vs-ibm-vs-azure-vs-oracle

[63] Quora What is it like to work at SpaceX? : https://www.quora.com/What-is-it-like-to-work-at-SpaceX

[64] Gartner Critical Capabilities for Primary Storage 2023 : https://mp.weixin.qq.com/s/O5j1nNt3cqQT6RmG7wEy_g

[65] RackTop The Buyer’s Guide to Cyberstorage Features : https://www.racktopsystems.com/the-buyers-guide-to-cyberstorage-features/

[66] Gartner Top Trends in Enterprise Data Storage 2023 : https://www.purestorage.com/resources/type-a/gartner-top-trends-enterprise-data-storage-2023.html

[67] 6家存储系统公司的客户反馈 : https://mp.weixin.qq.com/s/Ri6pdeJ5-82pHBaGz-wlKw

[68] 湖南省省级电子政务外网统一云平台资源补充项目 : https://mp.weixin.qq.com/s/S4-2XbFDp6qB-8S01qSEEw

[69] 西瓜哥 Gartner Hype Cycle for Storage Technologies 2024 : https://mp.weixin.qq.com/s/Ct5bq_QsF7Tu_r6bvqUSFg

[70] SmartX Hype Cycle for Storage and Data Protection Technologies, 2022 : https://www.smartx.com/blog/2022/08/gartner-hype-cycle-storage/

[71] 深度数据云 Gartner Hype Cycle for Data Management, 2023 : https://zhuanlan.zhihu.com/p/656920047

[72] MarketResearchFuture Data Backup And Recovery Market Overview : https://www.marketresearchfuture.com/reports/data-backup-recovery-market-29073

[73] GrandViewResearch Enterprise Information Archiving Market Size : https://www.grandviewresearch.com/industry-analysis/enterprise-information-archiving-market-report

[74] Gartner Magic Quadrant for Enterprise Backup and Recovery Software Solutions : https://www.zen.com.my/wp-content/uploads/2024/01/Backup-Vendor-Magic-Quadrant-2023-1-1.pdf

[75] Veeam, Rubrik Lead in Enterprise Backup/Recovery Report : https://virtualizationreview.com/articles/2024/08/09/veeam-rubrik-lead-in-enterprise-backup-recovery-market-report.aspx

[76] Disaster Recovery with Cloud Recovery Assurance : https://www.appranix.com/resources/blogs/2023/07/disaster-recovery-with-cloud-recovery-assurance.html

[77] Gartner Magic Quadrant for File and Object Storage Platforms 2024 : https://www.purestorage.com/resources/gartner-magic-quadrant-file-object-storage-platforms.html

[78] VMR Global Distributed File Systems and Object Storage Solutions Market By Type : https://www.verifiedmarketreports.com/product/distributed-file-systems-and-object-storage-solutions-market/

[79] MarketResearchFuture Global Cloud Object Storage Market Size : https://www.marketresearchfuture.com/reports/cloud-object-storage-market-4202

[80] Nasui Types & Volume of Files in the Enterprise : https://youtu.be/8FHihZvyFFM?si=KbiVDWqHfStLMiZU&t=330

[81] VMR Global Block Storage Software Market By Type : https://www.verifiedmarketreports.com/product/block-storage-software-market/

[82] GrandViewResearch Database Management System Market Size : https://www.grandviewresearch.com/industry-analysis/database-management-systems-dbms-market

[83] GrandViewResearch Cloud Database And DBaaS Market Size : https://www.grandviewresearch.com/industry-analysis/cloud-database-dbaas-market-report

[84] Gartner Magic Quadrant for Cloud Database Management Systems 2024 : https://www.databricks.com/resources/analyst-paper/databricks-named-leader-by-gartner

[85] MarketResearchFuture Enterprise Flash Storage Market Overview : https://www.marketresearchfuture.com/reports/enterprise-flash-storage-market-31294

[86] MarketResearchFuture Tape Storage Market Overview : https://www.marketresearchfuture.com/reports/tape-storage-market-33976

[87] MarketResearchFuture Global Hard Disk Market Overview : https://www.marketresearchfuture.com/reports/hard-disk-market-8306

[88] MBA智库 波特五力分析模型 : https://wiki.mbalib.com/wiki/%E6%B3%A2%E7%89%B9%E4%BA%94%E5%8A%9B%E5%88%86%E6%9E%90%E6%A8%A1%E5%9E%8B

[89] Zartbot DPU及网络处理器的历史 : https://mp.weixin.qq.com/s/BZOvVrg3GtTurMe2Q6ZIcg

[90] Andy730 颠覆性创新？存储界已有所耳闻 : https://mp.weixin.qq.com/s/NFQYEwrYCwKvTjpQdLkcQA

[91] LinkedIn Course Critical Thinking by Mike Figliuolo : https://www.linkedin.com/learning/critical-thinking

[92] Profitability Framework and Profit Trees The Complete Guide : https://www.craftingcases.com/profitability-tree-guide/

[93] LinkedIn Course Strategic Thinking by Dorie Clark : https://www.linkedin.com/learning/strategic-thinking

[94] LinkedIn Course Business Acumen by Mike Figliuolo : https://www.linkedin.com/learning/developing-business-acumen

[95] GetAbstract The Unspoken Truths for Career Success : https://www.getabstract.com/en/summary/the-unspoken-truths-for-career-success/46904

[96] LinkedIn Course Management Foundation by Kevin Eikenberry : https://www.linkedin.com/learning/management-foundations-2019