雖然當前由於固態儲存技術性能越來越高、成本也日益下降，也令人好奇仍持續發展企業級機械式硬碟的Seagate是如何將機械式硬碟視為未來重心；然而Seagate在官網的一篇部落格闡述透過NVMe介面提升高容量硬碟的可能性，並藉此最佳化AI資料管道、提升性能、可擴充性與資料存取瓶頸。
補充：一時不察將Seagate與Western Digital搞混，已經移除錯誤敘述
Seagate提到機器學習與企業管理的的資料庫需要PC甚至EB級的資料，在持有大量資料的情況需要有效率的解決海量資料的儲存、檢索與處理，使其能有效的活用在模型訓練與推論，Seagate認為儲存設施不僅是AI技術的IT問題，也是影響AI創新本身創新的核心。Seagate認為SSD架構固然帶來高效能，但成本問題仍非多數企業能夠負擔，故Seagate認為要說服多數企業搭建完全SSD化的資料儲存設施並不切實際且會加重財務負擔。
SAS與SATA硬碟雖然為企業提供可靠、高經濟效益的儲存，不過AI負載的儲存需求與傳統儲存概念並不相同，SAS/SATA需要專用的晶片、主機匯流排轉換器(HBA)與控制器架構，但這些傳統架構並非為高吞吐、低延遲需求的AI工作所規劃，隨著AI的需求增加，過往SAS/SATA介面會成為AI發展的瓶頸。倘若將儲存轉到雲端，則會延伸出資料傳輸成本、延遲峰值與無法預期的檢索時間問題，同樣也不利於AI需求。
Seagate認為透過NVMe與大容量機械式硬碟的結合，有助改變現況，並提供適合AI的大容量、低延遲、成本更平衡的解決方案；NVMe介面不需SAS/SATA硬碟的額外HBA與額外SAS基礎設施，能使AI儲存架構更精簡，同時透過採用與SSD相同的NVMe介面，能在單一NVMe架構融合兩種儲存的特性，以高密度大容量的機械式硬碟與作為快取的高速SSD整合。
▲雖然機械式硬碟本身有其性能門檻，但透過轉換為與當前SSD相同的NVMe通道可大幅簡化架構並實現更具效率的混合儲存設計
透過將機械式硬碟轉化到NVMe介面，僅須透過單一的NVMe驅動即可同時通用兩種儲存技術，不需額外的軟體層就能使兩種不同特性的硬碟；此外藉由導入基於PCIe的NVMe介面，DPU能夠不經CPU直接存取機械硬碟與SSD資料，減少經過CPU的額外延遲以及造成CPU額外的負擔，使延遲更為降低。同時透過NVMe over Fabrics(NVMe-oF)，使NVMe硬碟能整合至分散式AI儲存架構，不盡使總儲存容量擴展，亦可使AI工作處理更為靈活且具擴充能力。
Seagate為了實證其理論，透過NVMe硬碟、NVMe SSD、NVIDIA BlueField DPU和AIStore的軟體建構概念驗證系統，在概念驗證系統時利用NVMe硬碟與DPU的直接傳輸到GPU能夠減少AI工作流與儲存相關延遲，同時相對SAS/SATA也由於架構更精簡減少整體成本與增加儲存效率，同時透過AIStorage軟體針對快取與分層的最佳化，使模型訓練效能更出色，且亦以NVMe-oF實證多機架AI儲存叢集組合的可行性。
Seagate認為透過NVMe介面融合SSD與機械硬碟架構後，經常取用的熱資料可分配到SSD內，龐大的訓練資料集則可存放在機械式硬碟。同時Seagate指出機械硬碟相對SSD在每TB的碳排放優於10倍，每TB運作效率提高4倍，能夠大規模減少每TB成本、減少AI儲存的TCO。
具體而言，Seagate也公布一部分計劃藍圖，包括擴展當前已經推出36TB版本的Mozaic平台並開發更高容量的NVMe機械硬碟，同時推進對NVMe-oF的支援使AI工作負載可無縫擴展，最後就是建構參考架構使開發者與企業更容易導入。
