從2025年來看，AI與數(shù)據(jù)存儲的關(guān)系已經(jīng)發(fā)生了變化。原本存儲只是支持AI工作負載運行的數(shù)據(jù)基礎(chǔ)設(shè)施，在現(xiàn)在的實踐中，兩者已經(jīng)升級成了一種相互促進，相互成就的共生關(guān)系。

一方面，如今的AI不僅是存儲系統(tǒng)支撐的一種負載，也逐漸成為存儲系統(tǒng)的核心智能組件。另一方面，存儲系統(tǒng)所提供的海量高質(zhì)量數(shù)據(jù)，以及對數(shù)據(jù)管理能力，已成為決定AI模型成敗的關(guān)鍵因素之一，存儲系統(tǒng)本身也在發(fā)生變化。

首先，AI正在為數(shù)據(jù)存儲注入智能化能力

通過AIOps技術(shù)，存儲基礎(chǔ)設(shè)施獲得了更高的自動化管理水平。AI不僅能夠預(yù)測硬件故障、自動診斷性能瓶頸，還能智能優(yōu)化資源分配，將人工運維從繁瑣的被動響應(yīng)中解放出來。

AIOps超越了基于規(guī)則的被動式IT管理模式，利用先進算法分析海量的數(shù)據(jù)流，從而識別出人眼難以察覺的復雜模式和異常行為。這種方式，使得IT運營從被動響應(yīng)，轉(zhuǎn)變?yōu)橹鲃宇A(yù)測和預(yù)防。

通過對歷史數(shù)據(jù)和實時傳感器數(shù)據(jù)的學習，能夠在設(shè)備發(fā)生故障前提前預(yù)警。比如，AI能夠持續(xù)分析SSD內(nèi)置的SMART信息，從而預(yù)測SSD的剩余壽命，然后在出現(xiàn)問題前有計劃地進行更換，從而避免不必要的問題。

現(xiàn)代IT環(huán)境的復雜性使得故障排查變得異常困難，而AIOps平臺能夠從整個IT堆棧中采集并關(guān)聯(lián)數(shù)據(jù)，自動診斷性能下降或服務(wù)中斷的根本原因。它的優(yōu)勢在于能迅速定位問題源頭，而無需工程師手動在數(shù)不清的監(jiān)控系統(tǒng)里排查。

類似的，傳統(tǒng)監(jiān)控系統(tǒng)常常產(chǎn)生大量低價值的告警，導致運維團隊進入告警疲勞狀態(tài)。而AIOps能將數(shù)千個相關(guān)告警進行聚合，形成一個具有明確根源和影響范圍的核心事件，從而大幅縮短平均解決時間。

基于AIOps進行資源優(yōu)化與容量規(guī)劃也非常實用。通過分析資源使用模式，AIOps能夠預(yù)測需求，幫助企業(yè)更精準地規(guī)劃，避免浪費。在存儲管理中，AIOps能根據(jù)數(shù)據(jù)的實際訪問頻率自動遷移數(shù)據(jù)到成本更低的存儲層，從而降低存儲開支。

除此之外，由機器學習增強的壓縮與去重以及異常安全行為檢測，都在極大的提升存儲的成本效益和安全性?？傊?，有了AI之后，存儲系統(tǒng)正從一個被動的數(shù)據(jù)大倉庫轉(zhuǎn)變?yōu)橐粋€具備自我管理和自我保護能力的智能數(shù)據(jù)平臺。

其次，數(shù)據(jù)存儲行業(yè)正在面向AI進行自我重塑

Garbage In, Garbage Out，這句古老格言在AI時代被賦予了新的內(nèi)涵——低質(zhì)量的數(shù)據(jù)是導致AI項目失敗的重要原因。于是，為了滿足AI對數(shù)據(jù)在規(guī)模、性能和多樣性上的要求，數(shù)據(jù)存儲系統(tǒng)的架構(gòu)、存儲硬件和數(shù)據(jù)管理范式都有新的要求。

首先，數(shù)據(jù)規(guī)模的重要性不難理解，數(shù)據(jù)的規(guī)模直接決定了AI的能力上限。數(shù)據(jù)越大，模型能學到的模式和細節(jié)就越豐富，訓練出的AI也更精準、更智能。同時，大規(guī)模數(shù)據(jù)還能覆蓋更多場景，避免模型產(chǎn)生偏差。

同時，數(shù)據(jù)的多樣性對AI表現(xiàn)的影響也非常大。比如，早期的面部識別系統(tǒng)主要使用白人面孔訓練，導致其在識別深色皮膚個體時準確率極低。因此，一個強大的AI模型必須在多元化的數(shù)據(jù)上進行訓練。

存儲系統(tǒng)需要規(guī)模龐大的、多種多樣的數(shù)據(jù)，存儲架構(gòu)也需要發(fā)生變化。從數(shù)據(jù)存儲架構(gòu)的趨勢來看，當前，存儲架構(gòu)正從孤立的數(shù)據(jù)倉庫和數(shù)據(jù)湖，轉(zhuǎn)向統(tǒng)一的數(shù)據(jù)湖倉一體化的架構(gòu)。

這是因為，原本企業(yè)通常維護兩套數(shù)據(jù)系統(tǒng)，一個是用于支持BI和報表的數(shù)據(jù)倉庫，里面存的是結(jié)構(gòu)化數(shù)據(jù)。另一套是用于數(shù)據(jù)科學和機器學習的數(shù)據(jù)湖，里面都是非結(jié)構(gòu)化數(shù)據(jù)。這種雙層架構(gòu)導致了嚴重的數(shù)據(jù)孤島問題，系統(tǒng)間進行ETL會有很多問題。

數(shù)據(jù)湖倉一體將數(shù)據(jù)湖與數(shù)據(jù)倉庫結(jié)合在了一起，它統(tǒng)一了結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，它消除了數(shù)據(jù)孤島，為企業(yè)創(chuàng)建了一個單一的可信數(shù)據(jù)源，減少了因數(shù)據(jù)冗余帶來的成本和管理開銷，也加速了從數(shù)據(jù)到模型再到洞察的迭代進程。

在硬件層面，一方面，以NVMe SSD為代表的高性能存儲層，可以最大化GPU的利用率。另一方面，以大容量HDD和磁帶為代表的高容量存儲層，則以極低的單位成本存儲海量訓練數(shù)據(jù)。

為了更好地服務(wù)于AI數(shù)據(jù)存儲的I/O模式，市場上出現(xiàn)了“AI原生”的存儲平臺。這類平臺強調(diào)大規(guī)模并行與可擴展性、極致的低延遲、與AI生態(tài)的深度集成、對統(tǒng)一多協(xié)議訪問的支持。

AI與數(shù)據(jù)存儲之間形成了一個牢固的創(chuàng)新循環(huán)

我們看到，AI與數(shù)據(jù)存儲之間形成了一個創(chuàng)新循環(huán)，這一個創(chuàng)新循環(huán)能帶來哪些價值呢？

對于存儲廠商而言，AI與數(shù)據(jù)平臺的融合，推動存儲廠商的商業(yè)模式從靜態(tài)、基于產(chǎn)品銷售的模式，向動態(tài)、基于數(shù)據(jù)洞察和服務(wù)的模式轉(zhuǎn)型。從產(chǎn)品到預(yù)測性服務(wù)的轉(zhuǎn)變，讓存儲廠商從一次性銷售產(chǎn)品轉(zhuǎn)向提供可預(yù)測的成果或服務(wù)，創(chuàng)造持續(xù)價值流。

存儲架構(gòu)的數(shù)據(jù)湖倉一體架構(gòu)匯集了所有數(shù)據(jù)，而AI模型則能從中挖掘出每個個體的獨特偏好。二者的結(jié)合使得大規(guī)模提供深度個性化體驗成為可能，而個性化的服務(wù)能夠顯著提升用戶粘性，為企業(yè)創(chuàng)造更多價值。

那些擁有較高治理水平數(shù)據(jù)的組織，可以利用AI將其轉(zhuǎn)化為有價值的產(chǎn)品。比如，向市場銷售匿名的行業(yè)趨勢數(shù)據(jù)；為金融機構(gòu)提供預(yù)測性的信用風險評分服務(wù)；或者提供在特定領(lǐng)域數(shù)據(jù)上預(yù)訓練好的、開箱即用的AI模型。

隨著智能體技術(shù)的興起，AI會變得更加自主。在這些模式中，AI代理能夠以極少的人工干預(yù)執(zhí)行復雜任務(wù)，它們能直接與數(shù)據(jù)系統(tǒng)交互以完成工作流。這是今年以來最為廣受關(guān)注的技術(shù)趨勢，這種模式將自動化提升到了全新的高度，也帶來了很多可能。

2025年11月18日，以“釋放數(shù)據(jù)潛能，加速智能涌現(xiàn)”為主題的2025中國數(shù)據(jù)與存儲峰會將于在北京舉行，大會將共同探討AI時代的數(shù)據(jù)基礎(chǔ)設(shè)施演進、存儲技術(shù)創(chuàng)新、智能應(yīng)用實踐及未來發(fā)展趨勢，希望幫助企業(yè)構(gòu)建AI與數(shù)據(jù)存儲螺旋上升的良性循環(huán)。

zhupb