内容摘要：过去两年，AI产业呈现出指数级增长态势，模型能力不断突破认知边界。然而，当技术落地至企业核心业务时，其转化速度却远低于市场预期。一个显著的行业痛点在于：尽管企业在大型语言模型、GPU集群及AI平台上的

过去两年，从算AI产业呈现出指数级增长态势，力焦虑模型能力不断突破认知边界。数据y时数据然而，觉醒当技术落地至企业核心业务时，代的底座其转化速度却远低于市场预期。重构

一个显著的从算行业痛点在于：尽管企业在大型语言模型、GPU集群及AI平台上的力焦虑投入意愿强烈且行动迅速，但在从概念验证（POC）迈向规模化部署的数据y时数据过程中，障碍接踵而至——数据分散于异构系统中难以调取，觉醒调取后格式不统一导致可用性低，代的底座即便勉强应用，重构也面临严峻的从算安全合规风险。

联想凌拓CTO陈弘在深入走访大量客户后，力焦虑揭示了一个关键现象：“许多企业在搭建AI基础设施时，数据y时数据算力与存储的投入比例曾高达8:2甚至9:1。然而，当AI正式上线时，往往因存储资源严重不足，导致数据无法跟上算力的节奏。”陈弘将这一现象定义为“算力空转”——昂贵的GPU集群已就位，但数据仍滞留在各部门的孤立系统中。

这一判断精准切中了行业现状：在企业迈向“AI Ready”的进程中，真正的瓶颈并非算力规模，而是缺乏一个能让数据高效流动、支撑AI快速调用的基础设施底座。

夯实底座：存储从配角走向核心

陈弘拥有网络安全、光通信、企业存储及云计算等多领域深耕经验。他指出，本轮由AI驱动的产业变革，与以往信息技术升级存在本质差异。“以往的基础设施演进，核心在于计算和传输能力的提升，数据始终处于被动地位。但在AI时代，数据已转变为‘主动生产要素’。”他强调，数据的质量、安全合规性、流动性以及AI可用性，直接决定了AI项目的成败。

这一观点在AI训练场景中尤为凸显。数百块GPU同时等待数据输入，存储端的任何微小延迟都会被指数级放大。传统存储架构旨在服务通用业务，面对高并发、大吞吐的AI负载，其底层架构难以适配——问题不在于容量不足，而在于架构错位。真正的解决方案在于从底层重新设计存储与算力的协同机制，缩短数据路径，提升吞吐速度，从而实质性地提高算力利用率。

打通孤岛：从“数据追着算力跑”到“算力靠近数据”

底座夯实后，新的挑战随之而来：数据分散在各处该如何整合？

数据孤岛虽是IT行业的老问题，但在AI场景下，其破坏力呈几何级数增长。陈弘将其拆解为四个层级：
1. 物理分散：不同部门、不同时期采购的多厂商存储系统相互独立。
2. 流转瓶颈：算力就位，但数据跨机房、跨云调度时面临巨大的延迟和带宽消耗。
3. 业务壁垒：各系统数据格式、接口及语义定义无法统一。
4. 安全合规：数据出域风险、模型数据泄露隐患及知识产权问题，令企业决策谨慎。

过去，行业解决孤岛的主流思路是构建大型数据湖仓，将数据集中迁移。然而，这条路并不顺畅。除了高昂成本，迁移过程中的时延和带宽消耗更为突出。陈弘明确指出：“大规模数据搬运的网络与时延成本，远高于在数据本地部署推理能力的成本。”

这标志着产业逻辑的根本转变：从“让数据迁移到AI”转向“让AI靠近数据”。这一转变并非出于技术偏好，而是基于成本结构的变化——当数据量突破临界值，迁移成本将超过本地推理成本，就近计算成为最优解。而离数据最近的基础设施，正是存储。

针对此问题，联想凌拓并未选择物理集中数据，而是通过统一的存储与数据平台实现逻辑贯通。该方案由NetApp AFX与AIDE组合，或本地化的联想存储+LiSA存储智能体构成。其核心在于将数据加工计算引擎混编至存储集群，通过异构或多厂商纳管，将不同存储系统的数据纳入统一视图，实现按需加工。无论数据物理位置如何，都能被发现、理解、调用。原则是：物理可分布，逻辑必统一。

让数据变资产：从“原材料”到“预制菜”

底座夯实、孤岛打通后，数据本身仍可能是“生”的。AI需要的不仅是原始数据，更是经过加工、可直接使用的高质量数据。

陈弘用了一个生动的比喻：“传统存储像菜农，提供带泥的原始食材（裸数据）；AI时代，存储应提供‘净菜’甚至‘预制菜’——清洗、打标、向量化完成，即拿即用。”

这一类比揭示了一个长期被忽视的矛盾：大量企业将昂贵的算力消耗在数据预处理上，而这些清洗、标注、向量化工作本应在数据落盘时完成。让GPU做数据清洗，犹如让米其林主厨洗菜择菜——并非不可行，而是成本极不划算。

基于此逻辑，联想凌拓为存储体系构建了三层递进能力：

1. 智能数据底座：赋予存储系统就近的数据加工能力。清洗、标注、向量化在数据落盘时同步完成，实现“存入即处理”，解决效率问题。
2. 智能数据基础设施（LiSA）：推动存储从“设备”向“智能体”跃迁。以联想存储智能体-LiSA (Lenovo Intelligent Storage Agent)为核心，存储不再是被动配置的系统，而是能与AI应用直接交互的智能节点。开发者可通过自然语言或API调取数据，无需关心物理存储位置。目前，LiSA已在通用HPC/AI、工业质检、智慧城市等场景落地，交互方式正从传统管理界面升级为与AI系统的智能协同。
3. AI数据围栏：权限管理从“基于人”升级为“基于AI访问行为”。在传统安全能力之上，新增面向AI行为的细粒度管控：追踪AI程序的数据访问轨迹，区分哪些数据可喂给大模型，哪些仅限特定智能体调用，在数据开放与安全间寻求动态平衡。

至此，存储系统的角色发生根本变化——不再仅是原始数据仓库，而是承担数据加工、流转调度和安全治理职能。对存储厂商而言，竞争维度已从容量、性能、可靠性，扩展至数据加工、智能协同及安全治理能力。这不是同一赛道的加速，而是赛道的拓宽与转移。联想凌拓将自己定位为帮助企业构建“AI Ready”数据底座的战略伙伴，而非单纯设备供应商。

写在最后

过去两年，AI产业聚焦于模型与算力。但随着企业深入真实生产环境，一个共识正在形成：决定AI价值释放的，不再仅是模型规模或GPU数量，而是数据能否为AI所用。只有作为生产要素的数据真正流动起来，具备数据加工、智能协同及安全治理能力，AI引擎才能成为企业起飞的推力。

模型会迭代，算力会升级，唯有数据是企业最持久、最有价值且最难复制的资产。当数据仍困于孤岛，AI仅是昂贵的实验；当数据能被发现、理解、治理、调用，AI才真正成为生产力。

从某种意义上说，AI Ready从来不只是一个关于算力的故事，而是一个关于数据价值重构的故事。而这场重构，才刚刚开始。

（文章转自：数字商业时代，撰文/王永）