传统数据存储如何拖垮企业AI进程

GPU算力并非人工智能革命赖以建立的唯一要素；数据存储同样重要。它是企业人工智能故事中至关重要的一环，但企业在竞相获取计算能力的过程中却常常忽视这一点。

然而，大多数企业最终都会意识到其重要性，这正是Omdia旗下研究机构ESG发现83%的IT部门计划在未来两年内开展存储系统升级改造的原因。但差距究竟在哪里？是什么阻碍了传统企业级数据存储助力组织实现其人工智能目标？

传统存储在哪些方面令人工智能失望

在推动人工智能项目落地的过程中，数据存储领域存在若干障碍，最终会浮现出来。

容量

数据采集与准备面临巨大的存储容量问题。人工智能项目会显著扩大数据量，尤其在数据准备与规划阶段，52%的企业将容量列为最主要挑战（据ESG数据）。人工智能的数据存储需求也可能剧烈波动，从而产生难以预测的容量需求。因此，尽管传统存储假设的是可预测的年度增长，人工智能推理却要求具备灵活的数据存储解决方案。

现代存储平台将速度与可保证的数据缩减效果相结合，使容量规划更加简便。与此同时，许多传统系统仅将重复数据删除和压缩等功能作为事后补救措施加以附加。

性能

存储性能对于人工智能项目中的数据采集与准备同样至关重要。中型机构和新兴云服务提供商或许会过度关注GPU使用率，但缓慢的存储可能导致这些GPU部分时间处于空闲状态。在模型训练阶段，性能位列挑战之首，42%的企业向ESG表示这是他们面临的最大难题。此外，虽然安全团队希望在模型上线前实施细粒度的数据标记，但传统存储令这一过程异常痛苦。

采用端到端NVMe技术的现代全闪存阵列可大幅提升性能，显著降低延迟并提高IOPS数值。

集成

尽管企业可能假设传统架构能良好支持人工智能工作流，但最终会意识到事实并非如此。ESG调查数据显示，71%的组织无法使其存储系统与人工智能流水线顺畅协同。传统存储将每类数据视为彼此隔离的孤岛，这意味着需在不同命名空间之间进行物理数据拷贝。

相反，现代存储平台将数据统一至单一命名空间。它们可同时支持块、文件及容器工作负载，甚至延伸至云环境。由此构建出更简单、自动化的环境，确保数据始终位于人工智能流水线中所需的位置附近。

安全与合规

欧洲企业面临严峻现实：监管机构要求数据必须保留在国境之内。云服务提供商无法对此提供保障。“数据主权”压力催生了对兼具云存储解决方案特性的本地基础设施的需求。这使得安全与合规成为人工智能工作负载的一大难题，据ESG指出，该问题主要出现在推理阶段，并与性能并列成为最主要的阻碍因素。

合规性与容量之间的张力在ESG数据中亦有体现。尽管80%的企业将人工智能数据推送至云端，以缓解其传统存储架构在容量与性能方面的不足，但几乎同样多的企业（76%）坚持要求其核心数据资产保留在本地。

为兼顾二者优势，混合式存储解决方案对企业人工智能至关重要。现代存储平台通过原生支持AWS、Azure和Google Cloud，同时保留本地控制权，弥合了这一鸿沟。其原生迁移工具与多云备份能力使混合部署切实可行。

前进之路：为人工智能推理现代化存储

所有人都终将意识到传统数据存储无法满足需求，但这一认知若在企业人工智能计划推进后期才出现，其带来的干扰将愈发严重。随着时间推移，随着首席信息官（CIO）信心增强，人工智能项目很可能变得日益复杂且规模扩大，而传统存储的局限性也将更快显现。明智的组织将尽早制定应对策略。

采购经NVIDIA认证的现代存储设备可消除不确定性；与提供容量、使用寿命及支持生命周期明确保证的数据存储供应商合作亦可达到同样效果。

若此事处理得当，您便可期待高效的模型训练运行与顺畅的人工智能推理扩展；若行动过晚，则可能眼睁睁看着自身人工智能雄心被昨日的基础设施所扼杀。

斯科特·辛克莱尔（Scott Sinclair），Omdia基础设施、云、DevOps与网络实践总监