AI就绪数据：释放AI投资回报率的关键

企业在两年内向生成式AI试点项目投入了300亿至400亿美元，但其中大多数并未获得与其投入相称的回报。麻省理工学院（MIT） 审计 于2025年8月发布的针对300个部署案例的研究报告得出结论：95%的此类试点项目未能产生可衡量的投资回报率（ROI）。原因何在？

阻碍AI项目实现有意义投资回报率的因素之一，是企业计算领域长期存在的一个问题：数据就绪度（data readiness）。分散、缺乏治理的数据无法可靠地支撑生产级工作负载。如今，AI正在加剧数据准备不足所造成的影响——它依赖于大量高质量数据，并通过高速流动的数据管道持续供给。

使企业数据具备AI就绪能力的三个步骤

随着AI基础设施支出目前已被 预测 将在2029年达到7580亿美元，IT领导者面临的关键问题已不再是“是否投资”，而是“如何准备数据层”，以确保该投资能持续累积为可衡量的业务价值，而非消散于孤立的概念验证（proofs of concept）之中。

如果您的存储平台同时也是您的数据平台，它可能拖慢整个AI流水线。仅增加GPU支出本身并不能保证投资回报率，前提是数据层尚未就绪。要在AI竞争中胜出，企业必须对数据进行组织，以实现高可访问性与高性能。

为应对这一挑战，戴尔科技公司（Dell Technologies）围绕“存储与搜索必须与网络韧性（cyber resilience）协同设计，方能使试点项目真正走向规模化落地”这一主张，对其AI数据平台（AI Data Platform）进行了全面重构。

戴尔将其应对策略组织为一个三部分组成的“定位（Place）、处理（Process）、保护（Protect）”框架：将数据置于计算资源可高效访问的位置；对其进行处理，以便分析师和智能体（agents）能够查询；并加以保护，以防单次勒索软件攻击导致所有工作归零。

定位数据，终结数据孤岛蔓延

在为AI重新思考企业存储架构时，首要决策是数据应存放于何处。企业态度已显著转向本地部署，其中 85% 的组织计划在未来24个月内将AI工作负载迁移至自有基础设施之上。

但只有当存储与计算解耦时，此次迁移才能真正带来回报——这正是戴尔AI数据平台中PowerScale与ObjectScale存储引擎的设计初衷。该平台将数据存储与数据处理解耦，以消除瓶颈，并为AI工作负载提供更高灵活性。

问题不仅在于容量，更在于数据能否以一种方式被定位与服务，从而持续保障GPU密集型工作负载的生产力。戴尔表示，PowerScale在存储与GPU加速工作负载之间构建了一条更高效的数据通路，减少了数据通路中潜在的瓶颈。

PowerScale F710已获得NVIDIA认证存储（NVIDIA-Certified Storage）NCP级别认证，现可扩展支持超过16,000颗GPU，所需机架空间比竞品系统减少达5倍，网络交换机数量减少88%，这一密度优势直接转化为超大规模站点更低的电费支出与更快的网络结构（fabric）部署速度。

这已助力包括 Maya HTT在内的企业——该公司利用戴尔PowerScale与NVIDIA AI基础设施，将非结构化数据转化为可操作洞察，应用场景涵盖卫星制造、实时海洋遥测数据，直至在单一网络结构上完成模型训练。

这些工作流此前需为数据摄取（ingest）、模型训练（training）与推理（inference）分别构建独立环境。通过将上述各阶段整合至统一存储层，并使其足以充分饱和GPU资源，戴尔科技公司印证了一项核心原则：当数据移动最小化、数据访问流程化时，AI的经济效益即得以提升。

该合作正“将海量非结构化数据转化为可操作洞察”， 称 Maya HTT工业AI副总裁雷米·杜凯特（Remi Duquette）表示。

处理数据，使其具备可查询性

然而，无论存储性能多么卓越，若分析师试图检索一百万份非结构化文件，或开发者正在构建检索流水线，仅靠存储本身毫无助益。为弥补这一缺口，戴尔在2025年10月的产品更新中同步宣布了两项软件构建模块：一款基于Elastic构建的数据搜索引擎（Data Search Engine），以及一款基于Starburst构建的数据分析引擎（Data Analytics Engine）。二者共同在统一查询模型下，桥接结构化表格、湖仓一体（lakehouses）及非结构化对象存储。

该搜索引擎可用于仅摄取更新后的文件，从而节省计算时间并保持向量数据库的时效性。在数据分析方面，戴尔数据分析引擎将联邦SQL访问能力扩展至电子表格、数据库、云数据仓库及Iceberg数据湖。这一点至关重要，因为企业数据极少集中于单一位置；而当团队必须在使用前整合全部数据源时，AI项目进度便会放缓。

对实现价值时效性（time-to-value）影响最为深远的是数据分析引擎的智能体层（Agentic Layer），其利用大语言模型（LLMs）在数秒内将原始数据自动转化为可操作洞察，具体功能包括自动化文档生成、关键洞察自动呈现，以及将AI嵌入SQL工作流。配合一项计划推出的MCP服务器（MCP Server），企业可在无厂商锁定（vendor lock-in）前提下编排多个智能体与模型。该智能体层将数据准备重新定义为一项持续性、以模型驱动的活动，而非一次性项目；而这正是区分可规模化推广的试点项目与停滞不前的试点项目的缺失要素。

保护数据：网络韧性作为先决条件

戴尔“定位、处理、保护”框架的第三支柱聚焦于AI资产遭遇入侵、接受审计，或因训练失败而需重建时的情形。据Omdia旗下企业战略集团（Enterprise Strategy Group）开展的 研究 显示，三分之二的组织仅对其全部AI数据的约50%执行备份。这使得专有模型与训练语料库暴露于勒索软件、数据投毒（data poisoning）风险之下，并面临监管机构日益强化的长期数据留存义务。若训练数据未受保护，则试点失败的成本将不再仅体现为GPU计算时间的浪费，更体现为结果完全不可复现。

戴尔通过PowerProtect Data Manager应对该问题，该产品提供数据不可变性（data immutability），并支持面向Kubernetes原生工作负载的协同恢复（co-ordinated recover）。PowerProtect Cyber Recovery还可将关键训练语料库隔离于高级威胁之外，并利用机器学习技术标记可疑活动。

其架构要点在于：网络韧性必须自始至终与“定位”和“处理”并列部署。唯有将其视为基础设施而非保险机制，受审计约束的组织才可能切实履行受监管数据的长期留存义务。

从框架到业务成果

一如往常，最终验证始终在于实际生产部署。可持续工程公司 Worley 即为引用的客户部署案例之一，用以证实戴尔-NVIDIA集成方案的有效性。这是一家受强监管、数据引力（data-gravity）极重的企业，其试点项目往往处于概念验证与生产落地之间的高风险地带。

对于直面7580亿美元基础设施浪潮的IT领导者而言，更广泛的启示在于：AI的生产力承诺，更多取决于其底层数据层是否已针对特定工作负载完成工程化设计，而非取决于本季度流行的是哪一类模型。

当底层数据被部署在靠近消耗该数据的GPU的位置、被处理成业务用户无需耗时六周的项目计划即可直接查询的形式、并受到保护以防发生可能导致实验归零的安全漏洞时，试点项目更有可能在接触生产环境后取得成功。

支撑这三大支柱的工程决策应在下一次微调运行之前确定，而非等到下一次审计完成之后才做决定。