随着人工智能(AI)模型复杂性日益增加、数据需求量爆炸式增长，全球企业正在从根本上重构数据存储基础设施，以最大化AI性能。特别是在基于GPU集群进行大规模训练的AI系统中，与计算速度同等快速、准确的数据供应体系已成为决定AI性能的核心要素。
在SC25活动期间的采访中，SK海力士旗下NAND解决方案子公司Solidigm的战略规划总监艾伦·班纳表示："数据中心实际上正在转变为仓库型超级计算机"，并比喻道："大型GPU集群不是靠空气，而是靠数据成长的。"他强调，通过AI就绪的存储基础设施，以结构化方式存储的海量数据能否实现实时供给，最终将决定AI学习速度与模型准确性。
虽然初期许多企业出于成本考虑尝试在自有数据中心构建AI技术栈，但传统基础设施难以处理大规模并行计算的架构缺陷逐渐暴露。对此，Solidigm与全球数据中心企业Equinix的技术团队认为，混合方法论——即综合运用不同计算环境与服务商的策略，能有效提升AI落地实效。
Equinix全球高级技术专家格伦·迪凯泽指出："每个AI项目根据应用场景都有不同需求，因此仅选择云、本地或边缘其中单一模式难以持久。关键在于灵活组合网络架构与数据供给方式以适应具体用途。"他建议企业可采取战略部署：从超大规模GPU平台启动早期概念验证，再根据需求过渡至云端新型架构。
数据获取最终被列为最普遍面临的挑战。迪凯泽补充道："除非从边缘设备、物联网、日志、客户等众多数据源采集并清洗数据，否则AI难以产生任何形式的实质性成果。"他强调需要建立能统一管理非结构化数据的存储体系与网络设计。
业界专家分析认为，AI性能提升不仅源于算力强化，更取决于数据流体系的构建质量，"面向AI数据的战略"正是甩开竞争对手的核心武器。特别是为提升模型训练精度与计算效率，存储装置不应仅是物理空间，更需作为智能供给源发挥作用。在进入大规模计算时代的AI产业中，数据已成为实质性的驱动燃料。
