过去两年，AI产业跑出了一条陡峭的曲线：模型能力不断刷新认知，但落地到企业核心业务的速度，远不如预期。
一个直观的现象是，企业在大模型、GPU集群和AI平台上投入的意愿很高，行动也快，但当项目从POC阶段推向规模化部署，各类问题接踵而至——数据散落在不同系统里无法调取，而调取后的数据格式不统一难以使用，即便勉强投入应用，安全合规风险又令人忧心。
联想凌拓CTO陈弘走访了大量客户现场后，总结出一个很直观的观察：“很多企业搭建AI基础设施时，算力与存储的投入比例一度高达8:2甚至9:1。待到AI正式上线，存储资源严重不足，数据跟不上算力的节奏。”陈弘将该现象称为“算力空转”——昂贵的GPU就位了，但数据还滞留在各个部门的系统中。
这个判断道出了行业现状：企业迈向“AI就绪”的进程中，瓶颈往往不是算力规模，而是一个能让数据真正流动起来、支撑AI高效调用的基础设施底座。
联想凌拓CTO 陈弘
夯实底座：存储不再是配角
陈弘深耕行业多年，职业生涯历经网络安全、光通信、企业存储和云计算多个领域。他认为，本轮由AI驱动的产业变革，与以往的信息技术升级有着本质区别。“以前每一轮基础设施的演进，核心都是计算和传输能力的升级，数据始终处于被动地位。但在这一轮变革中，数据变成了‘主动生产要素’。”他强调，数据的质量、安全合规、流动性、AI可用性，直接决定AI项目的成败。
这个判断也贴合当下企业的实际情况。AI训练场景中，数百块GPU同时等待数据输入，存储端的任何延迟都会被持续放大。传统存储架构是为通用业务设计的，面对这种高并发、大吞吐的负载，从底层架构上就难以适配——问题不在于存储容量，而是架构不对。真正的解法，是从底层重新设计存储与算力的协同方式，让数据路径足够短、吞吐足够快，使算力利用率得到实质性提升。
打通孤岛：从“数据追着算力跑”到“算力靠近数据”
底座夯实了，新的问题随之而来——数据散在各处怎么办？
数据孤岛是IT行业老生常谈的问题，但在AI场景下，它的破坏力被放大了不止一个量级。陈弘把它拆分成四个层次：最底层是物理分散，不同部门、不同年份采购的不同厂商存储系统相互独立；往上一层是流转瓶颈——算力已经就位，但数据跨机房、跨云调度时的延迟和带宽消耗极大；再往上是业务多样性壁垒，各系统的数据格式、接口、语义定义无法统一；最后是安全与合规层，数据能否出域、是否会造成模型数据泄露、是否有知识产权风险，每一个问题都让企业不敢轻举妄动。
过去行业解决孤岛的思路比较直接——建一个大的数据湖仓，把数据集中迁移进去。但这条路走得并不顺利。成本高只是问题之一，更突出的问题是迁移过程的时延和带宽消耗。陈弘的判断很明确：“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。”
这意味着产业逻辑正在发生转变：从“让数据迁移到AI”，转向“让AI靠近数据”。驱动力不是技术偏好，而是成本结构的变化——当数据量突破某个量级，迁移成本就会超过本地部署推理能力的成本，最优解自然倒向就近计算。而离数据最近的基础设施，恰恰是存储。
联想凌拓针对该问题给出的解决方案，不是把数据进行物理集中，而是通过一套统一的存储与数据平台实现逻辑层面的贯通。这个平台由NetApp AFX与AIDE组合或者本地化的联想存储+LISA存储智能体组合构成，核心思路是将数据加工计算引擎混编到存储集群，通过异构或者多厂商的纳管，把不同存储系统的数据纳入统一视图，按需加工，让数据无论存储在何处、何种设备上，都能被发现、被理解、被调用。物理上可以分布，逻辑上必须统一。
让数据变资产：从“原材料”到“预制菜”
底座夯实了，孤岛打通了，数据能流动了，但数据本身还是“生”的。AI需要的不只是原始数据，而是经过加工、可以直接使用的高质量数据。
陈弘打了一个很形象的比方：“传统存储就像个菜农，提供的是从地里刚摘的、带泥的原始食材——也就是裸数据。AI时代，存储得直接提供‘净菜’甚至‘预制菜’——清洗过、打了标签、做完向量化，拿出来就能用。”
这个类比指向了一个长期被忽视的矛盾：大量企业把昂贵的算力消耗在了数据预处理上，而这些清洗、标注、向量化的工作，本应在数据落盘时就完成。让GPU去做数据清洗，就像让米其林主厨去洗菜择菜——不是不能干，而是成本极不划算。
顺着这个逻辑，联想凌拓为存储体系构想了三层递进的能力。
第一层是智能数据底座，让存储系统自身具备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”。这一步解决的是效率问题。
第二层是把存储从“设备”推向“智能体”的关键一跃。联想凌拓为此构建了以联想存储智能体-LiSA（Lenovo Intelligent Storage Agent）为核心的智能数据基础设施解决方案。
在这个架构下，存储不再是等待管理员手动配置的被动系统，而是能够与AI应用直接交互的智能节点——开发者用自然语言或API就能调取所需数据，不需要关心数据物理上存在哪台设备上。
目前LiSA已经在通用HPC/AI、工业质检、智慧城市等场景落地，交互方式正在从传统的管理界面，实质性地升级为与AI系统的智能协同。
第三层是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，新增一层面向AI行为的细粒度管控：追踪每个AI程序的数据访问轨迹，区分哪些数据可以喂给大模型，哪些只能给特定智能体调用，在数据开放与安全之间寻求动态平衡。
这三层构想做到这一步，存储系统的角色实际上已经发生了变化——它不再只是原始数据的仓库，而是开始承担数据加工、流转调度和安全治理的职能。
对存储厂商来说，竞争维度也随之改变。以前拼的是容量、性能和可靠性，现在还要加上数据加工能力、智能协同能力和安全治理能力。这不是同一赛道里的加速，而是赛道本身在拓宽在转移。联想凌拓在这个变局中给自己的定位，不是一个单纯的设备供应商，而是帮助企业构建“AI Ready”数据底座的战略伙伴。从筑稳底座到打破孤岛，从加工数据到保障安全，每一步都指向同一个目标：让企业数据具备被AI调用的能力。
写在最后
过去两年，AI产业最热闹的话题始终是模型和算力。但随着越来越多企业进入真实生产环境，一个新的共识正在形成：决定AI价值释放的，不再只是模型有多大、GPU有多少，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，具备数据加工能力、智能协同能力和安全治理能力，AI引擎才能产生企业起飞的推力。
模型会迭代，算力会升级，只有数据始终是企业最持久、最有价值、也最难复制的资产。当数据仍然停留在孤岛中时，AI只是昂贵的实验；当数据能够被发现、被理解、被治理、被调用时，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。
京公网安备 11010202008829号