夜雨聆风
不是“以存力为中心”，而是“以数据为中心”
我首先提出了一个业内常见的问题：如何看待从“以计算为中心”到“以存储为中心”的AI技术范式的转变。陈弘表示，存储厂商更关注本质——数据的价值如何被最大化，他解释道，在客户看来，数据才是核心资产，计算、存储、网络都是支撑数据价值释放是基础设施，存力只是其中之一。
陈弘进一步阐述，“以数据为中心”意味着存储系统的职责发生了改变。以前存储系统的首要任务是解决容量、性能、可靠性等问题，而AI时代的存储系统，还需要关心数据从哪来、到哪去、如何加工、并高效地供给上层AI系统。
陈弘举了个很形象的例子：传统存储像是提供未经加工的“食材”。现在客户则需要的是“净菜”。我们需要完成数据的预处理操作并提供给客户。落到技术上，就是数据的清洗、打标签、向量化等等数据加工的能力，要尽量集成到存储这一侧来做，而避免让昂贵的AI算力耗费在基础的数据准备环节。存储正承担起更关键的职责。
云厂商的AI玩的风生水起
企业环境落地AI为何挑战重重？
这次聊得比较深的是企业客户在AI落地时，在存储部分面临的挑战，陈弘把它分成了四层。
最底下一层是数据孤岛问题，这是传统企业最头疼的事。一家企业可能在不同年份、不同部门买了不同厂商的存储，日积月累，数据散落在各个系统里，也就是形成了数据孤岛。
AI应用一出现，很多企业的第一反应不是准备新的存储，而是想要先把这些数据孤岛打通。这就是为什么现在头部存储厂商都在做统一视图和数据搬迁能力，这个活儿做起来并不新鲜，但确实需要做。
第二层是存力和算力协同调度的问题。陈弘讲了一个自动驾驶的客户案例，这家企业的数据在公有云上，但是想用自己机房里的空闲算力，就需要机房算力访问公有云上的数据，不然就需要在本地补一套存储，这涉及到的是存算协同调度的问题。
陈弘认为，究其原因在于很多企业的存算投入失调。很多企业建数据中心时，算力和存储投入的比例经常是8:2甚至是9:1，很多数据中心都没有按业务数据配比存储，导致存力跟不上算力的步伐。
第三层是业务流程缺少横向打通。传统企业每个部门都好比是一个烟囱，业务流、数据流都是垂直的。AI转型需要业务的横向拉通，如果不改变业务架构，只是给每个烟囱配一个AI模块，最后只是变成“智能烟囱”，数据与业务的隔离并未打破。
但若要横向拉通，把烟囱在物理意义上“推倒”，横向重建一套统一的AI架构，工作量又巨大。在陈弘看来，真正的AI转型，应该在逻辑上和虚拟上横向拉通，而存储要能支撑虚拟的横向业务流。
最上面一层是合规和安全的问题。这是陈弘作为联想凌拓CTO最有感触的地方。他说推动AI落地的时候技术不是最难的部分，但将AI能力引入自身业务时，必须直面来自法务、安全与合规部门的全面审视。这些挑战和问题有些是技术能解决的，有些则需要考虑公司内部规章制度和行业的法规等既有规定，必要的时候还要求AI产品或者技术的服务商以书面承诺的方式提供法律保障。在这一层面，整个行业仍面临普遍的挑战，也是各家厂商构建差异化竞争力的关键所在。
这四层问题解释了为什么云厂商可以高效落地AI，在传统企业里却推进得吃力。究其根本，云厂商本身和他们的客户大多是新质生产力，新业务，新数据，没有“历史包袱”，而传统企业的“历史包袱”其实是在企业数据资产之上的行业、企业和部门的业务制度和流程，这在实际场景就成了AI落地的最大阻力。
联想凌拓打造了NetApp AFX+AIDE的组合
这能解决什么？
陈弘认为，存储厂商面对AI浪潮不能做单点优化的孤岛产品，因为仅仅依靠提供某个产品无法解决这些问题，需要结合企业已有数据资产的现状，真正帮助传统企业完成AI落地的难题。
联想凌拓用NetApp AFX+AIDE解决企业级特性的平滑迁移和AI数据就近计算的问题。同时，推出了LiSA（联想存储智能体）和本地化研发按需定制交付帮助中国企业把数据资产和新业务打通。两个产品组合，是联想凌拓给传统企业AI转型的答案。
具体而言，NetApp AFX把原有NetApp存储的所有企业特性平移过来。换句话说，客户用了多年的快照、复制、数据保护等功能，在NetApp AFX上直接搬过来就能用。这对于原来NetApp在高端制造业、金融等用户来说比较有吸引力。
配套的AIDE作为一个就近计算节点无缝集成在NetApp AFX集群里。而且，它不仅有数据围栏、数据同步、可视化访问、RAG接入等功能，还能实时感知存储上的数据变化并按照策略或者AI判断在线计算和处理。
联想存储智能体- LiSA的核心功能是对接存储系统中的数据与企业业务，可以解决数据孤岛、数据流转、安全合规等问题。智能体技术兴起以后，LiSA支持让企业自己的Agent调用LiSA的Agent来自动完成操作，可以提高运行效率。
同时，LiSA承担着弥补技术生态差异的功能。国内企业的情况复杂，有的不想上GPU，有的用国产GPU，有的要用国产大模型，单靠NetApp全球化的产品AIDE很难满足这些需求，LiSA可以支持很多适应国内技术生态的功能。
存储要从二维变成三维架构
这是AI时代存储以不变应万变的策略
最后聊到企业数据架构未来如何演进时，陈弘提了一个令人印象深刻的概念：存储要从二维变成三维。
二维指的是存储的性能和容量，当然可靠性、可扩展性等特性自不必说，这是存储的“基本功”，更迭不会太快。所谓的三维，就是再加一个数据计算节点，专门用来对接AI业务系统。
为什么要加这一维呢？陈弘认为，AI的迭代速度太快了，业务流程随时在变，用户的数据需求各不一样。如果把这些存储底座做出改变，底座的迭代速度跟不上节奏，要么可能会影响存储的可靠性。
所以，他认为最好是在存储和AI业务系统之间加一套数据计算节点，通信上紧耦合保证效率，代码上松耦合保证独立迭代。存储层可继续专注其“稳态”的可靠性根基，而数据计算层则能充分发挥“敏态”的弹性，以业务所需的速度进化。一个稳，一个快，各有各的节奏，最后形成一套既能保持根基稳固、又能灵活适应AI快速变化的存储体系。
我觉得这个分层思路是个非常聪明的工程方案。目前来看，AIDE和LiSA共同承担了这一维的不同侧面：AIDE偏数据加工的计算能力，LiSA偏本地生态、客户场景的灵活适配和快速响应。两者一起，构成了存储底座之上、AI 业务系统之下的那一层。
这次聊下来，我感觉存储厂商面对AI浪潮的态度已悄然进化。早前行业不免有关乎“存储预算被挤占”的讨论，但焦点正在转移。如今AI发展的关键瓶颈，正从“算力规模”转向“数据效能”。而如何管好、用好数据，正是存储厂商深耕的核心战场，也是他们赋能AI新时代的最大机遇。
扫描下方二维码
添加百易小助手获取更多行业资讯
查看活动详情
