展望解读

多源、异构、海量数据的预处理日趋复杂，传统数据管理走向综合数据治理，更加强调对数据的全生命周期管理，如整合、清洗、标注、保护、合规处理与价值挖掘。

更大规模的算力要求数据存储提供更高性能的数据访问能力。

AI 技术逐步融入金融交易、自动驾驶、智能制造等行业，数据实时处理能力正逐渐成为多种业务不可或缺的基础需求。

建议举措

1构建以数据综合治理为目的的数据基础设施，实现数据快速归集和汇聚，并通过专业的数据预处理工具链，从海量数据中高效提取所需的训练数据。

2通过全闪存存储和合向量RAG、长上下文记忆存储等语义创新为算力高效提供数据。

3统一数据基础设施平台，实现数据高效流转

展望解读

构建防治结合的数据安全体系

智能化升级过程中产生越来越多高价值业务数据，而备份窗口有限，这迫切呼唤更强的备份能力，更先进的备份介质和架构。

同时，AI降低了勒索攻击的门槛，全面数据保护刻不容缓

建议举措

1建设全闪存备份存储，提升备份效率

2通过存储、网络等基础设施的结合，建设多层防勒索，从被动走向主动，防治结合

展望解读

“缺数据，不AI”，数据逐渐成为AI领域差异化竞争力的核心。

数据资产管理成为企业开展AI实践的关键前提。

从训练走向推理，让AI进入千行万业已经成为业界共识，善于应用AI的企业将从竞争中脱颖而出。

建议举措

1建立统一AI数据湖，实现数据资产可视、可管、可用

2面向训练，选择专业AI存储，提升算力利用率，最大化AI投资效率

3面向推理，采用RAG、KV-Cache等技术，提升大模型推理性能和准确度

4利用容灾、备份、防勒索等手段，加强数据分类分级保护

5增加AI人才培养机制，积极开展AI大模型实践

展望解读

AI 大模型正处在探索期，对于企业或研究机构而言，其投资回报面临巨大挑战。

数据质量参差不齐，导致数据准备消耗了大量时间和精力。在基础设施部署阶段，企业和研究机构还面临硬件选型难、交付周期长、运维成本高等困难。

此外，大模型幻觉严重，推理准确度往往无法满足业务需求。

数据安全也缺乏保证，模型等核心数据资产存在易泄露的风险。

建议举措

1通过预集成数据预处理工具链，快速生成高质量训练数据集

2部署全栈预集成训/推一体机用于大模型行业落地

3利用RAG知识库，消除幻觉实现精准推理