本文作者为希捷科技公司高级副总裁杨晓东

作为全球头部大容量数据存储解决方案厂商，希捷科技持续关注AI向真实业务场景规模化应用中对数据治理的需求。

随着AI进入生产环境，企业的成功越来越取决于能否有效整合技术、数据和基础设施，从而支撑长期可持续发展。从这个角度来看，未来AI竞争的重点将不再是“谁先试验”，而是“谁能更好地落地与执行”。

01

行业对AI的理解和认知正在发生演化

在AI发展的早期阶段，行业的关注点主要集中在算力层面。如今，随着AI从模型训练逐步走向大规模推理以及Agentic AI时代，讨论的重点正在发生变化。企业面临的挑战不再只是如何更快地处理数据，还包括如何以高效、可靠和可持续的方式实现数据的大规模存储与访问。

随着数据逐渐成为战略资产，企业越来越需要具备长期存储、保护和释放数据价值的能力。与此同时，企业关注的重点也正从AI试验阶段转向实际业务落地。越来越多企业开始关注如何利用AI优化业务流程、提升决策效率，并创造可衡量的商业价值。随着AI应用走向规模化，企业也开始从更长期的视角规划数据战略，更加重视数据留存、数据治理以及持续释放数据价值的能力。

为了释放AI的长期价值，企业需要更加重视数据资产的长期规划和长期留存。当前，很多AI讨论聚焦于模型、算力和应用开发。但企业往往容易忽视一个事实：AI的长期价值最终建立在数据的质量、可获得性以及持续性之上。每天都有大量有价值的数据通过企业运营、客户互动以及AI工作流不断产生。如果缺乏长期的数据留存和管理规划，未来释放数据价值的能力也将受到限制。

模型可以更新、迁移，甚至被替代，但数据资产一旦丢失，往往很难重新获得。AI时代最大的误区之一，就是把数据仅仅看作模型训练的“燃料”。事实上，数据更应该被视为企业能够持续积累的重要长期资产。

02

AI正在显著提升企业长期留存、管理和访问数据的需求

随着AI进入规模化应用阶段，AI正在对数据基础设施提出全新的要求，其驱动力来自数据规模、数据流动和数据长期价值的快速增长。虽然传统云计算环境本身已经依赖大规模存储，但AI正在显著提升企业长期留存、管理和访问数据的需求。

与传统云数据中心相比，AI数据中心需要支撑更庞大的数据规模、更频繁的数据流动以及更长的数据生命周期。AI工作负载会产生海量训练数据、推理数据以及多模态数据。与此同时，数据还需要在数据中心、云端、企业内部以及边缘环境之间高效流动。更重要的是，这些数据还会持续为未来推理、模型优化以及新的AI应用创造价值。

我们也看到企业越来越关注数据流动能力和数据可访问性。随着AI Agent、企业Copilot以及行业智能体进入生产环境，挑战已经不再只是数据存放在哪里，而是如何让数据在云、边、端之间高效流动，以及如何让历史数据被持续利用和重复创造价值。

归根结底，企业面临的问题已经不再是“能否存储数据”，而是“能否同时实现数据的存储、访问与规模化扩展”。未来的数据基础设施必须在容量、可访问性、可扩展性、效率和长期经济性之间取得平衡，以支撑可持续的AI增长。

03

AI时代让“数据资产”这一概念变得更加重要

AI离不开数据。如果数据没有被妥善存储和保护，企业就无法利用这些数据在今天和未来创造更大的价值。

数据只有在被保留、受到保护并能在需要时被访问和利用的情况下，才能真正创造价值。随着AI从实验阶段走向规模化应用，企业正在产生和管理前所未有规模的数据，这也使长期数据管理变得越来越重要。与模型不同，数据资产往往会随着时间持续积累价值，并在企业不断创新和应用AI的过程中发挥越来越大的作用。

最终，AI的长期价值未必是拥有最大模型的企业，而是能够持续积累、管理和利用数据资产、创造长期价值的企业。

04

数据的价值在于能够在基础设施之间高效流动

数据规模本身并不等于价值。数据价值的释放，在于数据能够在基础设施之间高效流动，并在需要的时候被访问和使用。随着AI越来越深入地融入业务运营，企业正在产生前所未有规模的数据。但仅仅拥有更多数据并不足够，更重要的是如何长期保存、管理、访问和重复利用这些数据。

希捷认为，在智能经济时代，词元激发创意，但真正创造长期价值的是数据。AI能够带来洞察、自动化和创新，但这些能力最终依赖于底层数据的质量、可获得性和持续性。我们经常强调，数据只有在被保留、保护，并在需要时能够被调用的情况下，才能持续创造价值。随着AI从模型训练走向大规模推理和Agentic AI，企业越来越需要让数据不仅创造一次价值，而是持续发挥价值。历史数据未来可能被用于推理、模型优化、业务改进，甚至支持全新的AI应用。因此，数据不仅仅是AI的输入，更是一项长期战略资产。而这一价值的持续积累与释放，则依赖于一个持久、可信的记录系统，帮助企业持续保存、管理并释放数据资产价值。

05

企业实现可持续AI增长的重要能力

随着AI从实验阶段走向规模化应用，企业需要跳出模型本身，更加关注贯穿数据全生命周期的管理能力建设。

未来企业需要重点构建三项核心能力：

第一，数据留存能力：很多企业只关注推理结果，却忽略了原始数据价值。

第二，数据治理能力：让数据可管理、可追溯、可复用。

第三，数据反馈能力：建立从推理到训练再到业务优化的数据闭环。真正的竞争优势将来自不断积累的数据资产，而不仅仅是模型本身。

这些能力能够帮助企业确保数据持续可用、可信，并能够被不断复用。随着AI进一步融入业务运营，全生命周期数据管理能力将成为支撑可持续增长的重要基础。

我们给正在推进AI 转型的企业管理者的建议是，以长期视角看待AI。很多企业会自然地关注下一代模型、新的应用场景或者最新的技术突破。但AI战略不应建立在单一技术周期之上，而应该建立在能够支撑持续创新的长期基础之上。这一基础包括数据基础设施、数据治理以及长期数据管理能力。

AI会不断演进，但真正能够在长期获得成功的企业，将是那些能够持续释放数据价值，并建立起支撑这种价值不断增长体系的企业。