在過去的一年里，關(guān)于大模型的討論已經(jīng)從學(xué)術(shù)研究圈擴展到了產(chǎn)業(yè)界，甚至進(jìn)入了政府的議程。這一趨勢也反映在各大上市公司的財報中，越來越多的企業(yè)在其年度目標(biāo)中提及大模型應(yīng)用。無論是在面對消費者的智能助手，還是在企業(yè)級行業(yè)應(yīng)用中的全類模型，人工智能被寄予了重構(gòu)工作流程的厚望。然而，一個關(guān)鍵問題愈發(fā)重要：到底是誰在為AI提供可持續(xù)且高效的基礎(chǔ)設(shè)施？

目前，主流大模型廠商在訓(xùn)練任務(wù)中的數(shù)據(jù)處理規(guī)模已從TB級提升至PB級。在這一過程中，數(shù)據(jù)調(diào)度、訪問頻率、傳輸穩(wěn)定性以及讀取延遲等因素，成為影響模型效果和商業(yè)化效率的關(guān)鍵變量?？梢哉f，大模型的能力上限不僅取決于所使用的數(shù)據(jù)質(zhì)量，還取決于數(shù)據(jù)處理的方式和效率。

為了深入探討這一話題，數(shù)據(jù)猿于6月30日策劃了一場線上直播對話，邀請了中國信通院云計算與大數(shù)據(jù)研究所高級業(yè)務(wù)主管田稼豐、華瑞指數(shù)云聯(lián)合創(chuàng)始人兼CTO曹羽中、傳神語聯(lián)副總裁兼研究院院長何征宇共同參與，會議由數(shù)據(jù)猿聯(lián)合創(chuàng)始人兼主編張艷飛主持。

這場線上圓桌對話，聚焦于大模型技術(shù)在實際應(yīng)用中的數(shù)據(jù)存儲需求、基礎(chǔ)設(shè)施挑戰(zhàn)及合作等核心問題，致力于為行業(yè)提供有價值的思路與借鑒。

掃碼觀看直播回放

大模型是否過熱？

本次會議先從AI大模型現(xiàn)狀開始聊起。目前，全球范圍內(nèi)的AI大模型引發(fā)了廣泛關(guān)注。然而，有人質(zhì)疑，現(xiàn)階段的AI大模型是否過熱了？尤其是當(dāng)人們發(fā)現(xiàn)，AI大模型有時會出現(xiàn)“幻覺”，給出不準(zhǔn)確的答案。現(xiàn)在AI大模型到底能發(fā)揮多大的作用？AI大模型的熱度是否被夸大了？

在傳神語聯(lián)副總裁何征宇看來，他認(rèn)同“大模型目前處于過熱狀態(tài)”這個說法。他認(rèn)為，如今大模型的出現(xiàn)并不能立刻帶來顛覆性變革，而是更傾向于大模型是在現(xiàn)有的軟件、生態(tài)和數(shù)據(jù)基礎(chǔ)上進(jìn)行優(yōu)化和改造。“無論是多模態(tài)大模型還是大語言模型，它們的價值更多在于加成性，而非顛覆性。”他提到，是大模型融入各行業(yè)，而不是大模型取代各個行業(yè)，大模型應(yīng)該是滲透型的，而不是顛覆型的。

中國信通院云計算與大數(shù)據(jù)研究所高級業(yè)務(wù)主管田稼豐也提到，大模型與各個行業(yè)的結(jié)合，是釋放其價值的最終形式。不同的行業(yè)在大模型的應(yīng)用上有著各自的特點和挑戰(zhàn)。

他提到，如果將行業(yè)大致劃分為數(shù)據(jù)原生行業(yè)和非數(shù)據(jù)原生行業(yè)。數(shù)據(jù)原生行業(yè)如金融和電信，原本在數(shù)據(jù)方面的能力就很強，積累了大量高質(zhì)量的數(shù)據(jù)。因此，在大模型的落地應(yīng)用上，這些行業(yè)進(jìn)展就會比較快。相反，一些非數(shù)據(jù)原生行業(yè)，面臨數(shù)據(jù)質(zhì)量較差、數(shù)據(jù)采集成本高、多模態(tài)處理技術(shù)能力不足等問題，這些行業(yè)目前還沒有找到大模型與行業(yè)結(jié)合的成熟范式，仍處于探索階段。

“大模型過熱現(xiàn)象普遍存在，主要表現(xiàn)為高估了大模型在短期內(nèi)的收益，而低估了其長期價值的傾向。若要充分釋放大模型的數(shù)據(jù)價值，需要持續(xù)優(yōu)化數(shù)據(jù)質(zhì)量、培訓(xùn)員工能力，并在制度和流程上進(jìn)行調(diào)整。”田稼豐說到，同時也強調(diào)，大模型仍處于快速上升期，尚未達(dá)到最熱階段。各個行業(yè)如農(nóng)業(yè)、制造業(yè)、能源和建筑等都在積極探索和建設(shè)高質(zhì)量的信息系統(tǒng)，并嘗試將大模型應(yīng)用于行業(yè)中。“我們觀察到的，目前較為成熟的應(yīng)用主要集中在營銷、運營和管理等場景，其他場景整體上還比較滯后，總體上處于能力建設(shè)階段。”

對于AI是否過熱的問題，華瑞指數(shù)云聯(lián)合創(chuàng)始人兼CTO曹羽中也談了他的看法：“我的觀點是，作為科技創(chuàng)新者，我們不妨樂觀一些?？萍紕?chuàng)新領(lǐng)域的過熱并不是壞事，因為它能極大地推動行業(yè)進(jìn)步。歷史上，我們也經(jīng)歷過一些技術(shù)的超級過熱，比如第一代互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)。雖然這些泡沫破裂了，但并沒有導(dǎo)致一地雞毛，反而催生了一個繁榮的信息時代。”

對于以大模型為代表的新一代AI技術(shù)，曹羽中認(rèn)為它的發(fā)展之路可能比第一代互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)更長，因為它覆蓋的應(yīng)用范圍涉及各行各業(yè)。正如其它兩位嘉賓所說，目前大多數(shù)行業(yè)的數(shù)據(jù)基礎(chǔ)還非常薄弱，遠(yuǎn)未達(dá)到支撐AI大規(guī)模應(yīng)用的程度。許多行業(yè)甚至連基礎(chǔ)的數(shù)字化都尚未完成，仍處于信息化的早期階段。這意味著未來還有巨大的拓展和發(fā)展空間，進(jìn)步的潛力非常大。路還很長，但前景廣闊。

AI大模型商用，對數(shù)據(jù)存儲提出了哪些“新剛需”與挑戰(zhàn)？

如今，AI大模型的商用化進(jìn)程正如火如荼推進(jìn)。大規(guī)模的人工智能應(yīng)用，在各行各業(yè)中展示出巨大的潛力，但同時也對數(shù)據(jù)存儲提出了全新的“剛需”和挑戰(zhàn)。

曹羽中指出，AI訓(xùn)練需要高性能存儲支持，包括高IOPS、低時延、高并行讀帶寬和高并行寫帶寬，以提升GPU的利用率。如果這些需求得不到滿足，AI訓(xùn)練的效率和GPU利用率將大大降低，導(dǎo)致資源浪費。在未來的AI應(yīng)用落地過程中，如何構(gòu)建AI基礎(chǔ)設(shè)施和數(shù)字基礎(chǔ)設(shè)施仍有許多未知和待探討的領(lǐng)域。

何征宇也認(rèn)同這一觀點，進(jìn)入AI和大模型時代后，數(shù)據(jù)存儲面臨的最大挑戰(zhàn)是帶寬問題。然而，他進(jìn)一步強調(diào)，如何高效利用數(shù)據(jù)，尤其是在推理環(huán)節(jié)中，也構(gòu)成了一大挑戰(zhàn)，“每個行業(yè)真正有價值數(shù)據(jù)，可能并沒有暴露到互聯(lián)網(wǎng)上和公開的環(huán)境來。”此外，還有另外一個問題，即數(shù)據(jù)存儲形式，何征宇提到，向量化存儲可能是一種趨勢，但更重要的是發(fā)展新的數(shù)據(jù)庫形式，這些數(shù)據(jù)庫可以直接與大模型交互。例如，神經(jīng)網(wǎng)絡(luò)本質(zhì)上也是一種數(shù)據(jù)庫，將數(shù)據(jù)存儲在神經(jīng)網(wǎng)絡(luò)中，或者設(shè)計成神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)庫，可以更自然地檢索和存儲數(shù)據(jù)。

在談到傳統(tǒng)存儲方式時，曹羽中表示，傳統(tǒng)存儲是為信息化時代設(shè)計的，包括塊存儲、文件存儲和對象存儲，但這些并不能完全滿足未來AI技術(shù)設(shè)施的需求。他呼吁針對AI特定業(yè)務(wù)場景，設(shè)計新型的數(shù)據(jù)接口和存儲能力。他提到基于神經(jīng)網(wǎng)絡(luò)的知識存儲和檢索尚在研究中，但已有良好前景，尤其在推理發(fā)展上，探索多級、全局共享的存儲模式將顯著降低算力消耗。

與之呼應(yīng)，田稼豐從數(shù)據(jù)量及存儲擴展性角度出發(fā)，指出以Meta的Llama 3為例，其在參數(shù)數(shù)量和訓(xùn)練數(shù)據(jù)量上雖然不及OpenAI的GPT-3.5，但在公開基準(zhǔn)測試中表現(xiàn)更佳，這凸顯了訓(xùn)練數(shù)據(jù)集的重要性。他強調(diào)，AI系統(tǒng)的首要需求是具備海量數(shù)據(jù)的存儲能力和良好的擴展性。

在數(shù)據(jù)帶寬和訪問效率方面，田稼豐與曹羽中、何征宇不謀而合，認(rèn)為這對AI集群的可用性至關(guān)重要，尤其在推理階段更為明顯。此外，田稼豐還提到存儲服務(wù)的穩(wěn)定性在GPU訓(xùn)練過程中極為重要，頻繁的檢查點操作要求存儲服務(wù)能夠有效保障數(shù)據(jù)安全。

最后，田稼豐提到成本問題和安全性問題。在大模型訓(xùn)練中，存儲成本占整體訓(xùn)練成本的10%至20%，因此優(yōu)化存儲策略以平衡技術(shù)與成本是必要的。“最后一個，我想補充的就是安全問題，其實國家出了這個三法，對于安全有些非常明確的一些要求。一方面可能在大模型訓(xùn)練過程中可能會有一些數(shù)據(jù)竊取，會面臨一些相關(guān)風(fēng)險。另一方面，可能有一些新的數(shù)據(jù)攻擊，比如說像數(shù)據(jù)里加入一些噪音，給你一些加入一些扭曲意識形態(tài)的內(nèi)容，導(dǎo)致這個模型的質(zhì)量下降，出現(xiàn)幻覺，最終干擾模型最終訓(xùn)練的結(jié)果。所以我覺得，數(shù)據(jù)存儲安全性也是一個很重要的考量點。”

數(shù)據(jù)安全、隱私保護(hù)，

如何在模型與存儲協(xié)同中落地？

在數(shù)據(jù)驅(qū)動時代，數(shù)據(jù)安全和隱私保護(hù)成為AI大模型與數(shù)據(jù)存儲協(xié)同落地過程中不可忽視的重要議題。隨著大模型在各行業(yè)的深入應(yīng)用，如何在服務(wù)客戶的過程中確保數(shù)據(jù)的機密性和完整性，成為企業(yè)面臨的重大挑戰(zhàn)。

一、存儲系統(tǒng)的連續(xù)性、可靠性與安全性

曹羽中指出，存儲系統(tǒng)的連續(xù)性和可靠性至關(guān)重要。在傳統(tǒng)存儲領(lǐng)域，企業(yè)關(guān)鍵業(yè)務(wù)和核心業(yè)務(wù)的數(shù)據(jù)，如OLTP交易型數(shù)據(jù)，必須保證極高的可靠性和一致性。但在大數(shù)據(jù)時代，新興的存儲方案為了滿足大數(shù)據(jù)的需求，可能在連續(xù)性保障上有所欠缺，因為它們處理的是離線數(shù)據(jù)，實時性要求較低。此外，安全性問題也變得更加復(fù)雜。在大模型生態(tài)圈中，如何保證企業(yè)級數(shù)據(jù)不被未經(jīng)授權(quán)的人通過大模型訓(xùn)練或查詢獲取，是一個尚未完全解決的問題。曹羽中分享到：“我們的一些實踐經(jīng)驗表明，企業(yè)內(nèi)部的重要數(shù)據(jù)不應(yīng)全部用于AI訓(xùn)練，即使模型部署在企業(yè)內(nèi)部。關(guān)鍵數(shù)據(jù)需要脫敏處理，不能直接作為訓(xùn)練集的一部分。”他還提到，在與客戶合作時，會將權(quán)限管理機制內(nèi)置到AI代理和MCP（Multi-Cloud Platform）中。通過這樣的設(shè)計，即使通過代理查詢外部數(shù)據(jù)，也能遵循原有的權(quán)限管理，確保數(shù)據(jù)安全，而不是依賴模型內(nèi)部的權(quán)限管理，這樣更為合理。

何征宇補充道，大模型和AI的出現(xiàn)帶來了新的安全性挑戰(zhàn)。即使進(jìn)行了脫敏和隱私處理，也很難完全清潔數(shù)據(jù)，因為目前沒有統(tǒng)一的標(biāo)準(zhǔn)。真正企業(yè)的核心數(shù)據(jù)不會被拿去外部進(jìn)行訓(xùn)練。此外，大模型本身無法有效管理權(quán)限，因為數(shù)據(jù)訪問權(quán)限經(jīng)常變化。因此，依賴MCP或其他機制，通過不同接口訪問不同數(shù)據(jù)，定義明確的權(quán)限，是行之有效的方法之一。另一種方法是將不同數(shù)據(jù)存儲在不同區(qū)域，為大模型設(shè)置權(quán)限網(wǎng)格，確保數(shù)據(jù)安全。何征宇還指出，訓(xùn)練過程中的安全控制是最容易出問題的方面。目前，整個行業(yè)對數(shù)據(jù)獲取和數(shù)據(jù)價值保護(hù)的重視程度日益提高，數(shù)據(jù)保護(hù)的措施也越來越嚴(yán)格。然而，這種趨勢也帶來了負(fù)面影響，即高質(zhì)量數(shù)據(jù)在公開網(wǎng)絡(luò)上的可獲得性將會減少。

二、模型參數(shù)問題與技術(shù)路徑

曹羽中進(jìn)一步闡述了大模型的參數(shù)問題。他認(rèn)為，當(dāng)前大模型的參數(shù)量之所以如此龐大，部分原因是它實際上壓縮了互聯(lián)網(wǎng)上的知識。盡管這些知識經(jīng)過壓縮，但大模型依然能回答許多與互聯(lián)網(wǎng)相關(guān)的問題。然而，這種壓縮是有損的。因此，在企業(yè)內(nèi)部應(yīng)用大模型時，未必需要將整個互聯(lián)網(wǎng)的知識都壓縮成模型參數(shù)。未來企業(yè)的應(yīng)用仍然需要依賴外部數(shù)據(jù)源，通過結(jié)合代理和MCP等方式，將內(nèi)部和外部數(shù)據(jù)源串聯(lián)起來，利用大模型的能力對數(shù)據(jù)進(jìn)行解析和決策。從這個角度來看，模型可以更加精煉，而不必依賴龐大的參數(shù)。曹羽中指出，從存儲的角度來看，大模型的參數(shù)量并不需要過于龐大。實際上，小參數(shù)與高質(zhì)量的數(shù)據(jù)同樣能夠滿足訓(xùn)練需求。曹羽中解釋道：“我們更關(guān)注大模型與代理（Agent）的結(jié)合。這兩者如何有效地組合，以實現(xiàn)企業(yè)內(nèi)部數(shù)據(jù)的讀寫、解析和決策，是我們研究的重點。”

當(dāng)然，也存在另一種觀點，認(rèn)為隨著模型參數(shù)的增加，智能會出現(xiàn)涌現(xiàn)現(xiàn)象。有些人認(rèn)為，參數(shù)量的增加會顯著提升AI的智能，甚至有可能使通用人工智能逐漸實現(xiàn)。目前，對通用人工智能的期待仍然寄托在模型參數(shù)的擴大上。如果這一方向依然有效，行業(yè)將繼續(xù)朝這個方向努力。這是兩個維度的考慮。

何征宇表示：“未來更科學(xué)的方式可能是通過小參數(shù)模型與企業(yè)本地數(shù)據(jù)結(jié)合，既能保證安全性，又能提高實用性。”他還提到，嘗試實現(xiàn)數(shù)據(jù)和推理分離，將客戶數(shù)據(jù)訓(xùn)練到專門的神經(jīng)網(wǎng)絡(luò)中，這樣可以在確保安全的同時提高實用性。

田稼豐補充道，雖然大模型在賦能業(yè)務(wù)方面具有巨大潛力，但在一些特定的專業(yè)場景中，傳統(tǒng)的小模型依然表現(xiàn)出色。例如，在通信行業(yè)的反詐應(yīng)用中，基于傳統(tǒng)機器學(xué)習(xí)和大數(shù)據(jù)分析的小模型體系已經(jīng)非常成熟，并且在判斷潛在詐騙電話方面效果顯著。相比之下，將大模型應(yīng)用到這些場景中，其效果未必比傳統(tǒng)的小模型更好。田稼豐還指出，目前企業(yè)在大模型開發(fā)和智能應(yīng)用開發(fā)過程中，正走向兩條不同的道路。一方面，像OpenAI、阿里和騰訊等公司，依舊追求更大參數(shù)量和更多數(shù)據(jù)量的傳統(tǒng)路徑，希望將更多知識存儲到大模型中。另一方面，隨著DeepSeek等新技術(shù)的出現(xiàn)，越來越多的企業(yè)開始打破高算力和高投入是發(fā)展人工智能唯一方式的認(rèn)知，轉(zhuǎn)而基于開源基模開發(fā)自己的L1甚至L2大模型。

這些企業(yè)傾向于使用相對較小的數(shù)據(jù)量和蒸餾模型，再結(jié)合自身的知識庫進(jìn)行開發(fā)。田稼豐總結(jié)道：“我們觀察到，很多企業(yè)并不需要龐大的參數(shù)和數(shù)據(jù)量，只需結(jié)合專業(yè)化的知識庫和更適合自身AI集群的小模型，便能實現(xiàn)高效且低成本的發(fā)展。”

三、企業(yè)數(shù)據(jù)處理變革與數(shù)據(jù)存儲優(yōu)化

在傳統(tǒng)的信息化時代，企業(yè)處理數(shù)據(jù)的過程非常復(fù)雜，需要大量的代碼和懂業(yè)務(wù)的人員與程序員共同開發(fā)信息系統(tǒng)，以完成數(shù)據(jù)的增、刪、改、查以及生成報表等任務(wù)。然而，隨著大模型與代理的結(jié)合，企業(yè)數(shù)據(jù)處理領(lǐng)域迎來了全新的變革。未來，模型與代理將能夠直接訪問統(tǒng)一的數(shù)據(jù)底座，這個底座可能包含數(shù)據(jù)庫和大規(guī)模的非結(jié)構(gòu)化數(shù)據(jù)。通過模型交易的方式，企業(yè)能夠直接解析并檢索這些數(shù)據(jù)，實現(xiàn)智能決策。這一過程將跳過中間繁瑣的步驟，不再需要大量程序員和業(yè)務(wù)人員共同努力來理解全業(yè)務(wù)流程并進(jìn)行復(fù)雜編程，從而完成數(shù)據(jù)處理。

這種轉(zhuǎn)變意味著數(shù)據(jù)存儲廠商需要在更大程度上優(yōu)化數(shù)據(jù)通道和管理效率，使得模型和代理能夠以最高效的方式直接訪問數(shù)據(jù)，進(jìn)行解析和決策。

共建“模型+數(shù)據(jù)”協(xié)同生態(tài)，

廠商如何形成可持續(xù)合作機制？

如今，高質(zhì)量數(shù)據(jù)與安全隱私之間的平衡似乎很難把握，尤其是隱私計算和密態(tài)計算的推進(jìn)。在交流中，有嘉賓也提到，目前的階段可能還沒有達(dá)到計算層面。大家現(xiàn)在的重點更多是構(gòu)建自身的高質(zhì)量數(shù)據(jù)集，主要供自身模型使用。據(jù)了解來看，涉及高質(zhì)量數(shù)據(jù)對外開放的案例非常少。這主要是由于數(shù)據(jù)本身的敏感性，整體機制仍需完善。

田稼豐認(rèn)為，國家在政策方面的推動至關(guān)重要。目前，許多企業(yè)不愿意開放自身數(shù)據(jù)的核心原因在于潛在的風(fēng)險。政府或國有企業(yè)擁有大量定義明確的公共數(shù)據(jù)，但開放這些數(shù)據(jù)往往得不到批準(zhǔn)。因此，需要在體制和機制上進(jìn)行創(chuàng)新，讓企業(yè)愿意開放和利用自己的數(shù)據(jù)。同時，國家也在持續(xù)推動高質(zhì)量數(shù)據(jù)的建設(shè)，這對各行業(yè)的數(shù)據(jù)智能應(yīng)用和Agent的開發(fā)至關(guān)重要。

曹羽中指出，作為AI數(shù)據(jù)平臺的重要基礎(chǔ)組件，為了實現(xiàn)大規(guī)模應(yīng)用，需要與AI信息領(lǐng)域的其他組件進(jìn)行廣泛的生態(tài)合作。這包括與GPU、AI推理框架、算力調(diào)度平臺等進(jìn)行兼容性互認(rèn)證、平臺對接和接口互通。例如，與英偉達(dá)的GPU生態(tài)進(jìn)行對接，通過GDS實現(xiàn)框架來訪問外部存儲的數(shù)據(jù)。曹羽中還強調(diào)，積極參與開源生態(tài)，與主流的開源框架進(jìn)行對接，將數(shù)據(jù)存儲平臺嫁接到這些生態(tài)中，是實現(xiàn)合作的重要途徑。

何征宇則從數(shù)據(jù)體系的技術(shù)生態(tài)和物理生態(tài)角度出發(fā)，強調(diào)數(shù)據(jù)安全和隱私問題需要從最基礎(chǔ)的存儲層面解決。他認(rèn)為，技術(shù)體系的自主可控是保障數(shù)據(jù)安全的關(guān)鍵，并提出通過推動原創(chuàng)聯(lián)盟來促進(jìn)國產(chǎn)自研技術(shù)的發(fā)展。此外，何征宇還提到，隨著大模型的發(fā)展，數(shù)據(jù)共享方式將變得更加豐富，大模型可以作為數(shù)據(jù)共享的中介，以更保密和隔離的方式實現(xiàn)數(shù)據(jù)價值提取。

總之，要共建“模型+數(shù)據(jù)”協(xié)同生態(tài)，關(guān)鍵在于政策推動、體制機制創(chuàng)新、高質(zhì)量數(shù)據(jù)建設(shè)、廣泛的生態(tài)合作以及技術(shù)體系的自主可控。通過這些措施，大模型廠商與數(shù)據(jù)基礎(chǔ)設(shè)施廠商可以建立起可持續(xù)的合作機制。

Agent是否過熱？

今年，除了大模型之外，另一個備受關(guān)注的熱點就是AI Agent。無論是數(shù)據(jù)Agent、BI Agent，還是各種客服類Agent，AI Agent的熱度都超出了許多人的預(yù)期。

一方面，AI Agent的熱度確實非常高，但另一方面，這也可能僅僅是其發(fā)展的初期階段。因此，關(guān)于AI Agent的定義和理解存在多種觀點。到底什么才是真正的AI Agent？它與傳統(tǒng)軟件甚至IP之間有何不同？

田稼豐認(rèn)為，AI Agent是一種相對新的形式。“我們對AI Agent的定義是，將大模型的語言理解、內(nèi)容生成、分析和推理等能力具體化，形成具備感知、記憶、決策和交互能力的智能系統(tǒng)，從而實現(xiàn)流程的自動化和決策的智能化。”田稼豐補充，信息系統(tǒng)的普世化一直是一個永恒的主題。我們希望能讓更多用戶使用新的系統(tǒng)，比如過去的大數(shù)據(jù)系統(tǒng)使數(shù)據(jù)開發(fā)人員能夠更輕松地進(jìn)行數(shù)據(jù)開發(fā)。同樣，AI Agent的出現(xiàn)可以讓更多一線業(yè)務(wù)人員使用智能系統(tǒng)。例如，在通信領(lǐng)域，網(wǎng)格業(yè)務(wù)經(jīng)理可以通過AI Agent進(jìn)行智能數(shù)據(jù)分析和決策。這種技術(shù)的普及能顯著提升工作效率。“雖然目前AI Agent的關(guān)注度很高，但也合理。正如曹總所說，科技工作者應(yīng)該對技術(shù)保持樂觀的態(tài)度。這是我們對AI Agent的整體看法。”

何征宇認(rèn)為，現(xiàn)在的Agent還處于覺醒階段，遠(yuǎn)未達(dá)到過熱的程度。相對于大模型來說，Agent的應(yīng)用還顯得不夠熱。事實上，Agent的概念早已被提出，當(dāng)時的設(shè)想非常理想化，與大模型出現(xiàn)后的期望基本一致。“Agent本身被稱為智能體，它不僅是完成某項功能的工具，更是具備一定智能，能夠主動規(guī)劃和組合資源來完成任務(wù)。理想情況下，比如我計劃去廣州出差，Agent可以自動查天氣、訂票、叫車，甚至安排早餐。這些功能通過大模型是可以實現(xiàn)的，只需明確每個動作和參數(shù)。然而，當(dāng)前的Agent未能充分發(fā)揮其潛力，主要原因在于缺乏完善的基礎(chǔ)設(shè)施和友好的接口。”

他提到，MCP是一個很好的開端，但許多服務(wù)尚未開放相應(yīng)接口。只有這些接口開放后，Agent的價值才能真正顯現(xiàn)。通過Agent，大模型不僅能處理數(shù)據(jù)和聊天，還能發(fā)揮更大的實用價值。未來，Agent有望成為大模型的主要應(yīng)用場景，智能地處理各種任務(wù)。MCP作為Agent的基礎(chǔ)設(shè)施，相當(dāng)于為Agent提供了手腳，而Agent則將大腦與手腳連接起來，實現(xiàn)全面的智能服務(wù)。

呼吁和建議

在AI大模型加速落地的背景下，數(shù)據(jù)安全、隱私保護(hù)與存儲架構(gòu)正面臨前所未有的挑戰(zhàn)。圍繞這些關(guān)鍵議題，三位來自產(chǎn)業(yè)一線的專家在會議上進(jìn)行了深入探討，并提出了面向未來的呼吁。

中國信通院的田稼豐強調(diào)，高質(zhì)量數(shù)據(jù)建設(shè)是當(dāng)前最緊迫的任務(wù)。雖然國家政策持續(xù)推動相關(guān)工作，但許多企業(yè)在理解目標(biāo)和落地路徑上仍顯迷茫。他指出，數(shù)據(jù)資產(chǎn)的構(gòu)建不能只停留在概念層面，更需明晰標(biāo)準(zhǔn)、制定機制，并推動企業(yè)間交流與協(xié)作。

傳神語聯(lián)的何征宇則聚焦數(shù)據(jù)價值的開放。他認(rèn)為，當(dāng)前企業(yè)對數(shù)據(jù)的重視程度不斷提高，真正有價值的數(shù)據(jù)，應(yīng)該在保障歸屬權(quán)和使用權(quán)的前提下，通過多樣化手段實現(xiàn)“價值開放”，從而激活整個數(shù)據(jù)生態(tài)。

華瑞指數(shù)云的曹羽中則系統(tǒng)梳理了AI時代下企業(yè)數(shù)據(jù)基礎(chǔ)設(shè)施的三層升級需求：

1)構(gòu)建高性能、可擴展的存儲底座，以滿足訓(xùn)練和推理的帶寬與延遲要求；

2)打通全流程數(shù)據(jù)管道，避免因數(shù)據(jù)在多個系統(tǒng)間反復(fù)遷移而降低效率；

3)建立新型數(shù)據(jù)結(jié)構(gòu)，支持AI對生產(chǎn)數(shù)據(jù)和分析數(shù)據(jù)的融合使用，實現(xiàn)實時共享和向量化檢索。

他指出，企業(yè)當(dāng)前在AI應(yīng)用上的短板，并非算力不足，而是數(shù)據(jù)基礎(chǔ)設(shè)施未跟上AI發(fā)展的節(jié)奏。隨著GPU替代CPU成為核心計算資源，傳統(tǒng)的存儲架構(gòu)也亟需變革。

三位專家共同呼吁，AI能否落地，不僅取決于算法和模型，更取決于數(shù)據(jù)的質(zhì)量、流通機制和底層設(shè)施的協(xié)同演進(jìn)。這不僅是一場技術(shù)升級，更是一次組織結(jié)構(gòu)與數(shù)據(jù)治理能力的深層變革。

綜上，AI走到了一個臨界點，模型仍在進(jìn)化，但基礎(chǔ)設(shè)施開始拖后腿。算力已不稀缺，數(shù)據(jù)成了瓶頸。它不僅決定了模型能看到什么，也決定了它理解到哪里、落地到多深。過去，數(shù)據(jù)是存儲的內(nèi)容；現(xiàn)在，它是訓(xùn)練的燃料、決策的依據(jù)、系統(tǒng)的接口。

真正的挑戰(zhàn)不是“有沒有數(shù)據(jù)”，而是“數(shù)據(jù)能不能被調(diào)動起來”。這需要新的結(jié)構(gòu)，新的制度，和新的合作方式。模型之外，另一個戰(zhàn)場正在打開。

來源：數(shù)據(jù)猿