据TechRadar报道，该媒体10月15日刊发的一篇分析文章指出，企业对人工智能的投资长期集中在算力上，GPU获取、模型性能和推理成本成为核心考量，但随着AI工作负载从试验走向生产，存储层正成为AI基础设施中具有战略意义的一环，并直接影响企业AI的经济性。文章作者为Wasabi云战略副总裁。

文章认为，AI在生命周期的每个阶段都依赖数据：数据集需要采集和准备，训练数据要交付给算力，检查点和模型产物需要留存，而随着工作负载和商业优先级变化，信息还可能需要在不同基础设施提供方之间迁移。当这些工作负载规模化之后，存储层对企业AI成本结构的影响随之上升。

传统存储策略通常围绕容量、可用性、性能和保留期制定，AI则引入了另一重考量，即存储与更广泛基础设施环境变化之间的关系。AI工作流的不同阶段对存储的要求并不相同：正在被积极处理的数据可能需要高性能基础设施，而历史数据集、检查点和模型产物更看重持久性、安全性、可访问性和成本。文章认为，对整个生命周期套用同一种存储方案，会造成基础设施利用率低下。这一问题因AI数据量本身庞大、且随着企业不断产生新的训练数据、模型版本和相关产物而持续扩张，显得尤为突出。

文章把在AI全生命周期系统性地优化存储、使基础设施投入与业务和工作负载需求相匹配的做法称为“AI存储最大化”。其目标并非孤立地压缩存储开支，而是确保数据存放在与其角色相称的基础设施上，同时维持业务所需的性能、安全和可访问性。

在数据流动性方面，文章指出，企业正在采用更多类型的基础设施提供方，包括超大规模云厂商、专业GPU供应商以及被称为neoclouds的新兴云平台。这些环境的经济性和可用性可能快速变化，从而产生在提供方之间迁移工作负载的动力。算力的重新分配相对简单，但与之绑定的数据流动性要差得多。大型训练数据集和模型产物转移起来费用高昂、操作复杂；如果移动或取回数据伴随高额费用，企业可能被AI项目早期阶段做出的基础设施决策所束缚，形成非预期的依赖。

文章因此建议，在规划AI基础设施时就应考虑数据能否迁移，而不是把迁移当作未来某次迁移时的应急选项。开放标准和可互操作的存储可以在数据与算力之间提供一定程度的隔离，使企业能够随市场条件变化调整基础设施策略。对技术负责人而言，需要评估的不只是存储容量的价格，而是把数据保留在特定环境中的总经济成本和战略成本。

存储优化还必须包含安全。文章称，训练数据集、专有信息和模型产物可能具有可观的商业价值，与此同时，与企业数据交互的应用和自动化系统数量在增加，存储韧性因此必须成为AI安全战略的一部分。不可变副本、适当的访问控制和可靠的恢复流程，有助于防范勒索软件、误删和未授权修改，对那些重建困难或成本高昂的数据集尤为重要。文章认为，在决定AI数据存放位置时，安全应与性能和成本一并考虑，一个降低了开支却带来不可接受的恢复或安全风险的存储环境，并不算有效的优化。

文章最后谈及成本的可预测性。存储成本可能包括容量、访问、取回和数据传输等多项费用，当这些成本难以预测时，会使基础设施规划变得复杂，并影响架构决策。