据SiliconANGLE报道，戴尔科技将于10月6日至7日举行“AI数据平台活动：从雄心到规模化AI”线上活动，theCUBE将在美洲、EMEA及亚太地区进行直播和独家采访，讨论企业AI从试验进入生产阶段时所面临的数据就绪、存储、安全、主权和治理问题。

活动嘉宾包括戴尔科技的Arthur Lewis、David Noy、Vrashank Jain和Gaurav Chawla，英伟达的Jason Hardy，Elastic的Sri Desikan，IREN的Kambiz Aghili，CTBC Bank的Peter Chu，以及Orbital Studios的高管等。theCUBE Research分析师Dave Vellante和John Furrier将与从业者和行业高管对话，播出时间为10月6日美洲、10月7日EMEA和亚太地区。

据theCUBE Research应用开发、现代化、云原生实践负责人兼首席分析师Paul Nashawaty介绍，AI势头正在加速，但企业发现从实验走向生产更依赖数据就绪，而不是模型选择。其AppDev数据显示，86%的企业将数据统一置于算力之前，64%的企业AI团队认为存储吞吐不足是训练的主要瓶颈。

戴尔科技的AI数据平台试图应对这一挑战，将存储、数据管理和安全整合到企业和新云AI工作负载运行的环境中。Nashawaty说，从应用开发角度看，竞争优势在于让开发者能够在AI生命周期中持续访问可信、受治理的数据；随着企业走出试点，将数据基础设施与生产级应用交付连接起来的组织，更有可能把AI投资转化为可衡量的业务成果。

当智能体进入企业系统后，问题变得更复杂。戴尔科技的Vrashank Jain在接受theCUBE会前采访时说，智能体需要的数据具有不可预测性，迫使企业准备比传统应用多得多的信息。“我们正从非常可预测的搜索方式，转向非常不可预测的循环推理方式。”他补充说，企业必须准备“更多可以循环使用的数据”。这些数据分布在SharePoint、OneDrive、SaaS应用、遗留系统等来源中，可能缺乏结构、标签或标注。Jain认为，当智能体需要从这些过去难以使用的来源中获取有用上下文时，长期存在的数据准备问题会显著放大。

让数据就绪只是一部分。企业还必须决定AI系统在特定时刻需要哪些信息，同时避免上下文过多推高token成本。Elastic的Sri Desikan描述了一种正在出现的做法：在智能体需要之前就准备好上下文，而不是让模型反复搜索多个后端系统。“如何以最小化token成本、最大化准确性的方式预构建这些上下文？”他说，任何答案都应当准确、基于事实，并尽可能在人与人之间保持一致。

这一影响不限于检索。当智能体进行多步推理时，结构化和非结构化信息可能需要合并、排序和验证。Desikan指出，向量搜索、混合搜索和重排序等技术越来越适合智能体工作流，因为在这些流程中，必须由软件而不是人来判断哪些结果带有合适的上下文。John Furrier则将正在形成的上下文层描述为模型与企业数据之间的“连接组织”。