企业数字化转型进程中,云计算曾以其弹性资源优势吸引大量企业将数据迁移上云。然而,当人工智能技术成为新一轮产业升级的核心驱动力时,早期分散存储的数据布局却成为制约AI应用落地的现实障碍。 业内人士指出,企业推进AI项目时普遍面临数据传输困境。一上,多云战略导致企业数据分散存储于不同服务商平台,难以集中调用。另一方面,即便数据存储于单一云平台,也可能因电力成本等因素,存放地区缺乏AI训练所需的高性能图形处理单元。这意味着企业必须进行大规模数据迁移,而该过程面临三重挑战。 成本压力首当其冲。据测算,仅数据出口费用就可能达到每PB 8万美元,即使同一云服务商内部不同区域间传输也需承担高额费用。对动辄数十PB的企业级数据规模来说,迁移成本已成为不可忽视的财务负担。 传输效率同样制约项目进度。以10Gbps网络连接为例,传输1PB数据约需9天时间。这还仅是历史数据的一次性迁移。实际应用中,AI模型往往需要每日一至两次的数据更新以保持时效性,持续传输需求对网络带宽和传输效率提出更高要求。 数据治理规范构成第三道关卡。企业必须确保数据在传输过程中的完整性与安全性,特别是金融、医疗等受严格监管的行业,数据迁移需满足合规标准,增加了技术实施的复杂度。 面对上述挑战,专业技术服务商正通过优化传输技术提供解决路径。某数据传输服务商将其在数据移动领域的技术积累应用于云环境,通过从存储系统提取数据并根据网络传输进行优化处理,大幅提升迁移效率。 实际案例显示了技术优化的显著效果。某机构原计划12天完成1PB数据迁移,但面临20PB总量和紧迫的GPU资源预订期限,传统方案预计耗时8至9个月。采用优化方案后,整体任务在3至4周内完成,项目进度不再受数据传输制约。 金融服务领域的应用同样具有代表性。某金融机构并购后需跨云迁移约30PB数据,在满足行业治理标准的前提下,优化方案将迁移周期压缩至一个月出头,大幅缩短了业务整合时间。 从更宏观视角观察,当前企业IT架构呈现高度异构特征。历史决策导致企业同时运营本地数据中心、多个云平台及众多软件服务应用,数据分布呈现碎片化状态。尽管理论上可整合至单一云平台,但企业需权衡单一供应商能否满足全部需求,以及是否需要在地理覆盖、服务能力各上做出妥协。 ,即便是规模最大的云服务商也无法实现全球每个区域的完整覆盖。因此,多数企业出于业务连续性、风险分散等考量,往往维持多云架构,尽管这牺牲了统一管理的便利性。 随着AI技术特别是智能体应用的发展,数据聚合需求愈发迫切。智能体系统需要从多个数据源实时提取信息以响应用户请求,这要求企业建立高效的数据流动机制。从一次性迁移到持续性传输,企业对数据移动能力需求正在发生结构性转变。
在算力成为数字经济时代关键资源的今天，高效的数据流通网络如同连接资源与价值的神经网络。这个技术突破启示我们：在数字化转型的深水区，只有将行业洞察与技术积累深度融合，才能打通生产要素流动的关键环节，为AI发展奠定坚实基础。