过去两年，AI世界最耀眼的主角，一直是大模型和GPU。从参数规模到训练效率，从算力集群到芯片供应，几乎所有讨论都围绕着一个核心命题：如何让模型变得更聪明。

然而进入2026年，一个变化正在悄然发生。

随着智能体快速兴起，AI开始从“回答问题”走向“完成任务”：不再只是生成一段文字、一张图片，而是需要理解业务流程、调用企业系统、访问知识库，并持续完成一系列复杂工作。

看似只是AI应用形态的一次升级，却让长期站在幕后、鲜少成为焦点的企业存储走到聚光灯下。越来越多的企业意识到，大模型决定了AI能够“想”多远，企业数据则决定了智能体能够“走”多远。

无疑，AI的竞争正在进入新阶段。过去比拼的是模型和算力，未来比拼的将会是数据基础设施。

存储站到舞台中央

过去二十年，企业采购存储，关注的大多是容量、IOPS（每秒输入/输出操作）、可靠性以及成本。只要数据能够安全保存、稳定读取，它就完成了自己的使命。因此，在企业IT建设中，服务器、数据库、云平台往往比存储更受关注。

AI改变了这一切。

过去，数据更多是在业务系统需要时才被调用；而今天，智能体需要持续访问企业知识，检索增强生成（RAG）需要不断检索上下文，实时推理需要频繁读取海量非结构化数据。

数据不再只是“保存下来”，而是在不断被消费。数据开始从静态资产，变成动态生产资料。于是，存储承担的任务也开始发生变化，它不再只是数据的保管者，而开始成为数据流转的重要节点。

正因为如此，HPE提出，AI时代企业真正需要建设的，不只是更大的算力集群，而是覆盖计算、网络、存储和数据管理的AI Data Infrastructure（AI数据基础设施）。

对于企业而言，真正影响AI价值释放的，已经不仅仅是模型能力，而是数据能否持续、高效、安全地流动。

过去，企业评价一套存储系统，更多看它能不能“存得下”。未来，企业更关心的是，它能不能让数据“用得起来”——这是两个完全不同的命题：前者关注容量，后者关注价值；前者解决的是保存问题，后者解决的是智能问题。

今天，越来越多业内人士开始提出一个新的判断：未来的数据基础设施，需要从“被动保存数据”，走向“主动服务AI”。这并不是让存储取代数据库、模型或算力，而是让它承担起新的职责——帮助企业更高效地组织数据、连接数据，并持续向AI提供高质量的数据上下文。

当数据开始主动服务AI，存储便不再只是存储，它已经成为连接企业知识、业务流程和智能应用的重要底座，而这也正是本轮企业存储变革中真正值得关注的地方。

让数据自由流转

IDC一项关于AI基础设施的研究显示，“企业级别AI项目中，由于支持基础设施不足，有70%左右的企业数据从未被使用。”造成这一现象的重要原因，实际上是企业数据没有真正准备好，更准确地说是没有为智能体做好准备。

智能体就像一位真正进入企业工作的员工，它需要大量的数据——查阅合同、调用ERP系统、读取CRM、理解研发文档、分析生产日志，然后结合实时业务上下文完成决策和执行。

其实，很多企业并不缺数据，办公文档、设计图纸、研发资料、视频影像、设备日志、客户记录、知识库、邮件……问题在于，数据不会天然产生智能，就像图书馆不会天然产生思想。

只有当数据被组织、被治理、被建立关联，并能够持续参与AI工作流，它才会从“信息”变成“知识”，再进一步成为企业智能的一部分。

针对这样的变化，在前不久以“驭速而行 智存未来”为主题的发布会上，HPE浓墨重彩地强调AI数据生命周期管理，助力企业打通训练数据、推理数据、向量数据以及历史归档数据之间的壁垒，让数据能够围绕AI应用实现全生命周期管理，而不是分散在多个孤立系统中。

与之因应的，则是本次隆重发布的HPE Alletra Storage MP X10000进一步扩展了统一的数据平台能力，通过统一架构支持块、文件和对象存储，帮助企业以更灵活的方式支撑AI训练、推理以及企业级应用。

HPE Alletra Storage MP X10000

简而言之，这种架构变化的意义，不只是减少系统复杂度，更重要的是让不同类型的数据能够围绕智能体自由流动。

未来，一个大型企业可能拥有数千甚至数万个智能体。每一个Agent都有自己的上下文，每一次推理都会产生新的知识，每一次协作都会形成新的经验。这些数据需要统一管理，也需要在训练、推理、归档等不同阶段高效流转。

因此，AI时代真正考验企业的，已经不是“能不能存得下”，而是“能不能记得住、找得到、供得上”。

由算及存的底层变革

过去两年，人们谈论最多的是GPU。

不过在真正经历了AI项目在业务场景的落地后，企业才开始真正意识到，GPU并不是唯一瓶颈：再快的GPU，如果等待数据，同样无法发挥价值；再大的模型，如果无法快速获取知识，也难以实现高质量推理。

因此，AI基础设施真正需要解决的问题，已经从计算逐渐转向数据供给链。数据如何高速进入GPU？如何支持数百乃至数千GPU并发访问？如何保证训练、推理与知识检索之间的数据一致性？

形形色色看似各异实则共通的问题，其最终指向都是同一个核心，即数据能否持续、高效、可信地流动。

由此，企业存储从过去的数据保管者，逐渐成为AI基础设施中的关键节点。不再只是负责“把数据放好”，而需要承担起数据组织、数据供给、数据保护乃至数据智能等更多职责。

换句话说，未来影响AI效率的，不只是GPU算力本身，而是GPU面前的数据高速公路是否足够宽、足够快、足够稳。

这也是HPE对于AI基础设施演进方向的重要判断。在HPE看来，未来决定AI竞争力的，不仅是GPU数量，更是整个数据供给链是否能够协同运转。从高性能存储、高速网络，到统一的数据管理平台，再到面向AI的数据智能能力，只有让数据流、算力流和业务流真正贯通，GPU才能持续保持高利用率，模型也才能不断获得高质量的数据供给。

基于这一思路，HPE持续推进AI Factory整体战略。它并不是某一款产品，也不是简单的服务器集群，而是一套融合计算、网络、存储以及软件平台的完整AI基础设施体系。其目标，是帮助企业构建一个能够持续供给数据、持续支撑智能体运行、持续优化AI应用的数据底座，让AI不再停留在实验室或演示环境，而是真正进入生产系统，成为企业日常业务的一部分。

正是在这样的背景下，存储开始被重新定义，而HPE Alletra Storage MP X10000，也成为HPE完善AI Factory版图中的重要一环。它所承载的，已经不仅是一套存储系统，更是整个AI数据供给链上的关键节点。

显然，这是一场关乎企业系统的底层革命。

存储跃迁，战略落子

如果把视角切回HPE，我们会发现它这一次选择切入文件与对象存储，绝不是一次普通的产品更新，而是一种深思熟虑的战略调整。

过去很多年，HPE最强的优势一直集中在服务器、关键业务系统以及企业基础设施。而今天，HPE重新把重点放在AI数据平台，本质上是回应整个行业的需求变化。

HPE Alletra Storage MP X10000

比如本次推出HPE Alletra Storage MP X10000，HPE并没有说这是一台更大的存储设备，而更多强调三个关键词：AI Ready、实时分析、数据保护。

这三个关键词，对应着AI时代企业最现实的三个需求。正如HPE中国区混合云与存储事业部总经理张楠所说：“X10000是一款具有划时代意义的智存产品，专为AI而生，是一款高性能、智能化的数据平台，助力企业将数据转化为AI就绪的洞察，进而释放价值。”

需要强调的是，X10000也并非一款孤立产品，而是HPE整个存储战略升级的重要组成部分，与承载关键业务和结构化数据的B10000，共同熔铸面向未来的数据基础设施底座。

在产品之外，HPE还希望通过GreenLake所代表的混合云模式，为企业提供更加灵活的数据基础设施部署方式，让数据能够根据业务需要，在本地、云端以及AI平台之间自由流动，而不是再次形成新的数据孤岛。

有人说，AI时代最大的资产是模型，也有人说是算力。

在本文的撰写过程中，我却越来越倾向于另一个答案：真正长期属于企业自己的，始终只有数据。模型会更新，芯片会升级，算法会迭代。只有企业几十年沉淀下来的业务数据、行业经验和知识资产，才不会轻易复制。

因此，AI真正改变的，也许不是存储本身，而是让企业重新认识存储，意识到存储不再只是IT架构中最安静的角落，而是成为连接数据、AI与业务价值的重要节点。

拥有更多数据，并不意味着拥有更大的竞争优势，更取决于谁能够让这些数据持续流动、持续被理解、持续产生价值。藉此，存储将会完成一次角色转换。过去，它负责保存企业的昨天；今天，它开始支撑企业的现在；未来，它将会决定企业能够抵达怎样的明天。

（个人观点，仅供参考）