在人工智能领域，大模型与GPU曾是无可争议的主角。过去两年，从参数规模到训练效率，从算力集群到芯片供应，行业讨论的核心始终围绕如何让模型更“聪明”。然而，进入2026年，这一格局正在悄然改变。随着智能体技术的快速崛起，AI的应用形态正从“回答问题”转向“完成任务”——智能体不仅需要生成文字或图像，更要深入理解业务流程、调用企业系统、访问知识库，并持续完成复杂工作。这一转变，让长期隐于幕后的企业存储系统，首次站在了聚光灯下。
企业存储的变革，源于AI对数据需求的根本性转变。过去，数据仅在业务系统需要时被调用，存储的核心任务是“安全保存”。如今，智能体需持续访问企业知识，检索增强生成（RAG）需实时检索上下文，实时推理依赖海量非结构化数据的频繁读取。数据从静态资产变为动态生产资料，存储的角色也从“数据保管者”升级为“数据流转节点”。HPE提出，AI时代的企业需构建覆盖计算、网络、存储与数据管理的AI数据基础设施，而非单纯扩大算力集群。数据能否持续、高效、安全地流动，正成为决定AI价值释放的关键因素。
IDC的研究显示，在企业级AI项目中，约70%的数据因基础设施不足而从未被使用。问题并非企业缺乏数据——办公文档、设计图纸、研发资料、设备日志等海量信息早已存在，但数据需经过组织、治理与关联，才能从“信息”转化为“知识”，最终成为企业智能的一部分。以智能体为例，它如同企业员工，需查阅合同、调用ERP系统、分析生产日志，并结合实时业务上下文完成决策。若数据分散在孤立系统中，智能体便无法高效工作。HPE在近期发布会上强调的AI数据生命周期管理，正是为了打破训练数据、推理数据、向量数据与历史归档数据之间的壁垒，实现数据围绕AI应用的全生命周期流动。
作为这一战略的落地产品，HPE Alletra Storage MP X10000通过统一架构支持块、文件与对象存储，帮助企业以更灵活的方式支撑AI训练、推理及企业级应用。其核心价值在于减少系统复杂度，让不同类型的数据能够围绕智能体自由流动。未来，大型企业可能拥有数千甚至数万个智能体，每个智能体均需独立管理上下文，并在训练、推理、归档等阶段高效流转数据。这对企业存储提出了新要求：不仅要“存得下”，更要“记得住、找得到、供得上”。
AI基础设施的竞争焦点，正从计算转向数据供给链。企业逐渐意识到，GPU并非唯一瓶颈——再快的GPU若等待数据，仍无法发挥价值；再大的模型若无法快速获取知识，也难以实现高质量推理。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、推理与知识检索间的数据一致性？这些问题的答案，均指向数据能否持续、高效、可信地流动。存储系统因此从数据保管者升级为AI基础设施的关键节点，需承担数据组织、供给、保护乃至智能分析等更多职责。HPE将此比喻为“GPU面前的数据高速公路”——只有道路足够宽、快、稳，算力才能持续高利用率，模型才能获得高质量数据供给。
HPE的AI Factory战略，正是基于这一逻辑构建的完整AI基础设施体系。它融合计算、网络、存储与软件平台，旨在帮助企业构建持续供给数据、支撑智能体运行、优化AI应用的数据底座，使AI从实验室走向生产系统，成为日常业务的一部分。HPE Alletra Storage MP X10000作为该战略的重要一环，不仅是一套存储系统，更是AI数据供给链的关键节点。其设计理念强调“AI Ready、实时分析、数据保护”，对应企业最现实的三大需求：让数据为AI就绪、支持实时决策、确保数据安全。
HPE的存储战略升级并非孤立行动。与承载关键业务和结构化数据的B10000协同，HPE试图构建面向未来的数据基础设施底座。同时，通过GreenLake混合云模式，企业可灵活部署数据基础设施，使数据在本地、云端与AI平台间自由流动，避免形成新的数据孤岛。在AI时代，模型、芯片与算法均可更新迭代，但企业沉淀的业务数据、行业经验与知识资产却难以复制。存储的角色转换，正是为了让这些数据持续流动、被理解并产生价值——它曾保存企业的过去，如今支撑企业的现在，未来更将决定企业能抵达的远方。
