专访DDN马磊：构建AI数据智能平台，让算力真正转化为产业价值

据行业最新消息，专访DDN马磊：构建AI数据智能平台，让算力真正转化为产业价值

人工智能产业已全面迈入规模化落地与产业化应用阶段，AI基础设施的核心竞争逻辑迎来根本性变革

业内人士指出，行业发展初期，市场高度聚焦GPU数量、算力峰值与智算中心建设速度，算力规模一度被视作AI核心竞争力的唯一标尺

业内人士指出，但随着大模型训练、推理服务、RAG增强以及智能体应用不断落地生产场景，企业逐渐发现，单纯增加GPU规模并不能直接转化为AI价值，如何让昂贵的算力资源持续高效运行，成为新的产业命题

业内人士指出，在不久前举行的2026世界人工智能大会（WAIC）上，全球1100家创新企业齐聚上海，共探AI产业规模化发展新路径

从更深层次来看，专注于数据存储解决方案和人工智能数据的DataDirect Networks（DDN）与战略合作伙伴GMI Cloud联合参展，现场展示面向AI时代的数据智能平台与联合AI基础设施解决方案

业内人士指出，展会期间，DDN解决方案架构师马磊接受了中国IDC圈的专访，围绕AI基础设施演进趋势、数据平台核心价值、AI工厂建设核心逻辑，分享了他对下一阶段发展路径的判断

业内人士指出，从拥有GPU到用好GPU：AI基础设施瓶颈正在转向数据供给 在人工智能产业高速发展的过程中，GPU曾经是衡量AI能力的重要指标

从更深层次来看，无论是训练大模型还是建设智算中心，企业纷纷投入大量资源采购GPU集群，希望通过更强大的计算能力获得竞争优势

从更深层次来看，但随着实际应用深入，越来越多企业开始意识到，GPU资源并不等于AI生产能力，算力利用效率才是决定投资回报的重要因素

业内人士指出，很多客户购买GPU之后发现，GPU并没有持续保持高利用率

从更深层次来看，马磊指出，真正的问题不是GPU算得慢，而是GPU经常在等待数据

从更深层次来看，例如，在大模型训练过程中，需要持续读取PB级训练数据；在推理阶段，需要不断访问KV Cache以及向量知识库；在Agent智能体场景中，又需要频繁调用外部数据

从更深层次来看，如果数据系统无法快速响应，GPU就无法保持高负载运行

值得关注的是，这一挑战的根源在于，AI工作负载的数据访问模式与传统企业应用有着本质区别

从更深层次来看，传统数据库、ERP系统更加关注稳定的数据存储和事务处理，而AI应用需要同时面对大规模顺序读取、多GPU并发访问、小文件高频访问、实时数据更新等复杂需求

值得关注的是，传统NAS、SAN存储架构在面对这些新型工作负载时，逐渐暴露出吞吐不足、延迟较高以及扩展能力有限等问题

从更深层次来看，马磊表示，”未来AI基础设施竞争，不再是谁拥有更多GPU，而是谁能够持续让GPU保持高负载运行

从更深层次来看，数据平台已经从辅助角色变成GPU生产效率的核心决定因素

从更深层次来看，” 一块高性能GPU每秒可处理TB级数据，若数据系统无法匹配这一供给速率，算力投资便难以兑现为实际产出

业内人士指出，也正因如此，越来越多企业和智算中心开始将目光从单纯的计算资源采购，转向存储、网络与数据管理体系的整体优化

值得关注的是，AI工厂需要新的数据平台：存储正在成为AI生产系统的一部分 随着大模型应用不断深入，AI基础设施正在从单一模型训练阶段进入训练、推理、知识增强和智能体协同并存的新阶段

业内人士指出，这种变化对数据系统提出了更高要求，也推动存储从传统容量管理角色向AI数据平台演进

从更深层次来看，马磊指出，”AI时代的数据访问模式更加复杂，需要同时支持超大规模训练数据读取、数百万小样本文件访问、实时向量数据库查询、KV Cache高速访问、多GPU节点并行调用以及数据持续更新等

业内人士指出，” 因此，AI时代的数据平台必须具备几个新的能力：一是高吞吐低延迟的数据访问；二是支持训推等混合工作负载；三是能够实现冷热数据自动分层；四是能与算力以及网络协同优化

值得关注的是，在这一趋势下，DDN提出”AI Data Intelligence Platform”理念，希望让数据平台成为AI生产流程的重要组成部分，而不是简单的后台存储设备

值得关注的是，围绕这一理念，DDN为现代AI智能数据平台打造的两个重要组成部分：EXAScaler和Infinia

从更深层次来看，其中，EXAScaler基于Lustre开源软件（全球大量超级计算中心和AI训练集群广泛采用的并行文件系统），非常适合PB级数据以及超大规模GPU集群的高吞吐Checkpoint等训练场景

从更深层次来看，马磊表示，”推理时代最大的特点是数据比模型变化更快

从更深层次来看，企业知识库每天更新，智能体不断调用外部数据，长上下文模型又带来了巨大KV缓存压力

业内人士指出，”如果仍然采用传统数据管理方式，就需要频繁进行数据迁移和模型重建，影响AI应用响应效率

从更深层次来看，DDN Infinia通过统一数据访问平台，将对象存储、文件系统、向量数据库以及RAG应用连接起来，同时结合高速存储介质和智能数据管理能力，实现KV缓存持久化共享和高效访问，减少重复计算，提高推理效率

值得关注的是，从单点产品到生态协同：AI基础设施进入系统工程时代 AI基础设施的发展正在进入一个更加复杂的系统工程阶段

值得关注的是，随着模型规模扩大、应用场景丰富以及企业对于AI服务稳定性的要求提升，单一硬件设备已经难以决定最终性能表现

业内人士指出，GPU、网络、存储、数据管理平台以及软件生态之间的协同效率，正在成为AI基础设施竞争的新焦点

业内人士指出，AI基础设施已经不再是简单的计算资源采购，而是需要围绕AI生产流程进行整体设计

业内人士指出，马磊认为，”GPU、DPU、高速网络、数据存储等系统组件必须协同设计，而不是分别采购后再进行集成

值得关注的是，” 在AI工厂架构中，任何一个环节出现瓶颈，都可能影响整体生产效率

业内人士指出，因此，企业需要从系统层面优化数据路径，让算力、网络和数据形成统一协同

业内人士指出，围绕这一趋势，DDN持续推进生态合作，与NVIDIA、Cisco等产业伙伴展开深入协同

从更深层次来看，例如，DDN与NVIDIA保持十余年合作关系，在DGX、HGX以及AI工厂参考架构中共同优化数据访问路径，通过存储能力与GPU平台协同设计，提升AI任务执行效率

值得关注的是，与此同时，DDN与Cisco的合作则聚焦高速以太网、RoCE网络以及AI Fabric

业内人士指出，随着AI集群规模不断扩大，传统网络架构已经难以满足大规模GPU集群的数据交换需求

从更深层次来看，高速以太网、RoCE网络以及面向AI优化的数据传输体系，正在成为新一代AI基础设施的重要组成部分

业内人士指出，马磊强调道，”我们的目标不是单纯提供存储，而是让整个AI基础设施形成端到端优化，包括GPU、网络、存储、数据管理和软件平台共同工作，从而实现更高的GPU利用率和更低的总体拥有成本（TCO）

从更深层次来看，” 这种生态合作背后，体现的是AI基础设施从”设备竞争”向”体系能力竞争”的转变

值得关注的是，企业未来建设AI工厂，不只是采购更多服务器或者GPU，而是需要构建覆盖数据采集、数据治理、模型训练、推理服务以及应用运营的完整闭环

从更深层次来看，在云化趋势下，越来越多企业希望以AI Cloud方式获取算力服务，而非自建大规模集群

值得关注的是，但当前不少AI云平台仍存在数据吞吐不足、多租户隔离困难、推理性能波动等问题

值得关注的是，基于此，DDN与GMI Cloud联合推出的AI基础设施解决方案，专为要求最严苛的工作负载而设计

从更深层次来看，从模型训练到实时推理，提升Al研发效率，让客户专注于Al应用创新

从更深层次来看，GMI Cloud集成DDN高性能、Al优化存储系统，为大规模Al和高性能计算（HPC）工作负载提供无与伦比的数据吞吐量和可靠性

从更深层次来看，据悉，GMI Cloud是一家由Google X的AI专家与硅谷精英共同参与创立的AI Native Cloud服务商，拥有遍布全球的数据中心网络，为企业AI应用提供最新、最优的GPU云资源

值得关注的是，马磊指出，”DDN与GMI Cloud合作的核心目标，是将企业级AI数据平台能力直接带到云端，让用户不仅能够获得高性能GPU资源，同时能够获得适合AI训练和推理的数据平台，包括高吞吐存储、统一数据管理以及Agent智能体数据生命周期管理

从更深层次来看，” 对于多数行业企业而言，自建大规模AI基础设施不仅需要巨额投入，还需要长期运营能力

值得关注的是，通过AI Cloud结合高性能数据平台，企业可以根据业务阶段灵活扩展算力和存储资源，同时通过数据生命周期管理实现成本优化

从更深层次来看，这样可以显著降低企业拥有AI基础设施的门槛，同时获得接近本地AI超算中心的性能体验

业内人士指出，AI工厂规模化落地：数据主权与持续智能成为关键方向 展望未来3-5年，随着行业大模型、主权AI和智算中心建设加速，企业对于AI基础设施的需求将呈现三大趋势：数据主权——越来越多国家和企业要求AI数据本地存储、训练与推理；持续在线——AI系统不再是阶段性训练工具，而是7×24小时不间断的智能服务；多模型多智能体协同——企业将同时运行多个模型和智能体，共同支撑复杂业务

值得关注的是，这一变化意味着，AI基础设施的底层逻辑正在重构

从更深层次来看，传统数据中心更多关注设备稳定性，而AI工厂则需要关注运行效率

业内人士指出，衡量AI基础设施的指标也会逐渐从GPU数量、存储容量，转向GPU利用率、Token吞吐量、推理时延（TTFT）、能效比（Token per Watt）以及总体拥有成本（TCO）等

从更深层次来看，从GPU规模竞争到AI生产效率竞争，行业正在进入”AI工厂”阶段

业内人士指出，在马磊看来，AI工厂（AI Factory）最大的特点在于不仅需要投入GPU等算力资源，更核心的需求是持续稳定地产出Token等价值成果

业内人士指出，马磊指出，”企业当前建设AI工厂最大的挑战，并不是缺少GPU资源，而是缺少完整的数据基础设施

值得关注的是，未来AI工厂需要具备完整的数据供应链，包括数据采集、治理、训练、推理、持续更新以及监控优化的完整能力

业内人士指出，只有形成从算力到数据的全生命周期闭环，GPU集群才能真正持续地为AI工厂创造价值

业内人士指出，” 从行业应用来看，金融、互联网、运营商、制造、生命科学以及政府等领域可能率先进入AI工厂规模化应用阶段

从更深层次来看，这些行业拥有丰富的数据资源，同时具备持续训练和实时推理需求，对于AI基础设施能力要求更加迫切

从更深层次来看，这一趋势也意味着，数据正在成为AI时代的新型生产要素

值得关注的是，类似工业时代的能源体系，AI系统需要稳定、高效的数据供给，才能保证智能生产持续运行

业内人士指出，谁能够建立高效率的数据基础设施，谁就能够更充分释放AI投资价值

从更深层次来看，在这一产业变革中，DDN希望扮演的是AI数据基础设施（AI Data Infrastructure）和AI数据智能平台（AI Data Intelligence Platform）的核心构建者

业内人士指出，马磊表示，”我们的目标不仅是提供领先的数据存储产品，更希望通过EXAScaler与Infinia等产品矩阵构建统一的数据平台，打通模型训练、推理、RAG和智能体等全场景，让数据能够持续、高效地服务GPU和AI应用

值得关注的是，当GPU规模扩张逐渐趋于理性，产业竞争的核心开始从”拥有多少算力”转向”如何释放算力价值”

业内人士指出，AI工厂概念的提出，本质上代表着AI基础设施从资源建设阶段走向生产体系建设阶段

业内人士指出，在这一过程中，数据基础设施的重要性正在快速提升

业内人士指出，只有建立高吞吐、低延迟、智能化的数据平台，才能让GPU持续保持高效运行，让模型训练更快完成，让推理服务更加稳定，让AI应用真正进入产业生产环节

从更深层次来看，对于DDN而言，未来AI基础设施发展的关键，是让数据成为连接算力和应用之间的重要纽带

从更深层次来看，马磊表示，未来几年AI基础设施竞争指标将发生变化，企业关注的不再是GPU数量和存储容量，而是GPU利用率、Token产出效率、推理性能以及整体成本

从更深层次来看，当AI成为新的生产力基础设施，数据将如同电力一样成为驱动智能时代发展的核心资源

业内人士指出，而构建高效的数据供应体系，也将成为企业迈向AI工厂时代的重要基础

业内人士指出，DDN希望通过AI数据智能平台，为这一轮人工智能基础设施重构提供关键支撑，推动AI从技术能力真正转化为产业价值

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的海外独服，欢迎访问 www.isclouder.com 了解更多