2026年7月10日，光合组织2026智能计算应用大会在郑州国际文化交流中心召开。当日下午，由光合组织主办、DOIT传媒承办的“存力协同创新，共筑AI数据底座”存储主题论坛期间，围绕“AI时代，行业需要什么样的数据底座”这一主题，来自存储系统、智能汽车和医疗信息化领域的三位嘉宾展开圆桌对话。
本场大会由DOIT传媒资深编辑崔欢欢主持，参与本场圆桌的嘉宾包括：曙光信息产业（北京）有限公司创新方案部副经理向小康、国汽智控企业管理高级总监兼数据闭环业务负责人胡宝宝、浙江大学医学院附属第二医院人工智能与信息化部副主任许杰。三位嘉宾分别从AI存储系统、智能驾驶数据闭环、医疗数据治理与安全实践角度，分享AI应用落地过程中，数据与存储正在发生的变化。
主持人（崔欢欢）：请三位嘉宾依次介绍各自单位近期在AI应用和数据存储方向的关注重点。
向小康：曙光长期深耕AI存储领域，尤其以往在AI训练场景中，依托强大的ParaStor文件系统提升训练效率，在AI市场中取得不俗的成绩。当前曙光正在关注AI推理逻辑上的原生KV Cache语义、AI原生存储等方向，这也是在本场存储论坛发布FlashNexus Neo新品的意义所在。
胡宝宝：我的本职工作是国汽智控运营管理部的部长，负责整个企业运营管理。本身也是技术出身，之所以负责数据闭环业务，是因为我们发现，在新的AI时代下，AI应用需要更强的资源整合能力。
原有的IT数字化，是研发团队，包括负责网络的外围供应商，很难在新时代能满足企业的需求。因此由我来统筹整个算力、网络、数据，包括基础工具链的搭建，来满足整个智驾量产上车研发的主线。基于这些，我们孵化出了这些数据闭环的产品矩阵。
当前，国汽智控的定位是Tier 1.5，希望为智能驾驶行业降低研发门槛。在AI时代，降低AI门槛，不只是提升原有工具链和“数据+算力”模块，我们也在结合物理AI的发展，推动自身AI转型，并帮助客户从智驾研发向具身智能研发的工具链迁移。基于此，我们也在持续发力AI Infra（AI基础设施）建设。
许杰：目前浙大二院主要围绕几个方向：一是面向患者服务，在互联网医院的架构平台上，我们利用诊前的智能分诊和预问诊、诊中的智能伴诊、诊后的智能随访宣教等能力，赋能患者在就诊过程中提升体验。二是面向院内医疗管理，上线了医生助手、护理助手、病历质控、患者精准追踪筛查等AI应用。三是临床科研一体化，现在很多临床科室都有这样的需求，我们在临床专病队列的建设过程当中，通过梳理和标准化临床知识、临床逻辑，并结合临床数据来建设同时满足科研和临床应用需要的AI专病应用。
主持人：AI深入行业应用后，数据最显著的变化是什么：规模、类型，还是使用方式？
向小康：从存储的角度，我们看三者都是发生了巨变，我认为最大的变化还是数据的使用方式上，以往数据只是静态资产，现在变成动态的生产要素，以前的数据只是简单的存储就可以了，现在反复的调用，反复的存取，反复的训练，包括我们所说的后训练，数据的变化，数据的使用方式也发生了很大的变化。
这也是今天大家在这儿探讨，为什么针对AI，我们要做一些AI存储，而不是传统的存储，确实它对传统存储来说发生了很大的挑战。
胡宝宝：从智能驾驶的角度来谈。AI 可以分为"小 AI"和"大 AI"。智驾领域使用 AI 已经很多年了，以前的 AI 以模型分发和训练为主，数据量虽大，但把数据集中存放在一起就够用了。而结合今年 AI 并发应用的趋势，我认为存储对行业的影响正在发生几个关键变化：
第一，边端云数据的协同流动成为卡点。 智驾涉及车端数据、路测数据、云端数据，以及私有云数据——也就是我们常说的"车路云"体系。如何让这些分布在不同位置的数据快速协同、高效流动，对存储架构提出了全新的挑战。
第二，数据流速与调用链路发生了根本性变化。 以前的数据链路很简单：数据产生 → 标注 → 训练，本质上就是处理数据集。而当前的 AI 不仅是训练，还涉及仿真、评价、回灌、应用，甚至包括 Agent 调用——多数据源、多副本、多端并发的调用方式，对现有的数据存储体系和 AI 工程能力都构成了巨大挑战。
许杰：在医疗场景，我想概括为临床和医疗管理部门对待数据价值的态度发生了变化。这是非常有益的变化，原来数据更多是业务和管理的过程结果，它的价值并没有得到最大的挖掘。
但现在，因为数据可以为AI赋能，能转换成新的科研、管理，甚至业务的生产力。所以大家对数据的质量，对数据新的含义有了更深的理解，或者有更深的要求。现在可以看到，很多的临床都在建自己的专病库、知识库，他们需要在原有的静态数据的基础上进一步挖掘数据质量和内涵，甚至投入非常多的精力做标注，只有这样，数据才能真正在使用方式上带来一些新的机会。
所以我认为，是对数据价值态度的变化，推动了大家对数据使用方式和数据成效提出更高要求。
主持人：请三位分别结合一个实际AI场景，谈谈它最依赖哪类数据，又对存储提出哪些新要求？
向小康：上午我们在主论坛看到的AI for Science（智能计算应用），目前在AI for Science领域，它的数据和通用语言模型还是有很大的区别。它包括多模态的实验观测数据、模拟仿真数据，还有AI计算产生的数据等等，数据类型非常多样。
从存储建设角度看，AI for Science有很大一部分用户会选择类似曙光8000这样的超算融合架构。它既有传统HPC对高性能存储的需求，又叠加AI对存储的需求。这类场景对存储性能要求非常高，同时数据量很大，对数据流转和分层管理也有很高要求。
胡宝宝：我分享一下最近一直在做的Corner Case数据挖掘的场景。因为智驾领域，我们做到一定程度，举个例子，比如老太太走斑马线撞小狗，这样比较特殊的场景。场景对AI应用挑战是什么呢？以前是采完数据回来挖，用原始AI方式做就可以了，现在AI能力起来了，效率也高了，对存储也提出了新的要求。
首先，车端。今天讨论的很多存储是偏云端的，车端虽然存储小，但要求高，每秒IO在2GB-3GB，在复杂工况下的存储怎么保证落下来，而且能截取上传到云端，这对存储的成本和可靠性要求比较高。
数据到云端以后怎么去挖，还涉及前期的合规和脱敏，用一些算法去脱敏，脱完以后到本地，本地原有的数据挖掘，我们可以写算子去挖，一个工程师可能要写两天、三天再去跑，你找到结果就好几天了。现在效率非常高，场景发生了，今天晚上的数据，第二天必须要找到。我们开始用大模型做挖掘，因为现在开源大模型能力还是很强的，这又带来一个挑战。我的快慢存储怎么选，原有的数据可能几GB，十几TB，肯定要先放到慢存储里，先拷贝上来，然后去做大模型分析。挖掘以后又怎么存？这些数据放到快存储里面，哪些用私有化存储，哪些用云存储，包括成本，还有IO模型怎么对接，这块都是挑战。
许杰：我想重点提一下专病库建设，现在医院有太多的专科都有这样的需求，但我们发现，每个专科在建设专病库过程中都是相对独立的，这就带来巨大的管理风险。所以我想在专病库的建设过程当中，可能要考虑两方面的应对措施。
第一，关于数据存储架构。每一个专病库都有多模态数据的需求，包括影像数据、病理数据、基因数据等，还包括很多临床数据，结构化、非结构化的等等，这些数据如何有效统一地用一套管理机制实现合理的分配，动态的管理，动态的回收，这目前是一个痛点。在我们医院里面，原来的传统存储架构主要是面向业务系统需求，现在针对专病库建设需求，还有待进一步设计和完善。
第二，关于数据安全管理。多个专病库分散建设，数据安全如何有效管控？数据技术上如何控制不出域？资源如何合理整合、合理分配，降低总体拥有成本？如果医院能够有一套统一的可信数据空间架构，我相信可以解决这些痛点，同时也能满足AI开发测试需要。
主持人：向总，在AI for Science应用落地时，数据环节最容易卡在哪里？
向小康：大家在建设算力集群时，因为现在AI很火，所以容易关注GPU有多少、显存有多少、内存有多少，却容易忽视存储需要多大带宽。
比如千卡集群，一千张卡需要多大的存储带宽，大家太注重前端算力，对后端存储容易忽视，存算不够协同，这样导致最后实际的使用效果中，前面的GPU永远在等数据加载，造成整个系统使用的效率大大降低。
主持人：胡总，数据挖掘具体在哪些典型场景里？数据环节又容易卡在哪里？
胡宝宝：数据挖掘贯穿所有场景。比如感知训练，需要找不同的场景，有老太太撞小狗的，分车道线、红绿灯、障碍物，再加上天气，不同的训练任务会找不同的场景，而且这些过程全是自动化的，你先用大模型找完场景以后，通过流水线运到GPU服务器，把数据搬运好，对接好训练就开始用。
至于卡点，在智驾行业的发展前期，影响研发效率的关键瓶颈是 GPU；而如今，短板已经转移到了存储上。以我们自身的经历为例：前几年我们使用的是老存储方案，基于融合云和超融合架构。最近我们新建了一个存储中心，但发现老存储、GPU 集群与办公网络三者之间存在非常大的协同问题。具体表现在：本地查看数据的效率不足，而训练任务又需要海量的数据吞吐。为此，我们在训练调度上花了很大力气——从数据如何挖掘、如何搬运、如何对接，到最终保证训练卡的任务与数据供给精准对齐。整个链路横跨存储、计算、网络等多个域，协调成本极高。这也是在私有数据中心建设中我们遇到的第一个短板：跨域存储方式对数据流转与调度问题。
第二个短板在存储。站在我的角度，企业级IT太偏IT了，其实不懂这块业务，我们设计就需要考虑车端、路端、网端，还有私有云和公有云存储之间的协同，因为智驾还有合规，数据上云，必须通过云合规才能转回来。原来企业没有能力设计这些存取架构，现在开始启动AI Infra统一设计。
我发现在存储上，产品确实没有满足各种场景的需求，都是我们自己写代码处理这些逻辑。你问存储的卡点在哪儿？就是存储的IO怎么跟训练任务能够匹配起来。
主持人：许总，您前面在演讲环节梳理了医疗行业的很多存储需求，包括读写性能、数据分类、弹性扩展、成本、智能原生、安全，以及科研数据和高质量数据问题。您觉得医疗场景的数据最容易卡在哪个环节？
许杰：在AI落地应用上，最大的痛点还是AI的有效性。我们现在很多的AI，特别是临床级AI，在实验室研发的时候还是基于治理比较好或标注比较好的数据去做研发的，通常在医院的真实场景下，和真实业务流程交互时，数据质量、数据完整性、数据及时性都存在很多问题。现在我们还有很多的工作要做，很长的路要走，确保AI应用先在低风险、中风险的场景上推进。目前高风险的、直接面向诊断的、面向治疗操作的应用，大多以研发测试阶段为主，更多是偏科研型的探索。
我们也希望未来在严格监管和准入评估之后，AI能够在更多的场景下为医生提供诊疗和临床决策辅助，并在医生严格审核和决策下发挥作用。
主持人：请问胡总，您刚才谈到的大AI和小AI如何区分？
胡宝宝：这是我个人的理解，其实行业内，近期AI火了以后，有时候我去交流，一些概念大家很难对齐。其实AI已经发展很多年了，从最早的神经网络到现在，智驾很早从规则跳到AI模式了，今年Agent起来以后，大家说的跟Token相关的AI，所以我把它叫作大AI。
实际上还有一块，我们叫垂类AI模型，不管是智驾领域还是医疗领域，很多模型是垂类发布的，参数非常小（所以我把它叫作小AI），往往这些是影响大规模应用的卡点。
主持人：许总，您前面演讲中提到医疗系统的两点要求，一是安全，二是稳定。里面有一个“AI对抗AI”的概念，应该属于安全方向。医疗场景中，您怎么看AI对抗AI？
许杰：医疗场景确实把安全放在第一位。从我们部门角度来讲，我们希望能非常完美地检测到所有的风险，而现在的风险一部分来自人为操作不当，一部分来自黑客、病毒等外部攻击，同时有技术和管理层面的风险。如果全部依靠人工巡检或人工定期检测管理，效率和能力都很难满足实际需要。所以，我们现在非常强调态势感知能力，希望实时捕获潜在风险，并把风险控制在安全阈值之内。一旦超出阈值，人工就需要提前干预。现在的AI技术，我相信已经具备这样的条件，可以让我们对所有的风险线索，包括各种各样的指标，能做一个检测，并提供动态提醒。
另外，AI还有一个很好的能力，就是把过去需要人掌握的知识和技术，转化为知识库、知识图谱和工具。在AI基础上，我们可以更加快速、智能地开展运维。当然，这需要在监管下进行。我相信在这些能力加持下，未来医疗场景的安全管理会做得更好。
主持人：说了安全，还有稳定。长期稳定是曙光存储的强项。接下来问向总，曙光如何理解AI时代存储系统核心能力的变化？
向小康：AI最近几年爆发式发展，AI已经是非常庞大的产业，涉及到非常多的环节，现在很难说一个存储系统满足AI的全链路。打个比方，在最开始的素材工厂环节，可能需要多协议，需要更高的性价比，需要更高的权限管理，这些还是传统存储的范畴。
真正到训练阶段，一些新的词汇出来了，比如GPU直通，慢慢转向AI时代的存储，我们在这块也做了大量的优化，对AI的训练效率做了大幅的提升，而到了现在，是AI推理的落地，现在很多词汇在传统是没有听到的，可以看到，它对存储的要求变化，是原生AI，也是FlashNexus Neo新品发布的背景。
主持人：结合AI时代行业数据底座的建设，国产自研存储系统要扮演的是什么样的角色？
向小康：目前来看，国产存储一定是核心主力军。第一，项目做了双量管理，国产存储已经在国际上达到领先水平。第二，国内AI产业快速发展，有国产算力卡、国产网络等生态。适配这些国产卡和国产网络，国外存储很难胜任，国产存储更有优势。
第三，AI正在落地千行百业，每个行业都有自己的定制化需求。对存储和数据来说，也会有定制化要求。只有国内有研发能力的企业，才能承接这些千行百业的定制化需求。
主持人：两位对光合组织牵头举办的这场存储论坛有什么直观感受？
胡宝宝：非常感谢光合组织搭建这个平台，能够让不同行业的人交流，尤其是我这样偏应用侧的，以前我是做车联网的，今天学到了很多新的知识，我感觉这样的平台可以多组织，可以让大家多理解存储。最近我发现，尤其在规划IT时，我们考虑算力GPU比较多，也会考虑网络，但对存储想得没那么多。结果在实践中，存储成为应用短板，而且是非常明显的短板。
许杰：非常荣幸参加这样一个跨界交流，特别是在医疗垂直领域，在我的经历当中好像还是第一次。过去我们更多是和厂家、代理商沟通存储采购需求。今天通过分享和交流，我也学到很多内容。更重要的是，我们在碰撞未来如何从源头解决共同的问题。
通过这样的交流，有一个很大的意义在于，我们可不可以建立从需求端出发的研发机制。过去几十年更多是企业在医院外部研发好了产品，再拿到医院适配；但现在我们的研发机制更需要在院内根据医院个性化需求、理念和发展方向来设计系统，存储的场景也同样适用。经过今天的交流，未来有更多的机会，存储厂商可以走进医院，甚至跟医院的业务用户一起来碰撞我们的存储到底怎么样设计，能满足业务的需求，又能满足信息部门的管理需要。
主持人：请给正在建设AI数据底座的行业用户一个建议。
向小康：AI建设最不能忽视的就是存储。目前很多用户在规划AI系统时，存储不是单独规划的，而是作为大系统里的一个很小部分。传统IT建设中，存储预算占比可能不到5%，非常低。
但在Agent时代，存储越来越重要，传统存储只是放数据，现在数据已经变成生产要素，不再只是单纯的数据。规划存储时，要关注存储分层、每个层级的性能、容量，以及数据如何流动和调度，最关键的是要匹配算力。目前多少算力匹配多少存储，并没有固定公式，要根据每个客户自身需求来定。
许总也提到，医院有自身的逻辑和需求。AI赋能千行百业，就必须考虑定制化，考虑数据怎么流转、存储怎么匹配，以及如何让算力、业务和AI系统整体匹配起来。
胡宝宝：以前我理解的存储就是数字，有多少PB，多少TB，但现在做规划还是要从业务出发，认真想清楚到底需要什么样的存储。站在智驾角度，存储绝不是机房里的几个硬盘或是几个机柜。业务上要考虑路端存储、边缘端存储、云端存储。现在遇到的瓶颈不是某一块，而是整个系统不够协同。
第二点，我们内部还在考虑，存储到底是资产还是易耗品。车端存储坏的太快了，存储又在涨价，每家公司也不敢扔几块硬盘让随便用，回来钱就没了。从业务上考虑，存储可以走到前端，不是后端IT，是前面业务流数据流的一个范式。
许杰：我想用几个关键词来概括绝不能忽视的几个点：第一，统一。像我们医疗场景里面，存储的分散建设比较严重，不同的采购渠道，不同的预算途径，不同的项目需求，导致医院不具备统一采购的条件。因此我觉得统一规划、统一建设、统一管理非常重要。第二，合理。也就是说，我们怎么样用一套比较好的架构能支撑不同类型数据存储的需求，合理满足存储需求，又能最大限度节约成本。第三，有效。有效包含了动态管理，因为数据有增长，也有时效，既有有价值的数据，也有没有价值的数据，怎么动态有效地管理？我觉得也是值得研究的课题，医院海量数据里面有多少是垃圾数据？目前关注这方面研究的人还不多，真正把垃圾清除掉，其实空间也能得到很好的利用。第四，安全。安全太重要了，希望医院将来有一套智能管理架构，不仅管理存储，也管理所有IT架构的资源，包括服务器、网络设备等，通过AI赋能下的风险动态智能管理，也可以减轻我们信息部门的管理压力。
最后
这场对话也指向一个共同判断——AI越深入行业，数据不只是存起来，还是参与训练、推理、科研、运营和业务闭环的生产要素。行业用户需要重新规划数据底座，把存储从单纯的容量资源，放到算力协同、数据流动、统一管理和安全治理的整体架构中去考虑。AI时代，存储变得重要是因为真实应用已经离不开稳定、高效、可信的数据支撑。
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表