?關(guān)鍵洞察

1. AI驅(qū)動存儲轉(zhuǎn)型：AI的需求推動了對象存儲成為企業(yè)存儲的主導(dǎo)技術(shù)，尤其是對于大規(guī)模數(shù)據(jù)處理和并行計算工作負(fù)載，尤其是在AI模型訓(xùn)練、推理及數(shù)據(jù)湖倉存儲中。
2. 對象存儲的普及：超過70%的云原生數(shù)據(jù)已存儲在對象存儲中，預(yù)計兩年內(nèi)這一比例將增至75%。對象存儲因其性能、擴展性、安全性等特點，成為支持AI工作負(fù)載的首選技術(shù)。
3. AI工作負(fù)載對存儲的需求：AI（尤其是生成式AI）對存儲性能和規(guī)模提出更高要求，對象存儲能滿足這些需求，支持大規(guī)模數(shù)據(jù)集、模型訓(xùn)練、生成式AI向量數(shù)據(jù)庫等。
4. AI挑戰(zhàn)：盡管AI發(fā)展迅速，企業(yè)面臨的主要挑戰(zhàn)包括安全性、數(shù)據(jù)治理和高成本，尤其是在公有云中運行AI時，成本和性能成為關(guān)鍵考量因素。
5. 云與私有云的平衡：雖然公有云在AI工作負(fù)載中占主導(dǎo)地位，但混合云部署日益增多，企業(yè)對私有云和公有云的結(jié)合使用感興趣，尤其是在面對成本和數(shù)據(jù)控制需求時。
6. 未來存儲發(fā)展：隨著數(shù)據(jù)存儲規(guī)模和訪問需求的不斷增長，對象存儲在性能、擴展性、安全性及簡便性上的優(yōu)勢將持續(xù)推動其在AI時代的應(yīng)用。?

數(shù)據(jù)存儲領(lǐng)域正經(jīng)歷一場深刻變革。

AI從根本上重塑了我們對數(shù)據(jù)存儲規(guī)模、性能及大規(guī)模并行處理能力的需求。以往，企業(yè)和組織多依賴于傳統(tǒng)的SAN/NAS架構(gòu)。然而，隨著非結(jié)構(gòu)化數(shù)據(jù)呈指數(shù)級增長，規(guī)模已至PB級別，一個事實愈發(fā)清晰：對象存儲已成為企業(yè)存儲需求的主導(dǎo)技術(shù)。

報告中最明確的發(fā)現(xiàn)是，企業(yè)有多少比例的數(shù)據(jù)存儲在對象存儲中。IT領(lǐng)導(dǎo)者指出，企業(yè)超過70%的云原生數(shù)據(jù)存于對象存儲中。這一比例頗為驚人，且預(yù)計將持續(xù)增長。

針對您所在組織目前在云原生存儲中的數(shù)據(jù)量。

據(jù)您所知，當(dāng)前哪些數(shù)據(jù)存儲在對象存儲中？

針對您所在組織的數(shù)據(jù)存儲演變歷程。

您認(rèn)為兩年后，數(shù)據(jù)中將有多少比率會存儲在對象存儲中？

展望未來，企業(yè)領(lǐng)導(dǎo)者計劃加大投資力度，預(yù)測兩年后，75%的云原生數(shù)據(jù)將存儲于對象存儲中。AI的發(fā)展以及面向AI的數(shù)據(jù)湖倉（Data Lakehouse）的興起，將在未來幾年進一步推動這一趨勢，使對象存儲成為未來可預(yù)見時間內(nèi)的標(biāo)志性存儲技術(shù)。

AI的必要性

鑒于對象存儲在企業(yè)中占據(jù)如此重要的地位，我們向IT領(lǐng)導(dǎo)者詢問了推動采用對象存儲的動因以及哪些工作負(fù)載利用了這些對象存儲。

推動您所在組織采用對象存儲（公有云或私有云）的前三大業(yè)務(wù)或技術(shù)因素是什么？

前三大回答是相互關(guān)聯(lián)的概念：AI項目需要大規(guī)模性能。在1PB規(guī)模下實現(xiàn)高性能相對容易，但在100PB規(guī)模下保持高性能則完全不同。而這正是AI工作負(fù)載的核心需求。

由于這一問題的重要性，我們從稍微不同的角度再次提出，得到的答案基本一致。

哪些工作負(fù)載使用對象存儲？

高級分析（Advanced Analytics），例如Spark、Presto/Trino、SQL Server和Snowflake（54%）。

這類工作負(fù)載，如網(wǎng)絡(luò)安全異常檢測，需要持續(xù)的大規(guī)模吞吐能力以支持高速分析。大多數(shù)供應(yīng)商建議將架構(gòu)分割為更小的命名空間，因為它們無法處理單一的超大規(guī)模（Exascale）命名空間。然而，這種工作負(fù)載正是對象存儲解決方案的典型應(yīng)用場景。

AI模型訓(xùn)練和推理（AI Model Training and Inference），包括LLM和RAG（51%）。

AI需要性能和規(guī)模，而對象存儲能夠滿足這一需求。因此，未來對象存儲將繼續(xù)占據(jù)優(yōu)勢。

數(shù)據(jù)湖倉存儲（Data Lakehouse Storage）（44%）。

數(shù)據(jù)湖倉完全基于對象存儲構(gòu)建，71%的受訪者表示他們已經(jīng)部署或計劃在未來12個月內(nèi)構(gòu)建數(shù)據(jù)湖倉。這表明數(shù)據(jù)湖倉已成為對象存儲的優(yōu)先應(yīng)用方向，并可能進一步增長。

以上三種使用場景都具有巨大的行業(yè)變革潛力。然而，從生成式AI的迅速崛起到傳統(tǒng)AI形式的持續(xù)重要性，這些AI工作負(fù)載目前是推動對象存儲新采用的最強動力。

貴組織將哪些類型的訓(xùn)練集發(fā)送到對象存儲中進行AI分析？

現(xiàn)代對象存儲具備支持AI/ML等高要求工作負(fù)載所需的性能、可擴展性和安全性等特性。因此，開發(fā)者選擇對象存儲來保存各種數(shù)據(jù)集，用于訓(xùn)練模型、微調(diào)模型，以及構(gòu)建生成式AI的向量數(shù)據(jù)庫。隨著AI應(yīng)用場景的不斷拓展，數(shù)據(jù)集、模型和向量數(shù)據(jù)庫的規(guī)模也將隨之增長。

我們向IT領(lǐng)導(dǎo)者詢問了其組織用于AI分析的訓(xùn)練數(shù)據(jù)集類型，結(jié)果涵蓋了從地理空間數(shù)據(jù)到應(yīng)用程序數(shù)據(jù)的10種不同數(shù)據(jù)類型。其中，應(yīng)用程序數(shù)據(jù)的重要性尤為突出。雖然這一類別較為寬泛，但表明IT領(lǐng)導(dǎo)者正在嘗試從核心業(yè)務(wù)數(shù)據(jù)中挖掘更多價值。

我們還深入探討了這些IT領(lǐng)導(dǎo)者如何利用這些訓(xùn)練數(shù)據(jù)集，特別是在AI工作負(fù)載中的應(yīng)用。

貴組織目前運行或計劃在對象存儲上運行哪些類型的AI工作負(fù)載？

值得注意的是，在生成式AI（GenAI）領(lǐng)域，基于云托管LLM（Cloud Hosted LLM）和自托管LLM（Self Hosted LLM）的選擇幾乎不相上下。盡管目前公有云略占優(yōu)勢，但這可能預(yù)示著企業(yè)對關(guān)鍵工作負(fù)載部署位置的考量正在發(fā)生轉(zhuǎn)變。

另一個有趣的發(fā)現(xiàn)是，傳統(tǒng)AI依然保持著強勁的生命力。企業(yè)并未因生成式AI的興起而忽視傳統(tǒng)AI。大量數(shù)據(jù)類型仍被用于訓(xùn)練傳統(tǒng)AI模型，這表明這些工作負(fù)載的重要性依然存在。

而自定義語料庫（Custom Corpus）的排名相對較低，這可能暗示存在一定的挑戰(zhàn)。在訓(xùn)練數(shù)據(jù)集和工作負(fù)載相關(guān)的問題中，受訪者對自定義語料庫及基于自定義語料庫的RAG的選擇均低于其他選項。這表明企業(yè)在構(gòu)建自定義語料庫所需的基礎(chǔ)設(shè)施、工程和實驗方面可能面臨困難。

在具體的AI應(yīng)用場景方面，IT領(lǐng)導(dǎo)者的視野相對廣泛。從排名最高的威脅檢測到排名最低的物聯(lián)網(wǎng)遙測，各選項之間的差距較小。這表明數(shù)據(jù)基礎(chǔ)設(shè)施團隊正在積極探索如何為組織創(chuàng)造更大的業(yè)務(wù)價值。

貴組織對象存儲的數(shù)據(jù)應(yīng)用與哪些AI場景？

AI的發(fā)展并非一帆風(fēng)順。在接受調(diào)查的組織中，超過96%已經(jīng)開始運行AI/ML工作負(fù)載，并逐漸發(fā)現(xiàn)了其中的痛點。我們進一步向IT領(lǐng)導(dǎo)者提出了以下問題：

貴組織面臨的AI挑戰(zhàn)中，最具挑戰(zhàn)性的三個方面是什么？

受訪者報告指出，AI面臨的三大主要挑戰(zhàn)是：

1. 安全性和隱私問題（44%）

這一挑戰(zhàn)在IT領(lǐng)導(dǎo)者中備受關(guān)注。AI模型在數(shù)據(jù)處理和保護方面存在諸多不確定性，企業(yè)希望對數(shù)據(jù)擁有絕對控制權(quán)。他們擔(dān)心公有云提供商的數(shù)據(jù)泄露問題，不愿因此喪失競爭優(yōu)勢。在AI應(yīng)用中，企業(yè)傾向于避免將數(shù)據(jù)發(fā)送至主流LLM（Large Language Models，大型語言模型）進行推理，而是希望將數(shù)據(jù)完全保存在本地。這需要在性能和安全之間找到平衡。盡管公有云擁有豐富的GPU資源，且“時間到洞察”（Time to Insight）至關(guān)重要，但數(shù)據(jù)顯示企業(yè)更偏好私有云，尤其在部署生成式AI（GenAI）工作負(fù)載時。

2. 數(shù)據(jù)治理（27%）

與安全問題類似，AI的數(shù)據(jù)治理同樣強調(diào)控制權(quán)。企業(yè)領(lǐng)導(dǎo)者需要明確掌握數(shù)據(jù)的內(nèi)容，并嚴(yán)格監(jiān)管數(shù)據(jù)訪問權(quán)限。例如，當(dāng)AI或ML工程師需要從私有云提取原始數(shù)據(jù)并將其傳輸至公有云（如AWS或Google Cloud）以微調(diào)AI模型后再將數(shù)據(jù)返回私有云時，數(shù)據(jù)在傳輸和存儲過程中必須加密。此外，私有云與公有云需要通過統(tǒng)一的身份提供商（Identity Provider）實現(xiàn)身份驗證與授權(quán)。健全的訪問控制以及清晰的訪問記錄和變更記錄是強有力的數(shù)據(jù)治理的基礎(chǔ)。

3. 云原生存儲（25%）

云原生存儲為企業(yè)AI需求提供了強有力的支持，包括容器化、編排、RESTful API以及微服務(wù)架構(gòu)。云原生存儲基于軟件定義和標(biāo)準(zhǔn)化，擁有豐富的開箱即用生態(tài)系統(tǒng)。而傳統(tǒng)的SAN（Storage Area Network，存儲區(qū)域網(wǎng)絡(luò)）和NAS（Network-Attached Storage，網(wǎng)絡(luò)附加存儲）技術(shù)由于其硬件定義的特性，并不適合云原生環(huán)境。

AI的入門通道——數(shù)據(jù)湖倉

研究表明，傳統(tǒng)AI仍為企業(yè)創(chuàng)造著價值。另一個IT領(lǐng)導(dǎo)者關(guān)注的重點投資領(lǐng)域是數(shù)據(jù)湖倉架構(gòu)?；仡櫿{(diào)查結(jié)果可以發(fā)現(xiàn)，高級分析（Advanced Analytics）是最受歡迎的應(yīng)用場景，而現(xiàn)代數(shù)據(jù)湖/湖倉（Modern Data Lake/Lakehouses）排名第三。

許多高級分析工作負(fù)載都基于數(shù)據(jù)湖/湖倉架構(gòu)構(gòu)建，使其成為實現(xiàn)更復(fù)雜AI工作負(fù)載的重要入門通道。更重要的是，這些工作負(fù)載正在模糊“高級分析”的界限，正如Snowflake、Databricks、Dremio、Starburst、Athena和BigQuery等產(chǎn)品的最新發(fā)布所顯示的那樣。值得注意的是，這些產(chǎn)品無一例外地都構(gòu)建在對象存儲之上。

因此，絕大多數(shù)受訪的IT高管計劃立即利用對象存儲構(gòu)建大規(guī)模數(shù)據(jù)湖倉架構(gòu)。

企業(yè)運行云基礎(chǔ)設(shè)施和對象存儲的現(xiàn)狀

云是一種操作模式，而非特定位置。通過容器化、編排、RESTful API（如S3）、微服務(wù)和軟件定義基礎(chǔ)設(shè)施等核心支柱，整個技術(shù)棧及其上的數(shù)據(jù)可以實現(xiàn)可移植性。

公有云的基礎(chǔ)是對象存儲。AWS S3、Azure Blob Storage和Google Cloud Storage等平臺的成功便印證了這一點。這些平臺的主要存儲技術(shù)均為對象存儲。

因此，當(dāng)被問及云基礎(chǔ)設(shè)施的部署情況時，公有云的領(lǐng)先地位并不令人意外。

受訪者的組織大多已采納基于云的基礎(chǔ)設(shè)施。

這一趨勢同樣適用于新興的AI/ML工作負(fù)載。然而，需要注意的是，無論是公有云還是私有云，都存在大量的混合部署。這要求公有云和私有云基礎(chǔ)設(shè)施都必須具備云原生特性。然而，SAN/NAS或硬件設(shè)備技術(shù)由于其本質(zhì)，并不具備真正的云原生特性。

貴組織當(dāng)前如何運行AI/ML工作負(fù)載？

目前，最大的受訪者群體（48%）采用了混合部署方式，在公有云和私有云中同時運行AI/ML工作負(fù)載。這是一個值得持續(xù)關(guān)注的數(shù)據(jù)點。經(jīng)濟因素可能會加速這種平衡的轉(zhuǎn)變。企業(yè)對成本的關(guān)注正使公有云逐漸變得不適合AI/ML的需求，這已推動更多的數(shù)據(jù)遷回本地（Repatriation）以及對私有云的更廣泛使用。

最后，為了避免將企業(yè)的云使用情況簡單化，我們還詢問了受訪者所使用的云數(shù)量。結(jié)果與其他研究一致，即現(xiàn)代企業(yè)通常是多云環(huán)境的用戶。

AI時代存儲的挑戰(zhàn)、機遇與需求

現(xiàn)代對象存儲為企業(yè)組織提供了支持多樣化應(yīng)用場景的靈活解決方案，遠(yuǎn)遠(yuǎn)超出了過去以歸檔和備份為主的用途。隨著企業(yè)對對象存儲依賴程度的加深，他們對對象存儲功能的期望也不斷提高。

研究發(fā)現(xiàn)，無論在公有云還是私有云環(huán)境中，企業(yè)認(rèn)為對象存儲最重要的三大功能是：

另一方面，受訪者指出本地數(shù)據(jù)存儲基礎(chǔ)設(shè)施面臨的三大挑戰(zhàn)是：

盡管未進入前三，但性能問題（37%）和擴展性問題（31%）也被視為私有云的主要挑戰(zhàn)之一。

除了成本考量（后續(xù)會進一步探討），這些結(jié)果揭示了選擇存儲技術(shù)，尤其是對象存儲時的三個關(guān)鍵驅(qū)動因素：

1.安全性

不僅需要高水平，還需要簡單易用。無論存儲架構(gòu)如何，安全性始終是關(guān)鍵關(guān)注點和必要功能。在當(dāng)今環(huán)境中，靜態(tài)加密和傳輸加密已成為基本要求，更高水平的安全能力也成為必需條件。與知名身份提供商集成以實現(xiàn)認(rèn)證和授權(quán)，使對象存儲能夠輕松融入現(xiàn)有數(shù)據(jù)中心。然而，安全性的一個關(guān)鍵要素是其簡單性。復(fù)雜性本身就是一個攻擊面，系統(tǒng)越復(fù)雜，漏洞越多。能夠提供簡單安全性的對象存儲，使企業(yè)在更換云提供商或采用新解決方案時，不會對數(shù)據(jù)安全性造成妥協(xié)，同時具備更大的靈活性。

2.高成本

在選擇存儲解決方案時，成本仍然是一個重要因素，無論是對象存儲還是其他類型的存儲。雖然成本并非對象存儲的核心價值驅(qū)動因素，但它可以在不同解決方案之間起到區(qū)分作用，尤其是在比較私有云和公有云時。

數(shù)據(jù)在成本方面呈現(xiàn)出兩面性，這對IT領(lǐng)導(dǎo)者來說并不陌生。首先，私有云相較于公有云具有更好的經(jīng)濟性。

生成式AI的興起已導(dǎo)致公有云成本急劇攀升。近40%的受訪者表示，他們“非常”或“極為”擔(dān)心在云中運行AI/ML工作負(fù)載的成本，另外29%的受訪者也表示對此有一定的擔(dān)憂。隨著規(guī)模的擴大，訪問公有云中的數(shù)據(jù)，尤其是用于訓(xùn)練和微調(diào)AI模型的數(shù)據(jù)，變得越來越困難且成本高昂。調(diào)查顯示，云支出同比增長了30%，Tangoe的報告還表明，72%的IT領(lǐng)導(dǎo)者表示云支出已經(jīng)變得不可控。

企業(yè)希望避免重蹈覆轍，不想再次因為云存儲成本飆升而陷入困境——這正是Cloud FinOps（云財務(wù)運維）行業(yè)誕生的原因。隨著AI工作負(fù)載導(dǎo)致數(shù)據(jù)存儲和計算成本的激增，公有云正逐漸失去其可行性，這推動了更多的私有云使用甚至數(shù)據(jù)回遷。雖然公有云擁有大量GPU，適合用于小規(guī)模的實驗和學(xué)習(xí)，但在生產(chǎn)環(huán)境中，企業(yè)更需要控制和簡化。

其次，在私有云中，硬件設(shè)備模型（appliance model）并不具有成本優(yōu)勢。43%的受訪者將成本問題列為私有云對象存儲方案的第二大挑戰(zhàn)。企業(yè)對硬件設(shè)備模型感到厭倦，因為它會導(dǎo)致廠商鎖定并限制選擇靈活性。相反，企業(yè)希望能夠使用智能軟件、簡單硬件，并且價格能夠與其部署需求相匹配。

軟件定義存儲（SDS）提供了企業(yè)所需的靈活性、控制力和杠桿作用——這也是它成為當(dāng)前及未來首選架構(gòu)的原因。然而，由于成本優(yōu)勢，許多企業(yè)正在選擇將某些工作負(fù)載回遷到私有云基礎(chǔ)設(shè)施。

3.數(shù)據(jù)管理與規(guī)?；阅苄枨?/strong>

如前所述，云是一種操作模式，而非特定位置。與其相適應(yīng)的存儲即為云原生存儲（Cloud-native Storage）。不符合這一特性的存儲通常即為硬件設(shè)備。

四分之一的IT領(lǐng)導(dǎo)者表示，他們在管理和整合私有云對象存儲時遇到了困難。其原因或在于他們采用了硬件設(shè)備模型。硬件設(shè)備無法容器化，本質(zhì)上并非云原生。

基于硬件的存儲系統(tǒng)作為一種固定的硬件中心化解決方案，固有地受到其物理限制和靜態(tài)架構(gòu)的約束。它缺乏與容器化應(yīng)用程序和現(xiàn)代云原生工作流無縫集成的靈活性。硬件設(shè)備通常需要手動擴展，這迫使企業(yè)過度配置存儲，導(dǎo)致效率低下和成本增加。此外，硬件設(shè)備依賴于專有硬件，使得它們不適用于需要靈活性、可擴展性和分布式操作的環(huán)境。

相比之下，軟件定義的云原生對象存儲體現(xiàn)了云操作模型的原則。它與特定硬件解耦，可以在任何基礎(chǔ)設(shè)施上部署，無論是本地、公有云中，還是在混合部署環(huán)境中。云原生對象存儲能夠彈性擴展，根據(jù)需求調(diào)整容量，并與Kubernetes等編排工具無縫集成。該模型還利用API進行自動化和可編程性，幫助IT團隊高效管理大規(guī)模的分布式數(shù)據(jù)環(huán)境。

這些因素推動了存儲技術(shù)選擇標(biāo)準(zhǔn)的轉(zhuǎn)變。當(dāng)我們詢問IT領(lǐng)導(dǎo)者如何排序選擇對象存儲（公有云或私有云）時，他們提供了以下反饋：

在您看來，選擇對象存儲（公有云或私有云）時，最重要的因素是什么？

大規(guī)模數(shù)據(jù)存儲的運營：何為、為何、如何

操作細(xì)節(jié)非常重要，我們向受訪者請求了一些關(guān)于其存儲系統(tǒng)架構(gòu)、背后硬件以及相關(guān)團隊的數(shù)據(jù)。以下是部分?jǐn)?shù)據(jù)。

可擴展性一直是推動對象存儲崛起的關(guān)鍵因素之一。如今，隨著AI和分析對存儲和檢索大量數(shù)據(jù)的靈活性需求不斷增加，企業(yè)對性能和規(guī)模的要求比以往任何時候都更高。在各種基礎(chǔ)設(shè)施中，對象存儲提供了容量、性能和簡便性，使企業(yè)數(shù)據(jù)能夠達到新的高度。

我們的研究發(fā)現(xiàn)，近20%的云端對象存儲部署規(guī)模至少為10PB。在這個規(guī)模上，大多數(shù)技術(shù)開始出現(xiàn)裂痕。這是傳統(tǒng)API（如POSIX）變得過于冗長或第三方元數(shù)據(jù)數(shù)據(jù)庫出現(xiàn)故障的時刻。更重要的是，市場上的每個預(yù)測都表明，企業(yè)數(shù)據(jù)正在以超過60%的年復(fù)合增長率（CAGR）增長。

這意味著典型的對象存儲集群將增大規(guī)模。這是由于無結(jié)構(gòu)數(shù)據(jù)的持續(xù)增長（預(yù)計年增長率為55%-65%），這些數(shù)據(jù)用于訓(xùn)練傳統(tǒng)AI和生成式AI模型，并且在各類應(yīng)用中的對象存儲使用也在增加。云對象存儲市場也有望從2023年的65億美元增長到2031年的180億美元，幾乎是其三倍，顯示出更廣泛的采用和更大規(guī)模的部署。

對象的大小也很重要。能夠在小型對象上良好運行是頂級對象存儲的一個顯著特點。盡管如此，大多數(shù)對象的大小都在MB級別。

企業(yè)級對象存儲中的典型對象大小是多少？

網(wǎng)絡(luò)是一個動態(tài)變化的領(lǐng)域，AI無疑處于這一變化的推動之中。幾年前被認(rèn)為極為快速的100GbE網(wǎng)絡(luò)如今已成為基礎(chǔ)設(shè)施標(biāo)準(zhǔn)。接近一半的受訪者（43%）表示，他們組織中的對象存儲集群的典型網(wǎng)絡(luò)速度為100GbE或更快。這些高速網(wǎng)絡(luò)的出現(xiàn)與高吞吐量、高性能對象存儲的采用趨勢相一致。傳統(tǒng)的對象存儲應(yīng)用（如歸檔和備份）不需要如此高的帶寬，但像災(zāi)難恢復(fù)這樣的工作負(fù)載（41%的受訪者表示使用對象存儲進行災(zāi)難恢復(fù)）確實需要這種性能。

對速度的需求也體現(xiàn)在驅(qū)動器類型上?，F(xiàn)在，我們生活在一個NVMe/SSD的世界中，這反映了它們相較于HDD在性能和密度方面的優(yōu)勢。

在未來三年，NVMe預(yù)計將成為最大的增長領(lǐng)域，在企業(yè)中的數(shù)據(jù)份額預(yù)計將增加3個百分點。

貴組織當(dāng)前在以下存儲平臺中存儲的數(shù)據(jù)比例是多少？未來三年，NVMe預(yù)計將成為增長最快的領(lǐng)域，在企業(yè)中的數(shù)據(jù)份額預(yù)計將增加3個百分點。

存儲團隊的動態(tài)是一個值得關(guān)注的領(lǐng)域。盡管IT運營/基礎(chǔ)設(shè)施顯然是主導(dǎo)力量，但它絕不是唯一參與存儲管理的團隊。許多團隊都在參與其中，這也符合當(dāng)前數(shù)據(jù)幾乎是每個組織核心資產(chǎn)的事實。

哪些團隊參與了貴組織的存儲管理？

話雖如此，DevOps、開發(fā)和數(shù)據(jù)團隊顯然都在其中扮演著重要角色。

根據(jù)您的經(jīng)驗，管理PB級數(shù)據(jù)需要多大的團隊？

說到團隊合作，管理PB級數(shù)據(jù)需要一個完整的團隊。在受訪組織中，超過三分之二的受訪者表示，管理這種規(guī)模的數(shù)據(jù)至少需要四名或更多的全職員工。

總結(jié)：一個以AI為中心、以對象存儲為主導(dǎo)的世界

到2024年，大多數(shù)企業(yè)的數(shù)據(jù)已經(jīng)存儲在對象存儲中，這一趨勢預(yù)計將持續(xù)增長。對象存儲主導(dǎo)地位的兩個關(guān)鍵原因很明確：

對象存儲不僅支持AI，還推動AI的發(fā)展，滿足安全需求，解決成本和可擴展性問題，并支持跨工作負(fù)載的高性能。

企業(yè)在數(shù)據(jù)存儲上優(yōu)先考慮大規(guī)模性能，可能比其他任何因素都更為重要。他們希望獲得云原生世界中傳統(tǒng)SAN/NAS技術(shù)難以提供的靈活性和簡便性。

不斷攀升的公有云成本不可持續(xù)——但顯然，成本在選擇工作負(fù)載和可擴展性時不是最重要的因素。我們可以推測，在成本和功能之間做出選擇時，企業(yè)將更加注重后者。在所有可用的解決方案中，運行在私有云上的軟件定義存儲最有可能讓企業(yè)獲得所需的一切。

本文轉(zhuǎn)載自 ??Andy730??，作者： 常華Andy