人工智能（AI）已经是一个热门话题，但它对我们社会和企业的影响才刚刚开始被认识。人工智能和其他形式的机器学习和深度学习将彻底改变商业，使重复性的任务自动化，并加速成果 — 所有这些都是基于庞大的数据集。

开发深度学习应用程序通常遵循以下三个步骤。

• 数据准备，将大量的 “原材料 “变成可用的数据
• 模型训练，即训练软件程序从数据中学习一种新的能力
• 推理，在这里（正如所暗示的），程序将这种新的学习应用于新的数据。
• 所有这些加起来就是大量的数据增长。行业分析师预测，非结构化数据–文件和对象–在未来几年的容量将增加一倍甚至两倍。这种增长的一大动力是用于人工智能、机器学习和深度学习用例。

这个数据的 “下一个时代 “为IT基础设施的领导者带来了一些明显的挑战。首先，数据集的规模和数量比以前任何时候都要大得多。我们一些开发驾驶辅助技术的客户–本质上是机器学习的一种形式，特别是机器视觉–在短短几年内产生了超过百万亿字节的数据。因此，规模是巨大的。

此外，深度学习应用对存储基础设施的性能提出了巨大要求。处理这些大规模的非结构化数据集需要极低的延迟，关键是在大规模的情况下性能必须是一致的。基于磁盘的存储系统，是基于串行硬盘的，根本无法满足这些要求。这导致了全闪存文件和对象存储的增长，并且随着闪存价格的下降，以及新架构使用非易失性内存传输（NVMe）和远程直接内存访问（RDMA）等内存技术，实现超低延迟的分布式存储架构，这种增长将在未来五年内加速。所以存储系统的性能必须要有数量级的提高。

最后–数据并不生活在一个地方。它是在数据中心之外产生的，它被转移到某个地方进行处理。这可能是在公共云中，也可能是在数据中心中，或者更有可能的是，数据管道的一部分在两个地方都发生。因此，这些数据在其生命周期内的移动和管理是一个主要考虑因素。而且，这些数据集将越来越多地被保存几十年，而不是5年或7年。具体来说，用于数据准备的大型数据集以及模型本身，可能会被保存几十年甚至更久，以备模型需要重新训练。

所有这些因素已经给传统的存储架构带来了压力。世界上大多数的非结构化数据都存储在20多年前设计的系统上。这些系统设计的时候，大多数文件是由人创建的，而不是由设备创建的，数万亿的文件和对象以及exabytes的数据要存储几十年的概念还没有出现。

对于IT基础设施的决策者来说，如果你的企业有数字化转型计划，或基于人工智能、机器学习或深度学习的新业务计划，你的数据存储基础设施可能正在阻碍你的业务发展。它可能会影响到每天依靠这些数据产生结果的数据科学家、内容创作者和分析师的生产力。而且，它肯定会导致你做出不公平的交易，以试图使其发挥作用。现在就采取下一步措施，评估下一代架构应该是什么样子，为下一代人工智能和深度学习应用提供动力。

图片来源：Photon photo/Shutterstock

Eric Bassier是量子公司的高级产品总监。