近日，在浪潮数据2026战略发布会上，首席科学家张东用超过一小时的时间，深入剖析了AI产业表面的繁荣与内在的运作逻辑。他明确指出，AI并非短暂风口，而是新一轮生产力革命，但在大规模落地之前，仍需克服多重关键挑战。
一、十年产业回望：AI开启新一轮生产力革命
演讲开场，张东首先感谢了十年间携手同行的客户与伙伴。十年前浪潮数据创立时，云计算和大数据还是新兴概念；如今，AI已深入各行各业，企业转型处于“期待与焦虑并存”的状态——虽然大模型前景被广泛看好，但技术选型复杂、算力成本持续攀升、业务落地困难等现实问题，让企业难以轻松前行。
核心判断是：计算力即生产力，智算力即创新力。从蒸汽机到电动机，再到计算机，人类经历了三次产业革命，如今AI正成为第四次变革的主角。这一轮变革不仅是工具的更替，更改变了“劳动者”的定义——AI成为人类智力的延伸，数据成为核心生产要素，整个社会生产关系都将被重塑。
张东用三个案例清晰展示了AI重塑各行业的路径。在复杂结构机械设计领域，一家火箭发动机企业借助AI进行结构迭代，单次仅需15分钟，全套方案在三周内完成百万次仿真并一次性通过热试车，而传统人工设计需要6个月。在新药研发方面，某制药公司针对特发性肺纤维化药物，依托AI在亿级分子库中进行百万倍高通量筛选，从靶点发现到临床前候选化合物仅用18个月，相比传统4-6年的研发周期缩短了一半以上。传统制造业的案例同样具有说服力——某钢铁企业建成AI智慧高炉，能毫秒级感知炉内状态，准确率高达90%，单炉年增效益超千万元。
二、数据链驱动智能链：三类数据决定AI能力上限
数据在AI时代的重要性无论怎样强调都不过分。张东指出，从数据链到智能链的转化过程中，数据可分为三类：
第一类是语料数据，用于训练通用大模型，主要来源于互联网和物联网，规模从PB到EB级，多源异构、持续增长，需要大容量融合存储作为支撑。第二类是行业数据，用于垂域模型微调，来自行业数据库、业务系统和专业文档，规模在TB到PB级，需要高性能存储来支持微调数据的存取。第三类是记忆数据，包括人机交互中的历史对话、工作状态、上下文以及面向检索增强的知识库，需通过向量库、KV Cache、Markdown文件进行动态更新与归档。
“数据喂养模型，模型支撑智能应用，应用使用中又产生新数据，源源不断回流优化模型——数据和智能，是相互循环转化的过程。”这句话点明了整个链条的闭环逻辑。
三、AI产业繁荣背后的四大挑战
当前AI产业表面繁荣——AI芯片厂商超过30家，品类超过200种；商用大模型超过500款，开源模型数十万计；智能体落地办公、工业、医疗等数十类场景。但张东看到的，是繁荣之下企业规模化落地必须面对的四个核心矛盾。
第一个是持续演进挑战。企业原有的云数基础设施资产不能浪费，新增的AI算力和存力设备需融入现有环境，这涉及从通算向智算平滑演进、多芯算力融合池化等难题。第二个是数据就绪挑战。数据孤岛普遍存在，价值挖掘远远不够，多源多模融合、高价值数据提取和全生命周期管理，仍是硬骨头。
第三个是生态协同挑战。产业生态割裂，缺乏融合底座，芯片、存储、模型、应用之间没有分层解耦和开放标准，各自为战。第四个是应用落地挑战。数据如何转化为知识，算力如何高效转化为Token，Token又如何转化为业务价值？投入产出如何评估、如何优化？这些问题才是企业真正头疼的。
面对这四个挑战，浪潮数据的答案是从底层基础设施入手，以AI数据操作系统为核心，重构AI基础设施架构。
四、行业核心判断：私有化AI基础设施将成为企业主流选择
目前许多组织在使用公有云大模型服务，但张东的判断不同。他认为，高价值数据最终沉淀在组织内部，从长远来看，本地化AI基础设施部署将成为更多组织的理想选择。
一方面，本地化部署能实现自主可控与安全合规——模型可以灵活选型、按需部署，持续构建个性化知识库，微调领域模型，避免数据传输和存储泄露风险。
另一方面，从长期和大规模使用角度，私有化部署的拥有成本更优，服务质量也更有保障。以当前主流算力服务器和存储系统的性能与成本计算，月均使用量达到200亿Token时，自建成本已占优势。张东以浪潮数据自身为例——作为一家中等规模企业，月均近千亿Token，AI代码入库率已超40%，版本迭代速度提升了一倍。
五、新战略、新产品、新技术：浪潮数据的AI答卷
回望十年，浪潮数据依托分布式存储和云计算业务稳居国内市场前列，服务超2万家客户。站在AI新起点，他们正式升级了全新发展战略：坚持以客户为中心，以AI应用为导向，以系统设计为核心，以数据激活智能为主题，通过技术创新、产品引领和生态塑造来满足客户数智化转型需求，目标是成为人工智能基础设施的领导者。
每一个时代都有全新的IT基础设施，每次基础设施升级都需要新的操作系统来管理——小型机时代的Unix，通用服务器上的Linux，云计算时代的云操作系统。AI基础设施，自然需要AI时代的操作系统。在AI五层架构中，基础设施层处于中间层，对下利用能源、管理芯片，对上支撑模型和应用。AI数据操作系统通过软件定义、软硬协同的方式，编排调度算力、存力和运力。与传统操作系统相比，任务调度从进程调度演变为面向智能体与传统应用的多任务混合调度，设备管理演变为异构计算、存储、网络融合池化管理，数据管理则从内存管理演变为上下文、知识等记忆管理。
在产品层面，浪潮数据发布了AI数据操作系统，围绕算力、数据、模型、智能体提供数据底座和算力引擎。技术层面，他们提出了两大系统级架构创新——数据底座“玄同”架构通过创新数控分离设计，消除东西向数据转发，无锁协程调度框架充分利用多核CPU，全闪原生布局算法有效降低数据写放大；算力引擎“万象”架构通过全时全域动态演化设计，满足多场景演进需求，面向多芯多模的高效推理引擎实现Token无损生成加速。在DevOps模式基础上，结合当前智能开发软件工程方法，创新基于Design-RUN模式的智能体运行环境，实现面向智能体的开放设计、统一运行，全链路可观测和秒级故障自愈。这些技术创新，整体提升了算力资源利用效率和Token转化效能，支撑智能体的高效可控运行。
在生态层面，浪潮数据启动了“Data Inspire AI”生态计划，以AI数据操作系统为桥梁，打造生态协同、技术创新、一站交付、联合保障四大能力。
最后，张东总结说：浪潮数据愿携手全体产业伙伴共建开放智能生态，充分释放全域数据价值，推动AI基础设施可持续发展，聚力迎接这场智能化产业浪潮。
