人工智能雄心与人工智能就绪度之间的差距
这种雄心体现在每一次董事会讨论、每一份战略文件以及每一个预算周期中。人工智能已不再是一个新奇的尝试，而是预算中承载着实际业务期望的重要投入。然而，真正能够以一致、可复制的方式落地 AI，并持续产出可靠业务成果的组织却寥寥无几。
就绪度的问题在于，人们往往把它视为一个里程碑——仿佛达到之后便可一劳永逸。事实上，只有当系统需要持续运行、数据需要不断流动、模型需要持续获得数据支持、治理真正落地，以及那些在试点阶段看似井然有序的一切必须扩展到大规模生产环境时，就绪度才能真正经受住考验。
整个行业一直在谈论企业正在“为 AI 做准备”，但仔细观察就会发现，如今围绕数据准备展开的讨论，与十年前几乎如出一辙——只是工具更先进、算力更强，期望也高得多。
AI 就绪度：那个人人都知道却避而不谈的问题
当我们谈论“AI 就绪度”时，每个人理解的含义其实并不相同。很多时候，它已经沦为营销材料和战略会议中的一个万能术语——听起来像是只要购买合适的平台，或将足够的数据迁移到正确的位置，就能够达成的一个里程碑。但现实环境远没有这么简单。很多被称为“就绪”的状态，其实充其量只是“准备阶段”——甚至这么说都已经算是相当宽容了。
还记得“大数据”吗？多样性 (Variety)、速度 (Velocity) 和数据量 (Volume) 是我们谈论的三大要素，行业花了数年时间构建系统来处理这三者：更多的数据、更快的数据、更多类型的数据。这种思维惯性一直延续至今，因为组织仍然将拥有的数据量视为自己已准备就绪的证明。
然而，正如我们所了解到的，如果数据本身无法被信任或使用，那么这一切都无关紧要。数据是碎片化的、不一致的，在许多情况下，其结构或治理方式使其无法使用——据《福布斯》报道，40%的组织对其自身人工智能模型的输入和输出缺乏信任。因此，碎片化的数据不仅没有赋能人工智能，反而引入了风险：如果数据本身是错误的，人工智能并不会修复它，只会将错误进一步放大。金融服务机构比大多数其他行业更了解这一问题，数据质量和数据碎片化被认为是人工智能部署的首要障碍。
组织往往将购买平台等同于已经做好使用准备，因为采购本身并不困难。真正困难的是改变人们的工作方式、决策方式以及数据治理方式，而这恰恰也是大部分工作真正需要投入的地方。如果组织内部对要实现什么目标以及为什么要这样做缺乏共识，那么技术本身就无法发挥作用。
那么，当我们谈论“人工智能就绪度”时，我们究竟在谈论什么？
如果就绪度仅仅意味着已经完成数据接入、部署了平台并启动了一个试点项目，那么这个标准就太低了。这也解释了为什么许多计划一旦试图超越这一阶段便陷入停滞。
流水线、数据与平台！
数据流水线已经建成，数据已经完成接入，平台也部署完成。从纸面上看，一切都很完美。在白板设计阶段，它看起来总是如此。但当需要超越试点并真正投入执行时，事情便开始以难以诊断的方式崩溃或停滞，因为从技术角度来看，并没有任何系统真正“故障”。
这正是当今许多人工智能项目的真实写照，而越来越多的研究结果也以不容忽视的方式印证了这一点。根据 Hitachi Vantara 和 FSTech 开展的研究，在金融服务领域，对象存储已经成为人工智能和分析战略的重要组成部分，43% 的组织将其作为战略的核心。表面上看这是一个进步，但进一步分析会发现，超过一半的组织仍然只是有选择地应用这些策略，仅支持个别工作负载，而没有将其作为统一的数据基础来运行。各项要素虽然已经具备，但尚未真正协同运作，以支持实际落地。
与此同时，65% 的组织仍然将存储平台成本作为选型的首要因素。当存储的主要任务是数据保留和规模扩展时，这完全合理。但如今，当这些平台被期望支持活跃的人工智能工作负载时，这就成了一个问题，因为可访问性、集成、元数据和治理开始变得与容量同等重要，甚至更加重要。
存储就绪度陷阱
雄心与就绪度之间的差距并非源于某一个单一的故障点，而是源于一系列单独来看都合理、但当系统需要作为一个整体运行时却无法成立的决策。从投资层面来看，组织纷纷投资于承诺能够加速业务发展的工具和平台，却对这些工具所依赖的底层数据基础投入不足。许多组织衡量成功的方式也可能存在偏差。哈佛商学院的研究人员建议，应将人工智能的渐进式应用作为成功的衡量指标，而不是期待一夜之间发生改变。问题可能出现在以下几个方面：
- 架构：混合环境已成为默认架构，这反映了金融服务行业的现实——数据主权、监管控制和可扩展性必须并存。然而，这类环境也带来了数据迁移、延迟和一致性方面的复杂性，而这些复杂性往往容易被低估，直到它们最终成为拖慢整体运行效率的瓶颈。
- 运营：数据虽然十分丰富，但往往存在碎片化、重复存储，或难以以支持复用的方式进行访问的问题，导致每出现一个新的用例，就需要重新构建数据流水线，而无法作为统一连续的数据体系的一部分发挥作用。
- 治理：控制措施往往是在事后追加实施的。虽然能够保护数据，却也增加了数据使用难度，尤其是在不同环境中的策略不一致，或需要人工介入才能完成处理时。
- 组织：职责分散在多个团队之间，而这些团队的目标并不总是一致。这意味着，即便初衷是打造一个协同一致的解决方案，系统本身依然会体现出这种碎片化。
此时，存储——几乎从来不是人工智能项目陷入停滞时人们首先关注的问题——开始成为问题的一部分，因为它最初的设计目标，与如今被赋予的任务已经不再相符。
金融服务行业的大多数对象存储环境都是围绕成本效益和长期保存而构建，因此能够以持久、可扩展的方式高效存储海量非结构化数据方面非常有效。然而，人工智能彻底改变了这一要求，它不仅要求数据能够被访问和发现，还要求数据具备完善的治理能力，并能够无缝集成到持续运行的业务流程中。
一旦无法做到这一点，最终得到的数据便会陷入一种尴尬的状态：从技术角度看是可用的，但在实际应用中却难以发挥价值；其存储方式虽然满足了合规要求，却人为增加了访问门槛；其组织方式反映的是数据的来源，而不是数据应该如何被使用。
在混合环境中，这一问题更加明显。数据分散在具有不同性能特征、不同治理模式和不同访问方式的多个位置，每一次数据交互都会产生一定的额外开销，而当业务规模不断扩大时，这些细微的开销会迅速累积。
那些开始缩小这一差距的组织，并不一定是在进行颠覆性的创新，而是在重新定义数据与存储的角色——不再把存储视为数据的"存放地"，而是将其视为数据流动和价值实现过程中不可或缺的一环。
这体现在这样一种环境中：元数据被视为核心能力，而非事后补充；治理内嵌于数据层，而不是后续附加；数据无需反复复制即可实现访问与复用；系统也被设计为支持持续运行，而不是彼此割裂的数据流水线。
Hitachi Vantara 的观点
人工智能之所以失败，并非因为组织缺乏创意、用例，甚至不是因为缺少技术，而是因为支撑人工智能运行的底层系统，无法以一致、可扩展且可持续的方式支撑实际落地。在这一点发生改变之前，人工智能雄心与人工智能就绪度之间的差距仍将持续存在——不是因为组织没有努力，而是因为他们并没有自己认为的那样准备充分。
借助混合云架构、现代弹性框架以及面向人工智能的数据系统，Hitachi Vantara 可帮助金融机构构建坚实的数据基础，为当前运营提供确定性，并支撑未来可持续扩展的创新能力。VSP One Object 不仅提供高弹性和高扩展性的存储能力，还具备智能化、可组合的特性，为现代数据战略提供坚实支撑。
