Спрос на ИИ перестроил рынок хранения данных сразу в двух направлениях. С одной стороны, компании вкладываются в более быстрые системы, чтобы не держать дорогие GPU без дела. С другой, те же ИИ-агенты заставляют заново пересобирать правила доступа, резервного копирования и расследования инцидентов.
Для корпоративной инфраструктуры это уже не теория. Если компания запускает модели в промышленной среде, старой логики «диски отдельно, безопасность отдельно» часто уже недостаточно.
Рынок сместился от обучения моделей к промышленной эксплуатации
По данным The Register, ранняя волна ИИ-инфраструктуры держалась на обучении моделей, но теперь акцент смещается на inference, то есть на повседневную работу сервисов с ИИ. В такой схеме важна не только емкость хранилища, но и скорость, с которой данные доходят до GPU.
Именно поэтому производители все активнее делают ставку на SSD, NVMe и PCIe. Nvidia, в частности, продвигает GPUDirect, чтобы сократить задержки при обмене данными. Отдельное направление связано с KV-caching: SSD помогают разгрузить дефицитную HBM-память и снизить затраты на повторные вычисления токенов.
Перевод на язык бизнеса простой: если GPU простаивает из-за медленного хранилища, компания теряет деньги, а не только красивые цифры в SLA.
На новых нагрузках выросли другие поставщики
До бума генеративного ИИ корпоративное хранение данных обычно ассоциировали с Dell, HPE и NetApp. Сейчас заметнее растут игроки из сегмента all-flash и HPC: DDN, Pure Storage, VAST Data и WEKA.
В материале The Register отдельно упоминается архитектура disaggregated storage array, или DASE. Ее смысл в том, что вычисления и хранение разделены, поэтому систему можно масштабировать точечно, а не менять массив целиком. Такой подход уже подхватили крупные вендоры, тогда как классические монолитные high-end-системы хуже попадают в новую логику, если у них нет поддержки DASE, GPUDirect и сценариев с KV-caching.
В центре внимания оказались векторные базы и управление данными
ИИ меняет не только «железо», но и слой данных. Модели создают и используют embeddings, поэтому растет роль векторных баз и гибридных систем, где рядом с OLTP и OLAP появляется векторный поиск. Среди профильных игроков The Register называет Pinecone, Qdrant, Weaviate и Zilliz, а среди универсальных платформ приводит SingleStore как пример базы, которая добавила такую поддержку.
Параллельно компании пытаются подключать к ИИ весь свой корпоративный массив данных, не копируя все в один новый репозиторий. Здесь в статье упоминается Apache Iceberg как способ логически связывать внешние хранилища с озером данных. На этом фоне растет интерес и к инструментам, которые умеют картировать данные, фильтровать их по метаданным, сокращать лишние перемещения и защищать чувствительные наборы. В качестве примеров названы Arcitecta, Datadobi, Hammerspace и Komprise.
Резервные копии перестают быть пассивным архивом
Еще один сдвиг касается резервного копирования. Поставщики вроде Cohesity, Commvault, Druva, Rubrik и Veeam теперь продают резервные копии не только как страховку от сбоев и ransomware, но и как источник данных для ИИ-аналитики.
Логика понятна: резервные копии хранят историю изменений, а значит помогают искать ранние признаки атаки, определять затронутые данные и находить последнюю гарантированно чистую копию для восстановления. The Register отдельно упоминает Cohesity Gaia и отмечает, что Veeam движется в сторону сценариев, где для ИИ используются и рабочие, и резервные данные.
Для ИТ-команд вывод неприятный, но полезный: резервная копия больше не выглядит как склад на черный день. Теперь это еще и сенсор, и журнал, и материал для расследований.
Агентам понадобится отдельный контур контроля
Самая острая часть истории связана с доступом ИИ-агентов к данным. Если воспринимать агента как цифрового сотрудника, ему нужен собственный IAM-контур, причем обычно строже человеческого. Проблема в том, что агент работает не через интерфейс, а прямо внутри систем и делает это на скоростях, где ручной контроль быстро заканчивается.
The Register пишет, что в крупных организациях счет может идти на тысячи и даже десятки тысяч агентов. Отсюда интерес к agent-focused IAM, детальному журналированию действий, временных файлов и промежуточных операций, а также к механизмам отката. В этой зоне издание упоминает Cohesity, Druva, HYCU, Rubrik и Veeam.
Для российского и СНГ-рынка смысл вполне прикладной: если компания строит внутренние ИИ-сервисы, ей придется одновременно решать три задачи — быстро кормить ускорители данными, понимать, какие данные агент вообще имеет право трогать, и уметь откатить его ошибку без долгого простоя.
Значение для рынка
Главный вывод простой: ИИ сделал хранение данных не «тихим» инфраструктурным слоем, а заметной частью экономики проекта. Выигрывать будут те команды, которые считают не только терабайты, но и задержки, стоимость простоя GPU, права агентов и скорость восстановления после ошибки или атаки.
Следующий раунд конкуренции, похоже, пройдет уже не за сам факт внедрения ИИ, а за то, кто сумеет держать эту автоматизацию под контролем.
Источник: The Register, оригинальный материал.