首先，模型走向大型化和复杂化，带来了极大的数据量和数据处理需求。以 OpenAI 的 GPT 模型为例，2020 年的 GPT-3 模型参数达到 1750 亿个，预训练数据量高达 45TB，并且目前市场上诸多模型无论是规模、数据量、训练层数均是屡创新高，对于数据存储的需求也是肉眼可见地增加。
从数据类型、数据处理流程和效率来看，由传统存储架构组成的数据平台的确是有着天然的各种 缺陷 。比如，在很多用户的实际环境中，依然是采用不同接口来接入到不同存储系统之中，很难在一个数据平台上满足不同数据类型对于性能的不同需求，并且容易形成多个数据孤岛；而从数据处理管道来看，存在多个数据孤岛之间来回拷贝的环节，不仅数据处理效率低下，而且性能无法满足 AI 应用的处理需求。
src=因此，为 AI 而生的数据平台应该是在性能、扩展性和易用性方面实现重塑，以满足 AI 应用对于数据处理的各种需求。事实上，以 Hitachi Vantara HCSF ( Hitachi Content Software for File ) 为代表的新一代数据平台正是在这种趋势下脱颖而出，它让 AI 数据处理避免了分散管理流程，无需拷贝数据和复杂的性能调优，使得所有数据处理流程均在一个数据平台中进行，并且进行自动化的性能调优，实现性能、扩展性和易用性等方面质的提升。
以性能为例，HCSF 采用具备专利的元数据和数据的全分布式架构，以及 NVMe 和高速网络设计，从而实现同时高效处理高吞吐 / 高 IOPS/ 低延迟 / 高效元数据处理，性能比当前市场上所有全闪存 NAS 快十倍之多；在扩展性方面，HCSF 具备从 TB 到 EB 级的扩展能力，还能从本地扩展到云端，并且能够实现跨 NVMe 和 OBS 的统一命名空间；在易用性方面，实现了从安装到数据协议接入、自动性能调优的简易化，让用户能够很快上手。
HCSF 作为一个完整的数据平台，避免了传统架构多台设备并存带来的复杂性和数据孤岛，并且在数据接入、空间管理和云端协同方面均实现了极为简易的操作。AI 应用的数据处理过程中不需要来回流动、迁移和复制。Hitachi Vantara 中国区资深解决方案顾问蔡慧阳介绍道， 在传统架构的数据平台下，管理复杂性、性能调优都往往需要专家级的技术人员，并且在元数据等层面存在极大缺陷。
src=据悉，HCSF 在交付方式上也非常灵活，可以提供软硬一体化或者纯软的方式来满足不同用户的需求。此外，Hitachi Vantara 也与多家云服务商达成合作，将 HCSF 直接部署在云端，为客户提供更加灵活的选择。
以某量化基金公司为例，拥有几百个节点的计算集群，采用最先机的 GPU 计算加速卡，以最先进的算力来跑量化模型，但三年实践下来，无论后端数据平台层如何优化，依然在性能、扩展性方面存在巨大不足。 类似这样的用户不在少数，他们均是在实践 AI 之后才意识到数据平台的重要性，并且均是通过 HCSF 解决了上述挑战。
又如汽车领域的自动驾驶场景，很多车企通常部署了数百台配置先进 GPU 的计算集群进行自动驾驶训练，每提升一个级别，意味着数据量呈指数级的增长，L5 级的自动驾驶甚至能够达到 EB 级的数据量，对于数据平台的性能、容量和扩展性极为考验。蔡慧阳介绍： 有车企在采用 HCSF 之后，一次训练与仿线 个小时，EB 级的扩展能力也让车企不再为容量担忧。
