各種各樣的企業(yè)在加快AI和機器學習項目，但要真正發(fā)揮潛力，需要克服重大的技術障礙。雖然計算基礎架構常常是關注的重點，但存儲同樣重要。這三個主要的原因表明了為什么對象存儲（而不是文件存儲或塊存儲）特別適合AI和機器學習工作負載：

1. 可擴展性——有龐大且多樣的數據源可供學習時，AI和機器學習最有效。數據科學家利用這些豐富的數據來訓練領域模型。在“大數據的五個V”（容量、種類、速度、準確性和價值）中，前兩個（容量和種類）最重要。簡而言之，AI和機器學習依賴大量多樣化的數據（圖像、文本、結構化和半結構化數據），構建有用的模型、提供準確的結果并最終提供業(yè)務價值。

對象存儲是最具擴展性的存儲架構，特別適合支持AI和機器學習所需的大量數據。對象存儲旨在通過橫向擴展方法支持無限增長，使企業(yè)組織能夠通過隨時隨地添加節(jié)點來擴大部署范圍。由于對象存儲使用單個全局命名空間，也可以同時跨多個地方進行這種擴展。另一方面，文件和塊系統(tǒng)通常采用縱向擴展方法。這意味著這種平臺通過為單個節(jié)點添加更多計算資源實現縱向擴展，這種方法最終受到限制。它們無法通過部署額外節(jié)點來增加計算資源以高效地橫向擴展。

2. API——健壯靈活的數據API對于AI和機器學習很重要，如前所述，AI和機器學習使用多種類型的數據。存儲平臺需要支持API以容納各種數據。此外，AI和機器學習方面的創(chuàng)新日益在公共云上完成，但是仍有相當一部分的AI和機器學習在本地或私有云中進行，這取決于使用場合的具體情況（比如說，科學研究和醫(yī)療保健等領域的容量密集型工作負載往往最適合私有云）。這意味著企業(yè)需要在公共云和本地/私有云中都支持工作負載的存儲API。

文件和塊存儲平臺在它們支持的API方面受到限制，部分原因是它們是較舊的架構。相比之下，對象存儲使用云端更高級的API，這種API旨在以應用程序為中心，并支持比文件和塊存儲更廣泛的API，包括版本控制、生命周期管理、加密、對象鎖定和元數據。此外，支持AI和機器學習使用場景的新對象存儲API（比如支持流數據和海量數據集的查詢）也有可能。

由于對象存儲API圍繞Amazon S3實現了標準化，更容易整合本地和公共云中的軟件。企業(yè)可以輕松地將部署的AI和機器學習從本地/私有云環(huán)境擴展到公共云，或者將云原生的AI和機器學習工作負載遷移到本地環(huán)境，功能不會減損。這種雙模式方法使企業(yè)能夠以合作、可互換的方式利用本地/私有云和公共云上的資源。

由于S3 API已成為對象存儲事實上的標準，許多軟件工具和庫都可以充分利用該API。這允許共享代碼、軟件和工具，促進AI/機器學習社區(qū)更快速的開發(fā)。例子包括流行的機器學習平臺，比如擁有內置S3 API的TensorFlow和Apache Spark。

3.元數據——與API一樣，使用AI和機器學習的企業(yè)利用無限制、可自定義的元數據顯得至關重要。元數據就是關于數據的數據——從最基本的層面上講，某個數據何時在何地創(chuàng)建、創(chuàng)建者是誰。但是元數據可以描述更多信息：用戶可以創(chuàng)建任意的元數據標簽來描述他們需要的任何屬性。

數據科學家需要豐富的元數據來查找特定數據以構建和使用AI和機器學習模型。隨著更多信息添加到數據中，元數據注釋便于逐步積累知識。

文件和塊存儲僅支持有限的元數據，比如上述基本屬性。這在很大程度上歸結為可擴展性，因為文件和塊系統(tǒng)無力支持快速無縫的增長，如果存儲系統(tǒng)為依賴龐大數據集的AI和機器學習應用程序支持豐富的元數據，自然會出現這種情況。然而，對象存儲支持無限制的、完全可自定義的元數據，從而更容易找到用于AI和機器學習算法的數據，并從中獲得更準確的信息。

以一家醫(yī)院針對X射線圖像使用圖像識別應用程序為例：有了元數據，可以使用TensorFlow模型來分析添加到對象存儲系統(tǒng)的每個圖像，然后為每個圖像分配細化的元數據標簽（比如，傷病類型、基于骨骼大小或生長情況來判斷患者的年齡或性別）。然后可以針對該元數據訓練TensorFlow模型，并加以分析，對患者獲得新的寶貴信息（比如說，二三十歲的女性比五年前更容易患骨骼疾?。?。

幾乎每家《財富》 500強公司都在大張旗鼓地搞AI和機器學習，可以想象這些技術在可預見的將來將是最重要的企業(yè)IT項目。然而，AI/機器學習項目要獲得回報，企業(yè)就要使用合適的存儲基礎架構。由于可擴展性、支持各種API（尤其是S3）和豐富的元數據，對象存儲可謂是AI和機器學習的最佳支柱。