数据搬运，正在成为隐藏的 AI 项目
很多 AI 方案把“接入数据”写成架构图上的一条箭头，实际却包含一整套持续运行的工程：
只要复制一次，这些问题尚可控制；当不同部门分别建设知识助手、预测模型、数据 Agent 和自动化流程，同一份客户、合同或生产数据就可能出现多份用途不同、更新时间不同、权限规则也不同的副本。
于是，企业表面上在做 AI，实际上还在运营一个不断扩张的数据复制网络。
这会带来三类直接后果。
第一，答案与行动可能基于旧状态。源系统中的合同、库存或客户状态已经变化，AI 使用的索引或数据集却尚未完成同步。
第二，原有治理不会自动随数据移动。源系统里的行列权限、用途限制、删除要求和审计规则，需要在新环境中被准确重建；“有权访问源系统”不等于“有权把数据复制到另一个系统长期使用”。
第三，试点成本会掩盖规模化成本。一个演示只复制少量样本，而生产系统必须承担全量、增量、峰值、回补、容灾和长期保存。模型可能越来越便宜，数据管道却越来越复杂。
- 从业务系统抽取数据，并处理格式、编码和字段差异；
- 为搜索、训练或推理建立新的数据副本；
- 在源数据变化后持续同步，处理延迟、失败与冲突；
- 在新环境中重新配置身份、权限、脱敏和保留期限；
- 追踪一份敏感信息被复制到了哪里、由谁访问、何时删除；
- 当业务口径变化时，判断下游索引、特征和结果是否需要重建。
“让计算靠近数据”不等于拒绝数据平台
这并不是说企业不应建设数据仓库、湖仓或统一知识平台，也不是所有 AI 任务都能在源系统旁完成。
训练跨业务模型、建立长期分析口径、组合多个系统的数据，仍然可能需要集中处理。真正需要改变的是默认假设：不要在尚未证明必要之前，就为每一个 AI 场景复制一套完整数据。
更合理的选择取决于任务。
需要低延迟和当前状态时，优先在源头查询或计算
例如库存承诺、订单状态、设备读数和风险额度，价值来自“此刻正确”。与其按固定周期复制全部数据，不如让 AI 在授权下调用受控查询、业务 API 或靠近数据的计算服务，只取完成当前任务所需的结果。
需要跨域分析时，移动最小必要的数据
跨系统分析不必等于汇聚全部原始记录。企业可以先在各数据域内完成过滤、聚合、特征计算或脱敏，再把必要结果送入共同流程。
需要训练和复现时，建立有边界的数据产品
模型训练确实需要稳定、可复现的数据集。这时不应临时复制一批文件，而应把数据集作为正式产品管理：记录来源、适用用途、时间范围、质量、责任人、版本、授权和删除规则。
需要语义检索时，不要把向量库当成无治理的副本
向量、分块文本和缓存仍然可能包含敏感信息，也会过期。企业需要知道索引来自哪个版本、继承何种权限、何时刷新，以及原文删除后派生数据如何同步清理。
因此，“计算靠近数据”的核心不是一个存储产品，而是一项架构原则：先判断业务任务需要什么，再决定移动计算、移动结果，还是移动原始数据。
少复制数据，只有和治理一起设计才有意义
减少数据搬运可以缩小暴露面，但不会天然解决安全与质量问题。AI 在源头运行，仍然可能发起范围过大的查询、跨越用途限制，或把敏感结果写入日志和回答。
NIST 在 2026 年发布的《数据分类实践》初稿强调，组织首先需要发现、识别和标记敏感的非结构化数据，才能减少重要信息丢失或被错误管理的风险，并为零信任和安全 AI 训练奠定基础。
这意味着企业至少需要补齐四项能力。
1. 让数据分类能够被运行时执行
“机密”“内部”“公开”不能只停留在文档标签。系统应能根据数据类别限制模型、工具、用户、区域和处理用途，并对导出、缓存和二次使用施加规则。
2. 把访问权限缩小到任务，而不只是账号
同一名员工有权查看客户记录，不代表其发起的 Agent 可以批量读取全部客户数据。授权应绑定具体任务、字段、时间窗口和输出形式，并尽量采用短时权限。
3. 记录数据血缘，也记录计算血缘
传统血缘回答“数据从哪里来”；AI 还需要回答“谁为了什么任务，在何时用哪个版本的规则处理了哪些数据，结果去了哪里”。否则，即使没有复制原始数据，也难以解释最终结论。
4. 对输出继续执行最小化
源头计算后返回的结果仍可能泄露信息。系统应只返回完成任务所需的字段或聚合结果，并控制其进入提示词、长期记忆、日志和下游应用的范围。
企业可以先做一次“数据移动审计”
在采购新的 AI 数据平台之前，更值得做的是选取一个即将进入生产的场景，画出真实的数据路径。
不要只列系统名称，而要逐项回答：
1. 哪些原始数据被复制，产生了几份副本？ 2. 每份副本服务哪个具体任务，是否全部必要？ 3. 从源系统变化到 AI 可见，最长需要多久？ 4. 权限、分类、保留期限和删除请求能否随副本同步？ 5. 哪些处理可以在数据域内完成，只输出必要结果？ 6. AI 的中间结果、向量、缓存和日志是否也被纳入治理？ 7. 如果停用这个 AI 场景，能否证明所有派生数据已被关闭或删除？
完成这次审计后，可以把数据路径分为三类：
这种治理的回报不仅是节省存储和传输费用。更重要的是缩短数据变更到业务可用的距离，减少权限重建与副本清理工作，并让企业更清楚 AI 实际使用了什么。
- **保留移动**：确有跨域、训练、复现或性能需求，并有明确责任人；
- **改为就地处理**：任务只需要当前状态、局部字段或聚合结果；
- **停止复制**：没有稳定业务用途，或风险与维护成本高于价值。
采购时，不要只听“零复制”
“零复制”“近数据计算”很容易成为新的产品标签。企业仍需用真实业务负载验证：
只有把这些问题写入概念验证和验收标准，“数据不动、计算移动”才会从架构口号变成可运营能力。
- 哪些数据格式、存储系统和计算任务真正支持就地处理？
- 为提高性能，产品是否仍会生成缓存、中间文件、索引或副本？
- 源系统的细粒度权限、数据分类和删除规则如何继承？
- GPU 或其他加速资源靠近存储后，资源隔离和成本如何计算？
- 跨多个数据域的任务如何编排，失败后是否会留下不完整状态？
- 性能和成本数字基于什么数据量、查询类型、并发和基线？
- 产品路线图中的能力，哪些已经可用，哪些仍是未来计划？
结语：企业 AI 的数据准备，不等于复制更多数据
过去，计算资源稀缺、数据规模较小时，把数据集中到计算环境是一种自然选择。如今企业数据分散在云、本地、边缘和专业业务系统中，AI 又需要更频繁、更接近实时地使用它们，沿用“先全部搬走”的默认方式，成本与风险都会累积。
企业真正需要的不是一个无限扩张的 AI 数据池，而是一套有选择的数据供应方式：
该移动的数据有明确用途和生命周期；不必移动的数据在原处受控计算；流向 AI 的结果保持最小、及时、可追溯。
模型能力决定 AI 能做什么，数据路径则决定这些能力能否在真实企业环境中长期、可信地运行。少搬一次数据，往往也意味着少维护一套权限、少承担一份泄露面，并少制造一个未来需要清理的遗留系统。
---
