当前众多企业正致力于更新基础设施以提升效率、控制成本，但过程中常受困于混合架构、遗留系统与 AI 新需求带来的矛盾。微软（Azure）与 Pure Storage 等存储及数据平台厂商的近期举措，为企业应对这些挑战提供了可行路径，也为其他组织规划企业 AI 战略提供了重要参考，核心在于通过 “渐进式现代化” 而非 “全盘重构”，帮助企业在保障数据安全与控制的同时，构建支撑 AI 落地的数据基础。
在基础设施现代化进程中，成本攀升往往成为企业的首要阻碍。许多企业既渴望云计算的灵活性，又依赖基于虚拟机构建的遗留系统与内部流程 —— 早期应用未针对云环境设计，重写需投入大量时间且伴随风险，而简单的 “迁移不改架构”（lift and shift）又会导致云账单激增，尤其当团队未优化工作负载运行方式时。为解决这一痛点，部分厂商推出 “虚拟机无重大改动迁移至 Azure” 的方案，早期使用者反馈，这种方式的核心吸引力在于 “无需首日重构应用即可测试云迁移”，且部分企业将这种早期测试与 “后续支撑企业 AI 工作负载” 的目标绑定。同时，通过 Azure 原生工具管理存储可显著降低成本，让迁移过程更可预测。这一实践为其他企业提供关键启示：选择与现有运营模式匹配的迁移路径，而非从一开始就强制全面重构，是平衡效率与成本的关键。
数据保护与控制权，是混合环境下企业的另一核心关切。数据丢失或长时间停机的风险，让许多管理者对大规模现代化计划持谨慎态度，因此越来越多组织开始在本地、边缘与云环境中构建更强的恢复系统，常规规划已涵盖不可变快照、数据复制、受损数据可视化等功能。近期微软 Azure 与多款存储系统的集成，进一步为企业提供了 “本地硬件与 Azure 服务协同管理数据” 的方案，尤其吸引了有本地数据驻留要求或严格合规需求的组织 —— 这类架构可让企业将敏感数据保留在境内，同时使用 Azure 工具处理数据，这对依赖 “可靠且合规数据” 的企业 AI 应用至关重要。例如，金融机构可将客户隐私数据存储在本地 Pure Storage 设备中，通过 Azure 的数据分析工具进行 AI 模型训练的数据预处理，既满足监管要求，又不影响 AI 项目推进。这一模式的核心启示在于：当控制层实现统一时，混合架构完全能支撑企业的合规需求，无需为满足监管而牺牲 AI 能力。
对企业而言，备战 AI 无需彻底重构基础设施，强化现有数据基础往往是更务实的选择。许多企业希望支持 AI 项目，但不愿投入资源 overhaul 整个架构，而微软 SQL Server 2025 新增的向量数据库功能，恰好让团队无需切换平台即可构建 AI 驱动应用。部分企业还将 SQL Server 与高性能存储阵列（如 Pure Storage 的 FlashArray、FlashBlade）结合，既提升数据吞吐量，又压缩 AI 相关数据集规模，这些优化正逐步融入企业整体 AI 规划。采用这类架构的团队表示，其吸引力在于 “无需投入新技术栈即可运行早期 AI 工作负载”，且更可预测的性能让模型训练、测试阶段的规模化扩展更顺畅。这一实践印证了 “AI 就绪的关键在于优化现有业务数据系统，而非引入独立平台”—— 例如零售企业可基于现有客户数据仓库（搭配 Pure Storage 存储），通过 SQL Server 的向量功能快速构建 “个性化推荐 AI 模型”，无需从零搭建数据基础设施。
在混合架构中，Kubernetes 与遗留系统的协同管理则带来新的复杂性。当前多数企业同时运行容器与虚拟机，尤其当工作负载跨多云部署时，两者的同步对团队构成巨大压力。为此，部分企业转向统一数据管理工具，让 Kubernetes 环境与遗留应用共存，例如越来越多组织将 Portworx 与 Azure Kubernetes Service（AKS）、Azure Red Hat OpenShift 结合，通过 KubeVirt 将虚拟机迁移至 Kubernetes，同时保留熟悉的自动化工作流。这种方式不仅减少资源过度配置、简化容量规划，更成为企业 “基础设施 AI 就绪” 的重要一步，同时为容器 adoption 提供 “更缓慢、更安全的路径”。其核心逻辑在于 “尊重现有技术能力，而非强制颠覆性变革”—— 例如制造企业可在保留传统生产系统的同时，通过 Kubernetes 部署 AI 质检智能体，借助 Portworx 实现数据统一管理，避免团队因技术跨度过大而降低效率。
综合来看，企业基础设施现代化的清晰路径已逐渐显现：绝大多数企业并非追求 “一次性全盘重构”，而是更青睐 “可预测的迁移计划、更强的数据保护、支撑早期 AI 项目的实用方案”。Azure 与 Pure Storage 等厂商围绕 “优化现有系统而非替换” 形成的工具与合作，正推动现代化从 “系统替换” 转向 “能力升级”。对企业而言，以 “小规模、稳步推进” 的方式推进现代化，同时兼顾成本、安全与数据需求，才能在规避不必要风险的前提下，逐步构建支撑 AI 落地的基础设施 —— 这一趋势不仅适用于大型企业，也为资源有限的中小型组织提供了 “低成本切入 AI” 的可行思路，即从现有数据与系统出发，通过模块化升级逐步实现 AI 就绪。
结合补充信息来看，Pure Storage 与 Azure 的合作还具备更深厚的技术支撑：Pure Storage 的 AI 存储解决方案（如 FlashBlade//Exa、FlashBlade//S）具备 10TB/s + 吞吐量、EB 级命名空间，支持 NVIDIA DGX SuperPOD 认证，可满足 AI 大规模训练与推理的性能需求；Azure 则通过 Microsoft Foundry、Fabric IQ 等功能，为企业提供 “模型选择自由” 与 “统一数据语义框架”，两者结合形成 “高性能存储 + 灵活 AI 平台” 的协同效应。例如，企业可通过 Pure Storage 存储 AI 训练数据，借助 Azure 的 RAG（检索增强生成）能力提升模型准确性，同时通过 Fabric IQ 实现跨环境数据一致访问，进一步强化 “数据 – AI – 应用” 的协同效率，这也印证了 “基础设施优化与平台能力结合” 是企业 AI 就绪的关键。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/pure-storage-yu-azure-zhu-li-qi-ye-da-zao-ai-jiu-xu-shu-ju
