DDN调研：AI项目失败的主因是数据到不了GPU 原创

最近DDN还做了一期播客访谈，邀请了DDN产品营销负责人Jason Brown和Google Cloud AI基础设施产品经理Sean Derrington做了一期报告解读。

报告叫《2026年AI基础设施现状报告》，调研了600位美国千人以上企业的IT和业务决策者。

我觉得有一些不错的观点，简单做个归纳。

不过，大家可能阅读时要留意，一来这是面向中型企业以上规模用户，二来是美国市场情况。

一、GPU饥饿：真正的瓶颈在数据层

99%的受访者报告效率低下，54%因基础设施问题延迟甚至取消AI项目。

很多组织的第一反应是"算力不够，买更多GPU"。但Jason指出，"如果GPU在等待数据、处于停滞状态，如果云端和本地之间的数据管道断裂，AI就会卡在实验阶段。" 真正的问题是数据路径太慢，砸更多算力解决不了问题。

65%的受访者表示环境太复杂难以管理，只有38%拥有统一数据平台。基础设施复杂性会给AI投资的ROI增加3个月延迟。

换句话说，大多数AI项目失败不是因为缺模型、缺卡，而是GPU在挨饿。数据喂不进去，算力再强也只能空转。

二、云成为共识选择

97%的受访者认为云对扩展AI至关重要，超过一半认为云是从实验到生产的最快路径。

Sean提到关键洞察："AI工作负载可能是不可预测的。数据科学家有想法，基础设施团队问'需要多少存储、什么延迟'，很多时候答不上来。" 传统数据库工作负载可以说"每TB需要1000 IOPS"，但AI工作负载变化太快，很难提前规划。

云的弹性让组织可以按需扩缩资源，获取最新一代加速器，而不必锁定在5年的CapEx模型里。

三、能源：AI的新货币

47%的受访者将能源使用列为最大效率问题，93%正在积极减少AI能源影响。

一个反直觉的事实：65%的AI基础设施处于闲置状态，而闲置设备消耗的电力和冷却几乎与活跃设备一样多。 Jason举例：加州圣克拉拉有三个数据中心无法启用，因为一旦开启就会瘫痪整个电网。

"每瓦产出的token"正在成为新指标。

四、技能缺口与合作

98%的受访者报告AI相关技能缺口，72%依赖第三方专家。Sean建议聚焦核心竞争力，用托管服务弥补能力边界，AI是一项团队运动。

五、可执行建议

Jason：统一数据平台。碎片化是效率低下、能源浪费和项目延迟的根本原因，从数据层入手减少复杂性。

Sean：拥抱云。云的弹性让组织能应对AI工作负载的不可预测性，获得最新一代加速器。