挑战

面临 PB 级多传感器数据持续回传的容量与成本压力，采集归档偏对象语义而训练仿真偏文件语义需统一承接，且清洗标注到训练间多副本搬迁拖慢数据闭环。

收益

沉淀原始数据资产与可复用场景库，缩短样本到训练链路，容量池低成本扩展配合性能层按需使用，支撑数据规模增长与算法持续迭代。

挑战

数据持续增长且需永久保存，存储成本压力大，业务急需高性能对象服务来满足训练缓存与大吞吐读写，同时数据需要跨域合规流动、按策略灵活流转。

收益

实现跨境数据合规同步与智能分层管理，私有云与公有云间数据按需流动保障训练效率，兼顾成本、性能与合规性的数据全生命周期管理。

挑战

原有架构采用全闪存储承载部业务数据，成本高昂；数据规模与文件量持续增长后，出现性能、扩展瓶颈，且需人工完成不同存储介质间的数据迁移，流程繁琐。

收益

依托数据湖实现冷热分层存储，数据按策略自动流转，替代人工迁移，数据准备效率提升超 50%，大幅降低 TCO 并消除数据冗余；支持进一步简化I/O路径、提升开发效率，支持平台按需演进、平滑升级。