Everpure 扩展 AI 产品布局，但生产环境验证如今至关重要

Everpure 通过六项新增功能扩展其 AI 产品布局，涵盖数据发现、智能体访问、推理加速、存储效率和开放权重模型部署。该套方案于 9 月 30 日发布，面向难以将 AI 系统从受控试点推向更广泛应用的企业。然而，其中最引人注目的性能数字仍只是公司主张，尚未公布测试配置。

这项发布让 Everpure 在 2 月的品牌重塑从一次传播活动转变为更广泛的产品布局。这家前身为 Pure Storage 的公司如今希望管理企业信息如何被发现、治理、准备并交付给 AI 系统。存储仍是基础，但其商业雄心已延伸至存储层之上。

这使 Everpure 进入与数据管理专业厂商、云平台以及 NetApp、Dell Technologies 等成熟基础设施供应商的竞争。竞争焦点不再是谁的存储阵列提供文件的速度更快，而是哪一个平台能在不产生另一份失控敏感数据副本的前提下，提供有用的企业上下文。

Everpure 跨越数据与基础设施扩展 AI 产品布局

该发布将治理软件与存储层性能改进结合，其范围超过了一次常规的 FlashBlade 更新。

Everpure 于 9 月 30 日在伦敦举办的 Pure//Accelerate 上推出该套方案。根据其生产级 AI 发布公告，公司称新功能将在 10 月期间陆续可用。

第一组更新扩展了 Everpure Data Intelligence。这款软件可发现、分类并建立 Everpure Platform、公有云、软件服务及第三方存储中的信息上下文。

其覆盖范围很重要，因为企业信息很少集中于一个系统。Everpure 表示，支持的数据源包括常见文件协议、Microsoft OneDrive 和 SharePoint、Google Workspace、数据库以及大型机环境。

原生 Model Context Protocol 支持是其中一项核心新增功能。MCP 是一种开放协议，让 AI 应用能够通过统一接口请求工具和上下文信息。

Everpure 表示，智能体和安全工具可以利用 MCP 以自然语言查询实时数据目录。请求系统可以定位相关信息，并在将其作为 AI 上下文使用前了解其敏感性分类。

该公司还承诺通过其 Pure1 管理控制台简化部署。这种方式旨在减少对独立管理服务器和长期专业服务项目的需求。

一项注重隐私的文件智能功能会在不读取文件内容的情况下检查元数据。它可报告哪些人能够访问文件共享、文件的存放时间，以及陈旧信息集中在哪些位置。

这种元数据优先的方法服务于两类受众。安全团队可以识别广泛暴露的共享资源，而基础设施团队可以找到可能被回收或迁移的存储空间。

不过，Everpure 并未将其描述为一套完全自动化的放置引擎。该软件会提供有关访问、存放时间和集中度的信号，但管理员仍控制由此产生的任何存储操作。

第二组更新聚焦 FlashBlade，即 Everpure 的文件与对象存储平台。PureKVA 是 Key-Value Accelerator 的简称，可在推理请求需要模型上下文之前，预先将其置入 GPU 内存。

键值缓存数据存储了语言模型产生的中间注意力计算结果。当提示词共享大量上下文时，复用该缓存可以避免重复计算。

Everpure 声称，PureKVA 可将首个 token 时间提升至最快 20 倍。首个 token 时间衡量的是用户在模型开始返回答案前需要等待多久。

该公司称，这项功能还支持多租户，而无需迁移其数据集。该设计旨在减少 GPU 空闲时间，同时保持各组织工作数据之间的隔离。

Always-On DeepReduce 则解决了另一项限制。它会持续搜索 FlashBlade 块中的子块相似性，包括传统重复数据删除可能遗漏的相似性，以及预压缩数据内部的相似性。

Blocks & Files 报道称，Everpure 预计 FlashBlade//E 和 FlashBlade//S200R2 的全局中位压缩比可达二比一。该压缩效果将叠加于现有压缩之上。

最后，Everpure 推出了一套采用开放权重模型的参考架构。该设计旨在减少对外部模型 API 的依赖、限制按量计费的 token 使用，并让企业获得更大的部署控制权。

这些功能共同连接了此前相互独立的三项决策。企业必须决定智能体可以查看哪些数据、这些上下文如何到达模型，以及推理应在何处运行。

Everpure 希望由一个平台影响这三项决策。

企业 AI 正在成为一场数据管理竞争

Everpure 的论点是，模型质量已无法解释所有停滞的 AI 项目，因为对经治理上下文的访问已成为同样重要的限制因素。

许多企业试点项目使用的是规模较小且经过精心准备的数据集。生产系统面对的环境更为复杂，其中充满重复文件、权属不明、权限不一致和过期记录。

即使底层模型表现良好，智能体仍可能检索到错误文档。如果检索层忽略从业务系统继承的权限，它也可能泄露敏感信息。

这些问题使数据发现和分类成为运营要求，而不只是 AI 应用上线后才进行的合规工作。

Everpure Data Intelligence 试图创建一张持续更新的组织信息地图。其分类功能可识别个人身份信息和受保护健康信息等敏感类别。

该平台还追踪数据血缘，即记录信息源自何处以及如何流转。这些历史记录可帮助团队判断检索到的上下文是否依然可信。

Everpure 表示，该软件构建了一张语义知识图谱。这张图谱呈现业务实体及其关系，而不是将每份文档视为孤立的文本容器。

因此，智能体可以将客户记录与相关订单、地点和销售渠道关联起来。其预期益处是，利用相关上下文进行更精准的检索，而不是调取整套文档集合。

这种方法可以减少发送给模型的上下文。更小、更聚焦的提示词可以降低 token 消耗，并防止无关材料分散模型注意力。

不过，发现某种关系并不会自动使其准确。实体匹配、陈旧记录、相互冲突的业务定义以及不完整元数据，都可能扭曲知识图谱。

这正是 Everpure 的战略比存储管理更具野心之处。该公司正在要求客户相信，其平台能够诠释企业信息的含义。

早在伦敦发布会之前，Everpure 就开始建立这一定位。6 月，该公司推出了更广泛的数据主导架构，并将数据定位为企业系统的组织核心。

传统的以应用为中心的架构，会让每个业务系统拥有其信息的所有权。客户、财务、运营和产品记录随后被隔离在不同应用之中。

Everpure 提出的模型将治理和上下文置于更贴近数据层的位置。应用和智能体消费共享信息，而策略仍附着于底层记录。

9 月的发布为这一理念提供了更具体的组成部分。MCP 提供访问路径，文件智能暴露风险，而 Pure1 提供统一部署界面。

商业时机较为有利。企业正在试验自主智能体，而安全团队则在追问这些智能体如何继承权限并遵守保留要求。

同样的压力也影响基础设施预算。更长的提示词会消耗更多加速器内存，远程模型调用会产生波动的 token 费用，而复制的数据集则需要更多存储。

Everpure 将这些压力视为一个相互关联的问题来应对。其论点是，更好的数据选择可以改善安全性、响应质量、基础设施利用率和成本可预测性。

这一论点在原则上可信。尚未解决的问题是，一家供应商能否在异构系统中实现这些成果，同时不引入又一个需要客户维护的控制平面。

PureKVA 将竞争推进至 GPU 内存附近

PureKVA 之所以重要，是因为 Everpure 正试图让存储成为推理路径中的活跃组成部分，而非其背后的被动存储库。

AI 推理不仅依赖处理器速度。系统还必须持续在存储、内存和加速器之间移动模型权重、用户上下文和中间计算结果。

大型提示词会使这种数据移动成本高昂。当应用为每个请求重新计算相似上下文时，重复提示词尤为浪费。

键值缓存会保留此前处理过程中生成的内部注意力数据。复用这些计算结果可以减少重复工作，并缩短输出开始前的等待时间。

PureKVA 将这一概念延伸至共享存储。Everpure 表示，FlashBlade 可以直接将上下文预置到 GPU 内存中，使推理系统能够更早开始工作。

该公司的核心数字是，首个 token 时间最高可提升 20 倍。这个数字值得关注，因为感知延迟会强烈影响交互式智能体和基于检索的助手。

它也需要谨慎解读。根据一篇PureKVA 分析，Everpure 尚未公开提供支撑该数字的完整基准测试配置。

缺少这些细节，买家无法判断是何种模型、加速器、提示词长度、缓存状态、网络配置或基准线产生了该结果。

“最高可达”类指标通常描述的是有利条件下的上限，而非跨工作负载的预期结果。二十倍的改善可能在某一高度依赖缓存的场景中可复现，但在其他场景中要小得多。

首个 token 时间也仅反映初始延迟。它并未揭示总完成时间、持续 token 生成速度、输出质量，或每位并发用户所需的基础设施。

尽管如此，该机制瞄准了一个真实瓶颈。GPU 集群是昂贵的资产，当处理器等待数据或重复计算时，空闲时间可能增加。

多租户又增加了一层复杂性。企业希望多个团队或应用共享基础设施，同时不混合其数据集、缓存条目或访问权限。

Everpure 表示，PureKVA 支持多租户，而无需强制迁移数据集。如果生产测试支持这一主张，客户或许能够在维持逻辑隔离的同时提高利用率。

该功能也让 Everpure 更接近那些销售完整 AI 基础设施栈的竞争对手。NVIDIA 影响着加速器和软件层，而超大规模云服务商则将模型、存储、网络和托管式检索结合起来。

NetApp 同样将其数据服务定位于 AI 工作流。Dell Technologies 销售将存储与服务器、加速器和部署软件连接起来的集成基础设施。

Everpure 的差异化优势在于数据路径。它希望将高吞吐量存储与缓存管理、分类以及受治理的上下文访问结合起来。

这比简单地将现有阵列标榜为 AI 就绪更具可持续性。它将 FlashBlade 的架构与模型推理中一个可衡量的阶段联系起来。

不过，客户需要基于自身工作负载进行比较。一个反复使用政策文档的支持助手，与一个为每项请求组装独特记录的调查型智能体，其行为并不相同。

提示词长度同样重要。发送稳定且大量上下文的应用程序，比围绕简短、高度变化提示词构建的应用程序拥有更多可复用的工作。

模型架构也可能改变缓存行为。新的推理方法、缓存压缩技术以及更大的加速器内存池，可能会改变 PureKVA 的相对收益。

因此，相关的采购问题并不是 PureKVA 能否达到其最高宣称的性能，而是客户的生产流量有多频繁地符合产生该结果的条件。

Everpure 需要发布可复现的测试，涵盖不同模型、提示词大小、并发水平和缓存命中率。独立测试还应比较总系统成本，而非仅比较首个令牌延迟。

在此之前，PureKVA 仍是一种前景可期的机制，但其性能上限尚未得到验证。

DeepReduce 将 AI 增长与存储经济性相连

DeepReduce 通过将容量效率视为生产问题的一部分，而非一项独立的存储维护任务，扩展了 Everpure 的 AI 产品组合。

AI 系统会创建并保留多种大型数据，其中包括源文档、训练语料、向量索引、检查点、生成输出以及缓存的推理上下文。

其中一些信息在到达时已经过压缩。传统重复数据删除可能难以识别压缩对象内部的相似性，因为细微变化会产生截然不同的字节模式。

Everpure 表示，DeepReduce 会检查 FlashBlade 系统中的子块模式。其目的是发现传统精确匹配方法忽略的相关数据。

Everpure 称，这一始终开启的实现方式会持续运行，不要求管理员安排单独的数据缩减窗口。

该公司还表示，该过程不会影响写入性能。这一说法很重要，因为激进的内联数据缩减可能会带来额外计算或延迟。

一份独立技术报道援引 Everpure 产品人员的评论称，受支持系统的预期缩减比例约为二比一。存储效率详情适用于存储在 Everpure 硬件上的数据，而不适用于第三方阵列。

这一边界体现了该战略中反复出现的张力。Everpure Data Intelligence 承诺在异构环境中提供可见性，而其最深入的存储优化仍与 FlashBlade 绑定。

从工程角度看，这一区分是合理的。Everpure 能够控制自身的数据布局、固件和存储软件，却无法重写竞争对手的阵列。

从商业角度看，这种划分形成了一个漏斗。Data Intelligence 可以进入拥有混合存储环境的客户账户，而 FlashBlade 则可为仍保留在 Everpure 基础设施上的工作负载提供额外优化。

这让数据管理专业厂商面临压力。Komprise、Data Dynamics、Datadobi 和 Diskover 等公司已经在帮助企业发现、分类、迁移或缩减不断扩张的信息。

Everpure 现在可以从既有的存储客户关系内部切入同一问题。其平台可将容量信号与安全暴露风险和 AI 准备度结合起来。

专业厂商可以凭借更广泛的中立性应对这一挑战。当客户使用多个存储品牌和云服务时，供应商独立的系统可能提供更一致的管理。

Everpure 必须证明其跨平台发现能力在自有系统之外确实有用。否则，买家可能将该软件视为 FlashBlade 的扩展路径，而非独立的数据层。

DeepReduce 也需要针对具体工作负载的证据。中位数缩减比例并不保证每个数据集都会以相同幅度缩小。

视频、加密归档、科学测量数据和已优化格式可能产生不同结果。重复的检查点或相似的对象集合，则可能带来更大的机会。

客户应在所有缩减方法共同运行后评估有效容量，还应衡量恢复行为、读取延迟、能耗和管理开销。

与开放权重模型的关联增加了另一个经济维度。在客户控制下运行模型可以减少外部 API 使用，但并不能消除基础设施支出。

组织仍必须运行加速器、推理软件、可观测性工具、安全控制措施和模型更新。内部部署是用一组不同的资本和运营承诺，交换可变的 API 费用。

Everpure 的参考架构可以减少集成工作，尤其适合已经使用其平台的客户。但它无法让每一次开放权重部署都具备经济性。

更恰当的理解是，Everpure 正在为客户提供另一个控制点。他们可以决定哪些工作负载值得采用内部推理，哪些仍更适合托管式 API。

这种灵活性只有在团队了解需求时才能支持成本可预测性。不确定的使用量、低加速器利用率或快速变化的模型，仍可能削弱内部成本预测。

因此，Everpure 的综合推介依赖于测量。容量缩减、缓存复用、检索精度和外部令牌使用的避免，必须带来足够大的节省，才能证明更广泛的平台投入是合理的。

治理层承载着最大风险

Everpure 计划中最困难的部分不是查找文件，而是证明当智能体据此采取行动时，被发现的上下文仍然准确、获得授权且保持最新。

仅扫描元数据提供了一种有用的隐私特性。该平台无需检查每份文档的内容，便可报告访问暴露风险和文件存续时间。

这种方法能够识别异常开放或充满过时信息的共享资源。但它无法完全判断获准访问的文件中所含信息是否适用于某项特定 AI 任务。

内容分类解决了该问题的一部分。Everpure 表示，其更完整的 Data Intelligence 功能可以识别敏感信息、追踪数据血缘并映射业务关系。

然而，自动分类始终存在错误率。漏掉一个敏感字段会造成暴露，而错误标签则可能阻止已获授权的用户检索必要信息。

权限也会随时间变化。目录可能准确记录了昨天的访问规则，但如果与源系统的同步滞后，就可能变得不安全。

MCP 引入了另一层责任。它规范了智能体请求信息的方式，但并不能自动保证授权安全或工具行为正确。

企业仍必须验证请求智能体的身份，应用用户特定权限，过滤返回的上下文，并记录哪些信息影响了一项行动。

自然语言目录查询可能产生模糊请求。“查找最新的客户协议”听起来很简单，但企业可能拥有草案、地区版本、修订案和受限谈判材料。

知识图谱可以通过表示关系来改善检索，但如果身份解析错误地连接了实体，也会放大错误关联。

因此，Everpure 必须展示的不只是覆盖范围。买家需要关于分类准确率、权限新鲜度、血缘完整性以及冲突记录处理方式的证据。

该公司更广泛的数据主权论点也引发了类似问题。Everpure 在产品发布公告的同时公布了一项调查结果，调查覆盖八个国家的 2,100 名企业领导者。

该公司表示，88% 的受访高管担心一次主权失误可能让他们失去工作；它还报告称，64% 的受访者缺乏正式的数据主权战略。

这些数字反映的是高管担忧，而非产品有效性。它们并不能证明 Everpure Data Intelligence 能够防止数据外泄、服务拒绝或司法管辖权冲突。

数据位置只是主权的一部分。供应商访问、加密密钥控制、遥测、支持流程、法律义务和云依赖也会影响结果。

Everpure 的本地部署传统可能吸引寻求直接基础设施控制的组织。然而，软件管理和监控服务仍可能带来外部运营依赖。

该公司应说明哪些元数据会离开客户环境、会在何处处理，以及当政策要求隔离时管理员如何禁用远程服务。

买家还必须评估故障行为。如果 Data Intelligence 不可用，智能体应安全地失败，而不是绕过分类或使用过时的目录条目。

另一个不确定性涉及自动化。当前的文件智能功能能够识别暴露风险和可回收机会，但似乎并未实施完整的策略驱动放置。

这使系统在一些工作流中更偏向咨询工具，而非自主系统。人工审核可以降低风险，但也限制了集中式智能所承诺的运营节省。

在早期采用阶段，这种平衡可能是合适的。企业通常更愿意先获得可见性和建议，再允许软件自动迁移、隔离或暴露信息。

Everpure 不应夸大这一阶段。发现风险不同于修复风险，正如分类数据不同于证明每一次智能体响应都持续合规。

这是 Everpure AI 产品中的核心权衡。更深入的上下文可以让智能体更有用，但每增加一项连接，错误权限或关系所带来的后果也会扩大。

三个信号将显示该战略是否奏效

Everpure 的下一项考验是执行：买家需要看到可用性、可复现的基准测试，以及 Data Intelligence 在非 Everpure 专属环境中取得成功的证据。

第一个信号是 10 月的推出。Everpure 将多项功能纳入同一可用性窗口，包括 MCP 访问、注重隐私的文件智能、PureKVA、DeepReduce 及其模型架构。

客户应关注哪些功能达到正式发布状态，哪些仅提供有限支持。文档应明确支持的 FlashBlade 型号、GPU 环境、数据源和部署要求。

完整发布将加强 Everpure 关于这是一体化生产平台的主张。延迟或兼容性狭窄，则会让此次公告看起来更像是一份路线图。

第二个信号是基准透明度。PureKVA 声称最高可达 20 倍的性能提升，需要公开配置并由独立方复现。

有价值的结果应比较冷缓存和热缓存、若干提示词长度、多种并发水平以及不止一种模型。它们应报告总延迟、吞吐量、加速器利用率和基础设施消耗。

DeepReduce 值得在具有代表性的数据集上接受类似测试。客户需要看到的是分布情况，而不仅仅是中位数，因为压缩效果会因数据构成而异。

如果 Everpure 公布详细方法，并且第三方能够复现这些收益，其存储层将成为有意义的差异化优势。如果证据仍然有限，竞争对手就可以将这些数据斥为最佳情境下的营销宣传。

第三个信号是跨平台采用。Everpure 表示，Data Intelligence 可覆盖公有云、SaaS 应用、大型主机以及第三方存储。

这种广度必须在实际部署中得到体现。案例研究应展示组织如何在混合环境中使用该目录，同时保留源端权限和最新的元数据。

收购 1touch 带来了相关技术，但整合仍处于早期阶段。Everpure 于 5 月完成该收购，并将其发现、分类和语义能力纳入更广泛的平台。

该业务拥有足够的增长势头来支持这项投入。Everpure 报告称，截至 8 月 2 日的季度营收为 12 亿美元，同比增长 38%。

其季度业绩还强调，AI 和超大规模业务活动正在扩大。财务增长让公司有空间进行投资，但并不能保证客户会采用这一新的软件层。

竞争对手的回应将提供另一项有用线索。NetApp、Dell、云服务提供商和专业数据管理厂商，都可以针对 Everpure 方案的不同部分发起挑战。

存储领域的竞争者可以推出类似的推理路径。云平台可以加强目录与托管模型之间的集成，而专业厂商则可以强调跨供应商的独立性。

Everpure 此时强化其 AI 产品正当其时，因为企业关注点正从演示转向运营纪律。如今，团队更关心权限、上下文质量、延迟、利用率和持续成本。

该公司已围绕这些问题构建出一套连贯的方案。但它尚未证明，所有组成部分结合在一起后都能实现所宣传的价值。

企业买家应在扩大其权限范围之前，先通过真实工作流测试该方案。可以从一个受治理的数据集、一项可重复执行的智能体任务，以及可衡量的延迟和检索目标开始。

随后，应比较部署前后的权限准确性、首个 token 延迟、总响应时间、容量消耗和管理工作量。决定性的问题很简单：Everpure 是否降低了生产环境的复杂性，还是仅仅将其集中到了另一个平台之下？