如今，各種類型的企業都致力于采用人工智能和機器學習項目，但要發揮其真正的潛力，則需要克服重大的技術障礙。雖然計算基礎設施通常是重點，但存儲設施也同樣重要。以下是對象存儲（而不是文件或塊存儲）適用在加強人工智能和機器學習工作負載的三個主要原因：

　　1.可擴展性

　　當有大量不同的數據源可供學習時，采用人工智能和機器學習技術最有效。數據科學家利用這些豐富的數據來訓練領域模型。在“大數據的五個V”（數量、類型、速度、準確性和價值）中，前兩個（數量和類型）最為重要。簡而言之，人工智能和機器學習依賴于大量不同的數據（圖像、文本、結構化和半結構化數據）來構建有用的模型，提供準確的結果，并最終提供業務價值。

　　對象存儲是很具擴展性的存儲架構，特別適合支持人工智能和機器學習所需的大量數據。對象存儲旨在通過水平擴展方法實現無限增長，從而使企業可以通過在需要的位置和時間添加節點來增加部署。由于對象存儲使用單個全局名稱空間，因此也可以一次在多個地理位置上進行這種擴展。另一方面，文件和塊系統通常采用擴展方法。這意味著這些平臺通過向單個節點添加更多計算資源來實現垂直擴展，這最終會受到限制。他們無法通過部署其他節點來增加計算資源，從而無法有效地水平擴展。

　　2. API

　　健壯靈活的數據API對于人工智能和機器學習非常重要，如上所述，它們使用了多種數據類型。存儲平臺需要支持API來容納各種數據。此外，人工智能服務器和機器學習的創新越來越多地在公共云上進行，但是仍然有相當一部分人工智能和機器學習在內部部署數據中心服務器或私有云中發生，這取決于用例的具體情況（例如，科學研究和醫療保健等領域通常最適合私有云）。這意味著組織需要一個存儲API，以支持公共云和本地/私有云中的工作負載。

　　文件和塊存儲平臺所支持的API受限制，部分原因是它們是較舊的架構。相比之下，對象存儲使用云平臺中固有的高級API，該API設計為以應用程序為中心，與文件和塊存儲相比，它支持范圍更廣的API，其中包括版本控制、生命周期管理、加密、對象鎖定和元數據。此外，支持人工智能和機器學習用例的新對象存儲API（例如對流數據的支持和對海量數據集的查詢的支持）也是可能的。

　　通過圍繞Amazon S3的對象存儲API的標準化，可以更輕松地在內部部署和公共云中集成軟件。企業可以輕松地將人工智能和機器學習部署從內部部署/私有云環境擴展到公共云，或者將云原生的人工智能和機器學習工作負載遷移到內部部署環境，而不會損失浪潮服務器功能。這種雙模式方法使組織可以合作且可互換地利用內部部署/私有云和公共云資源。

　　由于S3 API已成為對象存儲的事實上的標準，因此許多軟件工具和庫都可以利用該API。這允許共享代碼、軟件和工具，以促進人工智能和機器學習社區中更快的開發。示例包括流行的機器移動學習平臺，例如具有內置S3 API的TensorFlow和Apache Spark。