企业计算的发展历程，始终伴随着数据与算力相互割裂的问题。在数据中心里面，一侧是数据——存储着公司所掌握的一切庞大、安全的企业级信息；在另一侧则是算力——实际负责“思考”的处理器和显卡。

每当企业想要进行数据分析、模型预测或是处理某条信息时，都需要先将数据打包，从存储中提取出来，再经由拥堵的网络，传输至算力设备。

这套模式，在传统数据湖上运行一些批处理任务时，还能勉强运转。但如今智能体计算时代已然到来，数百万智能体每秒都会向系统涌入海量数据，包括实时视频流、非结构化文档与业务交易数据等。

如果将这种级别的高密度计算在传统架构中运行，将会引发海量的“东西向流量”，这会直接拖垮业务，更不用提随之而来的其他问题：运维复杂度提升、硬件成本飙升与数据安全风险上升。

因此可以说，企业正迎来计算架构的根本性变革。在 VAST Data 看来，解决方案十分简单：不再将数据搬运至算力端，而是把算力下沉至数据侧。

无服务函数编写与容器化示例

VAST Data DataEngine 演示展示了用户如何对曼哈顿的实时视频监控进行检索

Golan 演示了一个针对今年 2 月，纽约遭遇特大暴风雪时的实时监控场景。他向系统提出了一个查询：“曼哈顿路面，现在还满地泥泞么？” 通过结合传统数据库的列查询过滤（例如筛选过去五分钟内特定摄像头的画面）与向量相似度搜索，该引擎可以瞬间解析实时视频的视觉内容。

整套视频智能分析完全运行在原生文件系统之上，数据无需流出硬件设备，用户可即时回放视频片段、查看 AI 模型文本化推理逻辑、调取历史画面帧。该架构方案被作为完全开源的蓝图对外发布，允许企业架构师直接将其适配到自身的本地化环境中。

这一架构的下一阶段演进，将实现全流程无人参与。在分享中，Grimberg 还介绍了 AgentEngine，该框架支持 AI 智能体直接与数据层交互，并在整个平台内调度各类业务流程。以曼哈顿暴雪场景为例，用户最初可能只是提问 “曼哈顿路面，现在还满地泥泞么？”，AI 对话助手会直接给出答复。

智能体系统能力不止于此。它可识别用户的深层需求是“持续监控路况”，因此它会主动持续追踪路面变化，并在路况好转后自动推送通知。

其核心价值在于，智能体不仅仅生成文本内容，还具备了推理能力，能够自主调用可用工具、触发业务流程、查询实时数据源、调用 AI 模型，并随着时间推移持续感知动态变化。正是这套原本用于接入视频流、执行无服务器函数和进行向量搜索的底层基础设施，如今已化身为自主软件智能体赖以运行的底座。

在这套模式下，AI 的职能，从“被动问答”升级为“流程管理”。曼哈顿路况查询不再是单次交互，而是演变为持续运行的工作流程。在此流程中，智能体不断监测、评估新增数据，并据此采取行动。这或许是所有影响中最核心的变革：一种新型数据平台正在崛起，它不再仅仅是“提供”智能，而是真正将智能落地为自动化业务动作。

回到 Golan 的核心论点：随着企业业务从“静态数据分析”转向“持续推理系统”，那些依靠跨孤岛搬运数据的传统架构，将彻底失去竞争力。

在 VAST Data 描绘的未来形态中，存储将成为计算的积极参与者。在这个时代，它不仅能够触发工作流、丰富数据，还能作为实时 AI 运转的底座。

企业大规模落地智能体系统后，相对旧架构而言，这一新架构的差异化优势会愈发重要。下一代企业应用不再是少数人员查询数据库生成报表，而是成千上万甚至数百万智能体持续监测、推理海量数据流，并采取相应的行动。

在存储、数据库、消息队列、向量索引、AI 服务之间，每增加一层数据中转，都会增加延迟、运维复杂度与成本。未来那些能够彻底消除这些中转环节的企业，将占据行业优势。

从该视角来看，曼哈顿暴雪演示的核心并非仅仅是展示视频分析技术，而是全新一体化计算模式的前瞻：在这个模式中，数据、数据库、事件处理、AI 推理全部融合至同一运行环境。用户提出的路况问题“曼哈顿路面，现在还满地泥泞么？”，其实已经无关紧要。

真正关键的是，该系统能以多快的速度，将原始数据转化为可执行的决策。

VAST Data 坚信：算力向数据侧靠拢、存储与算力边界彻底消融，将成为行业未来。

当企业全面拥抱自主智能系统与持续机器推理时代，行业赢家不会是拥有最多 GPU 的公司，而是能够以最少架构壁垒，快速将数据转化为实际业务动作的企业。