最近，戴尔负责竞争情报的高级总监Jon Hyde又发布了三篇关于 AI Factory（AI 工厂）的博客文章，内容明显针对竞争对手展开攻击。
第一篇：《AI 工厂首次遇到瓶颈的地方》
第一篇博客名为 《Where AI Factories Hit Their First Ceiling（AI 工厂首次遇到瓶颈的地方）》。
Jon Hyde 声称，与竞争对手的参考设计相比，戴尔PowerScale存储方案，不仅能将功耗降低72%，占用机架空间减少80%，还能将后端交换机数量减少8倍。
他认为，基于NVIDIA GPU 的 AI Factory（AI 工厂）可能会首先受到数据中心电力供应和空间的限制。
原因在于GPU服务器、存储系统以及网络交换机，都可能达到数据中心建筑本身的物理极限。
Jon Hyde 表示：“采用存储嵌入式（Storage-embedded）的 AI 架构，通常需要更多后端网络交换机，这是因为其分离式架构（disaggregated architecture）需要通过网络 Fabric（网络交换结构）进行大量扩展。”
他说：“更多的后端交换机意味着更多机架空间、更复杂的布线、更高的散热需求，以及更多功耗，而此时甚至还没有一块 GPU 真正开始运行。”
Hyde指出的典型“存储嵌入式 AI 架构”案例，是 VAST Data 的 AI OS。
他说，现在真正应该关注的问题是：“我们选择的存储层，到底消耗了 AI 工厂多少电力预算？”
戴尔表示，在提供相同 NVIDIA 技术基准性能的情况下，PowerScale 相比 Everpure 和 VAST Data 的方案：功耗降低 72%，机架空间减少 80%，后端交换机数量减少 8 倍。
Hyde 进一步表示：“特别针对 VAST 的比较结果显示，在性能相当的情况下，PowerScale 功耗降低 41%，机架空间减少约一半。”
戴尔的比较结果，是基于 NVIDIA 的参考设计进行的。VAST 宣传的 77% 和 73%，只是相对于自己旧架构的提升，并不能证明它比戴尔或其他厂商更省电、更省空间。
第二篇：《它被称为数据库，但它实际上不像数据库》
第二篇博客标题为：《It’s Called a Database. It Doesn’t Act Like One（它被称为数据库，但它实际上不像数据库）》
Hyde 认为：某些平台擅长元数据管理和向量处理，并因此称自己为“数据库”。
但他认为，这种分类存在问题。
因为，企业真正依赖的大量结构化数据，包括数据表（tables）、数据记录（records）、时间序列数据（time-series）拥有不同的需求。
这些需求并不是简单的索引系统（index）能够满足的。
Hyde 引用了 TheCUBE Research 在 2025 年 6 月发布的一份分析。
该分析认为，VAST DataBase 更像是一个“分布式索引（distributed index），而不是传统意义上的数据库。
TheCUBE Research 认为，VAST DataBase 缺少企业通常期待数据库具备的能力，例如：，成熟的 SQL 优化器（SQL optimizer），基于成本的查询规划（cost-based query planning），基于角色的权限管理（role-based governance）以及丰富的商业智能生态（BI ecosystem）。
该分析指出，虽然 VAST Data 营收增长非常快，但“VAST 尚未达到 Databricks 式的数据湖仓（lakehouse）、Snowflake 级别的云数据库，或者超大规模云厂商的数据平台能力。”
Hyde 强调，这并不是戴尔这么说，TheCUBE Research 在 2026 年 2 月再次确认了类似观点。
Hyde 还引用了 NAND Research 对 VAST 的分析。NAND Research 指出：虽然 VAST 支持 Apache Iceberg 等开放标准，但“底层数据库引擎仍然是由 VAST 自己开发的。”
换句话说，VAST 更像是一套垂直整合的平台，有高度定制化的数据库实现，而不是一个能够与现有企业数据工具自由组合的开放生态层。
NAND Research 认为，VAST 的模式更接近超融合基础设施（HCI，Hyper-Converged Infrastructure），而不是NetApp、Dell、HPE 和 Everpure 所推动的开放生态模式。
Hyde 将戴尔方案作为对比。他说：“Apache Iceberg 作为 ObjectScale 上的开放表格式，可以让企业直接使用 Databricks 和 Snowflake，对存储在 PowerScale 和 ObjectScale 中的数据进行访问。”
第三篇：《下一代评估标准的蓝图》
第三篇博客标题：《The Blueprint for the Next Evaluation（下一代评估标准的蓝图）》
在这篇文章中，Hyde 提出了企业 IT 买家在评估 AI 数据平台供应商时应该提出的五个问题。
这些问题涉及：数据重力（data gravity）、同步任务和人工成本、GPU 利用率、数据中心空间和能源消耗以及分析生态兼容性。
Hyde 认为戴尔能够提供更好的答案。
Hyde 表示，在 AI Factory 存储供应商竞争中，企业应该关注以下几个方面：
1. 不要只看演示，要评估真实数据环境。他说：“最终获胜的供应商，是架构能够真正适应企业实际数据规模和数据分布的供应商。”
2. 把基础设施成本全部计算进去。他说，不要只看 GPU 价格。还应该计算数据同步任务、人力成本、GPU 利用率、机架数量、电力消耗、网络交换机数量。这些都是实实在在的成本，而不是隐藏成本。
3. 尊重企业已经选择的数据分析生态。Hyde 认为，企业应该围绕Apache Iceberg、Databricks、Snowflake这些生态建设 AI 基础设施，而不是为了某个平台重新迁移所有工作负载。
他说：“供应商的宣传材料是为 CIO 的工作准备的，但最终账单由数据中心负责人、数据工程负责人以及 FinOps 负责人支付。”
因此：“每一次供应商评估，都应该让这三类角色共同参与。”
Hyde 提出的五个关键问题
Hyde 表示，以下五个问题可以帮助企业判断供应商真正采用的是哪种架构理念：
问题1：三年以后，我的数据中有多少比例会真正存放在你的命名空间（namespace）中？
问题2：在稳定运行状态下，这套架构需要多少同步任务，以及多少全职员工（FTE）维护？
问题3：你是否可以公开当前开源模型上的测试数据，包括：TTFT（首次 Token 生成时间）、每秒 Token 数以及Cache 命中率，并提供测试方法、测试条件以及可重复验证过程？
问题4：你是否能够公开一个与你规模匹配的参考设计，包括，机架空间（Rack U）、功耗（kW）以及后端交换机数量，并提供来源？
问题5：我是否可以直接运行现有 Databricks 和 Snowflake 工作负载，而无需重新构建数据平台？
VAST Data回应：不评论竞争对手
当被问及这些戴尔博客时，一名 VAST Data 发言人表示：“我们知道这些内容，但我们不会评论竞争对手。”
看到这里，你觉得是戴尔正在感受到来自 VAST Data 的竞争压力，还是 VAST Data 会因为这篇文章而变得更紧张了呢？
戴尔负责竞争情报的负责人亲自连续发布六篇博客，对 VAST Data 的技术路线进行了详细批评。这说明 AI 基础设施市场的竞争正在加剧。
尤其是在AI Factory、AI 存储架构、数据湖仓以及GPU 集群基础设施，这些领域，传统存储厂商与新兴 AI 数据平台厂商之间的竞争正在进入更加激烈阶段。
