HPE如何推动Agentic AI基础架构建设？

芝能智芯出品

在2025年HPE Discover大会上，惠普集中展示了其在“Agentic AI”方面的整体技术路线，包括GreenLake Intelligence代理框架、Aruba网络AI Mesh、新一代私有云架构以及支持AI数据流的存储系统。

通过这些努力，惠普试图通过将AI代理嵌入到混合IT基础设施中，实现更高效的运维自动化与资源管理。

我们可以看到体系设计上的前瞻性，但实际应用范围、与现有运维系统的融合程度、以及模型泛化能力等方面仍需持续验证。

Part 1

GreenLake Intelligence：

从AIOps向Agentic AI演进的尝试

HPE提出的GreenLake Intelligence被定义为一个以智能代理为核心的AI辅助IT运维系统。

该系统由多个分工明确的代理组成，例如负责计算、网络、存储、成本控制等子系统的代理。每个代理都运行基于特定业务领域微调的大语言模型（LLM），并据此在问题识别后完成推理、告警、建议和执行。

与传统的规则驱动型AIOps相比，这一系统设计在理论上更强调主动干预与自主执行。但这种以LLM为推理核心的结构，是否能真正适配高复杂度的企业IT系统，尚无外部公开的评估数据。

模型的训练依托HPE过往的遥测与配置数据，虽然这使其在HPE生态内具备一定优势，但在多供应商、异构环境下的适配性仍存疑问。

系统声称可覆盖FinOps场景，如自动识别资源冗余、生成成本优化方案等，但缺乏对优化精度与影响评估的公开方法。

更关键的是，在AI建议与实际运维操作之间，如何建立安全的执行信任链，并避免错误决策造成业务中断，是所有此类系统都必须面对的现实挑战。

GreenLake Intelligence体现了HPE从基础监控向系统级闭环管理的技术方向转型，主要停留在架构设计与概念展示层面，实际部署的复杂性、运维团队的接纳程度及LLM可靠性将成为决定其成败的关键。

Part 2

网络与私有云平台中

的代理机制落地

在网络侧，HPE提出通过Aruba Central引入Agentic AI Mesh以提升网络管理智能化水平。

设计上，多个分布式网络代理组成“副驾驶”网络管理团队，协助发现链路异常、自动修复配置错误或提供安全防护建议。

此类基于分布式代理与推理模型的网络控制理念，与行业中对“自愈型网络”的构想较为一致。

然而，要实现边缘自治推理能力，需要在设备本地部署轻量化模型，同时保持多代理之间的协同一致性。目前公开信息未提供足够的技术细节来说明该AI Mesh在实际部署环境中的性能表现。

HPE推出的新一代Alletra Storage MP平台主打“计算-存储解耦”与“数据上下文管理”。

该系统支持数据从摄取、预处理到模型训练和推理的全流程，具备跨生命周期的数据流转与安全保障能力。但“数据上下文”的构建与维持，在多源异构数据环境下仍是业界普遍存在的难题。

HPE虽然强调其“智能数据引擎”的定位，但具体的数据流建模方法、语义标注机制以及训练与推理优化路径，仍未披露详细技术参数。

针对虚拟化领域，HPE提出通过Morpheus软件以大幅降低VMware授权成本。

方案本质上是推动企业客户从VMware迁移至KVM虚拟化平台，并配套开发管理工具来维持使用体验的连贯性。

这种替代思路在经济性上可能有吸引力，但对中大型客户而言，跨平台迁移往往意味着生态重建、兼容测试以及运维逻辑重塑，其复杂程度远超“按插槽节省许可费”的简单对比。

网络和存储系统中部署代理机制的设想具备一定现实逻辑，但要达到真正的“智能协作”或“自适应治理”，对AI模型轻量化、数据建模精度和系统稳定性的要求都非常高。HPE目前的实现路径仍在早期阶段，工程落地难度不可低估。

小结

从本次HPE Discover大会可以看出，HPE正在试图通过“代理式AI”重构其在基础设施管理领域的产品结构。

这一战略试图绕开单纯性能竞争，转向AI能力驱动的系统服务差异化，其愿景是在混合云、私有云和边缘系统中，形成具备自动感知与推理执行能力的智能基础设施。

从技术现实出发，代理AI的落地存在多个待解的核心问题：模型能否稳定运行于企业级环境、代理间如何保持协同与一致性、执行链条是否安全可信、异构系统之间的整合成本如何降低等。这些问题不可能仅靠架构设计解决，而需要长期产品演化与用户反馈迭代。

HPE目前提出的是一套完整的工程框架和理念，但要成为企业IT决策者愿意采纳的实际系统，还需更多真实场景下的性能数据、稳定性案例和运维团队的验证意见。