導語：傳統數據存儲架構在支撐大模型快速迭代升級過程中暴露出承載瓶頸，以AI原生存儲為代表的新型AI存儲具備超高性能、超大容量、極致安全、數據編織等特征，可以有效支撐大模型數據歸集、預處理、訓練、推理等全生命周期流程。

因平臺對發文長度限制，故本文接《AI原生存儲：提升大模型數據存儲能力（二）》，前半部分內容請瀏覽主頁查看。

（1）智算中心

智算中心作為面向AI、大數據、高性能計算的核心平臺，其計算任務普遍具備“多節點、高并發、數據密集型”的特點，對存儲系統提出了極高要求。

AI原生存儲通過支持海量非結構化數據的分布式管理、GPU直通讀寫、RDMA高速互聯、冷熱數據智能分層等能力，滿足了智算中心在算力密集型任務下的存儲性能瓶頸挑戰：

• 大模型訓練方面，AI原生存儲可支撐PB級訓練數據的高并發讀取和分布式寫入，有效縮短訓練周期；
• 推理服務場景中，AI原生存儲提供的低延遲讀寫和高IOPS能力，確保了模型實時響應性能；
• 對于多用戶、多個AI任務并行調度的場景，AI原生存儲支持細粒度的資源隔離、QoS控制和Kubernetes原生集成，保障了系統運行的公平性與穩定性。

另外，智算中心對數據安全和管理的需求較高，AI原生存儲系統往往具備訪問審計、配額管理、WORM、防篡改等企業級能力，滿足政府、科研和行業用戶的數據合規要求。

智算業務在實際應用中主要包括兩個環節：訓練和推理。根據IDC的統計數據，2022年部署的智算算力里，訓練算力占比為41.5%，推理算力占比達到58.5%

隨著推理算力的逐漸普及，其占比將會得到持續提升，預計到2026年，推理算力的占比將會提升到62.2%，帶動智算中心的規模和處理能力呈指數級增長，對AI原生存儲系統的依賴更加持續和廣泛。

圖8：云端推理算力逐步提升

來源：IDC、中信建投、騰訊研究院

（2）金融

金融領域的業務天然具備數據體量大、類型復雜、實時性強與安全合規要求高等特點，而AI原生存儲體系則通過高吞吐、低延遲、高并發與智能分層管理等核心能力，有效支撐了金融機構對海量數據進行高效建模和智能分析的需求。

AI原生存儲系統在金融行業中主要應用于量化交易、金融大模型訓練與推理、反欺詐檢測、智能風控等關鍵業務場景：

圖9：AI原生存儲在金融領域的應用

來源：融中咨詢

此外，AI原生存儲還支持合規要求下的數據審計、加密、WORM機制與本地化部署，確保金融數據的安全與可控。

（3）自動駕駛

自動駕駛系統每天會產生大量車載傳感器數據，包括高清攝像頭視頻、雷達點云、GPS軌跡、CAN總線信息等，這些非結構化數據體量龐大、格式多樣，對存儲系統提出了高并發寫入、高吞吐讀取與高可擴展性的要求。

AI原生存儲憑借分布式架構、多協議支持（如POSIX、S3）、智能分層存儲和高效元數據管理，能夠支持數據采集、模型訓練、仿真驗證、閉環學習等全鏈條流程中。

圖10：AI原生存儲在自動駕駛領域的應用

來源：融中咨詢

AI原生存儲系統還具備高可靠性、數據壓縮與重復數據刪除能力，大幅降低了長期存儲成本，并通過權限控制與訪問審計機制，滿足車企對數據安全與合規的要求。

（4）醫療

人工智能在醫療行業的應用不斷拓展，已成為支撐智能醫學圖像分析、臨床輔助診斷、藥物研發、健康管理以及醫療大模型訓練等關鍵場景的重要技術手段。

醫療數據具有數據類型多樣（圖像、文本、結構化信息混合）、數據增長迅速、合規與隱私要求高等特點，傳統存儲系統難以應對AI負載下的復雜數據流轉需求。

AI原生存儲以其分布式架構、高并發讀寫能力、智能分層存儲和原生對接AI訓練框架的特性，能夠為醫療AI提供強有力的數據支持，不僅優化了醫療AI的數據處理效率，更成為醫療機構實現智能化升級、保障數據安全合規、推動精準醫療發展的核心支撐平臺。

圖11：AI原生存儲在醫療領域的應用

來源：融中咨詢

此外，該類存儲系統往往具備數據加密、訪問控制、WORM等特性，滿足《個人信息保護法》《HIPAA》等法律對醫療數據安全和隱私的嚴格要求。

（5）政務

政務數據往往呈現出數據來源分散、類型復雜（視頻、圖像、文本、結構化數據并存）、訪問并發高、安全合規要求嚴等特點，傳統存儲難以滿足人工智能在政務場景中的訓練、推理和治理需求。

AI原生存儲系統具備高吞吐、高并發、智能分層和原生支持AI算力體系的能力，能夠支撐政務數據的全生命周期管理。同時，AI原生存儲系統還可提供細粒度權限控制、數據防篡改、審計追蹤等功能，滿足政府對數據主權、安全合規和分級管理的嚴格要求。

AI原生存儲系統在政務領域的應用正日益深入，成為支撐政務數據中臺、智能辦事大廳、檔案數字化、政務輿情監測以及城市治理決策等核心場景的數據底座。

圖12：AI原生存儲在政府領域的應用

來源：融中咨詢

（6）科研

AI原生存儲系統在科研領域的應用愈發廣泛，已成為支撐多學科交叉研究、高性能計算模擬、科學大模型訓練、科研數據共享與管理的重要基礎設施。

科研活動正從傳統實驗逐步走向數據驅動與模型驅動，特別是在天文觀測、基因組學、材料科學、氣象模擬、腦科學等前沿領域，實驗設備和傳感器每天生成PB級的原始數據，對存儲系統的性能、擴展性與智能管理提出了極高要求。

AI原生存儲通過分布式架構、高并發I/O能力、智能數據分層和原生對接AI算力平臺，有效解決了科研數據“存不下、調不快、用不順”的瓶頸。

例如在天體物理或粒子物理研究中，其可支撐海量觀測數據的高速寫入與并行分析處理；

在生命科學領域，原生存儲能優化基因測序數據、多組學數據與AI分析模型之間的協同訪問；

在科研大模型訓練中，系統可無縫對接多節點GPU集群，實現海量科研語料和模擬數據的高效加載與訓練加速；

在科研數據共享與歸檔方面，AI原生存儲具備多協議接入、數據生命周期管理、元數據管理等功能，支持跨機構、跨平臺的開放協同研究。更重要的是，該類系統還內置數據加密、訪問審計、WORM等安全機制，滿足科研機構對知識產權保護和數據長期可用性的核心訴求。

總之，AI原生存儲正在重構科研數據基礎架構，助力科研從“重積累”走向“快計算”，從而加速科學發現與技術突破。

AI存儲系統從存儲介質、系統、架構、數據編織、數據范式和數據安全等多方面發力，協同提升大模型數據存儲能力。AI原生存儲系統未來將向先進介質應用、以數據為中心的體系架構、數據內生安全、智能數據編織、可持續存儲共五大方向演進。

圖13：AI存儲結構分層

來源：中國信息通信研究院

（1）先進介質應用

隨著AI大模型逐步走向多模態，多樣化的數據驅動存儲介質多樣化發展。其中，極熱數據內存型介質將以DRAM為主、SCM為輔，內存的分級將成為新生態；熱數據介質將全部使用NANDFlash，Flash閃存技術則會繼續向高密度、低時延演進；在溫、冷數據介質技術中，磁帶有望繼續向高密度、高并發方向演進，光盤則會走向更大容量、更高并發、更長壽命。

在介質工藝層面，受半導體制造工藝和介質結構物理極限的限制，SSD、DRAM等介質的集成度無法持續提升，未來可通過Wafer級創新、Chiplet級創新、接口和協議創新來進一步提升介質密度和壽命，降低介質功耗，增強介質的可靠性。

數據編碼技術通過智能調度與優化釋放介質潛能，包含縮減數據量的壓縮編碼、抗數據錯誤的糾錯編碼以及抗數據丟失的糾刪編碼。未來面對海量多元的存儲數據以及介質融合的存儲系統，通過智能化數據壓縮、聯合編碼、智能化數據分類，有望突破數據編碼技術，實現存儲有效容量提升、集約節能、長期可靠。

圖14：數據聯合編碼

來源：華為

圖15：智能分類圖示

來源：華為

（2）以數據為中心的體系架構

以數據為中心的體系架構是為了應對數據量爆炸式增長與數據處理能力不足之間的矛盾而提出的新型架構范式。傳統以CPU為中心的架構因存儲與計算資源緊耦合導致資源利用率低下，數據頻繁移動和格式轉換消耗大量計算資源，難以滿足AI、大數據等應用需求。

該架構在宏觀層面采用存算分離策略，通過高通量互聯總線將計算、存儲、內存等資源解耦為獨立池化的硬件資源（如CPU池、DPU池、閃存池），實現彈性擴展與靈活共享，消除本地存儲超配浪費，同時支持內存拉遠、SSD池化等技術突破物理邊界，使GPU等算力能直接訪問遠端存儲資源；

圖16：存算分離架構

來源：華為

微觀層面則強調存算一體，將專用算力嵌入數據存儲節點或網絡傳輸路徑，通過近數據處理、算子下推、網存協同等方式減少數據搬運，實現“數據不動計算動”的高效范式。

圖17：存算融合原理

來源：華為

這種架構通過存儲資源池化、全內存語義訪問、NPU直通存儲等創新，顯著提升數據處理效率，在萬卡GPU智算場景中可將CheckPoint恢復時間從分鐘級壓縮至秒級，有效解決數據重力效應，為YB時代的數據密集型應用提供高通量、低時延、高擴展的支撐能力。

（3）智能數據編織

智能數據編織是一種通過自動化方式動態協調分布式數據源的技術，旨在打破數據孤島并實現跨平臺數據整合，從而高效支持多樣化的應用需求。其核心在于利用人工智能、知識圖譜等技術，持續識別并連接來自不同應用的數據，發現數據間的業務關聯關系，構建全局虛擬數據總線以實現數據的智能流動。

圖18：智能數據編制框架

來源：華為

在數據網絡中，智能數據編織能夠自動感知存儲網絡狀態、數據活躍度及業務特征，通過數據畫像精準刻畫數據重力、時空信息等多維度屬性，并結合數據大腦生成最優的數據排布策略。例如，在跨數據中心、云端與邊緣的場景中，它通過語義感知存儲、在網計算服務等技術優化數據存取路徑，實現冷熱數據的分級存儲（如“東數西存”降低運營成本），同時確保數據在流動過程中的安全可信。

該技術還支持數據版本管理和血緣追蹤，防止數據質量在多次流轉中劣化，最終構建起高效、自動化且具備認知能力的存力網絡，為大規模AI訓練、實時決策等場景提供堅實的數據基礎。

（4）內生安全保護

存儲系統的內生安全保護要求將安全機制深度融入數據全生命周期管理的核心架構中，形成主動防御體系以應對復雜威脅，為AI時代海量數據的高效利用與合規流轉提供了堅實保障。其核心在于通過硬件自主可控、可信啟動、防側信道攻擊等底層技術構建基礎防護層，同時在軟件層面實現數據采集、傳輸、存儲、處理、共享及銷毀各環節的端到端加密與動態脫敏。

圖19：主動數據保護

來源：華為

其中，零信任存儲旨在解決當前存儲面臨的數據泄漏、完整性被破壞、數據可用性破壞等諸多安全問題。所有的數據訪問與操作都被視為未被驗證的，訪問主體、數據以及數據操作動作三者基于最小授權原則，通過持續驗證、動態授權等方式實現最小粒度數據訪問控制。

圖20：零信任存儲

來源：華為

（5）綠色節能

基于經典的馮?諾伊曼架構，數據在存儲和計算單元間傳輸所需能耗，占IT系統總能耗的60%~90%。AI大模型的發展要求更高性能低能耗的存儲系統，在通過技術創新與系統優化降低能耗及環境影響的同時，確保數據基礎設施的長期高效運行。

存儲系統層面的節能，通過硬件功耗智能調優、數據分級節能、存儲設備散熱、資源感知的統籌調度等技術，感知計算、存儲、網絡設備的運行狀態，識別數據冷熱特征，并結合業務負載規律，構建系統調優模型。其中，芯片級動態能耗管理對存儲系統節能至關重要，通過異構多樣化算力集成、片上動態能效智能管理等技術，可有效解決高算力與低功耗的矛盾。

未來，通過制定覆蓋芯片能效、碳足跡追蹤、再生材料應用的綠色標準體系，存儲產業將推動每比特數據讀寫能耗下降50%，助力全球ICT行業碳減排目標實現，真正構建起環境友好、資源高效的數據生態。

全閃存存儲技術是AI元素存儲系統的理想選擇。比機械硬盤時延小100倍左右，每秒數據讀寫次數大1000倍以上，空間占用節省50%。隨著閃存介質堆疊層數與顆粒類型方面的突破，其成本也在持續走低，成為處理大模型數據的理想選擇。

此外，使用全閃存存儲技術相比機械硬盤能減少能耗70%。尤其是高密存儲節點密度能達到傳統存儲服務器的2.6倍以上，結合存算分離架構,相對使用通用型服務器,減少了存儲節點CPU、內存及配套交換機,同等容量下帶來能耗節約10%~30%。顯著降低大模型數據的存儲能耗。

（1）競爭格局分析

全球AI原生存儲領域的競爭呈現多元化和分層化特征，國際市場主要由三類參與者主導：傳統存儲巨頭、云服務商和新興技術公司。

HPE、Dell等老牌企業憑借混合云解決方案和全閃存技術，在金融、科研等高端場景保持優勢；AWS、Azure等云廠商通過全球化布局和全托管服務占據公有云存儲市場主導地位；VAST Data、Zilliz等新興公司則以創新架構（如分布式存儲、開源向量數據庫）切入AI原生存儲賽道，布局多模態搜索、邊緣計算等領域。

國內市場整體由綜合云平臺占據市場主導地位，代表企業有阿里云、騰訊云、華為云等，其數據湖、向量數據庫、分布式存儲架構等存儲解決方案與AI訓練框架深度整合，覆蓋電商、政務、制造等核心場景，天翼云、移動云等運營商背景的平臺在國企數字化轉型中也占據獨特地位。

圖20：中國AI原生存儲行業的競爭格局

來源：融中咨詢

硬件基礎設施集成領域以華為、京東云海、中科曙光、浪潮信息為代表，通過存算一體機、液冷存儲服務器等支撐國家級算力中心和行業級AI應用，參與AI原生存儲市場。

軟件平臺領域，深信服、星辰天合等獨立第三方廠商通過研發分布式文件系統、超融合架構（aSAN）等新型技術擠身AI原生存儲市場賽道。

（2）代表企業分析

1）華為

華為在AI原生存儲領域的核心產品或服務包括Fusion Storage存儲解決方案、存算一體芯片、液冷存儲解決方案和OceanStor數據湖存儲產品。

Fusion Storage：采用全對稱分布式架構，支持文件、對象、塊存儲協議的統一訪問，并通過分布式哈希算法實現負載均衡。其彈性EC算法提升存儲利用率，支持EB級數據存儲，已應用于多個國家級智算中心的AI大模型訓練場景，數據存取效率較傳統方案提升30%；

華為海思昇騰920存算一體芯片：通過將計算單元嵌入存儲介質，突破傳統“存儲墻”和“功耗墻”問題，能效比提升5倍，顯存占用降低37%，支撐5G基站和云計算中心的實時數據處理；

液冷存儲解決方案：將數據中心PUE值降至1.05-1.2，單機架支持最大60kW制冷能力，服務超30個省級政務云平臺；

OceanStorA800深度學習數據湖存儲產品：定義了存儲技術的六維標準——高性能、數據韌性、新數據范式、高擴展性、綠色節能及數據編織能力，覆蓋醫療、金融、工業等場景。

2）阿里云

阿里云在AI原生存儲領域的核心產品或服務為MaxCompute數據湖、阿里云Milvus向量數據庫和Pangu存儲引擎。

MaxCompute：支持EB級多模態數據存儲，集成文本、圖像、時序數據的統一管理框架，與機器學習平臺PAI深度聯動，支撐淘寶雙11期間萬億級商品特征的實時檢索；

阿里云Milvus向量數據庫：在開源Milvus版本的基礎上增強了可擴展性，實現海量向量的存儲、索引與毫秒級檢索，并通過分布式架構存儲千億級別向量數據，存儲效率提升，優化金融反欺詐和電商推薦場景的響應速度；

Pangu存儲引擎：采用糾刪碼算法，將存儲成本降低40%，同時支持GPU直連訪問，顯著提升AI訓練數據吞吐量；

定制化數據湖倉一體方案：主要應用在工業領域，實現制造業質檢數據的多模態融合存儲與實時分析。

3）騰訊云

騰訊云的核心產品包括TBase分布式數據庫、基于Iceberg的騰訊云湖倉一體架構和Tencent Cloud VectorDB向量數據庫。

TBase：通過分布式事務確保數據的一致性和可靠性，支持高擴展性、高SQL兼容度，以及多級容災能力，適用于億級數據的存儲、分析和查詢場景，日均處理10億筆微信商戶訂單交易。

數據湖計算服務（DLC）：以開源Iceberg 為底層標準存儲格式，采用流批一體架構，實現毫秒級響應，百萬級數據實時寫入。

Tencent Cloud VectorDB：基于騰訊集團每日處理千億次檢索的向量引擎 OLAMA，單索引支持千億級向量規模，可支持百萬級 QPS 及毫秒級查詢延遲。應用于推薦系統、自然語言處理等 AI 領域。

4）中科曙光

中科曙光的產品線涵蓋ParaStor分布式存儲系統和液冷存儲解決方案。

ParaStor：支持單一集群3-4096節點擴展，提供EB級存儲空間，采用Scale-Out橫向擴展架構，通過智能SSD Cache及小文件聚合技術優化性能，應用于自動駕駛訓練場景，具備低延遲特點，其中ParaStor300S為宣武醫院提供了高通量基因組學數據處理方案。

液冷存儲方案：采用冷板式液冷技術降低散熱功率，結合數據重刪壓縮等技術，存儲節點PUE值降至1.2以下，電費節省60%，已落地華南理工大學數據中心，并入選IDC《液冷數據中心白皮書》案例。

5）浪潮信息

浪潮信息的AS13000分布式存儲系列、綠色算力解決方案、AIStation智能管理平臺構成AI存儲技術矩陣。

AS13000：支持異構硬件兼容，通過無感知數據遷移技術幫助企業實現傳統存儲向AI原生架構的平滑過渡，支持EB級容量擴展。

綠色算力方案：通過硬件加速與智能功耗管理，實現千萬級IOPS并發處理，PUE值控制在1.2以下，服務智能制造產線的質檢數據高效存取。

AI Station智能管理平臺：集成存儲資源調度功能，可動態分配訓練數據至GPU集群，通過顯存隔離實現單節點8卡支持56個開發環境，資源利用率顯著提升。

6）深信服

深信服的產品包括軟件定義存儲(SDS)及超融合存儲(HCI)系統和EDS存儲解決方案。

SDS及HCI：深信服關注各行業用戶核心需求，打造適配的全棧替代方案，累計助力12,000+用戶完成對VMware架構的替代。

EDS存儲解決方案：例如在醫學領域，通過自動AI分層技術，閱片速度從約90張/秒提升至450+張/秒，聯合調優后影像調閱性能提升60.9%。

7）星辰天合

星辰天合的核心技術為XGFS全共享架構文件系統和混合云數據管理平臺。

XGFS：支持文件、對象、塊存儲協議的統一訪問，通過全局緩存技術將跨云數據訪問速度提升50%，適配90%國產化硬件環境。

混合云平臺：實現公有云與私有云存儲資源的智能調度，在音視頻處理場景支持4K/8K素材的實時編輯與存儲。其XEOS對象存儲系統通過糾刪碼算法與智能預取機制，將海量非結構化數據的存儲成本降低35%，服務超200家企業的AI訓練數據管理需求。

此外，星辰天合開源社區貢獻的Ceph優化方案被多家云廠商采用，提升分布式存儲集群的穩定性。

8）京東云海

京東云海主營統一存儲平臺，提供塊存儲、對象存儲、文件存儲、并行文件存儲、大數據存儲等多種自研產品，屬于 AI 原生存儲的產品主要是云海AI 存儲。

云海AI存儲具備原生KV Cache等特性，適配主流推理框架，助力大模型訓練，應對自動駕駛等場景的海量小文件讀寫與目錄熱點難題，也適用于各類高性能推理場景。

9）極道科技

極道科技（北京）有限公司的主營業務是圍繞數據“存、管、算”協同設計，提供企業級數據系統解決方案，其中屬于AI原生存儲或與AI應用深度集成的存儲解決方案主要有ALAMO分布式文件存儲系統、ANNA分布式統一存儲、MetaView數據管理系統以及Achelous智能集群運維系統。

ALAMO：提供了卓越的帶寬和元數據的高IOPS，既支持橫向擴展，也支持縱向擴展，隨著橫向擴展的節點數的增加，存儲的容量和性能均得到線性增長。

ANNA：支持多種文件訪問協議（CIFS，NFS，POSIX）、塊訪問、S3對象訪問協議，一套存儲系統滿足多樣化的應用需求。

MetaView：構建了一個無上限的包含工業標準數據特征和用戶自定義數據特征的元數據管理系統。通過獨特的“存/管協同”設計模式和并行分布式圖處理引擎，實時捕獲并追蹤元數據的變化，涵蓋數據感知、數據發現、數據溯源和數據重組。

Achelous：將各種異構計算匯聚，共享硬件資源（包括CPU、Memory、GPU、FPGA等），按需動態構建計算框架，旨在提高計算的并行度和提高資源利用率，以降低用戶的整體擁有成本。

10）華瑞指數云

華瑞指數云主營業務是為政府、企業及機構提供數據基礎設施整體解決方案，專注于智能數據存儲與管理。其核心產品全棧自研 AI 原生數據平臺 WADP，具備超高吞吐、低延遲、無限擴展等特性，打破 AI 計算“存儲墻”，適配多種行業場景，如金融數據分析、醫療影像處理、企業級 AI 開發等。

華瑞指數云提供 ET 系列存儲產品（如極速分布式塊存儲、統一存儲、對象存儲等），分別針對高性能、融合存儲、海量數據管理需求，助力用戶高效處理數據，支持 AI 應用落地。

11）同友科技

同有科技聚焦信創存儲，主要產品為ACS系列全閃存陣列和雙活存儲系統。

ACS5000F：采用飛騰FT-1500A處理器和國產SSD，其全閃存陣列提供260萬IOPS性能，為信息處理計算機、磁盤陣列、存儲服務器等設備提供強有力的配套及支持。

雙活存儲架構：通過跨數據中心同步技術，實現金融業務RTO控制在秒級，RPO為0，應用層不中斷，數據庫無需回滾，極大地降低了業務運行的風險。

12）上海賾睿

上海賾睿信息科技有限公司旗下品牌Zilliz以Milvus開源向量數據庫和Zilliz Cloud全托管服務為核心，構建AI原生數據檢索基礎設施。

Milvus：支持萬億級向量索引，通過分布式架構實現多模態數據（如圖文、視頻特征）的融合索引，在電商商品搜索、生物醫藥分子庫匹配等場景形成技術標桿。

Zilliz Cloud：提供企業級向量數據庫服務，內置自動擴縮容與多租戶隔離功能，支撐金融風控系統的實時數據查詢需求。在開源生態中，Milvus社區貢獻者超2000人，被應用于超1000家企業的AI應用場景。

13）后摩智能

后摩智能的車規級存算一體芯片和多傳感器融合存儲系統服務于自動駕駛領域。

鴻途H30芯片：基于存算一體架構，基于12nm工藝制程，Int8精度下實現256TOPS物理算力，典型功耗35W，支持智能駕駛場景的經典CV網絡及BEV、PointPillar等先進算法。

公司于2023年通過ISO 26262:2018 ASIL D功能安全流程認證，為車規級產品研發奠定基礎。

14）火山引擎

火山引擎的VikingDB多模態數據庫和工業質檢存儲方案是其核心產品。

VikingDB多模態數據庫：采用存算分離架構，支持實時向量寫入與流式更新，實現非結構化數據到向量的高效轉換；在檢索性能上可支持百億級向量庫的毫秒級響應，同時結合混合檢索能力提升精度與效率；

此外，VikingDB提供云原生彈性調度與自動調參功能，優化資源成本并保障服務穩定性，其技術實踐已覆蓋智能問答、推薦廣告、版權去重等多樣化場景。

[1]華為《數據存儲2030報告（2024版）》

[2]Llama3初體驗以及和ChatGPT 3.5 Turbo對比 - Eric技術圈

[3]星環信息科技（上海）股份有限公司2024年年度報告