當(dāng)英偉達(dá)開(kāi)始補(bǔ)存儲(chǔ)的課，華為已經(jīng)給出了中國(guó)的答案

文 | 智能相對(duì)論

作者 | 陳泊丞

數(shù)十億建成的萬(wàn)卡GPU集群，實(shí)際利用率不足40%。

這不是某個(gè)智算中心的個(gè)例。在過(guò)去兩年里，中國(guó)涌現(xiàn)了大大小小幾十個(gè)智算中心項(xiàng)目，GPU買(mǎi)了一批又一批，但真正跑滿(mǎn)的時(shí)候不多。問(wèn)題不在芯片本身——而在數(shù)據(jù)供給跟不上。

GPU在空轉(zhuǎn)，等存儲(chǔ)喂數(shù)據(jù)。這件事說(shuō)起來(lái)簡(jiǎn)單，但背后卻是一筆巨大的“沉沒(méi)成本”：花了幾十億建算力，最后發(fā)現(xiàn)瓶頸卡在存儲(chǔ)上。

事實(shí)上，整個(gè)行業(yè)都在討論“算力瓶頸”，但真正拖慢中國(guó)AI落地節(jié)奏的，很可能是存儲(chǔ)。

有意思的是，正是在這屆GTC上，英偉達(dá)第一次把“存儲(chǔ)”放到了與“算力”并列的位置。它在超節(jié)點(diǎn)中內(nèi)置獨(dú)立的存儲(chǔ)柜，定義新的AI存儲(chǔ)參考架構(gòu)（STX/CMX），并聯(lián)合12家存儲(chǔ)廠商發(fā)布解決方案——這不是英偉達(dá)的常規(guī)操作。

一家靠GPU起家的公司，為什么突然對(duì)存儲(chǔ)這么上心？這背后，是AI產(chǎn)業(yè)底層邏輯的一次根本性轉(zhuǎn)變。

英偉達(dá)在GTC上給全行業(yè)補(bǔ)了一堂存儲(chǔ)課

要理解英偉達(dá)在GTC上的動(dòng)作，先得回答一個(gè)問(wèn)題：為什么它要在這個(gè)節(jié)點(diǎn)做這件事？

答案的背后是一個(gè)正在發(fā)生的大趨勢(shì)：從“訓(xùn)練為王”到“推理為王”的階段性轉(zhuǎn)變。

過(guò)去幾年，AI行業(yè)的主要矛盾是“模型不夠大、訓(xùn)練不夠久”。那時(shí)候存儲(chǔ)是配角，GPU喂飽了數(shù)據(jù)就行。但是，當(dāng)大模型開(kāi)始大規(guī)模落地，推理變成了主戰(zhàn)場(chǎng)，整個(gè)故事的底層邏輯就變了。

推理需要什么？實(shí)時(shí)、低延遲、海量隨機(jī)讀寫(xiě)的數(shù)據(jù)訪問(wèn)。這跟訓(xùn)練階段完全不同——訓(xùn)練可以批處理，而推理必須秒級(jí)響應(yīng)；訓(xùn)練可以提前準(zhǔn)備好數(shù)據(jù)，而推理得隨時(shí)待命。

黃仁勛在CES和GTC上都說(shuō)過(guò)一句話(huà)：“KV Cache的激增足以催生一個(gè)全新的存儲(chǔ)市場(chǎng)”。這話(huà)聽(tīng)著像營(yíng)銷(xiāo)，但仔細(xì)想想，GPU廠商第一次公開(kāi)承認(rèn)“計(jì)算不再是最稀缺的資源，數(shù)據(jù)供給才是”，這本身就是信號(hào)。

基于這個(gè)認(rèn)知，英偉達(dá)在GTC上直接打出了三張關(guān)鍵牌，分別為CMX、AIDP和SCADA，對(duì)應(yīng)回答的是不同層次的問(wèn)題。

首先，CMX也就是G3.5層，回答“推理太貴”的問(wèn)題。當(dāng)KV Cache從顯存溢出到存儲(chǔ)池，推理成本的核心矛盾從“算力貴”變成“數(shù)據(jù)供給貴”。英偉達(dá)用CMX架構(gòu)把存儲(chǔ)性能與GPU計(jì)算進(jìn)行了深度綁定，這套玩法本質(zhì)上是“極致協(xié)同設(shè)計(jì)”——存儲(chǔ)不再是外掛硬盤(pán)，而是GPU系統(tǒng)的延伸。

其次，AIDP回答“數(shù)據(jù)不敢動(dòng)”的問(wèn)題。深入行業(yè)真實(shí)需求來(lái)看，企業(yè)不是沒(méi)有數(shù)據(jù)，而是數(shù)據(jù)不敢搬、不能搬。譬如，金融客戶(hù)的數(shù)據(jù)出不了機(jī)房，政務(wù)系統(tǒng)的數(shù)據(jù)有合規(guī)要求，醫(yī)療數(shù)據(jù)碰都不能碰。因此，英偉達(dá)提出“Data-in-Place”（數(shù)據(jù)就地處理），本質(zhì)是讓AI能力下沉到存儲(chǔ)里，減少數(shù)據(jù)的搬運(yùn)。

最后，SCADA 回答“GPU吃不飽”的問(wèn)題。在推薦系統(tǒng)、圖神經(jīng)網(wǎng)絡(luò)這些場(chǎng)景，GPU需要從海量數(shù)據(jù)中隨機(jī)讀取極小粒度的數(shù)據(jù)。然而，傳統(tǒng)I/O路徑太重，GPU經(jīng)常“餓著肚子等數(shù)據(jù)”。為此，SCADA允許GPU繞過(guò)了CPU直接訪問(wèn)存儲(chǔ)，帶寬接近HBM，支持EB級(jí)數(shù)據(jù)集——很顯然，這是為未來(lái)的實(shí)時(shí)決策場(chǎng)景鋪路。

三張牌，三層問(wèn)題，從眼前到當(dāng)下再到未來(lái)，構(gòu)成了英偉達(dá)對(duì)AI存儲(chǔ)的完整判斷。也正是在這個(gè)判斷下，英偉達(dá)喊出了“2026 is the year of AI storage”。

中國(guó)市場(chǎng)的“冰與火”：最旺盛的需求與最普遍的誤判

把視線拉回中國(guó)。

事實(shí)上，中國(guó)是全球AI存儲(chǔ)需求最旺盛的市場(chǎng)——這話(huà)不算夸張。智能客服、RAG知識(shí)中臺(tái)、代碼生成、自動(dòng)駕駛仿真、智能制造......這些場(chǎng)景的落地速度實(shí)實(shí)在在走在了全球前列。

在政策層面，“人工智能+”全面鋪開(kāi)，數(shù)據(jù)要素×三年行動(dòng)計(jì)劃啟動(dòng)，“東數(shù)西算”2.0推動(dòng)算電協(xié)同——從合規(guī)、基建到成本，政策紅利也在多個(gè)維度拉動(dòng)了高質(zhì)量存儲(chǔ)建設(shè)。

客觀而言，需求是真的。但這枚硬幣還有另一面。

多數(shù)智算中心的存儲(chǔ)投入占比不足10%，剩下的錢(qián)幾乎全砸進(jìn)了GPU服務(wù)器。結(jié)果呢？GPU集群利用率普遍低于40%，“算力過(guò)剩與存儲(chǔ)瓶頸并存”成了一種荒誕的現(xiàn)實(shí)。花了幾十億買(mǎi)算力，最后發(fā)現(xiàn)卡脖子的不是芯片，是數(shù)據(jù)供給。

這不是技術(shù)問(wèn)題，是認(rèn)知問(wèn)題。整個(gè)行業(yè)的注意力都被“算力”兩個(gè)字吸走了，沒(méi)人認(rèn)真想過(guò)，卡能跑滿(mǎn)嗎？

更棘手的是，冰層之下還有結(jié)構(gòu)性掣肘，不是喊兩句口號(hào)就能解決的。

比如標(biāo)準(zhǔn)缺失。面向昇騰、海光這類(lèi)國(guó)產(chǎn)算力的存儲(chǔ)架構(gòu)和評(píng)測(cè)標(biāo)準(zhǔn)幾乎空白，廠商各自為戰(zhàn)，集成成本高企。再比如生態(tài)碎片化。國(guó)內(nèi)存儲(chǔ)產(chǎn)業(yè)硬件能力強(qiáng)，但核心軟件能力比如KV Cache調(diào)度算法、數(shù)據(jù)就地處理引擎——與英偉達(dá)的“極致協(xié)同設(shè)計(jì)”相比，還有肉眼可見(jiàn)的差距。

中國(guó)有最大的市場(chǎng)需求，但缺乏把需求轉(zhuǎn)化為產(chǎn)品的生態(tài)協(xié)同能力。這個(gè)矛盾不解決，需求旺盛就只是數(shù)字好看，落不了地。

最核心的問(wèn)題，可能要靠存儲(chǔ)廠商來(lái)回答

那么，這個(gè)局怎么破？

回歸一個(gè)樸素的問(wèn)題：誰(shuí)最懂?dāng)?shù)據(jù)？

當(dāng)整個(gè)行業(yè)都在討論“用更多GPU訓(xùn)練更大模型”時(shí)，做存儲(chǔ)的人在琢磨另一件事：數(shù)據(jù)從哪來(lái)、如何治理、怎么讓AI用得上——這是兩種完全不同的視角。算力廠商看的是“模型需要多少Flops”，存儲(chǔ)廠商看的是“模型需要多少數(shù)據(jù)、怎么高效喂進(jìn)去”。

這個(gè)視角差異，在AI大規(guī)模落地的階段，變得前所未有的重要。

英偉為什么要定義AIDP參考架構(gòu)并交給存儲(chǔ)廠商推出解決方案在企業(yè)落地？因?yàn)樵絹?lái)越多的廠商意識(shí)到，數(shù)據(jù)供給的入口正在成為AI基礎(chǔ)設(shè)施的核心卡口。存儲(chǔ)不再是配角，它可以是主角，是AI系統(tǒng)的“數(shù)據(jù)中樞”。

正是基于這個(gè)判斷，華為打破了傳統(tǒng)存儲(chǔ)的煙囪式結(jié)構(gòu)，用一套底座即AIDP（AI Data Platform）架構(gòu)覆蓋了三大場(chǎng)景。

這套架構(gòu)的核心邏輯其實(shí)很樸素：客戶(hù)不需要為KV Cache、AIDP、SCADA分別建三套系統(tǒng)，這不是成本問(wèn)題，是現(xiàn)實(shí)不允許。舉個(gè)例子，一個(gè)智算中心可能有昇騰和海光的卡要兼顧，一個(gè)金融機(jī)構(gòu)的數(shù)據(jù)不能出域但又要支撐實(shí)時(shí)推理——這些矛盾不是買(mǎi)更多GPU能解決的，需要的是一套能統(tǒng)一調(diào)度、分層處理、漸進(jìn)演進(jìn)的存儲(chǔ)架構(gòu)。

圍繞這個(gè)邏輯，華為在每一層都埋了具體的能力。

G3.5層，UCM（統(tǒng)一緩存管理器）實(shí)現(xiàn)顯存與存儲(chǔ)間的秒級(jí)熱遷移，推理并發(fā)能力提升數(shù)倍——這解決的是“推理貴”的問(wèn)題，讓PB級(jí)KV Cache不再必須駐留在昂貴的HBM顯存里。

企業(yè)AI層，VSS向量檢索和RAG能力直接內(nèi)嵌到存儲(chǔ)系統(tǒng)，數(shù)據(jù)不用搬出去就能被調(diào)用——這解決的是“數(shù)據(jù)不敢動(dòng)”的問(wèn)題，合規(guī)要求不是束縛，而是架構(gòu)設(shè)計(jì)的起點(diǎn)。

SCADA層，預(yù)留GPU Initiate IO接口，支持未來(lái)GPU直接訪問(wèn)超大規(guī)模數(shù)據(jù)集——這一步是面向未來(lái)的，目前能落地的場(chǎng)景有限，但架構(gòu)要提前站位。

三層能力對(duì)應(yīng)三層價(jià)值：眼前的降本、當(dāng)下的合規(guī)、未來(lái)的擴(kuò)展。這不是功能堆砌，是有優(yōu)先級(jí)判斷的演進(jìn)路線。

落地層面，基于OceanStor A800高性能AI存儲(chǔ)和OceanStor Dorado全閃存存儲(chǔ)，華為提供了一體化和獨(dú)立式兩種交付模式——前者面向新建場(chǎng)景，后者面向存量系統(tǒng)的漸進(jìn)式改造。不同客戶(hù)的現(xiàn)實(shí)處境不同，解法也不同，這本身就是務(wù)實(shí)的體現(xiàn)。

說(shuō)到底，中國(guó)AI存儲(chǔ)市場(chǎng)需要的不是“英偉達(dá)的中國(guó)版”，而是一條適配本土需求的務(wù)實(shí)路徑。華為在做這件事，不代表它是唯一答案，但這條路線的核心判斷——統(tǒng)一底座、平滑演進(jìn)、數(shù)據(jù)安全內(nèi)生，確實(shí)回應(yīng)了當(dāng)前市場(chǎng)最真實(shí)的痛點(diǎn)。

結(jié)語(yǔ)

GTC 2026或許只是起點(diǎn)。

英偉達(dá)在補(bǔ)課，存儲(chǔ)廠商在解題，中國(guó)市場(chǎng)的需求在倒逼整個(gè)行業(yè)重新審視這個(gè)問(wèn)題。當(dāng)“算力”不再是稀缺資源的代名詞，數(shù)據(jù)供給的效率正在成為下一階段AI競(jìng)爭(zhēng)的關(guān)鍵變量。

當(dāng)然，“重算力、輕存力”的慣性思維不會(huì)自動(dòng)消失。它需要有人指出這個(gè)問(wèn)題，需要有人用實(shí)際案例證明：存儲(chǔ)投入的ROI，可能比追加GPU更能提升整個(gè)系統(tǒng)的效率。

這不是華為一家公司的事。這是整個(gè)行業(yè)都需要回答的問(wèn)題。

*本文圖片均來(lái)源于網(wǎng)絡(luò)