2026 AI存儲行業(yè)迎來關(guān)鍵時刻：英偉達(dá)“補課”，華為存儲“解題”

　　文 | 智能相對論

　　作者 | 陳泊丞

　　數(shù)十億建成的萬卡 GPU 集群，實際利用率不足 40%。

　　這不是某個智算中心的個例。在過去兩年里，中國涌現(xiàn)了大大小小幾十個智算中心項目，GPU 買了一批又一批，但真正跑滿的時候不多。問題不在芯片本身——而在數(shù)據(jù)供給跟不上。

　　GPU 在空轉(zhuǎn)，等存儲喂數(shù)據(jù)。這件事說起來簡單，但背后卻是一筆巨大的“沉沒成本”：花了幾十億建算力，最后發(fā)現(xiàn)瓶頸卡在存儲上。

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

　　有意思的是，正是在這屆 GTC 上，英偉達(dá)第一次把“存儲”放到了與“算力”并列的位置。它在超節(jié)點中內(nèi)置獨立的存儲柜，定義新的 AI 存儲參考架構(gòu)(STX/CMX)，并聯(lián)合 12 家存儲廠商發(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，為什么突然對存儲這么上心?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)補了一堂存儲課

　　要理解英偉達(dá)在 GTC 上的動作，先得回答一個問題：為什么它要在這個節(jié)點做這件事?

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

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

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

　　黃仁勛在 CES 和 GTC 上都說過一句話："KV Cache 的激增足以催生一個全新的存儲市場”。這話聽著像營銷，但仔細(xì)想想，GPU 廠商第一次公開承認(rèn)“計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。

　　基于這個認(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，對應(yīng)回答的是不同層次的問題。

　　首先，CMX 也就是 G3.5 層，回答“推理太貴”的問題。當(dāng) KV Cache 從顯存溢出到存儲池，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)把存儲性能與 GPU 計算進(jìn)行了深度綁定，這套玩法本質(zhì)上是“極致協(xié)同設(shè)計”——存儲不再是外掛硬盤，而是 GPU 系統(tǒng)的延伸。

　　其次，AIDP 回答“數(shù)據(jù)不敢動”的問題。深入行業(yè)真實需求來看，企業(yè)不是沒有數(shù)據(jù)，而是數(shù)據(jù)不敢搬、不能搬。譬如，金融客戶的數(shù)據(jù)出不了機房，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 能力下沉到存儲里，減少數(shù)據(jù)的搬運。

　　最后，SCADA 回答"GPU 吃不飽”的問題。在推薦系統(tǒng)、圖神經(jīng)網(wǎng)絡(luò)這些場景，GPU 需要從海量數(shù)據(jù)中隨機讀取極小粒度的數(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 繞過了 CPU 直接訪問存儲，帶寬接近 HBM，支持 EB 級數(shù)據(jù)集——很顯然，這是為未來的實時決策場景鋪路。

　　三張牌，三層問題，從眼前到當(dāng)下再到未來，構(gòu)成了英偉達(dá)對 AI 存儲的完整判斷。也正是在這個判斷下，英偉達(dá)喊出了"2026 is the year of AI storage"。

　　中國市場的“冰與火”：最旺盛的需求與最普遍的誤判

　　把視線拉回中國。

　　事實上，中國是全球 AI 存儲需求最旺盛的市場——這話不算夸張。智能客服、RAG 知識中臺、代碼生成、自動駕駛仿真、智能制造......這些場景的落地速度實實在在走在了全球前列。

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

　　客觀而言，需求是真的。但這枚硬幣還有另一面。

　　多數(shù)智算中心的存儲投入占比不足 10%，剩下的錢幾乎全砸進(jìn)了 GPU 服務(wù)器。結(jié)果呢?GPU 集群利用率普遍低于 40%，“算力過剩與存儲瓶頸并存”成了一種荒誕的現(xiàn)實。花了幾十億買算力，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)問題，是認(rèn)知問題。整個行業(yè)的注意力都被“算力”兩個字吸走了，沒人認(rèn)真想過，卡能跑滿嗎?

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

　　比如標(biāo)準(zhǔn)缺失。面向昇騰、海光這類國產(chǎn)算力的存儲架構(gòu)和評測標(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。國內(nèi)存儲產(chǎn)業(yè)硬件能力強，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”相比，還有肉眼可見的差距。

　　中國有最大的市場需求，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。

　　最核心的問題，可能要靠存儲廠商來回答

　　那么，這個局怎么破?

　　回歸一個樸素的問題：誰最懂?dāng)?shù)據(jù)?

　　當(dāng)整個行業(yè)都在討論“用更多 GPU 訓(xùn)練更大模型”時，做存儲的人在琢磨另一件事：數(shù)據(jù)從哪來、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)并交給存儲廠商推出解決方案在企業(yè)落地?因為越來越多的廠商意識到，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”。

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

　　這套架構(gòu)的核心邏輯其實很樸素：客戶不需要為 KV Cache、AIDP、SCADA 分別建三套系統(tǒng)，這不是成本問題，是現(xiàn)實不允許。舉個例子，一個智算中心可能有昇騰和海光的卡要兼顧，一個金融機構(gòu)的數(shù)據(jù)不能出域但又要支撐實時推理——這些矛盾不是買更多 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)的存儲架構(gòu)。

　　圍繞這個邏輯，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)實現(xiàn)顯存與存儲間的秒級熱遷移，推理并發(fā)能力提升數(shù)倍——這解決的是“推理貴”的問題，讓 PB 級 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”的問題，合規(guī)要求不是束縛，而是架構(gòu)設(shè)計的起點。

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

　　三層能力對應(yīng)三層價值：眼前的降本、當(dāng)下的合規(guī)、未來的擴展。這不是功能堆砌，是有優(yōu)先級判斷的演進(jìn)路線。

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

　　說到底，中國 AI 存儲市場需要的不是“英偉達(dá)的中國版”，而是一條適配本土需求的務(wù)實路徑。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，確實回應(yīng)了當(dāng)前市場最真實的痛點。

　　結(jié)語

　　GTC 2026 或許只是起點。

　　英偉達(dá)在補課，存儲廠商在解題，中國市場的需求在倒逼整個行業(yè)重新審視這個問題。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 競爭的關(guān)鍵變量。

　　當(dāng)然，“重算力、輕存力”的慣性思維不會自動消失。它需要有人指出這個問題，需要有人用實際案例證明：存儲投入的 ROI，可能比追加 GPU 更能提升整個系統(tǒng)的效率。

　　這不是華為一家公司的事。這是整個行業(yè)都需要回答的問題。

　　此內(nèi)容為【智能相對論】原創(chuàng)，

　　僅代表個人觀點，未經(jīng)授權(quán)，任何人不得以任何方式使用，包括轉(zhuǎn)載、摘編、復(fù)制或建立鏡像。

　　•AI 產(chǎn)業(yè)新媒體;

　　•澎湃新聞科技榜單月度 top5;

　　•文章長期“霸占”鈦媒體熱門文章排行榜 TOP10;

　　•著有《人工智能 十萬個為什么》

　　•【重點關(guān)注領(lǐng)域】智能家電(含白電、黑電、智能手機、無人機等 AIoT 設(shè)備)、智能駕駛、AI+、、、AI+、AI+、AR/VR、、開發(fā)者以及背后的芯片、算法等。