文章摘要
2026年8月6日，华为数据存储用户精英论坛在无锡举行。会上围绕AI五层架构完善全栈方案，公布改进内容。华为推出面向大规模推理的上下文记忆存储CMS，解决数据管理痛点。回应“全栈”战略质疑，称是深化布局。指出AI下半场关键在数据，存储需求场景增加，本轮存储周期或至2028年上半年。

当AI从模型训练阶段迈入大规模推理和Agent落地的落地周期，数据中心的基础设施瓶颈正在发生根本性变化。

2026年8月6日，华为数据存储用户精英论坛暨OceanClub嘉年华在无锡举行。会上，华为围绕AI数据湖、AI数据平台、算力、模型和Agent五个层次，进一步完善了AI DC数据基础设施全栈方案，并公布了过去一年针对用户反馈完成的TOPN专项改进内容。

和过往侧重单一存储产品的思路不同，本次论坛的核心议题转向了一个更贴近企业实际需求的问题：当企业开始部署大量模型和Agent应用后，数据应当如何被存储、管理并实现持续调用。

华为公司副总裁、数据存储产品线总裁袁远在会上提出，AI产业的发展重心正在从算力、模型层面逐步延伸到数据维度。他将企业AI DC数据基础设施划分为五层架构：底层为AI数据湖，向上依次为AI数据平台、算力层、模型层以及Agent平台，数据安全和韧性能力则贯穿整个架构始终。

这套架构并非首次在本次论坛亮相，华为此前已经发布过相关的AI DC数据基础设施方案，本次活动更多是结合国内企业的实际部署场景，对各层级的能力进行了更细致的拆解和说明。

从“单纯保存数据”到“让数据参与推理流程”

作为架构最底层的AI数据湖，首先要解决的是企业内部数据分散的痛点。当前企业的数据通常散落在不同的数据中心、服务器和业务系统中，同时包含文本、图像、视频等多种类型。进入AI应用阶段后，这些原始数据还需要经过清洗、标注、检索和格式转换等多道工序，最终才能成为模型训练和Agent调用的语料与知识储备。

为此，华为希望通过OceanStor Pacific、Omni-Dataverse等产品，将原本分散的各类数据整合为统一的数据空间，实现数据的集中管理和高效调用。

而本次论坛中更值得关注的变化，出现在AI数据平台层。随着推理规模持续扩大，Agent运行过程中产生的上下文数据呈现爆发式增长，仅依靠HBM显存和DRAM内存已经逐渐面临容量不足和成本过高的双重压力。

针对这一痛点，华为推出了业界首个面向大规模推理、支持异构算力的上下文记忆存储CMS，也就是G3.5级存储产品。

在后续的媒体沟通会上，有行业观察者提出了一个具体问题：当前AI行业通用的存储层级普遍遵循G1（HBM）-G2（DRAM）-G3（本地SSD）-G4（共享存储）的四层架构，相比继续增加显存、服务器内存或者本地SSD的配置，G3.5这类新的存储形态究竟在什么场景下才能体现出优势？

华为数据存储产品线相关负责人吴俊杰表示，G3.5存储是伴随大模型推理规模大幅上升而诞生的新形态。当HBM和内存的价格、容量无法满足Token数量以及序列长度的要求时，就需要这类新的存储形态来补充。

按照他的判断，当推理集群进入超节点以及千卡、万卡的大规模部署阶段，需要构建PB级共享KV Cache池时，这类外置上下文存储的收益才会更加显著。

他进一步解释，G3.5并非简单用SSD替代显存，而是位于G3层与G4层之间，在G1层（HBM）、G2层（DRAM）之外新增一个高速、容量更大且可共享的中间缓冲层，将不需要始终驻留显存的数据保存下来，从而减少重复计算的开销。这也意味着存储设备开始从传统的数据持久化载体，深度融入到模型推理的全流程中。

为何此时强调“全栈”战略

过去一年间，华为已经陆续发布了AI数据湖、UCM推理记忆数据管理以及AI数据平台等多项技术。因此外界自然会产生疑问：今年开始频繁强调“全栈”布局，是否意味着华为的存储战略发生了变化？

吴俊杰对此回应称，整体的发展方向并没有改变。他强调，所有动作的核心始终只有一个——推动AI产业的落地应用。

在他的解释中，过往华为更多是在具体场景中进行单点突破，比如针对KV Cache、知识库以及行业联合创新等方向进行优化；而现在所谓的全栈布局，是将此前形成的各项独立能力整合到统一的架构体系当中。“战略本身没有变化，我们更像是在原有基础上逐步深化布局。”

这种变化也意味着华为的数据存储产品线正在向传统存储的边界之外延伸。例如ModelEngine开始覆盖模型部署以及GPU、NPU等算力资源的调度；Nexent则进一步拓展到Agent的开发和运行环境当中。华为希望能够将数据、算力、模型和Agent之间原本分散的各个环节有效连接起来，形成完整的闭环。

对于已经投入大量资金建设传统数据中心的企业而言，更现实的问题是：过去的IT基础设施应当如何适配新的AI workload？

吴俊杰表示，华为提供了多种灵活的部署方式。以AI数据平台为例，目前主要有两种落地路径：新建AI数据平台的客户可以直接使用OceanStor A800；而已经部署了OceanStor Dorado的客户，则可以通过增加数据引擎节点，在保留原有存储投资的基础上，新增AI相关的能力。

这一现状也反映了当前企业AI基础设施建设的普遍状态：传统数据库、ERP等业务并不会因为AI的普及而消失，在未来相当长的一段时间内，传统IT和AI工作负载仍然会长期共存。因此，AI数据中心的改造更多会采用渐进式的升级路径，而非一次性推倒重建。

AI下半场的关键在于数据

本次论坛上，华为以及多位存储行业用户都多次提到一个核心判断：AI产业的下半场，关键在于数据。

吴俊杰对此进行了进一步的阐释。他认为，算力依然是AI发展的基础，但当企业逐步完成第一阶段的算力部署，模型能力也逐渐成熟之后，决定AI最终落地效果的因素会越来越多地落到数据层面。

以医疗行业为例，一家医院过去可能只需要将CT影像、病理切片等数据保存在各个科室的服务器中；但如果要训练病理大模型，这些历史数据就需要重新汇集、治理并形成可供模型使用的标准化数据集。科研、汽车、制造等多个行业都面临着类似的情况。

过去很多数据的价值仅仅停留在“保存下来”的层面，而现在这些数据需要重新成为模型的知识储备、Agent的上下文信息以及长期记忆载体。这也是为何存储厂商开始将目光投向KV Cache、向量检索和Agent Memory等新方向，而不再仅仅讨论存储容量和IOPS等传统指标。

AI需求增长的另一面，是存储市场的价格和供应变化。有行业人士提出疑问：这一轮存储市场的增长周期究竟会持续多久？

在媒体沟通会上，吴俊杰表示，全球范围内的存储厂商目前都受到上游供应链变化的影响。对于当前的市场周期，他给出了一个相对明确的判断：按照目前的需求情况，这一轮存储周期可能持续至2028年上半年左右。但他同时强调，这并非确定的结论，如果AI产业的热度下降、基础设施的需求回归常态，存储价格也可能随之趋于平稳。

因此，与其说AI让存储产业“摆脱了传统周期”，不如说它正在为存储市场新增一批全新的需求场景。包括训练语料、向量数据、KV Cache、Agent上下文以及长期记忆在内的各类数据，都在扩大AI系统需要管理的数据总量。

华为此次提出的AI DC数据基础设施参考架构，本质上也是对这一行业变化的回应。过去存储主要解决“数据能不能可靠保存”的问题，而进入Agent和大规模推理阶段后，存储开始进一步影响数据能不能被模型快速找到、上下文信息能够保存多久，以及推理过程中是否需要反复计算等核心环节。对于存储行业而言，这种变化带来的影响，可能比单纯的存储容量增长更加值得关注。

以上内容不代表本平台立场，仅供读者参考