写在AI下半程拉开序幕之际：存力筑基，长期主义胜出

AI 产业经过过去几年的快速发展，如今已经逐渐跨越了早期的技术探索与盲目狂热，迈向深入渗透千行百业的深水区，也就是大家常说的 AI 下半程。

在这个节点上，一些新的产业共识也在悄然形成。比如企业数智化的深入，你会发现真正决定企业 AI 落地深度与长期商业价值的核心变量，正脱离单纯的算力规模比拼，全面转向对数据资产的掌控与经营。

这意味着，企业进行 AI 建设的初衷和驱动力，正逐渐跳出短期内对算力的高昂成本投入，转向建立能够长期存在、且具备复利效应的数据资产积累体系。

面对这一命题，华为亮出了一些清晰的思路。

在日前举行的 2026 华为数据存储用户精英论坛上，华为公司副总裁、华为数据存储产品线总裁袁远分享了华为对 AI 时代的最新思考，并正式发布 AI DC 数据基础设施全栈方案。这，正是华为给出的系统性回答，帮助企业完成从“算力成本投入”到 “数据资产积累”的底层逻辑切换。

▲华为公司副总裁、数据存储产品线总裁袁远

01.架构级重塑，其实是一场投资重心的迁移

回顾 AI 发展的上半程，算力始终是行业讨论的核心关键词。从 GPU 产能到服务器出货量，从光模块供给到数据中心电力配套，整条产业链的投入都围绕算力规模扩张展开。

但随着产业进入深水区，单纯依赖算力投入的模式正在显现出不可持续性。

算力的采购与租用，本质上是一种消耗型投入。硬件折旧速度快，投入后会持续贬值，还往往伴随着特定的生态绑定。企业投入的算力资源，用完即消耗，无法沉淀为自身的专属资产。随着算力规模不断扩大，边际收益递减的效应也愈发明显 —— 更多的算力投入，并不一定能带来同比例的业务价值提升。

当算力扩张的物理约束逐渐显现，土地、电力、散热等条件都成为限制因素时，单纯堆算力的增长路径已经走到了瓶颈。

与之相对的是，数据资产的价值正在 AI 下半程凸显。

对企业而言，经过治理的高质量数据集、沉淀自身业务经验的专属知识库与记忆库、伴随业务运行持续迭代的智能体能力，这些资产会随着使用不断增值，成为竞争对手难以复制的核心壁垒。

数据资产还具备复利效应：越使用、越迭代，价值就越高，最终会成为企业 AI 能力的真正护城河。

这一转向也得到了产业与政策层面的双重印证。7 月份，2026 全球数字经济大会释放出明确信号，AI 下半场的竞争重心，正从比拼算力、参数规模，转向比拼高质量数据资产、产业场景落地能力与智能体基础设施水平。

更早之前的 6 月，国家数据局印发的《关于推进行业高质量数据集建设的行动实施方案》也提出，到 2028 年底要建成一批覆盖重点领域的行业高质量数据集，数据资产建设已经上升为国家战略的重要组成部分。

产业重心的转移，也让存储的行业地位发生了根本性变化。

如今，华为、英伟达、戴尔、甲骨文等全球顶尖科技企业都在围绕数据平台展开角逐，存储不再只是被动存放数据的配角，而是走到了 AI 竞争的前沿阵地。

新的产业需求对存储能力提出了全新要求：它需要支持向量数据、KV Cache 等全新的数据格式，需要适配语义直通、硬件卸载等新的访问方式，甚至需要具备支撑数据持续修正与自我进化的能力。

总之，存储的能力边界正在快速扩展，成为决定 AI 落地效率的核心战场。

02.一座参考架构，让企业攒好自己的家底

如果认同“AI 下半程在于数据”，那么企业面临的问题就很具体了：怎么把分散在各系统、各地域的数据汇聚起来？怎么把原始数据转化为 AI 可以直接使用的知识？怎么让智能体越用越聪明、而不是每次都从零开始？

对此，华为给出的判断是：企业不能靠单点升级 —— 买更快的 GPU、换更新的存储、部署更大的模型 —— 这些都不够。企业要的是一个堆栈级更新，把现有的传统 IT 堆栈向 AI DC 数据基础设施演进，全面适配从数据准备到智能体开发的端到端全流程。

基于这一判断，华为在本次大会上首创提出了 AI DC 数据基础设施参考架构，分别是数据湖、AI 数据平台、算力、模型和 Agent 框架，同时将数据安全作为贯穿全链路的核心底线。

这一架构的核心并不在于每一层单独的能力有多强，而在于它构建了一个端到端的闭环：数据从入湖开始，经过加工、治理、转化，最终在智能体落地时被消费，而消费过程中产生的新知识又回流到数据层，形成持续迭代的飞轮。数据在全链路中流转、加工、进化，最终沉淀为企业可复利的数据资产。

理解这个架构，关键看数据湖和 AI 数据平台这两层。华为的做法可以用一个“中央厨房”的类比来说清楚。

数据湖解决的是“存得下、找得到”的问题 —— 它就像一个分门别类、灵活盘点的冷冻仓库，把分散在各处的原始数据汇聚起来、管理起来。

但这还不够，AI 需要的不是零散的原始数据，而是可以直接用于推理的结构化知识、上下文缓存和长期可进化的记忆。

AI 数据平台做的事情，就是在后台把原材料加工成“预制菜”，即将原始数据加工成知识库、KV Cache 库、记忆库三类 AI 可直接消费的“成品数据”，Agent 拿来即用，不用每次从洗菜切菜开始。这样设计的好处很直接：从根源上解决了知识质量不足、长序列推理体验差、推理记忆缺失三大瓶颈。

这种“中央厨房”模式对存储提出了全新的能力要求。传统的存储只负责把数据安全地存下来、读出去，任务就完成了。但在 AI 场景下，存储需要处理 KV Cache、向量数据等新的数据格式，需要支持语义直通、KV 卸载等新的数据访问方式，甚至要能够对数据进行持续修正与进化 —— 比如记忆的自我迭代。

这意味着存储的角色发生了根本性变化：它不再只是被动保管数据的仓库，而是主动参与数据加工的车间，能力边界完成了实质性的扩展。

03.从成本中心到价值中心：全栈方案与行业实践的双重验证

AI DC 参考架构带来的，并非是一些零星产品的技术升级，更是企业建设逻辑的范式转换。这将驱动企业从短期的算力资源投入，转向长期的、可复利的数据资产积累，让原本持续消耗资源的成本中心，真正变成能够持续创造价值的价值中心。

支撑这套架构落地的，正是华为数据存储全面升级的全栈产品与解决方案。

在数据准备阶段，华为推出 AI 数据湖解决方案，打造一站式“AI 数据工厂”。其中 OceanStor Pacific 全闪分布式存储具备极高的存储密度，可将 100PB 数据的存储空间从 15 个机柜缩减至 1 个机柜，大幅降低海量数据存储的成本；DME 数据管理引擎则支持跨域数据的可视、可管与可流动，可实现千亿级数据的全自动处理与索引，高维度混合数据检索能够达到秒级响应。

面向 AI 推理场景，华为推出了两款核心产品。一款是 CMS 上下文记忆存储，作为 G3.5 层存储池产品，它在传统的内存、本地 SSD 与归档存储之间，构建起高扩展、高性能、大容量的共享 KV Cache 存储池，可扩展至 PB 级规模，能将推理首 Token 时延降低 90%。

另一款是业界首个“3+1”AI 数据平台，通过整合知识库、KV Cache 库、记忆库，搭配统一推理记忆数据管理技术，全面提升企业 AI 的推理体验与效率。

在模型适配与智能体开发环节，华为 ModelEngine 一站式 AI 工具链支持零代码一键部署模型，新模型可快速适配，还能通过智能调度提升算力资源利用效率，将智算资源利用率提升 30%。

ModelEngine Nexent 智能体平台则大幅降低了智能体的开发门槛，可将 Agent 上线周期缩短 80%，同时支持技能、提示词与记忆的自动优化，让智能体越用越聪明。

在全流程数据保护方面，华为 OceanProtect 备份存储提供多层联动的安全能力，可实现 99.99% 的勒索攻击检测率，事故数据 100% 恢复，为数据资产筑牢安全防线。

这套架构与产品们的落地效果，已经在多个行业得到了实践验证。

比如在科研领域，采用 OceanStor A800 AI 存储打造的“鹏城云脑 III”系统，登顶 IO500 总榜单与研究型榜单双榜第一，刷新历史纪录 2.8 倍，支撑起万亿参数大模型、多模态大模型与智能体的训练微调，赋能多个前沿学科研究。

再比如在城市存力建设领域，霸州存力中心以 OceanStor Pacific 分布式存储为底座，搭建 AI 数据湖解决方案，实现政务数据与行业数据的汇聚、治理与可信流通，推动数据向资产化、价值化转变。

还有在医疗行业，暨南大学附属第一医院依托华为存储搭建融合影像数据湖，实现 0 卡顿阅片、一秒千张的调用效率，病理大模型的应用大幅缩短了病理报告的发放周期，同时支撑脑机接口等前沿医学研究。

在金融行业，国联民生证券与华为深度合作，践行存算分离先进架构，为核心业务提供稳定支撑。目前华为数据库存算分离方案，已经覆盖 6 家国有大型商业银行、7 家股份制银行以及 46 家 TOP100 区域性金融机构，成为金融行业数字化升级的主流选择。

这些案例的共同特征在于：客户买的不再仅仅是存储硬件，而是一套让数据“存得下”到“用得好”再到“能增值”的完整能力。这恰恰印证了 AI DC 架构的核心主张 —— 数据资产积累才是企业 AI 长期价值的来源。

04.结语：存力筑基，长期主义胜出

如今，存力已经成为与算力同等重要的数字基础设施，数据资产化也将成为千行百业数智化转型的长期主线。未来企业之间的 AI 能力竞争，比拼的不只是算力规模的大小，更是数据的厚度、治理的效率与应用的深度。

对广大企业而言，AI 下半程的竞争刚刚拉开序幕。相比短期的算力投入，构建可持续积累的数据资产体系，是更具长期价值的战略选择。

而华为存储也将持续深耕，助力更多企业沉淀核心数据资产，在 AI 时代构建起长期、难以复制的竞争壁垒。

这条路可能很长，但方向已经清晰。