产品中心

作家 | 陈泊丞

数十亿建成的万卡GPU集群，践诺行使率不及40。

这不是某个智算中心的个例。在昔日两年里，显现了万里长征几十个智算中心形状，GPU买了批又批，但果然跑满的时辰未几。问题不在芯片自己——而在数据供给跟不上。

GPU在空转，等存储喂数据。这件事提及来粗陋，但背后却是笔庞大的“千里没本钱”：花了几十亿建算力，后发现瓶颈卡在存储上。

事实上，系数行业皆在盘考“算力瓶颈”，但果然拖慢AI落地节律的，很可能是存储。

有兴致的是，恰是在这届GTC上，英伟达次把“存储”放到了与“算力”并排的位置。它在节点中内置立的存储柜，界说新的AI存储参考架构（STX/CMX），并联12存储厂商发布治理案——这不是英伟达的老例操作。

靠GPU起的公司，为什么顷刻间对存储这样上心？这背后，是AI产业底层逻辑的次压根转换。

英伟达在GTC上给全行业补了堂存储课

要持续英伟达在GTC上的当作，先取得答个问题：为什么它要在这个节点作念这件事？

谜底的背后是个正在发生的大趋势：从“试验为”到“理为”的阶段转换。

昔日几年，AI行业的主要矛盾是“模子不够大、试验不够久”。其时辰存储是副角，GPU喂饱了数据就行。但是，当大模子启动大领域落地，理酿成了主战场，系数故事的底层逻辑就变了。

理需要什么？及时、低延迟、海量随即读写的数据造访。这跟试验阶段不同——试验不错批处理合肥不锈钢保温厂家，而理须秒反映；试验不错提前准备好数据，而理得随时待命。

黄仁勋在CES和GTC上皆说过句话：“KV Cache的激增足以催生个全新的存储商场”。这话听着像营销，但仔细想想，GPU厂商次公开承认“策画不再是稀缺的资源，数据供给才是”，这自己等于信号。

基于这个剖析，英伟达在GTC上径直出了三张关键，别离为CMX、AIDP和SCADA，对应回答的是不同头绪的问题。

先，CMX也等于G3.5层，回答“理太贵”的问题。当KV Cache从显存溢出到存储池，理本钱的核心矛盾从“算力贵”酿成“数据供给贵”。英伟达用CMX架构把存储能与GPU策画进行了度绑定，这套玩法实质上是“致协同设想”——存储不再是外挂硬盘，而是GPU系统的延长。

其次，AIDP回答“数据不敢动”的问题。入行业真实需求来看，企业不是没稀有据，而是数据不敢搬、不行搬。比方，金融客户的数据出不了机房，政务系统的数据有规条目，医疗数据碰皆不行碰。因此，英伟达提议“Data-in-Place”（数据当场处理），实质是让AI智力下千里到存储里，减少数据的搬运。

后，SCADA 回答“GPU吃不饱”的问题。在荐系统、图神经网罗这些场景，GPU需要从海量数据中随即读取小粒度的数据。可是，传统I/O旅途太重，GPU频繁“饿着肚子等数据”。为此，SCADA允许GPU绕过了CPU径直造访存储，带宽接近HBM，支握EB数据集——很赫然，这是为将来的及时决议场景铺路。

三张，三层问题，从咫尺到当下再到将来，组成了英伟达对AI存储的好意思满判断。也恰是在这个判断下，英伟达喊出了“2026 is the year of AI storage”。

商场的“冰与火”：繁荣的需求与广宽的误判

把视野拉回。

事实上，是天下AI存储需求繁荣的商场——这话不算夸张。智能客服、RAG学问中台、代码生成、自动驾驶仿真、智能制造......这些场景的落地速率实实在在走在了天下前哨。

在战术层面，“东谈主工智能+”铺开，数据身分×三年举止野心启动，“东数西算”2.0动算电协同——从规、基建到本钱，战术红利也在多个维度拉动了质地存储诞生。

客不雅而言，需求是真的。但这枚硬币还有另面。

多量智算中心的存储干与占比不及10，剩下的钱简直全进了GPU工作器。效果呢？GPU集群行使率广宽低于40，管道保温施工“算力满盈与存储瓶颈并存”成了种豪恣的现实。花了几十亿买算力，后发现卡脖子的不是芯片合肥不锈钢保温厂家，是数据供给。

这不是时代问题，是剖析问题。系数行业的防备力皆被“算力”两个字吸走了，没东谈主持重想过，卡能跑满吗？

毒手的是，冰层之下还有结构制肘，不是喊两句标语就能治理的。

比如法式缺失。面向昇腾、海光这类国产算力的存储架构和评测法式简直空缺，厂商各利己战，集成本钱企。再比如生态碎屑化。国内存储产业硬件智力强，但核心软件智力比如KV Cache转换算法、数据当场处理引擎——与英伟达的“致协同设想”比较，还有肉眼可见的差距。

有大的商场需求，但短缺把需求转换为产物的生态协同智力。这个矛盾不治理，需求繁荣就仅仅数字好意思瞻念，落不了地。

核心的问题，可能要靠存储厂商往复答

那么，这个局怎么破？

纪念个朴素的问题：谁懂数据？

当系数行业皆在盘考“用多GPU试验大模子”时，作念存储的东谈主在筹议另件事：数据从哪来、怎么理、怎么让AI用得上——这是两种不同的视角。算力厂商看的是“模子需要若干Flops”，存储厂商看的是“模子需要若干数据、怎么喂进去”。

这个视角各异，在AI大领域落地的阶段，变得前所未有的进击。

英伟为什么要界说AIDP参考架构并交给存储厂商出治理案在企业落地？因为越来越多的厂商坚韧到，数据供给的进口正在成为AI基础体式的核心卡口。存储不再是副角，它不错是主角，是AI系统的“数据核心”。

恰是基于这个判断，华为破了传统存储的烟囱式结构，用套底座即AIDP（AI Data Platform）架构掩盖了三大场景。

这套架构的核心逻辑其实很朴素：客户不需要为KV Cache、AIDP、SCADA别离建三套系统，这不是本钱问题，是现实不允许。举个例子，个智算中心可能有昇腾和海光的卡要兼顾，个金融机构的数据不行出域但又要相沿及时理——这些矛盾不是买多GPU能治理的，需要的是套能统转换、分层处理、渐进演进的存储架构。

围绕这个逻辑，华为在每层皆埋了具体的智力。

G3.5层，UCM（统缓存不断器）已毕显存与存储间的秒热迁徙，理并发智力晋升数倍——这治理的是“理贵”的问题，让PBKV Cache不再须驻留在不菲的HBM显存里。

企业AI层，VSS向量检索和RAG智力径直内嵌到存储系统，数据不必搬出去就能被调用——这治理的是“数据不敢动”的问题，规条目不是拘谨，而是架构设想的最先。

SCADA层，预留GPU Initiate IO接口，支握将来GPU径直造访大领域数据集——这步是面向将来的，当今能落地的场景有限，但架构要提前站位。

三层智力对应三层价值：咫尺的降本、当下的规、将来的彭胀。这不是堆砌，是有先判断的演进路子。

落地层面，基于OceanStor A800能AI存储和OceanStor Dorado全闪存存储，华为提供了体化和立式两种委派模式——前者面向新建场景，后者面向存量系统的渐进式改动。不同客户的现实处境不同，解法也不同，这自己等于求实的体现。

说到底，AI存储商场需要的不是“英伟达的版”，而是条适配原土需求的求实旅途。华为在作念这件事，不代表它是唯谜底，但这条路子的核心判断——统底座、平滑演进、数据安全内生，确乎回话了现时商场真实的痛点。

结语

GTC 2026梗概仅仅最先。

英伟达在补课，存储厂商在解题，商场的需求在倒逼系数行业再行谛视这个问题。当“算力”不再是稀缺资源的代名词，数据供给的率正在成为下阶段AI竞争的关键变量。

虽然，“重算力、轻存力”的惯念念维不会自动隐没。它需要有东谈主指出这个问题，需要有东谈主用践诺案例诠释：存储干与的ROI，可能比追加GPU能晋升系数系统的率。

这不是华为公司的事。这是系数行业皆需要回答的问题。

*本文图片均开首于网罗

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。