智東西
作者 李水青
編輯 漠影

當(dāng)下，OpenClaw——圈里人都叫它“龍蝦”，正引爆一場AI Agent需求狂潮。

不是小火慢燉，是沸水滾開。企業(yè)級AI應(yīng)用正從“聊兩句就走”的對話機器人，向“接了任務(wù)就能干”的自主執(zhí)行智能體，加速躍遷。

但當(dāng)熱度從技術(shù)圈蔓延到產(chǎn)業(yè)側(cè)，問題也隨之暴露：企業(yè)并沒有想象中那么容易把Agent用起來。

一方面，中心側(cè)推理效率成為瓶頸，大模型響應(yīng)慢、多輪對話越用越卡，直接影響用戶體驗；另一方面，邊緣部署則幾乎更是重災(zāi)區(qū)：部署周期長、成本高、運維復(fù)雜，讓大量企業(yè)望而卻步。

與此同時，全球存儲陷入“超級周期”漲價期，成本上漲，讓本就緊張的AI預(yù)算雪上加霜。受AI算力擴張帶來的數(shù)據(jù)洪流驅(qū)動，企業(yè)數(shù)據(jù)基礎(chǔ)設(shè)施投入水漲船高。模型越做越大，上下文越拉越長，數(shù)據(jù)模態(tài)越來越雜，智能體不僅要“吃得飽”，還得“吃得有營養(yǎng)”。對大多數(shù)企業(yè)而言，預(yù)算吃緊，但AI的胃口卻更難滿足了。

3月17日，華為出手了。

在2026年數(shù)據(jù)存儲新春發(fā)布會上，華為拋出了一個直擊要害的答案：推出面向中心推理場景的AI數(shù)據(jù)平臺，以及面向分支邊緣場景的FusionCube A1000 AI超融合一體機，試圖以“數(shù)據(jù)基建”的重塑，擊碎AI落地受阻的被動現(xiàn)狀。

▲華為存儲AI數(shù)據(jù)基礎(chǔ)設(shè)施產(chǎn)品矩陣

一、從存數(shù)據(jù)到養(yǎng)龍蝦：華為用兩款新品回應(yīng)推理時代降臨

如果說過去的大模型時代，企業(yè)的核心任務(wù)是“訓(xùn)練出一個好模型”，那么進入Agent時代，命題已徹底變了：不是能不能訓(xùn)出來、而是能不能用起來——穩(wěn)定、精準(zhǔn)、低成本地落地見效。

但現(xiàn)實很骨感。大多企業(yè)在Agent落地過程中，不約而同撞上三堵墻：

第一，“吃不飽”。企業(yè)坐擁海量私域數(shù)據(jù)，但這些無法被有效轉(zhuǎn)化為模型可用的“有效知識”，導(dǎo)致AI“有料但缺養(yǎng)分”；

第二，“記不住”。缺乏記憶能力，無法記住任務(wù)中間狀態(tài)、無法積累歷史經(jīng)驗，一旦遇到真實場景的復(fù)雜需求，便束手無策；

第三，“養(yǎng)不起”。尤其在分支邊緣場景，部署繁瑣、成本高昂、運維困難，AI看著好，就是難鋪開。

這次，華為并沒有空談概念，也不是拿單點方案修修補補，而是給出一套系統(tǒng)性的解法——在中心和邊緣兩端發(fā)力，同時重構(gòu)AI的數(shù)據(jù)底座。

1、中心側(cè)：讓數(shù)據(jù)變成“AI可直接消費的糧食”

華為數(shù)據(jù)存儲產(chǎn)品線副總裁謝黎明在發(fā)布會上直言：“企業(yè)現(xiàn)在很容易獲得GPU算力，也能獲取比較先進的模型，但一旦開始用自身的數(shù)據(jù)，問題就接踵而來�！彼堰@些問題歸結(jié)為三類：知識過時、長序列推不動和缺少長期記憶。

▲華為存儲產(chǎn)品線副總裁、閃存領(lǐng)域總裁謝黎明

為此，華為推出了一套全新的AI數(shù)據(jù)平臺，即承載了知識庫、KV Cache加速、記憶庫三大能力，三者能被華為UCM（Unified Cache Manager）統(tǒng)一調(diào)度、協(xié)同工作，像一個人的眼、手、腦，各司其職，又渾然一體。

▲謝黎明在講解AI數(shù)據(jù)平臺

知識庫解決的是“吃什么”的問題。通過多模態(tài)解析、Token級表征與融合檢索，企業(yè)數(shù)據(jù)從“原料”轉(zhuǎn)化為“營養(yǎng)”。知識檢索精度可達(dá)95%以上，從而解決“找不到、找不準(zhǔn)”的問題。

KV Cache加速解決的是“吃得快”的問題。過去的AI，問一句等半天，轉(zhuǎn)圈圈是常態(tài)。華為通過HBM、DRAM、SSD三層緩存架構(gòu)，構(gòu)建超大規(guī)模KV Cache池，數(shù)據(jù)在不同層級間按需流動，用查詢的方式，避免重復(fù)計算。首Token時延降低90%，推理吞吐提升2倍。

記憶庫解決的是“如何越吃越聰明”的問題。其支持工作記憶與長期記憶，既能記住當(dāng)前任務(wù)上下文，也能沉淀每次交互的經(jīng)驗，使Agent從“金魚”進化為“大象”，推理準(zhǔn)確率提升30%。

▲華為AI數(shù)據(jù)平臺核心設(shè)備

2、邊緣側(cè)：讓中小企業(yè)也能“拎包養(yǎng)蝦”

如果說中心場景拼的是算力密度、數(shù)據(jù)效率，那么在分支邊緣場景，就拼的是落地性價比。建設(shè)成本高、業(yè)務(wù)周期長、調(diào)優(yōu)門檻高，每個都扎在真金白銀上。

華為FusionCube A1000 AI超融合的答案，只有四個字：開箱即用。

它融合通算智算一體化交付，還將AI平臺、容器調(diào)度平臺以及智能體預(yù)集成在一體機中，傳統(tǒng)方案從設(shè)備安裝到業(yè)務(wù)上線需要18周（4個月），而FusionCube A1000將這個周期縮短到2周。

真正的殺招，還不止于此。

▲華為FusionCube A1000 AI超融合

它不是那種“裝完就廢”的一次性盒子，而是一個能與中心協(xié)同進化的智能節(jié)點。邊緣側(cè)產(chǎn)生的數(shù)據(jù)可以回傳至中心，在中心完成模型增訓(xùn)后，知識庫與記憶庫完成更新沉淀，再將進化后的模型一鍵下發(fā)至邊緣側(cè)，形成一個持續(xù)滾動的數(shù)據(jù)飛輪。

▲華為FusionCube A1000 AI超融合支持智能體持續(xù)學(xué)習(xí)

華為存儲產(chǎn)品線副總裁張偉力在發(fā)布會上用了一個生動的比喻：“我們給AI裝上了海馬體——知識庫讓推理越來越精確，記憶庫讓決策越來越準(zhǔn)確，數(shù)據(jù)飛輪啟動后，AI才能持續(xù)進化。

▲華為存儲產(chǎn)品線副總裁、虛擬化領(lǐng)域總裁張偉力

二、數(shù)據(jù)即戰(zhàn)略，華為持續(xù)為AI Agent“建糧倉、備糧草”

兩款新品的背后，藏著華為存儲對AI時代的明確判斷：AI的下半場拼的不是算力，是數(shù)據(jù)。

算力可以花錢買，模型可以開源拿，但高質(zhì)量的數(shù)據(jù)、可消費的知識、可沉淀的記憶，這些決定AI能否真正跑通商業(yè)閉環(huán)的東西，買不來，也抄不走。

回顧過去一年華為存儲的動作，可以清晰地看到一條“為AI鋪路”的戰(zhàn)略主線：

第一階段主攻性能突圍：劍指AI集群訓(xùn)推的性能天花板。 2025年，華為發(fā)布OceanStor A800高性能AI存儲，單設(shè)備提供1000萬IOPS、500GB/s超高帶寬，支持NPU/GPU Direct Storage技術(shù)。什么意思？就是讓存儲不再成為GPU性能等待的拖油瓶。

第二階段聚焦數(shù)據(jù)治理：聚焦多模態(tài)數(shù)據(jù)治理難題。華為推出AI數(shù)據(jù)湖，以O(shè)ceanStor Pacific分布式存儲為底座，疊加DME統(tǒng)一數(shù)據(jù)空間能力，實現(xiàn)跨域跨集群數(shù)據(jù)的全局可視、可管、可流動，將散落一地的數(shù)據(jù)收攏成湖。在中國崖州灣國家實驗室，華為將跨地域的多組學(xué)數(shù)據(jù)、文獻(xiàn)數(shù)據(jù)、農(nóng)業(yè)采集數(shù)據(jù)匯聚聯(lián)通，為農(nóng)業(yè)分析模型與智能體開發(fā)提供數(shù)據(jù)語料基礎(chǔ)。

第三階段加碼行業(yè)落地：瞄準(zhǔn)AI行業(yè)化落地的數(shù)據(jù)工程難題。華為發(fā)布DCS AI解決方案，核心基于ModelEngine工具鏈，內(nèi)置數(shù)據(jù)工程、模型工程與應(yīng)用開發(fā)能力，大幅縮短AI開發(fā)周期。在與上海瑞金醫(yī)院的合作中，雙方僅耗時3個月研讀103萬張病理切片，推出RuiPath病理診斷模型，常見病理知識回答準(zhǔn)確率超90%，在14個輔助診斷任務(wù)測試中全部領(lǐng)先，其中7個達(dá)到國際SOTA水準(zhǔn)。閱片時間從20分鐘縮短至10秒。

這三個階段走下來，華為完成的是從“存得下”到“管得好”再到“用得上”的能力躍遷。當(dāng)來到AI推理的“最后一公里”，于是，有了第四階段。

第四階段聚焦AI落地閉環(huán)：于中心側(cè)，AI數(shù)據(jù)平臺讓推理體驗跑入一個新時代；于邊緣側(cè)，F(xiàn)usionCube A1000讓專業(yè)人才緊缺的中小企業(yè)也能“拎包入住”。

這四個階段，本質(zhì)上完成了一輪底層能力的躍遷。換句話說，這不是東一榔頭西一棒槌，而是一步一步把路修到AI腳下，華為正在把“存儲”，重新定義為AI時代的“操作系統(tǒng)語言”。

結(jié)語：誰掌握數(shù)據(jù)底座，誰掌握AI主動權(quán)

“AI的下半場是推理�！边@已是行業(yè)共識。有研究預(yù)測，到2026年，全球訓(xùn)練與推理的資金投入占比將從過去的8:2變?yōu)?:8。中國市場的數(shù)據(jù)則更具沖擊力：2026年2月，國內(nèi)頭部模型在單周內(nèi)的Token調(diào)用量一度突破5萬億，創(chuàng)下新高。

那么，“AI下半場拼的是數(shù)據(jù)”，這句話在今天聽來已不再是口號，而是每一家試圖用AI重塑業(yè)務(wù)的企業(yè)必須直面的現(xiàn)實。當(dāng)算力逐漸商品化、模型逐漸開源化，真正構(gòu)成競爭壁壘的，是企業(yè)能否將數(shù)據(jù)資產(chǎn)成功轉(zhuǎn)化為AI可消費的知識與記憶。

華為的野心，是做AI時代的“數(shù)據(jù)底座”。無論是中心的超級智算中心，還是邊緣的零售門店、工廠車間、醫(yī)療機構(gòu)，AI終將無處不在。而華為正在用一套覆蓋數(shù)據(jù)全生命周期的產(chǎn)品矩陣，順應(yīng)這個時代的洪流。

數(shù)據(jù)永遠(yuǎn)是一切智能的源頭。

這一次發(fā)布的AI數(shù)據(jù)平臺和FusionCube A1000，試圖讓每一個智能體有糧可吃、有憶可循。可以預(yù)測，在數(shù)據(jù)成為核心戰(zhàn)略資源的未來，誰掌握數(shù)據(jù)底座，誰就將掌握智能的主動權(quán)。