智東西
作者 陳駿達
編輯 云鵬

智東西5月21日報道，今天，華為在法國巴黎舉辦的創新數據基礎設施論壇上，集中展示了面向AI時代的數據基礎設施最新解決方案，并提出從“高可用”邁向“高韌性”的數據基礎設施新理念。

華為公司副總裁兼數據存儲產品線總裁袁遠系統闡述了企業構建私有AI堆棧的五層架構需求，梳理了華為面向超大規模數據中心的OceanStor Pacific系列存儲、上下文記憶存儲平臺CMS、一站式模型工程平臺ModelEngine以及智能體開發平臺Nexent等全棧解決方案。

針對數據基礎設施韌性，華為法國數據中心解決方案CTO Beno?t Fix認為，傳統災備設計已過時，企業面臨AI供應鏈風險、微服務脆弱性及災備測試滯后三大新風險。他介紹了華為的“0135”智能運維框架，并強調在智能時代，唯一可以確定的就是數據基礎設施的韌性。

華為菲爾茨研究中心首席存儲科學家David Slik則分享了華為數據存儲技術的未來演進方向，包括高帶寬閃存（HBF）、存儲-計算-網絡融合、新型AI接口（知識服務與記憶服務）、統一權限系統等六大重點攻關技術，旨在構建可解釋、可逆和受約束的AI系統。

此外，來自挪威國家圖書館、法國零售巨頭歐尚、法國電信運營商Orange、國際自然保護聯盟等企業、機構的嘉賓也分享了與華為長期合作、共同構建數據基礎設施的實踐經驗。

一、AI驅動數據黃金時代，華為已覆蓋企業AI五層堆棧

開幕環節中，華為執行董事、ICT業務集團CEO楊超斌通過視頻發表了開幕致辭。他認為，AI正在驅動一個數據的黃金時代，token經濟全速推進，而數據是基礎。

楊超斌稱，數字化的深度將決定智能化的高度，全閃存存儲將成為AI數據中心標配，數據范式正發生根本性轉變，以支持大模型的發展。

隨后，華為歐洲企業業務總裁宋文琦在歡迎辭中稱，歐洲正通過“AI大陸行動計劃”和19座已建成的AI工廠加速智能轉型，華為將憑借“全智能化”戰略和位于歐洲的29個研發中心，提供領先的產品與解決方案，全力投入歐洲的綠色與數字化雙重轉型，并堅持“在歐洲、為歐洲”的策略。

IDC高級研究總監Andy Buss在主旨演講中談道，科技正處于前所未有的大變革之中，我們正進入由生成式AI和智能體（Agentic AI）驅動的“AI超級周期”。

他認為，AI正從訓練時代轉向推理及智能體時代。全球已有超過3000萬個AI智能體在協同工作，預計到2030年這一數字將超過22億。AI正從后臺效率工具，轉變為面向員工、客戶和伙伴的數字體驗提供者，乃至商業模型本身。到2029年，企業AI投資將增長到千億美元規模。

但挑戰依然存在。許多企業在規?；螦I時面臨困難，而其中最關鍵的是數據就緒度。IDC預測，到2026年，因缺乏高質量AI就緒數據，將導致企業生產力損失15%。Andy Buss強調，沒有優質數據，AI無法產出優異成果。企業需要建立統一的數據湖和高質量數據平臺，這是智能體系統的生命線。

華為公司副總裁兼數據存儲產品線總裁袁遠系統闡述了如何構建面向AI時代的就緒數據基礎設施。

他觀察到，Token正成為一種新的信用形式。OpenAI的報告顯示，該公司的Token處理量在一年間從每分鐘60億個躍升至150億。這意味著AI從根本上改變了我們的日常生活，也改變了我們的商業模式和日常運營。

袁遠通過多個案例，提煉出企業構建AI堆棧的五層架構需求。

在最頂層的是智能體框架層。企業需要簡易的開發平臺、安全的運行環境及持續演化能力。第二層是模型，企業需要一站式工具進行模型部署、精調、評估和對齊。

而在計算層，企業需要GPU、NPU等異構算力。AI數據平臺層是承載關鍵業務的核心環境，需要高性能知識庫、可大幅節省首Token時延與成本的KV緩存，以及讓智能體越用越聰明的記憶系統。在最底層，企業需要打造數據湖層。

華為目前在上述五層都可以提供解決方案。

在數據湖層，華為的OceanStor Pacific系列產品面向需要處理超大規模數據的客戶，系統可從幾TB擴展至9000 PB，單機柜容量達100 PB，擁有業界最高的密度與最低的單位功耗。

在這一層華為還提供提供跨數據中心的統一管理工具，實現全局數據可見性，支持百萬級文件秒級呈現，數千億文件秒級定位，支持向量維度檢索，可實現圖搜圖、視頻搜圖、圖搜文等跨模態搜索。

數據平臺層，華為提供了CMS上下文記憶存儲平臺，面向超大規模數據中心、超級計算機及AI for Science場景，為擁有數千張計算卡的AI系統提供獨立的、高性能的內容內存存儲池。

華為的解決方案是業內首個能連接異構計算系統（英偉達、華為、AMD等不同廠商的AI卡）的架構，單卡性能達50 GB/秒，聚合性能可達10 TB/秒。

同時，面向中小規模企業客戶，華為提供了3+1一站式解決方案，以OceanStor A800為例，該產品具備高性能知識庫、PB級KV緩存、自我演進的記憶系統以及UCM（統一協調管理）功能。

在模型引擎層，華為通過核心產品ModelEngine，為客戶提供一站式模型工程化平臺，幫助用戶將模型部署到生產環境。

該平臺具備全生命周期工具鏈，涵蓋模型優化、對齊、權重調整、量化與評估等關鍵環節；預置超過30個流行模型，實現開箱即用；并設有模型網關作為統一入口，連接模型與外部資源。

同時，ModelEngine支持智能資源調度，能夠細粒度、按需分配GPU資源，并根據需求動態切換或關閉不同模型，從而最大化GPU利用率、有效降低成本。

在智能體平臺層，華為推出Agent平臺Nexent，旨在降低智能體開發門檻，并保障企業級應用的安全與可靠性。該平臺支持通過自然語言生成智能體或技能，配合圖形化工具和鏈條拖拽，使醫生、金融從業者、教師等非技術用戶也能輕松開發智能體，無需編寫Python代碼。

平臺內置自我演進框架，可推動技能與提示詞的持續優化；同時提供強安全隔離區域，將運行環境與其他資源進行物理或邏輯隔離，并在各層面嵌入針對誤用、數據投毒、篡改及勒索軟件等威脅的防御技術，實現多層次的主動安全防護。

袁遠總結道，AI的第一章是算力，第二章是模型，而第三章是智能體。第四章將是數據，數據“將最終決定你的AI能力與安全”。

二、從“高可用”到“高韌性”：華為應對AI存儲三大新風險

當前，數據基礎設施正從追求“高可用”轉向追求“真正的高韌性”。

華為法國數據中心解決方案CTO Beno?t Fix在演講中直言，過去兩年IT行業經歷了深刻變化，傳統基于單一站點、單一應用的災備設計思路已經過時。

他說道：“如今，我們的應用和服務跨越多個城市、多個國家、多個區域部署，是真正的跨地域協作，災難恢復能力已不能再簡單等同于可用性?！?/p>

Fix重點剖析了當前面臨的三大新風險。首先是AI普及帶來的供應鏈風險。大量應用基于開源軟件工具鏈構建，一個底層組件一旦被攻擊者注入漏洞，可能引發連鎖反應。

其次是容器化與微服務架構帶來的脆弱性?！耙淮螁我晃⒎盏墓收?，就可能演變為整個業務的中斷，”他舉例說，近期引發全球關注的重大互聯網事故即是明證。

最后，也是最為關鍵的一點：用戶的災難恢復能力測試普遍滯后。

Fix觀察到，如今企業高層提出了從“性能優先”到“數據為核”的設計范式轉移。Fix強調，在AI時代，尤其是面對無法預測的AI工作負載，傳統的服務質量控制已捉襟見肘。“你必須為關鍵應用的最差場景做規劃，無論是控制器故障還是磁盤損壞，高峰性能都必須得到絕對保證?！?/p>

在數據存儲層面，Fix介紹了華為的OceanStor Pacific系列解決方案，其關鍵突破在于可實現最高三個站點的雙活容災，并支持多達十二個站點的多活部署，同時優化了海量數據下的故障檢測和快速重建機制。

針對備份，Fix認為恢復性能是核心。“我們正全力推動全閃存備份，因為恢復速度決定了業務生死。”為優化成本，華為同時引入了新型磁盤技術，混合使用SSD和HDD，在性能與成本間取得平衡。

此外，面對攻擊者同樣利用AI分析漏洞、開發定制化攻擊代碼的新形勢，華為為其OceanProtect X8100/9100專用備份存儲打造了多層協同防護體系：從快速備份、入侵分析，到具備“潔凈區”氣隙隔離的復制方案，最終確保存有一份絕對安全的數據副本。

在運維層面，Fix宣布推出“0135”智能運維框架：0人工主動預防、1分鐘故障檢測、3分鐘問題定界、5分鐘根因分析。Fix說道：“我們能做到這一點，完全依賴于AI?！?/p>

華為為此開發了名為DataMaster的新智能運維Agent，能從容量規劃、性能監測到風險預警，實現從人工經驗驅動到數據驅動的轉型。

“在智能時代，不確定性無處不在，”Fix最后總結，“唯一可以確定的，就是數據基礎設施的韌性。它比高可用要重要得多?！?/p>

三、構建可解釋、可逆、受約束的AI系統，六大技術方向布局未來

華為菲爾茨研究中心首席存儲科學家David Slik分享了華為在數據存儲領域的技術探索與未來演進方向。

Slik稱，從生成式AI的初步實驗、聊天機器人等應用部署，到如今關鍵業務場景的真實落地，AI應用才剛剛開始。

除了生成式AI，能夠感知并響應環境的“物理AI”正在興起，最典型的應用是自動駕駛。同時，組織內部人與技術的邊界日益模糊，智能體能力增強，可自主承擔更多任務，逐漸成為工作中的“伙伴”。

Slik甚至預測，幾年后企業可能會出現類似人力資源的崗位，專門管理智能體部署中產生的問題。

在這一趨勢下，數據存儲處于核心位置。數據用于訓練模型，針對業務場景微調模型，增強推理所需的上下文，引入實時感知，并保存所有運行記錄。存儲承載著反饋閉環，而反饋閉環正是價值來源。

隨著AI從內容生成走向任務自動化，再到企業級自主運行，數據存儲也必須從單點支持，演進為支撐智能體協同、執行、評估、反饋、審查與觀察的核心角色。Slik強調，當前最具價值的智能體部署模式之一，就是參照人類組織的運作方式，讓AI智能體融入其中。

他重點分享了三個正在研究的關鍵挑戰及應對方向：

首先是效率與成本。企業在AI落地后常常面臨高昂賬單，難以規模化。Slik稱，軟硬件深度整合的存儲技術可顯著降低硬件自身及運行過程中的能耗，并且隨著上下文長度增加，這一優勢更為明顯。要讓AI更準確、更可靠，需要引入更多上下文信息，而存儲正是保存上下文的基礎。通過存儲避免重復計算，可直接應對成本與能耗挑戰。

其次是可信與可靠性。如果AI不可信、不可靠，可持續發展便無從談起。存儲在提供知識與記憶服務方面扮演關鍵角色，幫助AI達到業務運行所需的準確性與可信度。

第三是隱私與安全。缺乏社會信任，可持續和可靠的AI部署仍會受阻。AI帶來新脆弱性，放大已有使用風險，并已被攻擊者日常利用。存儲能夠在強制執行訪問權限、保護個人身份信息、知識產權、企業及客戶數據機密性，以及實現錯誤后的回滾等方面發揮關鍵作用。企業需要為智能體系統構建類似于人類組織的糾錯和審查流程，存儲可以賦能這一過程。

隨后，Slik介紹了華為在數據存儲領域的幾項技術探索：

高帶寬閃存（HBF）技術讓NAND閃存和數據存儲更靠近AI加速器，在實現大規模并行I/O吞吐、增加容量和降低成本三方面同時取得突破，不僅能支持更長上下文，還通過減少數據搬移降低能耗，并讓AI加速器成為存儲系統的有機組成部分。

存儲、計算與網絡融合技術消除了多套重復網絡的復雜性和成本。存儲可直接通過高性能、低延遲的統一網絡連接AI加速器，省去大量低效協議轉換、內存拷貝和隊列等待，實現更快的AI處理和更低能耗。

在準確性與可信度方面，除了傳統的文件、塊、對象接口，華為正研發新型AI接口，支持快速檢索精準數據并加載到AI智能體上下文中，這些被稱為“知識服務”和“記憶服務”。它們讓AI能夠理解數據之間的關系、上下文、邏輯和語義，以及這些知識如何隨時間與智能體的思考過程交織。

存儲系統需要創建“AI就緒”的知識表示，將原始數據中的關系提取出來，這本身可借助AI智能體來完成，從而實現“可解釋AI”，使AI的請求、輸入數據、思考過程、工具調用和結論都清晰可見，便于觀測、分析，甚至讓一個智能體去審查另一個智能體的行為。

在安全方面，華為正研發統一權限系統，確保無論通過數據庫、文件系統還是AI知識系統訪問，數據訪問控制都能一致執行。智能體狀態事務引擎可暫時保留中間狀態，用于實時監督分析、問題檢測以及主動回滾和恢復。

此外，華為還推動機密數據與計算分離，使同一基礎設施安全地同時處理普通數據和高保密數據。這些技術共同構建起可解釋、可逆和受約束的AI三大特性。

最后，Slik強調了六大重點攻關方向：縮小HBM與NAND之間的差距，將高帶寬閃存應用于更多AI負載；應對數據“太珍貴不能刪、太昂貴難以存”的矛盾，在歸檔存儲容量和成本上尋求重大突破；把數據處理和存儲能力延伸進網絡本身；防止知識表示過程中的數據無序復制和格式混亂，避免降低準確性；持續探索知識圖譜與細粒度安全的最佳實踐；增強不同負載下存儲生命周期的可見性，使存儲成為可預測的消耗品。

結語：數據基礎設施成為AI時代關鍵基石

在AI時代，存儲已從后臺的數據倉庫逐漸轉變為影響智能高度的關鍵基礎設施。它不僅是海量知識的載體，也是確保AI可信、高效與安全的基石。

從降低推理成本、支撐長上下文理解，到構建可解釋、可回溯的智能系統，數據基礎設施正成為AI基礎設施的關鍵一環。