WAIC 2026观察：AI竞赛正在从算力延伸至“数据力”|ai竞赛|nand|上下文|大容量|池化|闪存

7月17日，备受瞩目的2026年世界人工智能大会（WAIC）正式开幕。这场以团结国际社会、推动人工智能发展与治理为重大使命的盛会，正成为AI发展史上的一个重要里程碑。

图1：2026世界人工智能大会现场，AI基础设施成为产业关注焦点

与往年不同，一个微妙的变化值得关注：企业级SSD、NAND闪存、KV Cache、分层存储，这些曾经只在硬件圈内讨论的关键词，开始更频繁地出现在AI基础设施的对话中。如今算力已不再是唯一瓶颈，“数据怎么存、多快能取、搬运效率如何”开始成为决定系统性能的关键变量。

存储在AI中的角色和地位，也由此开始被重新评估。

告别“冷板凳”：从数据仓库到数据引擎，存储的角色变了

过去，存储的定位很简单：数据的仓库。但在AI进入大规模推理与端侧部署的今天，这个定位已经过时。

训练阶段，一个千卡甚至万卡集群连续训练数周，硬件故障几乎不可避免。若没有高效的Checkpoint机制，意味着从零重启。一次从零重启的算力浪费可达数十万甚至上百万元。大容量QLC eSSD可发挥高密度与大容量的优势，为训练过程设置密集的“存档点”，确保故障后能从最近的节点快速恢复，而非从头再来。

推理阶段，挑战转向了KV Cache。当AI Agent需要同时处理128k上下文的文档分析、维持数十轮对话状态、调用外部工具链时，KV Cache的体积已远超单卡HBM的承载能力。一个40B参数的模型在128k上下文窗口下，单用户就要占用约40GB的KV Cache空间。分层存储的核心思路应运而生：将高频访问的“热”Cache留在GPU HBM，将次高频的“温”数据下沉至高性能TLC eSSD，将历史上下文等“冷”数据交由QLC大容量盘承载。这样一来，系统既能保证实时响应的低延迟，又能以可控成本支撑超长上下文的持续推理。

在端侧应用场景中，智能手机需要强化本地AI模型能力，以实现隐私保护、离线可用与实时响应；智能座舱则要求语音交互达到毫秒级延迟。此类场景对端侧存储提出了定向调优需求，以支持MoE架构及KV Cache下沉，同时兼顾低功耗、高可靠性与小型化。因此，具备高性能、低功耗及稳定可靠特性的UFS或eMMC存储方案，正成为支撑端侧智能发展的关键基础设施。

基于此，一个清晰的趋势逐渐浮现出来：存储正在从被动存放数据的“仓库”，升级为主动驱动AI效率的“数据引擎”。

谁来喂饱“饥饿的AI”：存算协同

本届WAIC的一个突出热点，是超节点和大规模智算集群。节点规模越大，需要在芯片、内存、存储和网络之间流动的数据也越多。如果数据读取、状态保存和节点间传输效率没有同步提升，新增的计算资源就未必能够被充分利用。

图2：AI超集群，折射大规模智算对存算协同的新需求

在WAIC期间各大分论坛中，存储的进一步分层被多次讨论和提及。业界正关注“HBM→DRAM→Local SSD→远端存储池”的四层分级架构，每一层的介质选择都由性能、容量和成本的性价比曲线决定。TLC NAND凭借高性能读写能力，承担KV Cache、Token缓存等热数据层；QLC NAND则凭借超大容量优势，承接Checkpoint、海量上下文数据等温冷数据层。两者并非谁替代谁，而是面向不同AI场景形成组合拳。

在具体实现层面，GDS（GPU Direct Storage）技术绕开CPU与主机内存，让GPU直接访问NVMe存储设备，在小数据包场景下带宽可提升一倍；更进一步，GIDS方案将存储I/O的控制面直接放在GPU端，由GPU Warp线程发起读写指令，彻底消除CPU软件栈开销，延迟进入微秒级。

与此同时，业内已有厂商基于自研DPU构建了原生KV语义引擎，摒弃传统文件系统的元数据负担，实现端到端的极简数据路径。展会上，沐曦科技提出了在GPU HBM与DRAM之间增加L1.5层的创新设计，用低成本SSD承接KV Cache命中。要知道，API推理计费中80%以上的成本来自KV Cache Hit，这一设计的经济价值不言而喻。

关于KV Cache应部署在本地直连还是远端池化，业内仍存在不同声音：本地部署延迟可控但弹性不足，远端池化利于资源共享却面临网络延迟与协议兼容性挑战。CXL作为内存池化的候选技术，其在超节点内的落地形态仍有待验证。此外，缺乏统一的KV Cache性能评估基准，也是各厂商方案难以横向对比的核心痛点。

可以说，存储不再是一个个孤立的硬盘或闪存颗粒，而是深度参与到数据流管理的系统级解决方案。

聚光灯之外，AI存储正在加速走向前台

从年初的CES，到3月的MWC Barcelona，再到此次WAIC，一条贯穿全球科技展会的趋势逐渐清晰：随着AI从云端模型走向AI PC、智能手机、汽车、机器人和大规模推理集群，存储正在从通用硬件转向面向不同AI负载设计的关键基础设施。

更值得关注的是，在这一轮存储产业升级中，中国存储企业正在成为不可忽视的力量。依托底层技术创新和持续完善的产品布局，它们正从单一产品供应走向多场景协同，逐步融入AI基础设施的核心链路。

以长江存储为例，其独创的晶栈® Xtacking®架构为3D NAND闪存带来了高性能、低功耗与高可靠性的底层支撑。长江存储科技有限责任公司固态硬盘事业部负责人谭弘曾在2026中国闪存市场峰会（CFMS）上提出，AI推理已经引发了存储的进一步分层，业界已经推出了Token的缓存层和性能的缓冲层。首先把KV Cache下放到eSSD作为一个缓冲。其次在性能缓冲层上，实现在多用户、多模型切换场景下对数据进行预读等，从而提升I/O的速度，减少等待。“至此，企业级的eSSD已经承担起上下文状态的管理、查阅知识的工作，eSSD将不仅是数据仓库，也将成为存算协同的数据引擎。”

面向AI数据中心场景，长江存储企业级eSSD产品矩阵，覆盖高性能、通用型与超大容量等不同企业级存储需求，为AI服务器的训练Checkpoint存储、推理KV Cache卸载提供了关键的本地高速存储层。

图3：长江存储企业级eSSD、商用级cSSD与嵌入式存储产品矩阵，覆盖云端与端侧AI场景

放眼更广的层面，本土存储企业正从单一硬件供应，走向覆盖AI训练、推理和智能终端的全栈存力解决方案提供商。从NAND颗粒到企业级SSD，从云端数据中心到端侧嵌入式设备，一个围绕AI需求的全链条能力体系正在加速成形。这不仅是产业链的升级，更是中国科技企业在AI基础设施层面建立起核心支撑力的关键一跃。

当AI真正开始行动

当AI真正开始行动，存储便不再只是保存过去，而是在帮助AI走向未来。正如前文所述，AI的竞赛进入下半场，算力已不再是唯一的主角，存储的价值正在被重新发现。市场爆发的引力、角色升级的推力、产业重构的合力，三重力量交织之下，存储已然成为AI基础设施无法绕开的核心一环。

在这场静水流深的产业重塑中，国产存储的发展已不再局限于某一类产品的替代，而是在沿着NAND介质、控制器、企业级SSD、嵌入式模组及系统方案等多个环节，构建面向AI时代的产业链能力。以长江存储为代表的中国存储企业，正依托长期的技术积累和清晰的产品布局，从支撑数据运行的核心介质，到连接云端与终端的多元应用，逐步深入AI基础设施的关键链路，为整个AI生态的演进提供底层支撑。