8月6日，2026华为数据存储用户精英论坛暨OceanClub嘉年华在无锡举行。会上，华为围绕AI数据湖、AI数据平台、算力、模型和Agent五个层次，介绍了AI DC数据基础设施全栈方案，并公布了过去一年针对用户反馈进行的TOPN专项改进。 与过去更多强调单一存储产品不同，这次华为讨论的核心问题是：当企业开始部署大量模型和Agent之后，数据应该如何被存储、管理和持续调用。 华为公司副总裁、数据存储产品线总裁袁远在会上提出，AI发展的重点正在从算力、模型逐渐延伸到数据。在他的划分中，企业AI DC数据基础设施可以分为五层：底层是AI数据湖，向上依次是AI数据平台、算力层、模型层以及Agent平台，数据安全和韧性则贯穿整个架构。 这套架构并非此次无锡会议首次提出。华为此前已经发布相关AI DC数据基础设施方案，此次论坛更多是针对国内企业的实际部署，对各层能力进行了进一步拆解。 从“把数据存下来”，到让数据进入推理过程 最底层的AI数据湖首先解决数据分散的问题。企业内部的数据通常散落在不同数据中心、服务器和业务系统中，而且包含文本、图像、视频等不同类型。进入AI阶段之后，这些数据还要进一步经过清洗、标注、检索和转换，最终成为模型训练和Agent调用的语料与知识。华为希望通过OceanStor Pacific、Omni-Dataverse等产品，将原本分散的数据形成统一数据空间。 但此次论坛更值得关注的变化发生在AI数据平台层。随着推理规模扩大，Agent运行过程中产生的上下文数据急剧增加，仅依靠HBM显存和DRAM内存已经开始面临容量和成本压力。华为提出了业界首个面向大规模推理、支持异构算力的上下文记忆存储CMS，是一种G3.5存储。 在随后的媒体沟通会上，华为数据存储产品线相关负责人吴俊杰解释了G3.5存储的定位：当前AI行业通用的存储层级，普遍遵循G1（HBM）-G2（DRAM）-G3（本地SSD）-G4（共享存储）的四层架构。G3.5存储是在大模型推理数量大幅上升的情况下产生出来的新事物。当HBM和内存在价格、容量上不能满足Token数量以及序列长度要求的时候，就需要一种新的存储形态。 按照他的判断，当推理集群进入超节点以及千卡、万卡规模，需要构建PB级共享KV Cache池时，这类外置上下文存储的收益才会更加明显。 也就是说，G3.5并不是简单用SSD代替显存，而是置于G3层与G4层之间，在G1层（HBM）、G2层（DRAM）之外增加一个高速、容量更大、可以共享的中间缓冲层，把不需要始终驻留显存的数据保存下来，减少重复计算。存储由此开始从传统的数据持久化设备，进入到模型推理的路径之中。 为什么突然强调“全栈” 过去一年，华为已经陆续发布AI数据湖、UCM推理记忆数据管理以及AI数据平台等技术。今年开始频繁强调“全栈”，是否意味着存储战略发生变化？ 吴俊杰表示，整体方向并没有改变。“所有动作的核心始终只有一个——推动AI落地。”过去更多是在具体场景中做单点突破，例如KV Cache、知识库和行业联合创新；现在所谓全栈，是把此前形成的不同能力整合到统一架构中。“战略是没有变化的，我们应该说是在逐步深化。” 这种变化也意味着华为数据存储产品线正在向传统存储边界之外延伸。例如，ModelEngine开始覆盖模型部署以及GPU、NPU资源调度；Nexent则进一步进入Agent开发和运行环境。华为希望将数据、算力、模型和Agent之间原本分散的环节连接起来。 对于企业而言，更现实的问题是：过去已经投入大量资金建设的数据中心怎么办？吴俊杰表示，华为提供了多种灵活部署方式。以AI数据平台为例，目前提供两种方式：新建AI数据平台的客户可以使用OceanStor A800；而已经部署OceanStor Dorado的客户，可以通过增加数据引擎节点，在保留原有存储投资的基础上增加AI能力。 这实际上反映了当前企业AI基础设施的一个普遍状态：传统数据库、ERP等业务不会因为AI出现而消失，未来相当长时间内，传统IT和AI工作负载仍然会共存。因此，AI数据中心更多会是渐进式改造，而不是一次性重建。