在人工智能領(lǐng)域，大模型的發(fā)展曾一度聚焦于“招式”的驚艷——能看、能寫(xiě)、能答，仿佛無(wú)所不能。然而，當(dāng)AI真正邁向規(guī)?；涞仉A段，一個(gè)現(xiàn)實(shí)問(wèn)題逐漸浮現(xiàn)：僅靠“反應(yīng)迅速”遠(yuǎn)遠(yuǎn)不夠，能否在復(fù)雜任務(wù)中保持狀態(tài)、串聯(lián)知識(shí)、形成長(zhǎng)期記憶，成為決定AI能否從“工具”升級(jí)為“助手”的關(guān)鍵。這場(chǎng)變革，正推動(dòng)企業(yè)AI的競(jìng)爭(zhēng)從“拼招式”轉(zhuǎn)向“拼內(nèi)功”。

華為數(shù)據(jù)存儲(chǔ)領(lǐng)域總裁謝黎明在近期的一場(chǎng)發(fā)布會(huì)上指出，企業(yè)AI的核心資產(chǎn)正在從“數(shù)據(jù)”向“知識(shí)與記憶”轉(zhuǎn)型。過(guò)去，企業(yè)數(shù)字化建設(shè)的核心是“存、管、用”數(shù)據(jù)；如今，隨著智能體深入業(yè)務(wù)系統(tǒng)，AI需面對(duì)的已非簡(jiǎn)單的“對(duì)話(huà)”場(chǎng)景，而是三道更現(xiàn)實(shí)的挑戰(zhàn)：知識(shí)生成效率低、檢索不精準(zhǔn)；推理成本高、速度慢；缺乏長(zhǎng)期記憶能力，復(fù)雜任務(wù)難以閉環(huán)。這些問(wèn)題，正成為制約AI落地的“隱形門(mén)檻”。

以知識(shí)管理為例，企業(yè)內(nèi)部數(shù)據(jù)往往分散在文檔、表格、日志等不同系統(tǒng)中，格式各異且歷史包袱沉重。傳統(tǒng)方法抽取知識(shí)效率低下，檢索結(jié)果?！八剖嵌恰?，導(dǎo)致AI雖能回答問(wèn)題，卻未真正理解業(yè)務(wù)邏輯。而在推理場(chǎng)景中，GPU顯存的昂貴與有限，疊加緩存命中率、數(shù)據(jù)調(diào)度效率等因素，使得企業(yè)常面臨“算力夠但等不起”的困境——模型能計(jì)算，業(yè)務(wù)卻因延遲而無(wú)法承受。更棘手的是，智能體在跨步驟、跨系統(tǒng)任務(wù)中極易“失憶”，記不住用戶(hù)偏好或前置決策，最終淪為“高級(jí)聊天機(jī)器人”。

針對(duì)這些痛點(diǎn)，華為在發(fā)布會(huì)上推出了面向AI推理時(shí)代的AI數(shù)據(jù)平臺(tái)（AIDP），試圖為“中心推理”場(chǎng)景提供系統(tǒng)性解決方案。謝黎明將其定義為“整合知識(shí)庫(kù)、KV Cache庫(kù)、記憶庫(kù)與統(tǒng)一緩存管理（UCM）的架構(gòu)，直擊三大挑戰(zhàn)”。從技術(shù)架構(gòu)看，AIDP采用“3+1”模式：知識(shí)庫(kù)負(fù)責(zé)知識(shí)生成與高質(zhì)量檢索；KV Cache庫(kù)優(yōu)化推理速度與成本；記憶庫(kù)支持長(zhǎng)期記憶與復(fù)雜任務(wù)；UCM則統(tǒng)籌不同存儲(chǔ)介質(zhì)間的數(shù)據(jù)流轉(zhuǎn)，確保高效協(xié)同。

這一平臺(tái)的核心價(jià)值，在于推動(dòng)企業(yè)AI從“演示級(jí)”邁向“生產(chǎn)級(jí)”。例如，在知識(shí)管理層面，AIDP重構(gòu)了知識(shí)抽取、向量化、索引與檢索的全鏈路，支持多模態(tài)數(shù)據(jù)，使知識(shí)生成效率提升2倍，檢索準(zhǔn)確率超95%。在推理優(yōu)化層面，通過(guò)將KV Cache從GPU顯存解耦至高性能存儲(chǔ)介質(zhì)，并結(jié)合UCM的冷熱分層調(diào)度，首Token時(shí)延降低90%，推理吞吐提升2倍，顯著緩解了GPU成本壓力。而在記憶能力層面，記憶庫(kù)的引入讓智能體能夠記錄用戶(hù)偏好、延續(xù)任務(wù)狀態(tài)，并在長(zhǎng)期互動(dòng)中沉淀經(jīng)驗(yàn)，真正從“會(huì)說(shuō)話(huà)”進(jìn)化為“能做事”。

值得注意的是，AIDP并未采取“推倒重來(lái)”的激進(jìn)策略，而是支持兩種部署模式：既可將知識(shí)庫(kù)、記憶庫(kù)與KV Cache能力一體化整合至OceanStor A800中，也可在現(xiàn)有OceanStor Dorado存儲(chǔ)上通過(guò)外置節(jié)點(diǎn)獨(dú)立部署。這種“平滑升級(jí)”的設(shè)計(jì)，既保護(hù)了企業(yè)既有投資，又降低了技術(shù)遷移風(fēng)險(xiǎn)，更貼合企業(yè)級(jí)應(yīng)用的決策邏輯——可控、可持續(xù)的演進(jìn)路徑，往往比“性能翻倍”的承諾更具吸引力。

從更宏觀的視角看，AIDP的推出標(biāo)志著企業(yè)存儲(chǔ)角色的轉(zhuǎn)變。過(guò)去，存儲(chǔ)的核心指標(biāo)是容量、性能與可靠性；如今，華為開(kāi)始強(qiáng)調(diào)“知識(shí)、緩存、記憶”等新關(guān)鍵詞。這并非營(yíng)銷(xiāo)話(huà)術(shù)的更新，而是基礎(chǔ)設(shè)施定位的升級(jí)：在AI時(shí)代，存儲(chǔ)不僅是數(shù)據(jù)的“倉(cāng)庫(kù)”，更需成為模型的“神經(jīng)系統(tǒng)”——高效組織知識(shí)、承接緩存、管理記憶，支撐智能體持續(xù)運(yùn)行。正如謝黎明所言：“AI推理時(shí)代，存儲(chǔ)平臺(tái)的價(jià)值不在于‘喂數(shù)據(jù)’，而在于‘養(yǎng)記憶’?！?/p>

當(dāng)AI從“會(huì)生成”邁向“會(huì)執(zhí)行”，企業(yè)需要的不僅是更快的存儲(chǔ)，而是更懂AI邏輯的數(shù)據(jù)底座。華為的探索，或許為行業(yè)提供了一個(gè)新思路：在模型能力日益趨同的今天，誰(shuí)能補(bǔ)上“長(zhǎng)期記憶”與“穩(wěn)定推理”的內(nèi)功，誰(shuí)就更有可能在智能體競(jìng)爭(zhēng)中占據(jù)先機(jī)。