文 | 智能相對論

作者 | 陳泊丞

數十億建成的萬卡GPU集群，實際利用率不足40%。

這不是某個智算中心的個例。在過去兩年里，中國涌現了大大小小幾十個智算中心項目，GPU買了一批又一批，但真正跑滿的時候不多。問題不在芯片本身——而在數據供給跟不上。

GPU在空轉，等存儲喂數據。這件事說起來簡單，但背后卻是一筆巨大的“沉沒成本”：花了幾十億建算力，最后發現瓶頸卡在存儲上。

事實上，整個行業都在討論“算力瓶頸”，但真正拖慢中國AI落地節奏的，很可能是存儲。

有意思的是，正是在這屆GTC上，英偉達第一次把“存儲”放到了與“算力”并列的位置。它在超節點中內置獨立的存儲柜，定義新的AI存儲參考架構（STX/CMX），并聯合12家存儲廠商發布解決方案——這不是英偉達的常規操作。

一家靠GPU起家的公司，為什么突然對存儲這么上心？這背后，是AI產業底層邏輯的一次根本性轉變。

英偉達在GTC上給全行業補了一堂存儲課

要理解英偉達在GTC上的動作，先得回答一個問題：為什么它要在這個節點做這件事？

答案的背后是一個正在發生的大趨勢：從“訓練為王”到“推理為王”的階段性轉變。

過去幾年，AI行業的主要矛盾是“模型不夠大、訓練不夠久”。那時候存儲是配角，GPU喂飽了數據就行。但是，當大模型開始大規模落地，推理變成了主戰場，整個故事的底層邏輯就變了。

推理需要什么？實時、低延遲、海量隨機讀寫的數據訪問。這跟訓練階段完全不同——訓練可以批處理，而推理必須秒級響應；訓練可以提前準備好數據，而推理得隨時待命。

黃仁勛在CES和GTC上都說過一句話：“KV Cache的激增足以催生一個全新的存儲市場”。這話聽著像營銷，但仔細想想，GPU廠商第一次公開承認“計算不再是最稀缺的資源，數據供給才是”，這本身就是信號。

基于這個認知，英偉達在GTC上直接打出了三張關鍵牌，分別為CMX、AIDP和SCADA，對應回答的是不同層次的問題。

首先，CMX也就是G3.5層，回答“推理太貴”的問題。當KV Cache從顯存溢出到存儲池，推理成本的核心矛盾從“算力貴”變成“數據供給貴”。英偉達用CMX架構把存儲性能與GPU計算進行了深度綁定，這套玩法本質上是“極致協同設計”——存儲不再是外掛硬盤，而是GPU系統的延伸。

其次，AIDP回答“數據不敢動”的問題。深入行業真實需求來看，企業不是沒有數據，而是數據不敢搬、不能搬。譬如，金融客戶的數據出不了機房，政務系統的數據有合規要求，醫療數據碰都不能碰。因此，英偉達提出“Data-in-Place”（數據就地處理），本質是讓AI能力下沉到存儲里，減少數據的搬運。

最后，SCADA 回答“GPU吃不飽”的問題。在推薦系統、圖神經網絡這些場景，GPU需要從海量數據中隨機讀取極小粒度的數據。然而，傳統I/O路徑太重，GPU經常“餓著肚子等數據”。為此，SCADA允許GPU繞過了CPU直接訪問存儲，帶寬接近HBM，支持EB級數據集——很顯然，這是為未來的實時決策場景鋪路。

三張牌，三層問題，從眼前到當下再到未來，構成了英偉達對AI存儲的完整判斷。也正是在這個判斷下，英偉達喊出了“2026 is the year of AI storage”。

中國市場的“冰與火”：最旺盛的需求與最普遍的誤判

把視線拉回中國。

事實上，中國是全球AI存儲需求最旺盛的市場——這話不算夸張。智能客服、RAG知識中臺、代碼生成、自動駕駛仿真、智能制造......這些場景的落地速度實實在在走在了全球前列。

在政策層面，“人工智能+”全面鋪開，數據要素×三年行動計劃啟動，“東數西算”2.0推動算電協同——從合規、基建到成本，政策紅利也在多個維度拉動了高質量存儲建設。

客觀而言，需求是真的。但這枚硬幣還有另一面。

多數智算中心的存儲投入占比不足10%，剩下的錢幾乎全砸進了GPU服務器。結果呢？GPU集群利用率普遍低于40%，“算力過剩與存儲瓶頸并存”成了一種荒誕的現實。花了幾十億買算力，最后發現卡脖子的不是芯片，是數據供給。

這不是技術問題，是認知問題。整個行業的注意力都被“算力”兩個字吸走了，沒人認真想過，卡能跑滿嗎？

更棘手的是，冰層之下還有結構性掣肘，不是喊兩句口號就能解決的。

比如標準缺失。面向昇騰、海光這類國產算力的存儲架構和評測標準幾乎空白，廠商各自為戰，集成成本高企。再比如生態碎片化。國內存儲產業硬件能力強，但核心軟件能力比如KV Cache調度算法、數據就地處理引擎——與英偉達的“極致協同設計”相比，還有肉眼可見的差距。

中國有最大的市場需求，但缺乏把需求轉化為產品的生態協同能力。這個矛盾不解決，需求旺盛就只是數字好看，落不了地。

最核心的問題，可能要靠存儲廠商來回答

那么，這個局怎么破？

回歸一個樸素的問題：誰最懂數據？

當整個行業都在討論“用更多GPU訓練更大模型”時，做存儲的人在琢磨另一件事：數據從哪來、如何治理、怎么讓AI用得上——這是兩種完全不同的視角。算力廠商看的是“模型需要多少Flops”，存儲廠商看的是“模型需要多少數據、怎么高效喂進去”。

這個視角差異，在AI大規模落地的階段，變得前所未有的重要。

英偉為什么要定義AIDP參考架構并交給存儲廠商推出解決方案在企業落地？因為越來越多的廠商意識到，數據供給的入口正在成為AI基礎設施的核心卡口。存儲不再是配角，它可以是主角，是AI系統的“數據中樞”。

正是基于這個判斷，華為打破了傳統存儲的煙囪式結構，用一套底座即AIDP（AI Data Platform）架構覆蓋了三大場景。

這套架構的核心邏輯其實很樸素：客戶不需要為KV Cache、AIDP、SCADA分別建三套系統，這不是成本問題，是現實不允許。舉個例子，一個智算中心可能有昇騰和海光的卡要兼顧，一個金融機構的數據不能出域但又要支撐實時推理——這些矛盾不是買更多GPU能解決的，需要的是一套能統一調度、分層處理、漸進演進的存儲架構。

圍繞這個邏輯，華為在每一層都埋了具體的能力。

G3.5層，UCM（統一緩存管理器）實現顯存與存儲間的秒級熱遷移，推理并發能力提升數倍——這解決的是“推理貴”的問題，讓PB級KV Cache不再必須駐留在昂貴的HBM顯存里。

企業AI層，VSS向量檢索和RAG能力直接內嵌到存儲系統，數據不用搬出去就能被調用——這解決的是“數據不敢動”的問題，合規要求不是束縛，而是架構設計的起點。

SCADA層，預留GPU Initiate IO接口，支持未來GPU直接訪問超大規模數據集——這一步是面向未來的，目前能落地的場景有限，但架構要提前站位。

三層能力對應三層價值：眼前的降本、當下的合規、未來的擴展。這不是功能堆砌，是有優先級判斷的演進路線。

落地層面，基于OceanStor A800高性能AI存儲和OceanStor Dorado全閃存存儲，華為提供了一體化和獨立式兩種交付模式——前者面向新建場景，后者面向存量系統的漸進式改造。不同客戶的現實處境不同，解法也不同，這本身就是務實的體現。

說到底，中國AI存儲市場需要的不是“英偉達的中國版”，而是一條適配本土需求的務實路徑。華為在做這件事，不代表它是唯一答案，但這條路線的核心判斷——統一底座、平滑演進、數據安全內生，確實回應了當前市場最真實的痛點。

結語

GTC 2026或許只是起點。

英偉達在補課，存儲廠商在解題，中國市場的需求在倒逼整個行業重新審視這個問題。當“算力”不再是稀缺資源的代名詞，數據供給的效率正在成為下一階段AI競爭的關鍵變量。

當然，“重算力、輕存力”的慣性思維不會自動消失。它需要有人指出這個問題，需要有人用實際案例證明：存儲投入的ROI，可能比追加GPU更能提升整個系統的效率。

這不是華為一家公司的事。這是整個行業都需要回答的問題。

*本文圖片均來源于網絡