從300億美元估值，看AI數據基礎設施的重構邏輯。

過去兩年，AI產業最受關注的關鍵詞幾乎只有一個：GPU。

無論是 OpenAI、xAI，還是Meta、Anthropic，所有AI競賽最終似乎都指向同一個方向——誰擁有更多GPU，誰就擁有更強的AI能力。但如今，資本市場正在發生一個重要變化。越來越多AI基礎設施公司開始意識到：真正決定AI系統效率的，可能并不是GPU本身，而是GPU背后的數據存儲設施。

尤其是在超大規模AI訓練和推理場景下，一個越來越現實的問題開始浮現：

• GPU越來越貴；
• 集群規模越來越大；
• 模型參數越來越龐大；

但大量 GPU，卻正在“等數據”。在這樣的背景下，AI 數據基礎設施公司 VAST Data 完成約10億美元F輪融資，估值升至300億美元，英偉達繼續參與跟投。這家成立不到十年的公司，已經成為全球 AI 基礎設施領域最受關注的企業之一。資本市場真正重新評估的，并不僅僅是一家“存儲公司”。而是：AI時代，數據存儲正在從后臺基礎設施，變成新的生產力核心。

1.為什么英偉達持續押注VASTData？

很多人看到 VASTData，第一反應仍然是：“它是一家高性能存儲公司?！钡绻麅H僅這樣理解，就很難解釋：

為什么英偉達會持續下注這家公司。因為今天 AI 產業真正的矛盾，已經不再只是“GPU不夠”。而是：GPU越來越強，但數據存儲系統越來越跟不上。在超大規模 AI 訓練場景中，GPU 利用率并不一定高。換句話說，AI 訓練已經不再是“單純算力競爭”。而是 GPU、網絡、存儲、數據調度共同組成的超大規模并行系統競爭。這也是為什么越來越多 AI 廠商開始發現：AI 時代最大的浪費，可能不是 GPU不足，而是 GPU 在等待數據。

于是，AI 基礎設施開始從“算力中心”，逐漸走向“數據中心”。而 VAST 真正的價值，也并不只是“存儲性能”。它真正重要的地方在于：它試圖重構 AI 時代的數據基礎設施。

AI 時代核心指標

重要性

吞吐能力

決定 GPU feeding 效率

低延遲

決定推理實時性

高并發

決定多租戶 AI 效率

Metadata能力

決定海量小文件處理能力

數據調度能力

決定 AI 整體資源利用率

事實上，今天的英偉達，也早已不再只是 GPU 公司。從 Mellanox 網絡，到 BlueField DPU，再到 NVLink、Spectrum-X、AI Factory，英偉達正在構建完整 AI 基礎設施體系。黃仁勛曾多次提到：未來的數據中心，本質上會變成“AI Factory”。而 AI Factory 的核心，并不僅僅是 GPU 算力。而是數據能否持續、高速、穩定地供給 GPU。

這一觀點，黃仁勛在 CES 和 GTC 上更是進一步明確表態：“KV Cache 的激增足以催生一個全新的存儲市場”。這也是 GPU 廠商首次公開表態，“計算已不再是最稀缺的資源，數據供給才是核心關鍵”。AI 產業正從“訓練為王”向“推理為王”發生階段性轉變。為了應對這一轉變，英偉達推出了CMX（即G3.5層）架構，專門解決“推理太貴”的行業痛點：當 KV Cache 從顯存溢出到存儲池，推理成本的核心矛盾便從“算力貴”變成了“數據供給貴”，而 CMX 架構的核心就是將存儲性能與 GPU 計算進行深度綁定，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，這也正是英偉達越來越重視 AI 存儲賽道的核心原因。

與此同時，越來越多全球頭部 AI 公司與大型機構，也開始選擇 VASTData 作為其 AI 數據存儲底座。在大模型與 AI 云領域，VASTData 已服務 xAI、CoreWeave、Lambda、Core42 等明星 AI 基礎設施企業。其中，CoreWeave 更將 VAST 作為其全球 AI Cloud 的核心數據平臺，雙方達成了高達 11.7 億美元的長期合作協議。而 VAST 的客戶版圖，也早已不局限于 AI 創業公司。

從 NASA、美國能源部、美國空軍，到 Boston Children’s Hospital、Booking Holdings，越來越多科研機構、政府部門與大型企業，都開始采用其數據平臺。這背后反映出的，是 AI 數據存儲需求正從模型公司，快速擴展至科研、醫療、金融、政府等更廣泛行業。更重要的是，這些客戶選擇 VAST Data 的原因，已經不再只是“高性能存儲”。

2.VASTData 真正的價值：面向 AI場景的統一數據平臺

長期以來，傳統存儲系統服務的核心對象，主要是數據庫、虛擬化、企業應用。它們強調的是穩定性、容量、數據可靠性、成本控制、分層存儲 RAID 保護。隨著 AI 訓練、推理、RAG 與 Agent 系統的快速發展，但 AI 場景徹底改變了這一邏輯。

大模型驅動的數據系統，不再是“靜態存儲”，而是一個持續運行的數據流系統，其核心負載包括：

• PB 級訓練數據的持續讀取
• 海量小文件與非結構化數據
• GPU 集群高并發訪問
• 訓練過程中的 checkpoint 快速寫入與恢復
• 推理階段的低延遲實時訪問
• KV Cache 等動態緩存數據
• 多模態數據統一管理與檢索
• 數據集版本迭代與生命周期管理

在這一體系下，傳統存儲架構的邊界逐漸顯現：它可以“存數據”，但難以“持續供數據”。這也是 VAST Data 的核心價值所在。它并不是在做“更快的存儲系統”，而是在嘗試構建一套：面向 AI 工作負載的統一數據平臺（Unified Data Platform for AI）。其本質是把訓練、推理與數據管理三類原本割裂的系統，統一到同一個數據底座之上：

• 在訓練階段，提供高吞吐、低延遲的數據供給能力，保障 GPU 持續滿負載運行，避免 I/O 瓶頸

• 在推理階段，支持低延遲隨機訪問與 KV Cache 加速，滿足高并發實時請求

• 在數據層面，實現多模態數據統一管理、共享與復用，減少跨系統數據搬運

• 在生命周期層面，支持數據版本管理與持續迭代，適配模型不斷更新的需求

也正是在這個意義上，存儲正在從傳統基礎設施角色中抽離出來，逐步演變為：

AI 訓練 + 推理 + 數據治理一體化的數據基礎設施層。而這，才是 VASTData 被資本市場高估值看好的核心邏輯。

3.國內有對標 VASTData 的廠商嗎？

如果說過去幾年，中國 AI 產業最受關注的是“大模型”，那么未來幾年，一個更底層的問題將越來越關鍵：中國能否建立自己的 AI 原生數據基礎設施體系？因為 AI 時代，GPU 可以采購，模型可以開源，但真正決定 AI 訓練與推理效率的，正在變成底層數據系統能力。尤其隨著國產化趨勢加速，這已經不只是技術問題，更成為中國 AI 產業必須補齊的基礎能力。

過去，中國存儲產業長期服務于政企、金融、云計算、數據庫等傳統場景，產品能力更多圍繞容量、可靠性和成本展開。但 AI 場景第一次對存儲提出了完全不同的要求——它需要存儲系統具備持續、高并發、低延遲的數據供給能力，本質上是在解決“GPU 等數據”的問題。這也催生了全球存儲架構路線的重新洗牌，國內開始涌現出一批向 AI 原生架構演進的廠商。

值得注意的是，當前 AI 場景下，真正成為核心的數據存儲底座，其實是文件存儲。因為無論模型訓練還是推理，底層都需要頻繁訪問海量非結構化數據，包括文本、圖片、視頻以及各類多模態數據。相比對象存儲與塊存儲，文件存儲在并發訪問、元數據管理、數據一致性等方面，更適合支撐 AI 訓練與推理過程中 GPU 的實時數據交互需求。這也是 VASTData 重點布局的核心方向。

在國內，一批面向 AI 原生架構演進的廠商正在出現。其中，焱融科技是較早聚焦 AI 原生文件存儲的廠商之一，目前已服務包括 智譜AI、小米汽車、文遠知行等 AI 與自動駕駛場景客戶。但真正對標 VAST Data，并不只是“做高性能存儲”，而是能否構建面向 AI 的統一數據平臺能力。這背后至少包含三個核心能力：

1.極致性能與穩定可靠性。AI 集群本質上是一個持續吞吐數據的系統。存儲需要在高可靠基礎上，提供超高帶寬、低延遲與海量并發能力，持續支撐大規模 GPU 集群的數據供給，避免 GPU 空轉。

2.統一數據管理與生態兼容能力。AI 數據天然是多模態、海量且動態變化的。存儲系統不僅需要實現統一管理、版本追溯與高效調度，還需要兼容不同 AI 框架、GPU、網絡與協議，打破數據孤島。

3.云原生彈性擴展與存算協同能力。AI 集群規模增長極快，存儲必須具備 Scale-out 橫向擴展能力，實現在線擴容。同時，越來越多能力開始向存儲側下沉，通過“以存代算”減少數據遷移損耗，提高訓練與推理效率。

焱融科技全棧AI存儲產品體系，圖片引用來自官方

從技術路線看，焱融科技與 VASTData 已經呈現出明顯相似性。雙方都在圍繞 AI 數據流構建統一數據平臺，并持續強化：

• GPU 高吞吐數據供給；
• RDMA 高速網絡；
• 全閃 Scale-out 架構；
• 多協議統一訪問；
• 海量并發處理；
• AI 數據流調度能力。

圍繞 AI 訓練與推理鏈路，焱融科技目前形成了三類核心產品能力：

• 首先是面向 AI 訓練場景的 YRCloudFile。該產品針對 AI 訓練負載進行深度優化，提供高帶寬、低延遲的數據訪問能力。其全閃一體機 F9000X 在 MLPerf Storage 基準測試中取得領先成績，驗證了其在大規模 AI 訓練場景下的工程能力。

• 其次是面向推理場景的 YRCache。隨著大模型推理時代到來，KV Cache 正成為新的數據熱點。YRCache 主要面向推理階段的數據緩存與調度，降低推理延遲，提升并發效率。

• 第三則是 DataInsight 全域數據管理平臺，用于實現多模態數據統一管理、版本追溯與運維監控，覆蓋 AI 數據全生命周期。

相較于 VASTData，焱融科技最大的獨特優勢，也是中國市場獨有的核心變量——自主可控。尤其是在 DeepSeek 全面推動國產芯片適配之后，一個明確的趨勢正在顯現：AI 基礎設施國產化，已經從“可選項”變成“必選項”。而在這一過程中，底層存儲系統恰恰是與國產 GPU 耦合最深的基礎設施之一。

AI 存儲的國產適配絕非簡單兼容芯片，更需要完成 RDMA 協同、GPU 通信優化、并行 IO 調優、AI 框架適配、大規模集群穩定性驗證、國產生態兼容等多層深度適配。而焱融科技過去幾年的研發投入，恰好集中在這些核心領域，在高性能分布式文件存儲、AI 訓練場景優化、國產化適配方面，其技術路線已逐步接軌國際頂尖 AI 原生存儲水準，成為國產 AI 存儲賽道的核心力量。

VAST Data 300 億美元估值背后，被資本市場重新定價的，本質上已經不是傳統“存儲公司”，而是 AI 時代的數據基礎設施能力。、因為當 GPU 集群進入萬卡時代后，真正決定 AI 效率的，已經不只是芯片性能，而是數據能否被持續、高速、穩定地供給。未來 AI 基礎設施的競爭，也許不再只是 GPU 數量的競爭，而是誰能建立更高效率的 AI 數據底座。AI 時代，存儲產業正在迎來一次新的價值重估。

（封面圖來源：焱融科技）