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、能答，仿佛無所不能。然而，當(dāng)AI真正邁向規(guī)模化落地階段，一個現(xiàn)實問題逐漸浮現(xiàn)：僅靠“反應(yīng)迅速”遠遠不夠，能否在復(fù)雜任務(wù)中保持狀態(tài)、串聯(lián)知識、形成長期記憶，成為決定AI能否從“工具”升級為“助手”的關(guān)鍵。這場變革，正推動企業(yè)AI的競爭從“拼招式”轉(zhuǎn)向“拼內(nèi)功”。

華為數(shù)據(jù)存儲領(lǐng)域總裁謝黎明在近期的一場發(fā)布會上指出，企業(yè)AI的核心資產(chǎn)正在從“數(shù)據(jù)”向“知識與記憶”轉(zhuǎn)型。過去，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需面對的已非簡單的“對話”場景，而是三道更現(xiàn)實的挑戰(zhàn)：知識生成效率低、檢索不精準(zhǔn)；推理成本高、速度慢；缺乏長期記憶能力，復(fù)雜任務(wù)難以閉環(huán)。這些問題，正成為制約AI落地的“隱形門檻”。

以知識管理為例，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)方法抽取知識效率低下，檢索結(jié)果常“似是而非”，導(dǎo)致AI雖能回答問題，卻未真正理解業(yè)務(wù)邏輯。而在推理場景中，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——模型能計算，業(yè)務(wù)卻因延遲而無法承受。更棘手的是，智能體在跨步驟、跨系統(tǒng)任務(wù)中極易“失憶”，記不住用戶偏好或前置決策，最終淪為“高級聊天機器人”。

針對這些痛點，華為在發(fā)布會上推出了面向AI推理時代的AI數(shù)據(jù)平臺（AIDP），試圖為“中心推理”場景提供系統(tǒng)性解決方案。謝黎明將其定義為“整合知識庫、KV Cache庫、記憶庫與統(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：知識庫負責(zé)知識生成與高質(zhì)量檢索；KV Cache庫優(yōu)化推理速度與成本；記憶庫支持長期記憶與復(fù)雜任務(wù)；UCM則統(tǒng)籌不同存儲介質(zhì)間的數(shù)據(jù)流轉(zhuǎn)，確保高效協(xié)同。

這一平臺的核心價值，在于推動企業(yè)AI從“演示級”邁向“生產(chǎn)級”。例如，在知識管理層面，AIDP重構(gòu)了知識抽取、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，通過將KV Cache從GPU顯存解耦至高性能存儲介質(zhì)，并結(jié)合UCM的冷熱分層調(diào)度，首Token時延降低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，記憶庫的引入讓智能體能夠記錄用戶偏好、延續(xù)任務(wù)狀態(tài)，并在長期互動中沉淀經(jīng)驗，真正從“會說話”進化為“能做事”。

值得注意的是，AIDP并未采取“推倒重來”的激進策略，而是支持兩種部署模式：既可將知識庫、記憶庫與KV Cache能力一體化整合至OceanStor A800中，也可在現(xiàn)有OceanStor Dorado存儲上通過外置節(jié)點獨立部署。這種“平滑升級”的設(shè)計，既保護了企業(yè)既有投資，又降低了技術(shù)遷移風(fēng)險，更貼合企業(yè)級應(yīng)用的決策邏輯——可控、可持續(xù)的演進路徑，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)存儲角色的轉(zhuǎn)變。過去，存儲的核心指標(biāo)是容量、性能與可靠性；如今，華為開始強調(diào)“知識、緩存、記憶”等新關(guān)鍵詞。這并非營銷話術(shù)的更新，而是基礎(chǔ)設(shè)施定位的升級：在AI時代，存儲不僅是數(shù)據(jù)的“倉庫”，更需成為模型的“神經(jīng)系統(tǒng)”——高效組織知識、承接緩存、管理記憶，支撐智能體持續(xù)運行。正如謝黎明所言：“AI推理時代，存儲平臺的價值不在于‘喂數(shù)據(jù)’，而在于‘養(yǎng)記憶’。”

當(dāng)AI從“會生成”邁向“會執(zhí)行”，企業(yè)需要的不僅是更快的存儲，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)提供了一個新思路：在模型能力日益趨同的今天，誰能補上“長期記憶”與“穩(wěn)定推理”的內(nèi)功，誰就更有可能在智能體競爭中占據(jù)先機。