智能相对论
2026-04-29
文 | 智能相对论
作者 | 陈泊丞
数十亿建成的万卡GPU集群，实际利用率不足40%。
这不是某个智算中心的个例。在过去两年里，中国涌现了大大小小几十个智算中心项目，GPU买了一批又一批，但真正跑满的时候不多。问题不在芯片本身——而在数据供给跟不上。
GPU在空转，等存储喂数据。这件事说起来简单，但背后却是一笔巨大的“沉没成本”：花了几十亿建算力，最后发现瓶颈卡在存储上。
事实上，整个行业都在讨论“算力瓶颈”，但真正拖慢中国AI落地节奏的，很可能是存储。
有意思的是，正是在这届GTC上，英伟达第一次把“存储”放到了与“算力”并列的位置。它在超节点中内置独立的存储柜，定义新的AI存储参考架构（STX/CMX），并联合12家存储厂商发布解决方案——这不是英伟达的常规操作。
一家靠GPU起家的公司，为什么突然对存储这么上心？这背后，是AI产业底层逻辑的一次根本性转变。
英伟达在GTC上给全行业补了一堂存储课
要理解英伟达在GTC上的动作，先得回答一个问题：为什么它要在这个节点做这件事？
答案的背后是一个正在发生的大趋势：从“训练为王”到“推理为王”的阶段性转变。
过去几年，AI行业的主要矛盾是“模型不够大、训练不够久”。那时候存储是配角，GPU喂饱了数据就行。但是，当大模型开始大规模落地，推理变成了主战场，整个故事的底层逻辑就变了。
推理需要什么？实时、低延迟、海量随机读写的数据访问。这跟训练阶段完全不同——训练可以批处理，而推理必须秒级响应；训练可以提前准备好数据，而推理得随时待命。
黄仁勋在CES和GTC上都说过一句话：“KV Cache的激增足以催生一个全新的存储市场”。这话听着像营销，但仔细想想，GPU厂商第一次公开承认“计算不再是最稀缺的资源，数据供给才是”，这本身就是信号。
基于这个认知，英伟达在GTC上直接打出了三张关键牌，分别为CMX、AIDP和SCADA，对应回答的是不同层次的问题。
CMX也就是G3.5层，回答“推理太贵”的问题。当KV Cache从显存溢出到存储池，推理成本的核心矛盾从“算力贵”变成“数据供给贵”。英伟达用CMX架构把存储性能与GPU计算进行了深度绑定，这套玩法本质上是“极致协同设计”——存储不再是外挂硬盘，而是GPU系统的延伸。
其次，AIDP回答“数据不敢动”的问题。深入行业真实需求来看，企业不是没有数据，而是数据不敢搬、不能搬。譬如，金融客户的数据出不了机房，政务系统的数据有合规要求，医疗数据碰都不能碰。因此，英伟达提出“Data-in-Place”（数据就地处理），本质是让AI能力下沉到存储里，减少数据的搬运。
SCADA 回答“GPU吃不饱”的问题。在推荐系统、图神经网络这些场景，GPU需要从海量数据中随机读取极小粒度的数据。然而，传统I/O路径太重，GPU经常“饿着肚子等数据”。为此，SCADA允许GPU绕过了CPU直接访问存储，带宽接近HBM，支持EB级数据集——很显然，这是为未来的实时决策场景铺路。
三张牌，三层问题，从眼前到当下再到未来，构成了英伟达对AI存储的完整判断。也正是在这个判断下，英伟达喊出了“2026 is the year of AI storage”。
中国市场的“冰与火”：最旺盛的需求与最普遍的误判
把视线拉回中国。
事实上，中国是全球AI存储需求最旺盛的市场——这话不算夸张。智能客服、RAG知识中台、代码生成、自动驾驶仿真、智能制造......这些场景的落地速度实实在在走在了全球前列。
在政策层面，“人工智能+”全面铺开，数据要素×三年行动计划启动，“东数西算”2.0推动算电协同——从合规、基建到成本，政策红利也在多个维度拉动了高质量存储建设。
客观而言，需求是真的。但这枚硬币还有另一面。
多数智算中心的存储投入占比不足10%，剩下的钱几乎全砸进了GPU服务器。结果呢？GPU集群利用率普遍低于40%，“算力过剩与存储瓶颈并存”成了一种荒诞的现实。花了几十亿买算力，最后发现卡脖子的不是芯片，是数据供给。
这不是技术问题，是认知问题。整个行业的注意力都被“算力”两个字吸走了，没人认真想过，卡能跑满吗？
更棘手的是，冰层之下还有结构性掣肘，不是喊两句口号就能解决的。
比如标准缺失。面向昇腾、海光这类国产算力的存储架构和评测标准几乎空白，厂商各自为战，集成成本高企。再比如生态碎片化。国内存储产业硬件能力强，但核心软件能力比如KV Cache调度算法、数据就地处理引擎——与英伟达的“极致协同设计”相比，还有肉眼可见的差距。
中国有最大的市场需求，但缺乏把需求转化为产品的生态协同能力。这个矛盾不解决，需求旺盛就只是数字好看，落不了地。
最核心的问题，可能要靠存储厂商来回答
那么，这个局怎么破？
回归一个朴素的问题：谁最懂数据？
当整个行业都在讨论“用更多GPU训练更大模型”时，做存储的人在琢磨另一件事：数据从哪来、如何治理、怎么让AI用得上——这是两种完全不同的视角。算力厂商看的是“模型需要多少Flops”，存储厂商看的是“模型需要多少数据、怎么高效喂进去”。
这个视角差异，在AI大规模落地的阶段，变得前所未有的重要。
英伟为什么要定义AIDP参考架构并交给存储厂商推出解决方案在企业落地？因为越来越多的厂商意识到，数据供给的入口正在成为AI基础设施的核心卡口。存储不再是配角，它可以是主角，是AI系统的“数据中枢”。
正是基于这个判断，华为打破了传统存储的烟囱式结构，用一套底座即AIDP（AI Data Platform）架构覆盖了三大场景。
这套架构的核心逻辑其实很朴素：客户不需要为KV Cache、AIDP、SCADA分别建三套系统，这不是成本问题，是现实不允许。举个例子，一个智算中心可能有昇腾和海光的卡要兼顾，一个金融机构的数据不能出域但又要支撑实时推理——这些矛盾不是买更多GPU能解决的，需要的是一套能统一调度、分层处理、渐进演进的存储架构。
围绕这个逻辑，华为在每一层都埋了具体的能力。
G3.5层，UCM（统一缓存管理器）实现显存与存储间的秒级热迁移，推理并发能力提升数倍——这解决的是“推理贵”的问题，让PB级KV Cache不再必须驻留在昂贵的HBM显存里。
企业AI层，VSS向量检索和RAG能力直接内嵌到存储系统，数据不用搬出去就能被调用——这解决的是“数据不敢动”的问题，合规要求不是束缚，而是架构设计的起点。
SCADA层，预留GPU Initiate IO接口，支持未来GPU直接访问超大规模数据集——这一步是面向未来的，目前能落地的场景有限，但架构要提前站位。
三层能力对应三层价值：眼前的降本、当下的合规、未来的扩展。这不是功能堆砌，是有优先级判断的演进路线。
落地层面，基于OceanStor A800高性能AI存储和OceanStor Dorado全闪存存储，华为提供了一体化和独立式两种交付模式——前者面向新建场景，后者面向存量系统的渐进式改造。不同客户的现实处境不同，解法也不同，这本身就是务实的体现。
说到底，中国AI存储市场需要的不是“英伟达的中国版”，而是一条适配本土需求的务实路径。华为在做这件事，不代表它是唯一答案，但这条路线的核心判断——统一底座、平滑演进、数据安全内生，确实回应了当前市场最真实的痛点。
结语
GTC 2026或许只是起点。
英伟达在补课，存储厂商在解题，中国市场的需求在倒逼整个行业重新审视这个问题。当“算力”不再是稀缺资源的代名词，数据供给的效率正在成为下一阶段AI竞争的关键变量。
当然，“重算力、轻存力”的惯性思维不会自动消失。它需要有人指出这个问题，需要有人用实际案例证明：存储投入的ROI，可能比追加GPU更能提升整个系统的效率。
这不是华为一家公司的事。这是整个行业都需要回答的问题。
*本文图片均来源于网络
此内容为【智能相对论】原创，
仅代表个人观点，未经授权，任何人不得以任何方式使用，包括转载、摘编、复制或建立镜像。
部分图片来自网络，且未核实版权归属，不作为商业用途，如有侵犯，请作者与我们联系。
•AI产业新媒体;
•澎湃新闻科技榜单月度top5;
•文章长期“霸占”钛媒体热门文章排行榜TOP10;
•著有《人工智能 十万个为什么》
•【重点关注领域】智能家电（含白电、黑电、智能手机、无人机等AIoT设备）、智能驾驶、AI+、、、AI+、AI+、AR/VR、、开发者以及背后的芯片、算法等。
