華為發布AIDC數據基礎設施全棧方案，覆蓋數據湖至智能體框架五大層級

當地時間5月21日，以“數據覺醒，存力躍遷”為主題的2026華為創新數據基礎設施論壇在巴黎舉行。會上，華為正式發布華為AIDC 數據基礎設施全棧方案，覆蓋數據湖、知識與記憶平臺、模型工程與資源調度、智能體框架、數據韌性平臺五大核心層級，旨在助力企業加速推進 AI 數據中心建設、實現 AI 規模化落地。

華為數據存儲產品線總裁袁遠將此次方案發布置于一個清晰的時代判斷之下："當下，AI 正深刻改變企業運營模式。Agent 加速普及，成為新型數字生產力主體，逐步成長為企業的常態化'數字員工'；同時，AI 應用持續深化，企業 Token 消耗量迎來爆發式增長。"

他引用的數字印證了這一判斷：目前全球活躍智能體超過 3000 萬，預計 5 年內將達到 22 億；每分鐘 Token 處理量已從去年的 60 億增至今年的 150 億。"Token 將像空氣和水一樣，成為我們生活的基礎設施。"

在此背景下，袁遠指出，企業要加速 AI 落地，需推動現有 IT 架構向 AI DC 數據基礎設施快速演進，圍繞數據湖、知識與記憶平臺、算力、模型、Agent 框架與數據韌性等核心方向開展系統性規劃與建設。

AI 數據湖：OceanStor Pacific + 千億級語義檢索

據雷峰網了解，在數據湖層，華為主推OceanStor Pacific 全閃分布式存儲，以 11 PB/2U 的業界領先高容量密度實現最優 TCO，用于海量數據的存儲與匯聚。

配合硬件的是華為DME Omni-Dataverse 統一數據空間，支持多模態、跨站點數據實時入湖與全局可視可管，同時具備千億千維向量數據秒級檢索能力，實現高質量數據的匯聚與供給。

袁遠以某自動駕駛企業為例說明了這一能力的現實意義，該企業需要管理來自雷達、傳感器和環境數據超過 1000 PB 的訓練數據，并在極端駕駛場景（如雨天紅燈、奔跑的行人）中快速召回特定條件下的海量圖像。"數據質量決定模型質量，在千億文件中找到正確的數據，是訓練成功的關鍵。"

知識與記憶平臺：CMS 與"3+1"AI 數據平臺雙線并進

平臺層是華為此次方案的核心，針對不同客戶規模提供兩套差異化產品。

面向超大規模推理集群，華為推出業界首個支持異構算力的上下文記憶存儲 CMS（Context Memory Storage）。CMS 支持 KV 語義直通或采用專用 DPU 進行語義卸載，可擴展為 PB 級共享 KV Cache 池，將推理首 Token 時延（TTFT）降低90%，顯著提升大規模推理集群的響應效率。

面向企業 AI 推理場景，華為首創"3+1" AI 數據平臺，將三類能力整合為一體：

• 知識庫：檢索精度超過 95%，作為模型運行的前置知識底座；

• KV Cache 加速：解決多輪推理中的冗余計算問題，大幅節約推理成本與時間；

• 持續進化的記憶庫：讓智能體積累經驗、越用越聰明。

三者由UCM 技術統一調度與管理，整體可提升推理精準性30%。

袁遠以一家金融機構的 AI 編碼項目為例加以佐證：該項目部分任務需要多達 200 輪推理迭代，若每輪都將全量數據重新送入 GPU，既耗時又昂貴。KV Cache 的引入正是解決這一問題的關鍵。

模型工程與資源調度：ModelEngine 實現"一卡多用"

在模型工程層，華為ModelEngine提供模型開箱即用與模型網關能力，支持零代碼適配新模型、一鍵部署，大幅降低模型上線門檻。

資源調度方面，ModelEngine 結合算力資源細粒度切分與智能調度，最大可實現XPU 卡 1:10 切分，即一張 GPU 卡同時承載多個模型任務，實現"一卡多用"，顯著提升資源利用率、降低硬件成本。

袁遠以某大型醫院的通用 AI 平臺項目為例——該醫院同時部署超過 30 個模型，覆蓋檢測系統、臨床實踐和科研任務，白天需要面向患者的實時推理，夜間切換為科研訓練，GPU 調度壓力極大。ModelEngine 的彈性調度能力正是針對此類場景設計。

智能體框架：Nexent 將上線周期縮短 80%

在技術棧頂層，華為ModelEngine Nexent 智能體平臺以降低開發門檻為核心設計目標：支持通過自然語言交互方式直接生成 Agent，無需專業編碼能力，使 Agent 上線周期縮短80%；同時支持對 Skill、提示詞、記憶的自動優化，助力 Agent 持續演進、越用越聰明。

袁遠援引中國某頂級銀行的案例作為注腳：該行計劃用智能體替代全部人工客服，目標是在一個月內上線 120 個智能體，同時保證智能體在金融合規邊界內持續自我進化。Nexent 提供的正是從開發到部署再到演化的全流程支撐。

"如果你是醫生、金融從業者或教師，通過這套圖形化工具，你就可以自己開發智能體，"袁遠說。

數據韌性平臺：端到端四層防護

安全是華為此次方案的橫切關注點。袁遠將企業 AI 落地面臨的安全威脅歸納為四類：智能體濫用（誤刪文件、篡改規則等不可預期操作）、模型投毒（惡意數據污染訓練過程）、數據篡改（修改關鍵任務的推理結果）、勒索軟件入侵（破壞數據湖完整性）。

華為的應對方案是構建防濫用、防投毒、防篡改、防勒索的端到端數據保護體系，針對 Agent、模型、平臺與基礎設施等不同維度的潛在風險，逐層部署差異化防護技術。"安全必須從一開始就嵌入每一層，而不是事后打補丁，"袁遠說。

"AI 的下半程在于數據，"袁遠在演講結尾表達了華為的長期判斷，"AI 為 IT 產業帶來了無限機遇。華為數據存儲將堅持技術創新，持續沉淀 AI 行業化落地經驗，和全產業共同努力，幫助客戶加速邁向智能時代。"

在他看來，算力、模型、智能體這三個 AI 發展章節已經先后上演，而真正決定企業 AI 競爭力高下的下一章，屬于數據。雷峰網(公眾號：雷峰網)將持續關注華為 AI 基礎設施領域的最新進展。

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。