作家 | 陈泊丞

数十亿建成的万卡GPU集群，履行愚弄率不及40%。

这不是某个智算中心的个例。在昔日两年里，中国表示了万里长征几十个智算中心技俩，GPU买了一批又一批，但真实跑满的时辰未几。问题不在芯片本人——而在数据供给跟不上。

GPU在空转，等存储喂数据。这件事提及来浮浅，但背后却是一笔无边的“千里没资本”：花了几十亿建算力，终末发现瓶颈卡在存储上。

事实上，扫数这个词行业齐在计划“算力瓶颈”，但真实拖慢中国AI落地节律的，很可能是存储。

有预见的是，恰是在这届GTC上，英伟达第一次把“存储”放到了与“算力”比肩的位置。它在超节点中内置寂然的存储柜，界说新的AI存储参考架构（STX/CMX），并聚积12家存储厂商发布处分有缱绻——这不是英伟达的旧例操作。

一家靠GPU起家的公司，为什么倏得对存储这样上心？这背后，是AI产业底层逻辑的一次根人性鼎新。

英伟达在GTC上给全行业补了一堂存储课

门径会英伟达在GTC上的看成，先赢得答一个问题：为什么它要在这个节点作念这件事？

谜底的背后是一个正在发生的大趋势：从“查验为王”到“推理为王”的阶段性鼎新。

昔日几年，AI行业的主要矛盾是“模子不够大、查验不够久”。其时辰存储是碎裂，GPU喂饱了数据就行。然而，当大模子开动大界限落地，推理酿成了主战场，扫数这个词故事的底层逻辑就变了。

推理需要什么？及时、低延迟、海量立地读写的数据走访。这跟查验阶段十足不同——查验不错批处理，而推理必须秒级反应；查验不错提前准备好数据，而推理得随时待命。

黄仁勋在CES和GTC上齐说过一句话：“KV Cache的激增足以催生一个全新的存储市集”。这话听着像营销，但仔细想想，GPU厂商第一次公开承认“计较不再是最稀缺的资源，数据供给才是”，这本人便是信号。

基于这个融会，英伟达在GTC上奏凯打出了三张关键牌，辞别为CMX、AIDP和SCADA，对应回答的是不同端倪的问题。

领先，CMX也便是G3.5层，回答“推理太贵”的问题。当KV Cache从显存溢出到存储池，推理资本的核心矛盾从“算力贵”酿成“数据供给贵”。英伟达用CMX架构把存储性能与GPU计较进行了深度绑定，这套玩法实质上是“极致协同遐想”——存储不再是外挂硬盘，而是GPU系统的延长。

其次，AIDP回答“数据不敢动”的问题。真切行业真实需求来看，企业不是没突出据，而是数据不敢搬、不成搬。比喻，金融客户的数据出不了机房，政务系统的数据有合规条目，医疗数据碰齐不成碰。因此，英伟达建议“Data-in-Place”（数据飞速处理），实质是让AI才气下千里到存储里，减少数据的搬运。

终末，SCADA 回答“GPU吃不饱”的问题。在推选系统、图神经收集这些场景，GPU需要从海量数据中立地读取极小粒度的数据。关连词，传统I/O旅途太重，GPU频繁“饿着肚子等数据”。为此，SCADA允许GPU绕过了CPU奏凯走访存储，带宽接近HBM，支合手EB级数据集——很彰着，这是为异日的及时决策场景铺路。

三张牌，三层问题，从目下到当下再到异日，组成了英伟达对AI存储的齐备判断。也恰是在这个判断下，英伟达喊出了“2026 is the year of AI storage”。

中国市集的“冰与火”：最茂盛的需求与最普遍的误判

把视野拉回中国。

事实上，中国事人人AI存储需求最茂盛的市集——这话不算夸张。智能客服、RAG学问中台、代码生成、自动驾驶仿真、智能制造......这些场景的落地速率实实在在走在了人人前哨。

在战略层面，“东谈主工智能+”全面铺开，数据身分×三年行动规划启动，“东数西算”2.0激动算电协同——从合规、基建到资本，战略红利也在多个维度拉动了高质料存储建筑。

客不雅而言，pk10官网需求是确切。但这枚硬币还有另一面。

多半智算中心的存储进入占比不及10%，剩下的钱险些全砸进了GPU干事器。斥逐呢？GPU集群愚弄率普遍低于40%，“算力多余与存储瓶颈并存”成了一种荒唐的现实。花了几十亿买算力，终末发现卡脖子的不是芯片，是数据供给。

这不是时代问题，是融会问题。扫数这个词行业的顾惜力齐被“算力”两个字吸走了，没东谈主留预见过，卡能跑满吗？

更辣手的是，冰层之下还有结构性制肘，不是喊两句标语就能处分的。

比如表率缺失。面向昇腾、海光这类国产算力的存储架构和评测表率险些空缺，厂商各利己战，集成资本高企。再比如生态碎屑化。国内存储产业硬件才气强，但核心软件才气比如KV Cache诊疗算法、数据飞速处理引擎——与英伟达的“极致协同遐想”比较，还有肉眼可见的差距。

中国有最大的市集需求，但短少把需求鼎新为家具的生态协同才气。这个矛盾不处分，需求茂盛就仅仅数字面子，落不了地。

最核心的问题，可能要靠存储厂商往还答

那么，这个局若何破？

转头一个朴素的问题：谁最懂数据？

当扫数这个词行业齐在计划“用更多GPU查验更大模子”时，作念存储的东谈主在琢磨另一件事：数据从哪来、如何治理、若何让AI用得上——这是两种十足不同的视角。算力厂商看的是“模子需要些许Flops”，存储厂商看的是“模子需要些许数据、若何高效喂进去”。

这个视角各异，在AI大界限落地的阶段，变得前所未有的蹙迫。

英伟为什么要界说AIDP参考架构并交给存储厂商推出处分有缱绻在企业落地？因为越来越多的厂商意志到，数据供给的进口正在成为AI基础体式的核心卡口。存储不再是碎裂，它不错是主角，是AI系统的“数据核心”。

恰是基于这个判断，华为冲破了传统存储的烟囱式结构，用一套底座即AIDP（AI Data Platform）架构阴私了三大场景。

这套架构的核心逻辑其实很朴素：客户不需要为KV Cache、AIDP、SCADA辞别建三套系统，这不是资本问题，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成出域但又要支合手及时推理——这些矛盾不是买更多GPU能处分的，需要的是一套能和谐诊疗、分层处理、渐进演进的存储架构。

围绕这个逻辑，华为在每一层齐埋了具体的才气。

G3.5层，UCM（和谐缓存管制器）收尾显存与存储间的秒级热移动，推理并发才气升迁数倍——这处分的是“推理贵”的问题，让PB级KV Cache不再必须驻留在奋斗的HBM显存里。

企业AI层，VSS向量检索和RAG才气奏凯内嵌到存储系统，数据无须搬出去就能被调用——这处分的是“数据不敢动”的问题，合规条目不是拘谨，而是架构遐想的起初。

SCADA层，预留GPU Initiate IO接口，支合手异日GPU奏凯走访超大界限数据集——这一步是面向异日的，当今能落地的场景有限，但架构要提前站位。

三层才气对应三层价值：目下的降本、当下的合规、异日的膨胀。这不是功能堆砌，是有优先级判断的演进门道。

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寂然式两种委派口头——前者面向新建场景，后者面向存量系统的渐进式纠正。不同客户的现实处境不同，解法也不同，这本人便是求实的体现。

说到底，中国AI存储市集需要的不是“英伟达的中国版”，而是一条适配原土需求的求实旅途。华为在作念这件事，不代表它是独一谜底，但这条门道的核心判断——和谐底座、平滑演进、数据安全内生，如实回复了现时市集最真实的痛点。

结语

GTC 2026大致仅仅起初。

英伟达在补课，存储厂商在解题，中国市集的需求在倒逼扫数这个词行业再行疑望这个问题。当“算力”不再是稀缺资源的代名词，数据供给的后果正在成为下一阶段AI竞争的关键变量。

诚然，“重算力、轻存力”的惯性想维不会自动褪色。它需要有东谈主指出这个问题，需要有东谈主用履行案例诠释：存储进入的ROI，可能比追加GPU更能升迁扫数这个词系统的后果。

这不是华为一家公司的事。这是扫数这个词行业齐需要回答的问题。

*本文图片均着手于收集北京pk10

• AI
• 星夜
• 2026
• 北京pk10
• 存储