白马非马,AI存储非存储?(白马非马混淆了) ypxx.net

作者 | 常棣

编辑 | 葛覃

白马非马,AI存储非存储?

近日,Gartner首次发布《AI数据存储新兴市场象限》,这份报告有两大看点,一是,一个过去常被放在企业存储整体能力中讨论的方向,有了独立的市场定义与厂商评价。

二是,华为进入“市场塑造者”第一象限,同处这一象限的还有Dell、Everpure、IBM、NetApp和VAST Data,华为是唯一入选的中国厂商,并在“市场颠覆潜力”维度位于所有入选厂商的最右侧。

借用白马非马的说法,“AI存储非存储”的意味在于,沿用过去认识存储的方式,已经难以完整理解这个正在形成的新市场,当存储开始直接影响AI的响应速度和运行成本,仅凭容量、读写性能与可靠性,便不足以说明它的全部价值。

AI存储当然仍然属于存储,但企业对它的要求,延伸到了知识准备、上下文复用和推理运行,既要保存数据,也要让模型及时找到、有效使用,并尽可能减少重复计算。

AI存储新品类逐渐成形的过程,也给了厂商重新确立竞争位置的机会。

AI存储,值得单独立一张榜

大模型的三要素,算力、算法和数据,早期行业注意力更多集中模型能力和GPU上。存储当然也重要,尤其影响训练数据供给和检查点读写,但它的作用容易被归入基础设施配套。

AI进入企业业务之后,存储对AI效果和成本的影响,随着应用深入变得更明显。以一个经典的企业销售助手为例,员工提问“这家客户续约,应该采用哪一版报价?”要回答这个问题,涉及客户原合同、最新价格政策和不同优惠条件等数据和知识。

AI需要找到相关内容,识别适用版本,再在允许访问的范围内组织答案,需要采用内容解析、索引、更新和访问控制等功能。企业每搭建一套处理系统,也就多出一段维护的数据流转过程。

长对话和当前火热的智能体,进一步放大了这个问题,模型处理输入产生的KV Cache要占用内存,上下文越来越长、同时处理的任务越来越多,就需要更高效地保存、调取和复用这些缓存。

此外,2026年我们观察到大量企业为了用上AI,往往要先补做大量数据准备工作的“dirty work”,过去这些工作需要在存储之外另搭处理链路,如今,一部分能力开始向存储层靠近。

问题变得愈发清晰,Gartner在报告中指出,企业AI正从模型训练试点走向生产级实时推理、RAG和多智能体协作,上下文检索与记忆效率成为新的运行瓶颈。

业内也围绕这一方向做了不少探索,比如,英伟达的Dynamo已经提供相关机制,将KV Cache卸载到CPU内存、SSD或网络存储,并且发布BlueField-4 STX存储参考架构,面向智能体的长上下文需求,参与共同设计的存储厂商包括Dell、IBM、NetApp和VAST Data。

国内方面也是不遑多让,华为认为,企业要加速AI落地,绝不是应单点优化,而需推动现有IT堆栈架构向AI DC数据基础设施快速演进,并提供了AI DC数据基础设施全链路方案,全面覆盖从数据归集准备、到知识与记忆构建、应用/智能体开发、数据保护的AI端到端全流程。

传统的容量、吞吐量和可靠性仍是基础,企业更想知道,存储能否改善首Token等待时间、提高推理吞吐,以及降低每Token成本,因此Gartner首次为AI存储单独设置新兴市场象限(eMQ),适时且及时。

据介绍,eMQ评审机制延续了Gartner惯有的“独立性”“科学性”和“严谨性”特点,按照Gartner的方法论,评价维度包括市场颠覆潜力和执行潜力。市场颠覆潜力考察创新的实际采用价值、影响范围与深度,以及竞争优势;执行潜力看人力、资金、关键伙伴和生态适配。两个维度包含八项加权标准。评估由分析师团队共同完成,它提供的是一套比较框架,是技术方向与市场落地的综合比较。

华为凭什么站到最右侧

在Gartner《AI数据存储新兴市场象限》中,象限图的横轴代表“市场颠覆潜力”,越向右,意味着Gartner对厂商在这一维度的评价越高,华为位于此次入选厂商的最右侧。

对于产品形态仍在演进的AI存储市场,这代表Gartner认定,华为存储最有可能成为更多企业愿意采用的方案。

先用一个案例,看清华为存储方案在AI产业里的价值。

2026年6月,湖北移动与华为公布AI推理加速方案的现网环境测试,方案由OceanStor A800存储、昇腾A3超节点和UCM推理记忆数据管理技术组成,采用vLLM-Ascend框架,模拟8K至190K Token的长序列输入。

据公开信息披露,在128K序列下,MiniMax M2.5模型场景启用UCM后,首Token延迟(TTFT)优化26%~62%,单NPU卡Token输出效率(TPS)有大幅提升。从不同序列长度分别来看,64K序列长度下,TPS提升58%,在128K序列环境下,TPS提升78%。

GLM-5.1模型场景下,TTFT优化幅度达51%~93%,TPS提升56%~372%。其中在64K序列长度下,TPS提升313%,在128K序列环境下,TPS提升372%。

沿着这个案例可以看出华为的布局,围绕AI使用数据的过程,华为将分布在不同产品中的能力组织成系统方案,从而重构AI数据基础设施。

先看推理中的上下文复用,KV Cache保存模型处理输入时的中间计算结果,复用这些结果,可以减少重复的输入预填充(Prefill)计算,UCM负责将可复用缓存保存到外部存储,并在请求和兼容的推理实例之间共享。

当然,缓存卸载最有效的条件,是复用收益超过数据传输开销,缓存取回得太慢,或者很少被再次使用,再大的存储池也难以充分发挥价值。

华为在2026年9月发布的OceanStor M900 AI记忆存储,针对的正是超大规模推理中的这类问题,通过灵衢互联构建“一跳直达”的PB级共享KV Cache池,提供原生KV语义,减少协议转换与CPU转发,让计算侧更直接地访问缓存。

再往前看,AI如何直接使用的企业知识,KV Cache、知识库与智能体记忆分别承担计算状态复用、知识检索和经验积累的任务,需要不同的管理方式。

对此,华为AI数据平台将知识库、KV Cache存储与记忆库纳入同一方案,结合UCM等技术支撑推理。更前端的AI数据湖解决方案,则围绕分散、海量、多模态数据的汇聚、管理与检索展开。

由此可以看出,华为做的是它最擅长的系统性工程,真正想解决的问题是让数据从企业已有的资源,变成AI能够持续调用的知识、上下文和经验。

再看报告,Gartner将市场颠覆潜力和执行潜力均表现突出的厂商认定为“市场塑造者”,认为AI数据存储新兴市场的“市场塑造者”能颠覆AI数据存储的前沿方向,通过端到端架构消除传统I/O瓶颈,让存储直接参与大模型的上下文访问,而不仅承担数据保存,同时具备软硬件协同的架构能力,包括加速器直连、专门的闪存管理、向量索引、持久化共享KV Cache,以及能够感知内容的数据准备。

这也正是华为与象限评价尺度相契合的地方,存储边界被打开以后,厂商需要更深度理解数据和计算,单项性能之外,跨环节设计的能力可以获得更大的发挥空间。

硬件、数据服务与软件调度,正在围绕AI负载建立更紧密的联系。

新一轮存储变局,谁来塑造市场

把时间拉长,存储行业的竞争格局,从来没有固定过。

上世纪90年代,企业需要让联网的计算机更方便地共享文件,专门处理文件存取的网络存储设备获得了发展空间,带火了1992年成立的NetApp;云计算随后改变了企业获取存储的方式,AWS推出S3,至今仍然是招牌产品;闪存则从另一个方向打开了市场,催生了Pure Storage这样的新进。

今天,AI又把一道新题放到了存储厂商面前。

企业开始要求存储更深入地参与数据使用,更直接地赋能AI,让知识能够被模型检索,让上下文及时送达,让已经计算过的结果得到复用。对应的竞争,也从存储设备自身的性能,延伸到了它对整个AI系统效率的贡献。

这正是华为的竞争力体现,AI数据湖、AI数据平台和AI记忆存储等核心产品方案连接起了数据准备、缓存管理与推理运行,算力、互联、存储及软件之间的协同,转化为客户能够感知的响应速度和成本改善。

Gartner对于华为这类“市场塑造者”的评价是,能够将其创新技术能力真正推向市场,让AI潜力转化为实际成效,推动市场发生颠覆性变革。此外,领先厂商还能够承接大型企业的实际部署,具备研发投入、全球服务和商业交付能力。某种程度上,财务稳定性和全球支持体系,与技术创新同样重要。

存储行业过去数十年变革留下了清晰的启示,新需求出现时,市场总是会寻找能够更好解决问题的厂商,华为此次进入“市场塑造者”象限,说明它已经获得了参与塑造下一阶段产品形态与竞争方式的有利位置。

白马仍是马,存储也仍是存储,但回望产业史,许多深刻的变化,都是从旧名字开始容纳新的含义开始的,等到新的能力成为理所当然,市场的座次往往已经改变。

Gartner预计,到2029年,70%的组织将部署面向大规模AI推理和RAG的专用AI存储层,2026年这一比例尚不足10%。未来几年,AI存储势必将成为AI产业竞争激烈的子市场之一,华为坐上了主桌,接下来要坐得更稳。

AI存储的下一阶段,也将在这样的过程中成形,华为此时站上“市场塑造者”的位置,恰是一家中国厂商与产业转折相遇的时刻,今天象限图上的一个坐标,可能就是成为未来产业史中的下个注脚。