数据在人工智能发展中发挥重要作用。应当把握数据高流动性、高赋能性特征，深化数据资源开发利用，切实保障数据安全，共同加强个人信息保护，加快构建数据产权等基础制度，确保数据可管、可控、可追溯，促进数据安全有序流动和高效开发利用。
——节选自《2026世界人工智能大会主席声明》
2026年7月17-20日，2026世界人工智能大会（WAIC 2026）在上海举行。同有科技作为中国AI数据存储领域的领先企业，受分论坛主办方西部数据邀请，参加7月19日举行的“面向AI时代的数据存储架构创新”分论坛，与众多业界专家共同探讨AI数据基础设施、分层存储架构与生态协同等议题。会上，同有科技解决方案总经理王刚发表题为《AI重新定义存力价值》的主题演讲。
同有科技受邀参加“面向AI时代的数据存储架构创新”分论坛
同有科技解决方案总经理王刚主题演讲
《AI重新定义存力价值》
当下AI大模型已迈入规模化商用阶段，存储早已超越传统数据承载职能，成为AI性能提升不可替代的核心增长点。大模型核心瓶颈不再是单纯算力，更有与存储相关的三重约束：性能、资源复用与综合成本。企业级存储将进一步完成价值跃迁：扩容算力边界、释放 GPU全部效能；复用缓存数据、削减冗余计算；分层承载数据、压低全链路部署成本。存储正成为驱动大模型高效、普惠落地的核心底座，定义下一代AI基础设施竞争力。如何塑造新时代全新“存-算”协同范式成业界热点话题。
新阶段“存-算”协同范式 引发听众与演讲者的共鸣
王刚提到，权威机构的研究成果表明，AI大模型带来数据总量的爆发式增长，也将给存储产业带来一个史上最强的超级周期。“Agent AI时代，存力为核心”、“AI正驱动存储行业迎长周期范式转移”，存储正穿透AI的数据承载、训练推理与智能决策的全环节，通过计算卸载、智能缓存等技术，成为AI性能的关键增强点。
AI驱动存储进入超级周期
“超级周期”的背后是AI大模型对“存储”的刚需。王刚在演讲中提到，AI核心数据自身的特点和面对的问题，已使得我们必须将更多的注意力放到“存力”之上：
以GPT-4模型为例，其参数量已达1.76万亿，模型规模的指数级增长对存储容量与带宽提出极致挑战；
千卡集群训练阶段Checkpoint数据量达PB级，其持续写入对存储系统的吞吐量构成巨大压力；
Checkpoint导致GPU闲置成本，仅针对128-GPU集群的测算，低效存储引发算力浪费成本每月可达20万美元以上；
......
从存力维度应对AI训练与推理的两大核心痛点
王刚以AI训练与推理中的核心痛点进行深入分析。
训练之痛，首推Checkpoint的I/O风暴。体量巨大，数据洪流难承载，千亿参数模型单次Checkpoint可达数百GB，千卡集群每日写入量攀升至PB级，对存储带宽形成极致考验；并发写入引发风暴，GPU空转浪费，所有计算节点同时发起写入请求形成I/O风暴，同步等待过程导致GPU暂停计算，造成算力资源的巨额浪费。
推理之痛，以KV Cache的“内存墙”为先。KV Cache 的指数级膨胀吞噬显存，Transformer推理中，KV Cache需缓存每层的Key与Value以避免重复计算，当处理数万至数十万Token的长上下文时，其占用的HBM显存呈指数级增长；传统架构瓶颈导致严重I/O存储墙，当缓存溢出至低速磁盘/SSD时，会引发海量数据交换，直接导致首Token时延(TTFT)与长尾延迟(P99)急剧攀升。
存力即算力存储成AI时代的核心引擎
存储如何高效赋能AI？作为解决问题的措施，王刚提出四大方向：
从外围到核心，GDS打通数据直连通道：存储不再是被动的数据仓库。通过GPU Direct Storage (GDS)技术，数据可以从存储直达GPU，显著降低数据通路延迟，使存储成为AI计算流水线的核心引擎。
从通用到专用，为AI而生的存储体系：通用存储已无法满足AI的严苛需求。高性能存储层与并行文件系统，以其高带宽和强大的元数据处理能力，成为应对Checkpoint等挑战的关键。
从孤立到融合，多层次分级存储架构：未来的AI基础设施是计算、网络和存储深度融合的体系。创新分级存储架构实现数据在极速缓存层与大容量存储层之间的智能流动，实现了性能与成本的最佳平衡。
可持续的数据底座：面向AI数据全生命周期，以分层存储架构释放HDD的容量经济价值，为AI工厂构建高效、可持续的数据底座。
“以存强算、以存代算、以存降本”，王刚表示，未来的AI时代，将是一个存力和算力共同推动的新世界。
参会嘉宾合影
同期进行分享的企业专家及其演讲主题还包括：西部数据开发工程高级副总裁Tim Rausch《面向规模化AI的存储革新》、英特尔数据中心事业部解决方案架构师丁华《Agentic AI时代“算力+存力”创新与实践》、深信服副总裁兼首席技术专家廖俊峰《AI时代数据承载安全挑战与解决之道》等。