AI的叙事正在换挡。过去两年，行业的目光几乎都聚焦在模型参数、训练算力和推理芯片上，存储往往被视作后台的仓库。

　　但当AI从生成内容迈入执行任务，当Agent开始承担长链路、多轮次、跨会话的复杂工作，一个被低估的瓶颈浮出水面：数据供给如果跟不上，再强的算力也只能空转。这正是2026数据存储产业大会释放出的关键信号。

　　作为专委会主任委员单位，中科曙光在会上展示了以“AI数据工厂”为核心的存储新范式，中科曙光分布式存储产品部总经理石静表示，存储在Agent时代，应当从被动的“数据容器”跃迁为主动的“AI数据工厂”。

中科曙光分布式存储产品部总经理 石静

　　为什么“数据容器”不够用了？

　　理解这一判断，要先看清AI负载的变化。传统存储的考核指标是带宽、IOPS和稳定性，用户关心的是存得下、取得快。但在智能体场景下，数据不再只是训练时的一次性输入。长上下文需要持续驻留，多轮交互产生大量中间状态，跨会话任务要求计算结果可复用。

　　石静反复提到一个词——KV Cache。它是推理过程中Prefetch与decode之间的中间状态，命中率越高，重复计算越少，Token就越便宜。换句话说，存储不再只是存放数据的地方，而是直接参与Token生成效率的生产要素。

　　更本质的变化在于数据全生命周期管理。石静以卫星遥感为例：过去数据从在线到近线再到归档，路径固定、周期可预期，生命周期管理是可选项。而AI时代，全闪与混闪的分层架构成为必选项，数据要在不同介质、不同地域、甚至不同算力中心之间流动。生命周期管理从可选项变成必选项，范围也从单系统扩展到跨域。

　　这一判断点出了存储跃迁的现实基础：不是厂商讲故事，而是用户的使用方式已经变了。

　　“AI数据工厂”的四个层面与一条主线

　　石静将“AI数据工厂”拆为四个层面：全域数据底座、统一承载与智能调度、高效IO管道、融入AI业务流。这四个层面看似并列，实则有一条清晰的主线，让数据流动起来，让计算等数据的时间趋近于零。

　　第一个层面解决“看得见”。ParaStor与FlashNexus通过统一命名空间和多协议融合，让文件、对象、块、大数据接口互通，文件写入可由对象读出，反之亦然。更值得注意的细节是，曙光已支持原生KV Cache语义，这对推理场景的友好度是实质性的。

　　第二个层面解决“调得动”，依据数据热度与业务需求跨介质、跨平台调度，减少重复搬运。

　　第三个层面解决“传得快”，XDS数据直通、BurstBuffer本地缓存与scaleFabric网络协同，压缩IO路径。

　　第四个层面解决“融得进”，与向量数据库、RAG流水线配合，数据更新自动联动存储。

　　这套逻辑的核心，是用“存-算-传-用”全栈协同去挤压算力等待的空泡。石静举了一个很具体的例子：传统做法是把处理好的训练集从混闪拷贝到全闪，GPU在此期间只能干等。曙光的做法是按需加载原数据、边处理边推送，让计算与IO重叠。这个思路直击要害，AI集群里最贵的不是存储，是GPU闲置的时间。

　　KV Cache：存储价值重估的“试金石”

　　如今，大多数客户采购存储的预算逻辑仍是容量和带宽，而KV Cache是中间状态、不会长期存储，这之间存在认知落差。曙光给出的不是概念，而是一套可算账的评估路径。

　　第一条路径：当模型参数多、长上下文多，HBM不够、DRAM能包住时，比较外置存储与内存的性价比。石静给出一个测算比例，单TB分布式存储成本约为内存的1/40；若外置存储能达到内存效能的90%，满足TTFT要求，用户以极低成本换取略慢但可用的推理体验，账算得过来。

　　第二条路径：上下文极长、内存被打爆时，KV Cache必须卸载到L4分布式存储。此时比的是Token吞吐，曙光实测，相较GPU重新计算，卸载到L4后Token吞吐提升15到25倍。

　　这两个场景的对比很有说服力，因为它没有回避存储比内存慢的事实，而是把问题转化为在满足业务要求的前提下，哪种方案性价比更优。这是“AI数据工厂”落地的关键，工厂讲的是流水线效率和规模化，不是单点参数的军备竞赛。

　　双轮驱动与分层架构：协同而非替代

　　曙光长期坚持ParaStor分布式与FlashNexus集中式双轮驱动。在AI数据工厂的框架下，两者不是替代关系，而是分层协同。

　　训练阶段以分布式为主，集中式凭借低时延承担容器化部署中的本地镜像等高速块存储需求；推理阶段，曙光将两者包装为ParaCache方案：HBM为L1、DRAM为L2、本地SSD为L3、FlashNexus作为L3.5主打原生KV语义与P99长尾时延、ParaStor作为L4提供容量扩展与全局共享KV池。

　　业界不少厂商把分布式存储定位为KV Cache的“冷备层”，曙光却坚持L4生产级可用。这背后是对自身性能的自信，也是对“AI数据工厂”理念的贯彻，工厂的每一道工序都应在生产线上，而不是把半成品堆到仓库里。

　　笔者观察：存储的“主动化”是一场系统工程

　　笔者看来，曙光“AI数据工厂”的判断有用户实践支撑：用户开始要求算子下沉到存储、框架调度与存储结合、存储提前感知加载数据；介质成本上涨倒逼存储提效；绿色液冷从盘的液冷向CPU、DRAM延伸，软件层面通过功耗管控、大比例纠删码、重删压缩降低能耗。这些细节说明，“主动化”不是口号，而是被用户需求和成本压力推着走的现实选择。

　　但也要看到，存储从被动走向主动，挑战同样明显。长链路Agent任务对长时间稳定可靠性、KV Cache跨层级跃迁管理、P95/P99长尾时延平滑提出更高要求；海量小IO需要小文件聚合、BurstBuffer、元数据集群化与超级隧道技术共同支撑。

　　这些技术曙光都有布局，但“数据工厂”的真正考验在于：当业务流、调度框架、向量数据库、RAG流水线都要与存储深度耦合时，存储厂商能否从“卖盒子”转向“卖流水线”，能否与上层生态形成标准化协作，而非封闭优化。

　　Token时代存储的角色重估才刚刚开始，曙光给出了一个成体系的判断和可算账的路径，从国家超算互联网核心节点、智元机器人数采工厂、自动驾驶百PB级资源池等落地看，这条路已经有人在走，而且走得不算慢。