当前,随着大型语言模型(LLMs)和多模态人工智能的爆发式发展,全球数据量呈指数级增长,数据特性与访问模式也发生根本性转变。AI发展重心已从“训练主导”转向“推理优化”和“Agent生态”,这使得对底层基础设施提出了全新的审视与要求。这种范式转变对数据存储提出了前所未有的要求:极致吞吐、低延迟、高并发、多模态数据统管、记忆持久化以及自主可控和安全性。这些要求使得存储不再仅仅是传统的数据持久化介质,而是支撑万亿参数大模型高效训推和Agent行动闭环的智能枢纽。
面对这些挑战,传统的竖井式存储架构已显得力不从心,导致数据割裂、管理复杂、效率低下,难以满足AI对极致性能、弹性扩展及统一数据访问的严苛要求。传统存储产品“硬件专属、协议分立、无法协同”,性能低、时延大,严重限制了新兴硬件和AI数据的价值发挥。打补丁式优化已无法满足Agent时代对存力的颠覆性需求,迫使行业必须重构存储基座。


