【赛迪网讯】AI产业的重心，正在从模型竞赛转向基础设施重构。随着行业应用全面迈入智能体规模化落地周期，万亿级 Token 流转、多模态海量数据、十万卡级异构算力集群叠加而来，传统分散建设的存储、算力、云平台架构短板集中爆发。数据孤岛难以破除、异构算力无法统一调度、智能体缺少原生运行底座，数据、算力、模型三层系统相互割裂，大量算力资源空耗、企业 AI 落地成本居高不下。

2026年7月30日，浪潮数据在北京瑰丽酒店举办Data Inspire AI 数据激活智能——浪潮数据 2026 战略新品发布会，正式发布自研浪潮数据 AI 数据操作系统。发布会后，浪潮数据 AI 存储产品部总经理刘希猛、浪潮数据智能云产品部副总经理张明灿接受赛迪网专访，深度解读这款面向智能体时代打造的一体化底座，剖析 AI 底层基础设施的技术变革逻辑、市场定位、差异化路线，以及企业私有化 AI 建设的演进路径。

四大底层瓶颈凸显：传统 IT 架构无法承载智能体规模化落地

在很多行业从业者认知中，AI 基础设施的矛盾只是算力不足。但刘希猛与张明灿一致认为，当应用走到智能体阶段，痛点早已贯穿数据、算力、应用全链路，现有分布式存储、通用云平台、数据库均诞生于传统业务场景，无法适配以 Token 全生命周期流转为核心的全新负载。

访谈中，两位负责人总结出当前阻碍企业 AI 规模化落地的四大核心瓶颈。

首先是数据孤岛与性能矛盾并存。企业内部并存文件、对象、大数据、时序、向量多类存储，数据汇集工作占整个AI Ready工作时间的80%；冷热数据分层混乱，60%-80% 冷数据长期闲置，同时传统存储仅能承载数据，无法支撑 RAG 检索、KV 和长记忆缓存。

其次是异构加速芯片生态割裂。国内外等十余类芯片并行使用，软件栈、调度体系互不兼容，GPU 平均利用率仅 11%-55%，显存因重复计算大量浪费，缺少跨厂商统一算力池化平台。

智能体缺少原生运行底座。通用云平台面向传统业务调度，缺少 KV 缓存共享、长效记忆管理、智能体沙箱隔离能力；超长上下文推理极易显存溢出，各类智能体开发框架碎片化，缺少统一管控与全链路追踪体系。

数据、算力、模型三层相互割裂。独立系统造成数据反复拷贝，存算分离带来高时延，难以构建 “智能体生成 Token、Token 沉淀数据、数据持续反哺模型迭代” 的数据飞轮。

浪潮数据 AI 存储产品部总经理 刘希猛

“行业已经意识到单纯堆叠 GPU 难以产生价值，但市场上还没有一套面向 Token 生产、多模态数据、大规模智能体的一体化底层系统。” 刘希猛表示，依托浪潮数据十余年分布式存储、私有云内核积累，浪潮数据 AI 数据操作系统应运而生，目标一站式解决上述痛点，填补国内 AI 原生底层系统空白。

InData+InCloud 双底座：打造软硬一体化 AI 原生算力基础设施

浪潮数据 AI 数据操作系统，区别于传统 Linux、通用云计算平台与分布式存储，将管理对象从 CPU、磁盘拓展至异构 xPU 集群、全域多模态数据、智能体 KV 上下文记忆，以 Token 全生命周期优化为目标，由数据底座 InData、算力基座 InCloud两大核心组件构成，搭配全链路可观测平台与智能体运行环境，完整覆盖 Token 生产、分发、消费全环节。

数据底座InData，玄同架构为核，打通全域数据供给。InData 以玄同分布式存储架构为内核，由全局数据空间、数据引擎两大模块组成，配套AS13000G7 系列硬件整机。 借助全局数据编织技术，打通多品牌存储与公有云资源，无需迁移即可跨系统访问，副本占用空间减少 70%，EB 级数据迁移时长趋近于零；借助多协议融合技术，构建多协议共享资源池，一套命名空间统一纳管五类数据，一份数据支撑AI全流程业务使用；同时，通过富元数据管理，可以将底层热、温、冷数据构建成智能分级存储池，实现千亿级元数据秒级检索；内置原生 RAG 向量检索，数据写入即可快速构建企业知识库，有效降低模型幻觉率。

行业首创存储级共享分布式 KVCache 架构是核心亮点，搭配算力形成HBM、DRAM、SSD 三级资源池，跨任务复用对话 KV 缓存，直接削减 70% 无效算力消耗，突破单卡显存容量约束，长上下文场景 TTFT 延迟降低 90%。硬件层面 AS13000G7 覆盖全闪、均衡、高密机型，单机带宽最高 400GB/s，最大容量 3PB，适配千卡至十万卡规模 AI 数据中心建设。

谈及玄同架构底层创新，刘希猛用通俗案例拆解三大核心突破：数控分离、多协程调度、小 IO 聚合。数控分离如同现代物流管控，控制指令与数据流分离，避免数据无效转发，大幅提升对外输出带宽；多协程调度将 IOPS 提升 4 倍，加速小模型数据加载；小 IO 聚合下刷算法降低闪存磨损，闪存使用寿命提升 50%。三者协同，能够有效缓解广泛存在的 “GPU 饥饿” 问题 —— 大量 GPU 空闲，根源在于底层数据供给跟不上算力速度。

算力基座 InCloud，异构算力统一调度，构建智能体原生运行环境。如果说 InData 负责 AI 链路的 “数据燃料供给”，InCloud 则承担 “Token 生产与智能体运行” 核心职能。 算力基座兼容 10 余家厂商、50 余款 AI 加速芯片，实现跨架构算力池化调度，可将 GPU 综合利用率由平均 40% 提升至 85%。平台搭载 KVCache 卸载、投机解码、PD 分离等推理优化技术，配合潮汐错峰调度，实现白天推理、夜间微调，最大化 24 小时算力价值。

值得关注的是内置生产级智能体运行环境，采用开发运行分离架构，兼容 Dify、FastGPT 等主流 Agent 框架，提供隔离沙箱、Token 监管、技能准入审计、长效记忆管理，支撑百万级高并发智能体稳定运行。全链路可观测能力贯穿智能体、模型、算力、存储，毫秒级异常溯源，自动生成 Token 消耗报表，实现算力成本量化可控。

浪潮数据智能云产品部副总经理

张明灿重点解释为何浪潮数据选择将算力调度与存储整合至同一套 AI 数据操作系统：智能体链路极长，横跨知识库调用、模型推理、工具调用，一旦故障，很难区分问题归属应用层还是底层平台。统一运维界面能够实现端到端可视化排查；同时，评估 AI 业务投入产出，必须完整看待存储、算力、模型、智能体整条链路，不能割裂评估。两套底座通过高速 RDMA 深度互联，实现数据就近计算、缓存全局共享，形成可持续自增长的数据资产闭环。

对标国际前沿：走出适合国内政企的私有化 AI 演进路线

放眼全球，VAST Data 持续向 AI 统一数据平台演进，开始增加智能体模块与基础算力调度能力。刘希猛坦言，浪潮数据深度研究海外厂商技术路线，认可从分布式存储向一体化 AI 数据平台演进的行业大趋势。

“从战略路径来看，海外厂商正在走的方向，我们已经提前布局完成。浪潮数据同时具备底层存储与统一算力调度双重能力，将 InData、InCloud 整合为统一 AI 数据操作系统，实现技术路线的先行一步。”

同时双方市场定位存在显著差异。VAST 更多面向海外云厂商与超大规模互联网企业，浪潮数据 AI 数据操作系统核心服务国内政企客户。公有云厂商大多选择自研底层底座，而大量金融、政务、能源、制造企业，需要私有化部署方案平衡数据安全，同时盘活存量异构硬件资产。

张明灿进一步将客户划分为“AI+“与”+AI“两大类别。“AI+客户” 即 AI 产业链原生企业，包括芯片厂商、算力服务商，核心诉求是搭建自建 Token 工厂、落地大规模智能体，追求算力效率最大化；“+AI 客户” 以教育、医疗、传统制造业为代表，本身不属于 AI 行业，希望借助大模型、智能体升级原有业务能力。两类客户均以私有化部署为主，部分云厂商也会选择技术合作模式，将浪潮底层能力融入自有云平台。

在交付模式上，平台同时支持纯软件授权与软硬一体机两种方案，灵活适配不同客户组织架构。大型央企、金融机构 IT 团队分工明确，倾向采购纯软件，利旧现有硬件；新建 AI 基础设施的客户，软硬一体机可以释放完整协同优化能力，内置 KV 缓存卸载、高可靠多副本增强技术。浪潮数据秉持开放理念，不强制客户选择一体机，以客户需求作为首要标准。

可演进架构：支撑企业 AI 建设三阶段持续升级

结合大量一线项目实践，张明灿总结国内企业 AI 建设清晰的三阶段演进路径：算力中心→Token 中心→智能体中心。 第一阶段：搭建算力中心，核心目标统一纳管 GPU 资源，也就是传统智算中心模式； 第二阶段：升级为 Token 中心，依托算力稳定生产 Token，落地简单智能问答应用，也是 2025-2026 年多数企业所处阶段； 第三阶段：全面迈向智能体中心，企业不再单纯追求模型参数，重点解决数据治理、知识本体构建、大规模智能体调度运维难题。

“浪潮数据 AI 数据操作系统，不是一款仅服务 Token 生产的平台，而是贯穿三个阶段、支持平滑演进的一体化底座。” 张明灿介绍，平台支持最小化轻量化部署：原有超融合集群仅需新增一台 GPU 节点，即可升级支撑智能体运行；新客户单节点 All in One 部署快速完成试点；同时具备横向扩展能力，能够支撑区域智算中心规模化私有化场景。

针对当下火热的跨芯统一调度话题，张明灿认为，技术实现难度并非最大门槛，厂商的理念与开放态度更为关键。浪潮数据坚持分层解耦、硬件不绑定路线，将硬件适配层独立插件化，已完成国内主流芯片适配，新硬件可快速完成兼容。平台把各类异构算力统一抽象为算力、显存两层资源，支持模型跨芯片图形化一键迁移，充分保护客户存量硬件投资。

新竞争拐点：数据存储决定企业智能能力上限

当算力、大模型逐步走向普惠，企业之间智能化能力差距由什么决定？访谈尾声，刘希猛给出明确判断：数据存储将成为决定企业智能上限的核心要素。

模型能力、算力规模固然重要，但同类企业可采购相同大模型；算力资源存在采购天花板，中小企业很难无限扩张。唯独企业内部经营数据、业务流程数据具备独有性、私密性。智能体持续运转产生海量 Token，沉淀为专属知识库，高质量数据又持续优化智能体推理精度，形成正向循环。谁能够高效管理、调度、激活自有数据资产，谁就能建立长期差异化竞争力。

他列举多组实测价值数据直观展现落地收益：依托全局数据编织，企业多源数据统一纳管后存储空间最高节省 70%；平台可将 GPU 利用率由 20%-40% 提升至 40%-60%，对于数十亿元规模的 GPU 集群，算力利用率的价值达到亿元级；借助原生 RAG 知识库，垂域场景下大模型推理准确率由 70% 提升至 90% 以上，知识更新周期从按天微调缩短至分钟级。

同时，存储正在从单纯的数据承载介质，进化为智能体的 “记忆中枢”。大规模企业部署上万智能体，对话 KV 缓存总量可达数十 PB，远远超出 GPU 本地显存与 SSD 承载能力，必须依靠外部共享存储承载长上下文记忆。通过存储原生 KV 缓存与长效记忆管理，能够减少 70% 不必要的 GPU 推理计算，这也是传统分布式存储无法满足的全新需求。

赛迪观点

智能体时代，AI 基础设施的竞争，已经从单点硬件性能比拼，走向算力、存力、数据、应用一体化全栈能力较量。浪潮数据 AI 数据操作系统的推出，代表国内厂商开始走出一条存算协同、面向私有化场景、适配国产异构算力的底层技术路线。

面向未来，浪潮数据将持续完善 AI 数据操作系统技术能力，依托 InData 数据底座与 InCloud 算力基座，持续打通数据与算力壁垒，助力金融、政务、能源、医疗等超 2 万家政企客户完成从算力建设、Token 生产到大规模智能体落地的平滑演进，依托自研底层底座激活企业数据价值，加速千行百业智能化转型。（文/徐培炎）