IT时报记者 贾天荣
“至少目前还没有看到这两个诱因的衰减。”谈及这一轮存储涨价何时结束，中科曙光集中式存储产品部总经理郭照斌给出了这样的判断。
他所说的两个诱因，一是AI基础设施建设带动从HBM、内存到闪存的需求增长，二是AI应用正在产生越来越多的新型数据，包括大模型推理过程中的KV Cache。
这意味着，即便AI算力建设逐渐从训练转向推理，存储需求也未必随之降温。相反，当AI从聊天机器人走向能够连续执行任务的Agent，存储系统需要承担的工作可能更多。
“过去我们讲存储，更多是容量和性能。到了Token时代，存储要成为AI数据工厂。”中科曙光北京公司总裁助理、分布式存储产品部总经理石静在10月29日举行的2026数据存储产业大会上提出了这一观点。与过去围绕容量、带宽、IOPS（每秒输入/输出操作次数）展开的存储产业讨论不同，AI带来的变化成为现场关注的重点。
一个值得讨论的问题是：当GPU负责生产Token，存储究竟还能创造多少价值？
存储涨价，AI需求还在加码
对于存储市场的价格变化，郭照斌认为，不能只从传统的供需周期理解。此前，存储需求主要来自服务器、个人电脑、手机等终端，产业链随终端市场景气度波动。但AI正在创造新的需求结构。
一方面，算力集群建设直接推高了对高带宽内存、DRAM和闪存的需求；另一方面，大模型推理产生的KV Cache（Key-Value Cache，键值缓存）等数据，也需要大量存储资源承接。
尤其是Agent应用兴起后，AI不再只完成一次问答，而是需要不断调用工具、理解上下文、执行任务。这些过程都会产生需要保留、读取和复用的数据。
但价格上涨并不意味着企业只能被动接受成本增加。郭照斌介绍，中科曙光正在通过软件优化和分层存储降低硬件资源消耗。例如，通过优化存储软件，单套系统的内存占用可以降低一半以上；通过不同介质之间的数据分层迁移，在保障性能的同时减少高成本存储介质的使用。
在性能方面，中科曙光双控存储系统已实现3000万IOPS，四控系统达到亿级IOPS。
不过，相比不断刷新性能指标，郭照斌更强调存储系统的资源使用效率。随着AI应用规模扩大，企业需要的不只是更快的存储设备，还需要能够按需扩缩容、减少资源浪费的存储架构。
Agent的“记忆”，为什么不能都放在显存里？
相比涨价，Agent带来的技术变化或许更值得关注。在大模型推理过程中，KV Cache用于保存已经计算过的注意力相关中间状态，使模型在后续生成Token时不必重复完成全部计算。
对于普通的短对话，这部分数据相对有限。但当Agent需要处理长上下文、多轮任务，甚至同时服务大量用户时，KV Cache的规模便会迅速扩大。
问题随之而来：如果全部保存在GPU显存中，成本太高；如果直接转移到普通存储设备，又可能因为读取速度跟不上而影响Token生成。
“存储不再只是把数据存进去，还要考虑数据取出来以后，能不能及时支撑计算。”这是两位受访者讨论AI存储时共同指向的问题。
郭照斌特别提到，AI推理对存储性能的要求不仅是平均速度，更重要的是时延的稳定性。对于连续生成Token的业务而言，偶发的高时延也可能影响整体体验。
中科曙光则给出了一种解决思路：让KV Cache在不同层级的存储介质之间流动。中科曙光的ParaCache方案，将HBM、DRAM、本地SSD、集中式存储FlashNexus和分布式存储ParaStor组成多级缓存体系。
其中，性能要求最高的数据保留在显存和内存中，部分不需要立即访问的数据则向成本更低的存储层级迁移。
“如果分布式存储能够达到内存90%的效能，成本却只有内存的1/40，为什么一定要把数据放在内存里？”石静表示。
另一个数据更为直观：在部分长上下文业务场景中，中科曙光与客户验证发现，将KV Cache卸载至分布式存储后，相较于让GPU重新计算，Token吞吐性能可提升15倍至25倍。
这些结果仍取决于具体模型、业务负载和系统配置，不能直接推广至所有AI场景。但其背后的逻辑已经发生变化：存储的价值不再只体现在每TB多少钱，还体现在能节省多少GPU计算、降低多少Token成本。
存储不只是仓库，还要成为“数据工厂”
“AI数据工厂”是石静在采访和大会分享中反复强调的概念。传统存储系统更像一座仓库，负责将数据安全保存，等待计算系统调用。但在AI时代，存储需要更早介入数据处理流程。
例如，模型训练通常需要经过数据采集、清洗、转换、加载等多个步骤。如果每个环节都要先完成大规模数据拷贝，再进入下一阶段，GPU便可能因为等待数据而闲置。
“假设一批任务需要处理100张图片，并不一定要等100张图片全部加载完毕后才开始计算。系统可以先加载其中10张，在GPU处理的同时继续准备后续数据，让数据流转与计算并行。”石静举了一个例子。
数据加载方式的改变直接提升了算力资源的利用率，在这一思路下，存储厂商开始将数据预处理、按需加载、跨地域流转和生命周期管理等能力整合进存储系统，使其从数据的保存者变成数据处理流程的参与者。
石静认为，随着自动驾驶、具身智能等应用发展，数据不仅规模越来越大，还会分散在不同设备和计算中心。如何让这些数据被高效调用，比单纯扩大存储容量更加重要。
不过，存储从后台走向计算链条，也意味着新的挑战。郭照斌坦言，AI既是国产存储未来一两年最大的机会，也是最大的挑战。特别是在高速互联、存储内部网络等硬件领域，仍有技术短板需要补齐。
中科曙光正在推进高速Fabric网络、PCIe 6.0相关技术及软硬件协同优化，以适应AI对数据传输效率提出的新要求。
此次大会还发布了《数据存储产业发展研究报告（2026年）》和《数据存储产业与技术全景图（2026版）》，并推进AI存储相关标准建设。
从两位受访者的判断中，可以看到存储产业正在经历的两种变化：一边是AI需求增长带来的硬件成本压力，另一边则是存储通过软件、架构和数据管理创造新的价值。
当算力开始按Token计算投入产出，存储也不再甘心只做数据的仓库。
