華為發佈AIDC數據基礎設施全棧方案，覆蓋數據湖至智能體框架五大層級

2026年5月25日 05:27

重點摘要

華為在巴黎正式發佈AIDC數據基礎設施全棧方案，涵蓋數據湖、知識與記憶平臺、模型工程與資源調度、智能體框架及數據韌性平臺五大層級，旨在加速企業AI數據中心建設與規模化落地。方案包括OceanStor Pacific全閃存儲、CMS上下文記憶存儲、ModelEngine模型

站內 AI 整理稿

### 華為發布 AIDC 數據基礎設施全棧方案，五大層級打通 AI 落地最後一哩路

華為於巴黎舉行的「2026 華為創新數據基礎設施論壇」上，正式推出「AIDC 數據基礎設施全棧方案」，這套方案涵蓋數據湖、知識與記憶平臺、模型工程與資源調度、智能體框架、數據韌性平臺等五大核心層級。華為數據儲存產品線總裁袁遠在會中明確指出，當前 AI 正劇烈改變企業運作模式，智能體快速普及成為新型數位生產力，而企業的 Token 消耗量也出現爆發性成長。這套方案的目標，正是要協助企業從現有 IT 架構順利過渡到 AI 數據中心，實現 AI 的規模化部署。

### 背景脈絡：AI 應用深化，數據基礎設施成關鍵瓶頸

袁遠在演講中點出一個重要趨勢：智能體數量與 Token 處理量正以驚人速度成長，Token 將像空氣與水一樣成為日常基礎設施。然而，企業在導入 AI 時往往面臨數據品質不佳、推理效率低落、資源調度困難等挑戰。華為認為，算力、模型與智能體這三個 AI 發展階段已經陸續展開，接下來決定企業 AI 競爭力的關鍵，將落在數據基礎設施的完備程度上。因此，這套全棧方案從數據的儲存、管理、調度到安全性，進行系統性的規劃與設計，試圖為企業提供一條完整的演進路徑。

### 數據湖層：以高密度儲存與語義檢索支撐訓練品質

在數據湖層級，華為主推 OceanStor Pacific 全閃分散式儲存，強調以業界領先的容量密度實現最佳總持有成本，適合存放海量訓練資料。搭配 DME Omni-Dataverse 統一數據空間，不僅支援多模態、跨站點數據即時入湖，還具備千億維度向量的秒級檢索能力。袁遠在會中以自動駕駛企業為例，說明這套系統能夠在超過上千 PB 的訓練數據中，快速召回特定情境下的影像檔案，凸顯數據品質對模型訓練的決定性影響。

### 知識與記憶平臺：雙線產品滿足不同規模推理需求

平臺層是此方案的核心，華為針對不同客戶規模推出兩套產品。對於超大規模推理集群，推出業界首款支援異構算力的上下文記憶儲存（CMS），可擴展為 PB 級共享 KV Cache 池，大幅降低推理首 Token 延遲。針對一般企業 AI 推理場景，則首創「3+1」AI 數據平臺，整合知識庫、KV Cache 加速與持續進化的記憶庫，三者透過統一協調管理技術調度，整體提升推理精準性。袁遠以金融機構的 AI 編碼專案為例，說明多輪推理中若每次都要將全量數據重新送入 GPU，成本與時間都難以負擔，而 KV Cache 的導入正是解決此問題的關鍵。

### 模型工程與資源調度：ModelEngine 實現 GPU 一卡多用

在模型工程層級，華為 ModelEngine 提供模型開箱即

原始來源：雷峰網 ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

16 小時前閱讀分析