在2025金融科技发展趋势洞见圆桌会议上，华为闪存存储领域副总裁严浩在发言中提到，“AI时代需要AI存储，通过存算网协同，在训练阶段提高数据准备/加载速度，提高AI集群可用度。在推理阶段以存代算，大幅减少算力压力，显著提升推理吞吐量，助力金融业AI大模型高质量发展。”

人类发展迎来数智时代，随着大模型产品和服务的爆发式增长，数据规模爆炸式增长。数据作为发展新质生产力的关键生产要素，数据价值不断攀升。金融业高度重视大模型应用创新与实践，积极探索落地路径与应用场景。然而，大模型在金融业的应用尚处于初级阶段，面临数据归集及预处理效率低、xPU与存储的带宽不足、算力集群可用度低等诸多挑战，对存储提出了更高要求。具备极致性能、高扩展性、数据韧性、新数据范式以及数据编织能力的新一代AI存储是通往数智时代的必由之路。

| 以存强算，AI集群可用度提升30%以上

考虑成本和算力配置等因素，充分挖掘金融数据价值，需要保证AI集群算力可用度。而问题是随着AI集群规模的扩大，故障率也随之变高，目前业界千卡以上的AI集群可用度往往不足50%，这意味着，即使不断增加xPU的数量，其可用度却呈反比降低，这对于宝贵的算力资源是极大的浪费。而使用先进AI存储，提升训练集群存储性能可以大幅缩短数据集加载时间，实现秒级CKPT（检查点）保存，分钟级断点续训，有效提升算力集群可用度。

| 数据编织，实现跨域数据高效归集，数据全局可视可管

随着大模型的规模法则（Scaling Law）不断演进，无论是在进行CKPT的并行保存与加载、多模态数据的收集与清洗、全局数据的Shuffle（混洗）与模态对齐，还是AI算法的调优以及大规模集群的运维诊断跟踪，都迫切需要一个全局对等共享、单一命名空间、且具备高性能的大型文件系统。这样的系统能够避免多文件系统和多集群之间联邦式的低效堆叠，从而显著简化大规模集群环境下的数据调度和数据管理流程，进而持续提高数据供应的效率。

| Long Context（长上下文）成为推理发展的趋势，以存代算，长记忆内存型存储提升推理体验并降低系统成本

AI推理是金融企业实现AI应用商业化的先决条件，金融企业的最终目标是通过智能客服、票据处理等一系列推理应用加速实现新质生产力。长上下文处理技术不仅显著提升了模型在多样化任务中的表现，而且为模型在实际应用中的广泛使用打下了坚实的基础。显然，长上下文处理技术已经成为推理技术未来发展的主要趋势。然而，在实际应用中，长上下文处理面临着成本高昂和体验不佳的双重挑战，尤其是在推理过程中KV-Cache存不下问题尤为突出。迫切需要解决KV-Cache的全局共享和推理记忆的持久化问题。因此，将KV-Cache实现分层缓存，并确保其高性能访问，通过长记忆内存型存储以存代替算来提升推理性能和成本效益，已成为技术发展的主流方向。

中国的AI存储快速发展，9月华为OceanStor A800 AI存储获得MLPerf™ Storage测试全球第一，2节点AI存储性能高达679 GB/s。11月华为AI存储在CCF Storage Evaluation测评中再次全面领先，在性能（带宽、OPS）、可靠性、扩展性均位列第一。

严浩表示，存储系统存在于大模型生命周期的每一环，是大模型的关键基座，金融机构应提前规划建设先进AI存储，提升训练集群可用度，保障数据安全，降低推理成本，提升用户体验，加速金融行业推理应用。