存储涨价未止，中科曙光押注Token时代存储新价值
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
“至少目前还没有看到这两个诱因的衰减。”中科曙光集中式存储产品部总经理郭照斌这样判断这一轮存储涨价何时结束。他说的两个诱因，一是AI基础设施建设拉动了从HBM、内存到闪存的需求，二是AI应用正催生越来越多新型数据，比如大模型推理过程中的KV Cache。
也就是说，AI算力建设就算从训练逐渐转向推理，存储需求也未必跟着降温。反过来看，当AI从聊天机器人变成能连续执行任务的Agent，存储系统要扛的活儿可能只会更多。
“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。”10月29日举行的2026数据存储产业大会上，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抛出了这一观点。以往存储产业的讨论绕不开容量、带宽、IOPS（每秒输入/输出操作次数），这回AI带来的变化成了现场焦点。
有个问题值得掰扯：GPU负责生产Token，存储还能创造多少价值？
存储涨价，AI需求还在加码
在郭照斌看来，存储市场的价格变化不能只拿传统的供需周期去套。以前存储需求主要来自服务器、个人电脑、手机这些终端，产业链跟着终端市场的景气度起伏。AI却在造出新的需求结构。
一头是算力集群建设，直接把高带宽内存、DRAM和闪存的需求推了上去；另一头，大模型推理产生的KV Cache（Key-Value Cache，键值缓存）等数据，也得有大量存储资源来接。
尤其是Agent应用起来之后，AI不再只完成一次问答，而是要不断调用工具、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。
不过价格上涨不代表企业只能被动吞下成本。郭照斌介绍，中科曙光正靠软件优化和分层存储压低硬件资源消耗。比如优化存储软件后，单套系统的内存占用能降一半以上；通过不同介质之间的数据分层迁移，保障性能的同时少用高成本存储介质。
性能上，中科曙光双控存储系统已经做到3000万IOPS，四控系统达到亿级IOPS。
但比起不断刷新性能指标，郭照斌更看重存储系统的资源使用效率。AI应用规模一大，企业要的不只是更快的存储设备，还得有能按需扩缩容、少浪费资源的存储架构。
Agent的“记忆”，为什么不能都放在显存里？
跟涨价相比，Agent带来的技术变化或许更值得关注。大模型推理时，KV Cache用来保存已经算过的注意力相关中间状态，这样模型后续生成Token就不必把全部计算重做一遍。
普通的短对话，这部分数据量有限。可当Agent要处理长上下文、多轮任务，甚至同时服务大量用户，KV Cache的规模就会迅速膨胀。
问题跟着来：全放在GPU显存里，成本太高；直接挪到普通存储设备上，又可能因为读取速度跟不上而拖累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。”两位受访者聊到AI存储时，都指向了这一点。
郭照斌特别提到，AI推理对存储性能的要求不只是平均速度，时延稳不稳定更要紧。对连续生成Token的业务来说，偶发的高时延也可能拖累整体体验。
中科曙光给出的思路是：让KV Cache在不同层级的存储介质之间流动。其ParaCache方案把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。
性能要求最高的数据留在显存和内存里，部分不需要马上访问的数据则往成本更低的存储层级迁。
“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。
还有个数据更直白：在部分长上下文业务场景中，中科曙光与客户验证发现，把KV Cache卸载到分布式存储后，相比让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，不能直接套到所有AI场景上。但背后的逻辑已经变了：存储的价值不再只看每TB多少钱，还要看能省下多少GPU计算、压低多少Token成本。
存储不只是仓库，还要成为“数据工厂”
在采访和大会分享中，石静多次讲到“AI数据工厂”这个概念。过去的存储系统更像一间库房，把数据妥善保管起来，等计算系统来取。到了AI时代，存储得提前介入数据处理的环节。
以模型训练为例，数据采集、清洗、转换、加载这些步骤一个都少不了。问题是，每个环节如果都得先把大批数据拷贝完才能进入下一步，GPU就只能干等着数据到位，白白闲置。
石静打了个比方：“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。”
数据加载方式一变，算力资源的利用率就跟着上去了。顺着这个思路，存储厂商把数据预处理、按需加载、跨地域流转、生命周期管理这些能力都塞进存储系统，让它从单纯保管数据，转为参与数据处理的全过程。
石静判断，自动驾驶、具身智能等应用往前走，数据规模会越来越大，还会散落在不同设备和计算中心里。怎么把这些数据高效调起来，比一味扩大存储容量更要紧。
存储从后台挪到计算链条上，新问题也随之而来。郭照斌直言，未来一两年，AI对国产存储既是最大的机会，也是最大的挑战。高速互联、存储内部网络这些硬件领域，技术短板还得补上。
中科曙光眼下在推高速Fabric网络、PCIe 6.0相关技术，同时做软硬件协同优化，为的是跟上AI对数据传输效率的新要求。
这次大会还发布了《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）》，AI存储相关标准的建设也在同步推进。
两位受访者的判断摆在一起，能看出存储产业正经历两种变化：一头是AI需求增长压过来的硬件成本，另一头是存储靠软件、架构和数据管理挣出的新价值。
算力开始按Token算投入产出，存储也不愿再只当存放数据的仓库了。
