中新网北京9月21日电 (记者 吕少威)21日在京发布的《2026年中国人工智能计算力发展评估报告》(下称《报告》)指出，预计全球活跃智能体数量将从2026年的7940万个增长至2030年的22.16亿个，复合增长率达到129.8%。
AI推理时代，算力狂奔，但内存却掉队。
过去二十年GPU单精度算力提升了四个数量级以上，AI产业的注意力长期被芯片与网络占据，“算力焦虑”几乎成了行业的核心叙事。但随着大模型从实验室训练走向规模化产业落地，一个...
AI推理时代，算力狂奔，但内存却掉队。
过去二十年GPU单精度算力提升了四个数量级以上，AI产业的注意力长期被芯片与网络占据，“算力焦虑”几乎成了行业的核心叙事。但随着大模型从实验室训练走向规模化产业落地，一个更隐蔽的瓶颈正在浮现：显存带宽与容量的线性增长，早已追不上算力狂奔的脚步。
AI算力越堆越多，GPU却在等数据。“内存墙”之下，存储正从幕后的数据仓库走向台前，成为决定AI体验上限的关键变量。芯展速副总裁李蓁指出，"下一个十年，算力的差距会缩小，存力的差距才会决定谁跑在前面。"
过去谈及AI基础设施，算力芯片与高速网络是绝对的主角。行业的普遍认知是，只要算力堆得足够多，AI的能力就有保障。但当大模型参数跨过千亿，上下文窗口扩展到百万Token以及Agent应用批量兴起，在新需求下，旧供给已经跟不上，内存被卡了脖子。
“AI是基于数据实现的智能化应用，数据的规模、处理速度与流动效率，直接决定了AI智能体的智能化程度。”李蓁打了一个比方：就像一个人掌握的一手数据越多、知识越渊博，应对复杂场景的判断就越精准。AI要真正融入千行百业，就需要持续喂养海量数据，而数据的承载、流转与调度，都离不开存储。
这也解释了存储为何在近两年迅速升温，从来没有任何一种应用，像AI这样对数据有着极致的规模与效率要求。要知道，早期AI存储只需要满足模型训练的高吞吐、大容量需求，而如今AI数据管道覆盖采集、清洗、训练、检索、推理、反馈全链路。
数据不再是静态存放的资产，而是在全流程中持续流动的生产要素。如果数据流动受阻，再强的算力也只能陷入等数据的空转。换句话说，以前的问题是算得慢，现在更常见的问题是等着数据送过来。
“数据是新时代的石油，但更重要的是下半句。”李蓁表示，“石油需要经过冶炼才能成为燃料与化工原料，数据也需要在顺畅的链路中流转、处理，才能真正转化为生产力。当算力不再是绝对瓶颈，数据流动的效率就成了新的短板。”
企业级AI Agent场景对性能和数据安全提出极高要求，需防止AI幻觉导致的数据误删，确保集群安全可控运行 。传统基于不同软硬件搭建的碎片化基础设施存在搭建运维复杂、可靠性低、安全性不足及整体拥有成本（TCO）增加等问题 。
在AI爆发之前，分层存储是行业延续了几十年的主流方案：根据数据访问频率，将热数据存放在高性能存储介质，冷数据沉降到低成本层级，以此平衡性能与成本。但这套运行了数十年的逻辑，在AI时代正在失效。
分层架构的核心痛点，在于数据跨层搬运的隐形损耗。AI数据生命周期里，同一份数据时而需要高性能读写，时而需要低成本大容量存储，在传统分层架构中，数据需要在不同层级间反复迁移。
“搬运的过程就会产生巨大开销，GPU长时间处于等待状态，设备持续上电却没有产出，这些成本最终都会由用户买单。”李蓁坦言，多套系统、多类介质对应不同分层，也让架构设计、软件开发与日常运维的复杂度指数级上升。
针对这一痛点，芯展速与VAST Data面向云端AI存储提出了“架构之上无分层”的解决方案：上层构建统一的数据平台，让应用只看到一套系统、一份数据，无需感知底层介质差异。底层则通过不同介质的精准分工，分别承担性能、容量、持久化等不同角色。
李蓁认为，AI存储演进的一个重要方向，就是走向无分层的统一数据平台，而不是多个割裂的层级。
需要指出的是，在全新的方案逻辑下，单凭一家很难去做到通路的打通，而是需要做系统的软件厂商与做硬件的存储厂商深度协同，并非“各做各的”。底层介质需承担更清晰的角色分工，包括高性能、容量经济性、低延时高耐久及全局持久化 。
在李蓁看来，无分层架构的体验上限，由上层架构设计与底层硬件能力共同决定，VAST Data定义了无分层的统一架构，提出了对底层介质的差异化需求。“架构之上无分层”定义的是系统架构，芯展速解决的是介质层怎么支撑它。
据介绍，围绕写入缓冲、容量经济与关键负载性能三个角色，芯展速以SCM、QLC、TLC产品组合分别承接。其中，SCM承担低延迟、高耐久的写入缓冲与全局状态持久化，QLC主打海量数据的容量经济性，TLC保障高并发关键负载的性能弹性。
让存储参与计算，以存力强化算力。AI产业正在回归数据的本质，存储不再是算力的附属品，而是释放算力潜能、实现算力平权的核心底座。不过，当算力狂奔的脚步放缓，随着AI走进更多行业，数据这一层的变革才刚刚来到深水区。
李蓁表示，未来三到五年，最大的变化将是数据存储的下沉与分化。各行各业的用户都会产生定制化的模型与数据，大量个人数据、业务数据需要在本地存储与处理，以存强算、存算协同的边缘与端侧场景，会成为新的增长主线。
但机遇背后，挑战同样清晰。首先是技术迭代的压力，AI数据的增长速度远超行业预期，对存储的性能、容量、耐久度要求还在持续提升，无分层架构的优化没有终点，还有很长的路要走。
另一个则是行业周期的波动，任何新技术都不会保持直线增长，行业必然存在有周期性的起伏。
如何在行业热潮中积极投入抢占技术制高点，同时避免盲目的技术堆砌，在周期波动中保持稳健节奏，是芯展速需要长期面对的命题。（本文首发于钛媒体APP，文 | 志读科技，作者 | 杜志强，编辑 | 杨林）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
图片来源：视觉中国
9月21日，据环球网报道，人工智能企业OpenAI预计2026至2030年五年间，公司累计负自由现金流规模将达到2780亿美元（约1.86万亿元人民币），这一数据来自OpenAI内部的融资演...
图片来源：视觉中国
9月21日，据环球网报道，人工智能企业OpenAI预计2026至2030年五年间，公司累计负自由现金流规模将达到2780亿美元（约1.86万亿元人民币），这一数据来自OpenAI内部的融资演示文稿；同期OpenAI预测的累计收入约为8400亿美元，而仅算力和基础设施一项，到2030年底的开支就将达到约8560亿美元；也就是说公司最大单项支出超过了五年总收入。
据悉，OpenAI这笔资金主要用于GPU服务器采购、数据中心建设、电力配套、云服务长期合约以及推理集群扩容，是其最大的成本项；营收端，OpenAI预计2026年全年营收360亿美元，至2030年营收提升至3500亿美元，营收规模接近十倍增长，但收入的增长速度依旧难以追上算力基础设施的投入节奏。
数据显示，2026年第一季度，OpenAI营收57亿美元，营业亏损约93亿美元，现金消耗约37亿美元，调整后营业利润率约为负122%；第二季度营收增至67亿美元，环比仅增长18%，营业亏损却扩大至约123亿美元；这相当于每赚1美元就要烧掉超过1.8美元。汇丰银行此前的一份研报就提示，即便到2030年，OpenAI依旧很难实现盈利，基础设施投入需求持续存在。
资金消耗的速度决定了融资的节奏。今年3月31日，OpenAI完成总额1220亿美元的私募融资，投后估值达8520亿美元，创下全球私募史上最大单笔纪录。其中亚马逊出资500亿美元（含附带条件的尾款），英伟达与软银各出资300亿美元，微软继续跟投。然而按照当前的烧钱速度，这笔钱最早在2028年就可能见底。
也正因如此，OpenAI已经启动新一轮融资谈判，投资者主动与公司接洽，讨论新的私募融资，交易完成后，OpenAI估值有望突破1.2万亿美元，对比3月8520亿美元估值存在明显溢价。
OpenAI已于6月向美国证券交易委员会秘密提交注册文件，但首席执行官萨姆·奥尔特曼表示，鉴于对AI安全风险的公众担忧，此时上市“时机不当”，IPO将推迟至2027年。部分投资人透露的另一层顾虑是，公开市场能否为一家年亏损数百亿美元的公司给出合理定价。
与此同时，OpenAI的竞争对手Anthropic第二季度单季营收超过115亿美元，环比增速逾140%，首次在单季规模上实现反超；其年化收入也在4月站上300亿美元。MenloVentures的中期企业报告显示，在企业大模型API支出份额上，Anthropic以34.4%首次超过OpenAI的32.3%。此外，Anthropic预计最早将于10月上市，目标估值约2万亿美元，在资本市场的卡位战中占据了先机。
当前顶尖大模型的训练与线上推理，高度依赖高端GPU集群，芯片供给稀缺、采购价格高昂，同时配套的数据中心建设、稳定供电、网络带宽都需要签订长期大额合同。除了向英伟达采购芯片、与微软签订云计算长期协议外，OpenAI也开始自建数据中心，7月，公司公布佐治亚州“山茶花项目”，计划投入200亿美元建设自有数据中心，降低对外部云厂商的依赖，保障算力供给稳定。
OpenAI只是这场资本开支竞赛中最极端的一个样本。根据FactSet等机构统计，亚马逊、微软、Alphabet、Meta和甲骨文五大云厂商2026年的资本开支指引合计约7350亿至7600亿美元，约占美国GDP的2.5%，2027年可能逼近1万亿美元；有测算认为到2030年累计AI资本开支或达5.5万亿美元。
高盛指出，超大规模云厂商的资本开支占经营现金流的比例已逼近100%，内部现金流几乎被完全消耗，未来必须依靠举债维持投资。
前两年AI热潮下，资本更看重模型能力、用户增速、产品落地场景，对于现金流亏损容忍度很高；随着资金缺口的扩大，投资者开始更加关注单位经济模型，也就是每一笔API调用、每一份企业订阅订单能否覆盖对应的算力成本。
未来这场烧钱竞赛最终的走向，不仅取决于模型技术突破，还取决于企业能否找到健康可持续的商业模式，在算力成本、产品定价、客户价值之间找到平衡点。
未经授权 禁止转载
读报 ›