新型人工智能存储研究报告(2025年)

中国信息通信研究院人工智能研究所中国人工智能产业发展联盟2025年4月

版权声明

本报告版权属于中国信息通信研究院、中国人工智能产业发展联盟，并受法律保护。转载、摘编或利用其它方式使用本报告文字或者观点的，应注明“来源：中国信息通信研究院、中国人工智能产业发展联盟”。违反上述声明者，编者将追究其相关法律责任

前言

2022 年科技部等六部门印发《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》，提出加速人工智能技术攻关、产品开发和产业培育，探索人工智能发展新模式新路径，以人工智能高水平应用促进经济高质量发展。2023年工信部等六部门印发《算力基础设施高质量发展行动计划》，提出强化存力高效灵活保障，加速存力技术研发应用，持续提升存储产业能力，推动存算网协同发展。

大模型时代，数据决定人工智能的高度，更多的训练数据是大模型迭代升级的前提，更高的数据质量也决定着大模型训练的效果。当前，大模型技术全面推动底层基础设施的发展，算力需求不断攀升，海量数据的存储和处理需求不断增长，对人工智能存储的性能、扩展性、数据安全、数据范式等都提出更高要求。

本报告重点对新型人工智能存储的概念范围、面临挑战、关键技术和最佳实践进行了梳理和分析。概念范围上，梳理了新型人工智能存储的基本概念，分析了全球人工智能存储战略。面临挑战上，点明了新型人工智能存储是发力大模型的基础，但同时在海量数据归集、训练数据访问效率、推理实时性等方面存在诸多挑战。关键技术上，阐明了新型人工智能存储需要从存储介质、系统、架构、数据编织、数据范式和数据安全等方面发力。最佳实践上，介绍了医疗、金融、云服务商、AI企业等在新型人工智能存储的实践案例。最后，本报告针对当前人工智能存储发展的挑战，提出了未来我国

新型人工智能存储发展建议。

新型人工智能存储相关产业、技术正处于高速发展阶段，新技

一、新型人工智能存储概况
（一）新型人工智能存储基本概念.
（二）全球人工智能存储战略分析
二、人工智能存储重要性.
（一）人工智能存储是发力大模型的基础.
（二）人工智能存储面临的挑战.
三、新型人工智能存储关键技术.. .9
（一）长记忆存储范式为推理提质增效. .11
12
（三）超节点存储架构持续支撑扩展法则 14
（四）高性能并行文件系统以存强算 15
（五）全闪存存储技术为数据提速降耗. .16
17
四、人工智能存储建设最佳实践. 18
（一）医疗行业：长记忆存储助力智能辅助诊断， .18
（二）金融行业：高性能AI存储赋能智慧金融， .20
（三）AI企业：AI数据湖支撑大模型训推平台. .22
（四）运营商：构筑领先智算中心云数据底座.. .23
（五）制造业：一体化集成加速智能客服场景创新与实践， .26
五、人工智能存储发展建议... .27
（一）加强AI存储设施统筹部署.. .28
（二）增强AI存储自主创新能力. .28
（三）推动AI存储产业协同发展.. .28
（四）构建AI存储能力评价体系.. .29

图目录

图1 AI 基础架构.
图 2数据是大模型的核心要素. 6
图3算力中心架构到存储中心架构
图4新型AI存储特征 10
图5AI存储结构分层.
图6长记忆存储架构 12
图7统一数据底座. 14
图8医疗行业KVCache长记忆存储应用实... 19
图9金融高性能 AI存储应用实践.. 21
图10外置AI数据湖存储底座应用实践
图 11某运营商智能存储盘框应用实践 .25
图 12制造企业超融合一体机应用实践 27

表目录

表1国外人工智能存储战略布局
表 2国内人工智能存储战略布局

一、新型人工智能存储概况

（一）新型人工智能存储基本概念

人工智能(Artificial Intelligence)起源于20 世纪五六十年代，历经符号主义、连接主义和行为主义三次浪潮的相互交织发展，如今作为一项新兴的通用技术，正推动着社会生活与各行各业的巨变。随着大模型的爆发式增长和持续迭代，模型参数量从几万跃升至数千亿甚至更大，模型层数从开始的个位数逐步发展到成百上千，原始数据集也达到PB级，对以数据存储为代表的多领域产生了根本性的影响。

2024年2月16日，OpenAI再度引领风潮，发布了首款文生视频大模型 Sora，大模型由单模态的NLP领域向文生视频等多模态方向迅速演进，标志着AI技术正迈向一个全新的高峰。相较于传统的NLP语言大模型，视频大模型所需的训练数据量极为庞大，原始数据体量相较于NLP能达到几百甚至上千PB级以上,2025年2月,Grok3发布，其多模态能力获得全球瞩目，Grok3所用数据量比Grok2增加了3倍，通过增加数据量而不是模型参数的方式实现了大模型能力的倍增。这些都对人工智能基础设施的数据存储和处理能力提出了极高的挑战。

图1 AI基础架构
来源：中国信息通信研究院

新型AI存储是指专为人工智能应用和服务设计的数据存储系统，具备超高性能、超大容量、极致安全、数据编织等特征，可以有效支撑海量数据的分析和学习，是AI基础架构不可或缺的组成部分，如图1。作为大模型的数据载体，新型AI存储与大模型数据归集、预处理、训练、推理等全生命周期流程紧密相关，且逐步成为AI数据全生命周期服务与管理平台的重要组成部分。当今在不同行业和组织内部具备形成多元化数据集的条件下，新型AI存储正在成为数据资源的统一管理平台，并以此为基础构成跨域跨部门的AI数据湖，为数据赋能提供关键的技术支撑。

（二）全球人工智能存储战略分析

国外较早布局人工智能战略，AI存储逐步成为战略关键技术竞争力的重要体现。欧盟委员会在2020年2月发布《人工智能白皮书》,确保对计算和数据基础设施的访问安全，同时提出改善数据访问和管理是根本。英国政府在2021年9月发布《国家人工智能战略》，AI系统中的数据基础和使用将提高专业人工智能、软件和数据技术的能力，并支持关键的新型数据基础设施的发展。美国国防部在2023年11月的《数据、分析和人工智能采用战略》中，提出推进数据、分析和人工智能生态系统，同时改善基础数据管理，为美国人工智能发展和相关国家安全战略制定提供依据，如表1。

国内目前对数据存储的产业布局主要在于通用存储。2023年11月，《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》中提出加强人工智能场景创新要素供给。推动场景算力设施开放，集聚人工智能场景数据资源。2021年12月，中央网信办在《“十四五”国家信息化规划》中提出加强数据收集、汇聚、存储、流通、应用等全生命周期的安全管理，建立健全相关技术保障措施。2020年7月，国家标准化管理委员会等五部门在《国家新一代人工智能标准体系建设指南》中提出规范人工智能研发及应用等过程涉及到的数据存储、处理、分析等大数据相关支撑技术要素，包括大数据系统产品、数据共享开放、数据管理机制、数据治理等标准，如表2。

表1国外人工智能存储战略布局

序号	时间	名称	主要内容	发布机构
1	2023年11月	《数据、分析和人工智能采用战略》	投资可互操作的联合基础设施；推进数据、分析和人工智能生态系统；扩大数字人才管理；改善基础数据管理。	美国国防部
2	2022年11目	《国防人工智能战略》	通过前沿技术枢纽，支撑新兴技术的使用和创新，从而支持创建新的英国国防人工智能中心。	英国国防部
3	2022年2月	《关键和新兴技术清单》	明确了数据存储作为关键技术，为美国技术竞争力和国家安全的战略方案制定提供依据。	美国国防部
4	2020年2月	《人工智能白皮书》	确保对计算和数据基础设施的访问安全，同时提出改善数据访问和管理是根本。金	欧盟委员

来源：中国信息通信研究院

表 2 国内人工智能存储战略布局

序号	时间	名称	主要内容	发布机构
1	2022年7月	《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》	加强人工智能场景创新要素供给。推动场景算力设施开放，集聚人工智能场景数据资源。	科技部等六部门
2	2021年12月	《“十四五”国家信息化规划》	加强数据收集、汇聚、存储、流通、应用等全生命周期的安全管理，建立健全相关技术保障措施。	中央网信办
3	2020年7月	《国家新一代人工智能标准人体系建设指南》	在建设内容中提出规范工智能研发及应用等过程涉及到的数据存储、处理、分析等大数据相关支撑技术要素，包括大数据系统产品、数据共享开放、数据管理机制、数据治理等标准。	国家标准化管理委员会等五部门

来源：中国信息通信研究院

二、人工智能存储重要性

（一）人工智能存储是发力大模型的基础

大模型正在从基础大模型向行业大模型演进。大模型的应用场景日渐丰富，正在加速向各个行业渗透。大模型很大程度上打破了AI场景化和行业化的瓶颈,为上层应用提供更多通用性的基础能力，同时企业不再需要按场景从零开始开发和训练独立的基础模型，仅需在较成熟的基础大模型上融入企业生产业务沉淀而来的私域数据，即可进一步实现大模型的专业训练，满足特定领域对准确度和安全性等方面的诉求。根据IDC 的分析及预测，未来95%的大中型企业将基于专属数据自建行业大模型，例如银行的风控数据、车企自动驾驶数据、医疗PACS数据等。

数据决定人工智能高度。大模型三要素是数据、算力和算法。随着AI技术快速成熟，各企业所使用的算力已逐渐趋同；各企业采用的算法也同样逐渐收敛，大多依托Transformer模型基础架构和以Pytorch、TensorFlow等为代表的开发框架；因此真正体现大模型差异性的要素是数据。根据公开数据显示，Meta开发的LLaMA3 拥有 700 亿参数和15TB 训练数据，而 OpenAI的 GPT-3.5拥有1750亿参数和570GB训练数据，尽管LLaMA3在参数规模上还不到GPT-3.5的一半，但其表现能力在大部分基准上均超过后者。不难看出，除了模型参数规模以外，训练数据的体量对提升大模型的效果具有显著作用。此外数据的质量同样重要，大模型需要规范性、完整性、时效性的高质量数据支撑。对于基础大模型，其数据质量主要基于厂商从公开渠道所获取数据的整体质量。而对于行业大模型的训练及细分场景推理应用，模型效果取决于行业专属的私域数据的质量，其中包含了企业原有数据和行业知识库等，如图2。

图2数据是大模型的核心要素
来源：中国信息通信研究院

AI存储逐步成为大模型的关键基础设施。AI存储是大模型数据收集、预处理、训练、推理的关键一环，决定了能保存利用的数据容量、训练及推理的数据存取效率、基础设施可用度以及数据安全。一是AI存储与大模型数据处理效率紧密相关，AI存储直接影响数据访问速度，从而影响大模型训练和推理速度。二是AI存储是模型规模和数据量激增时平衡成本的重要因素。模型参数增大会伴随训练数据集规模的指数级增长，从而大幅增加数据储存成本。三是大模型行业落地需要依托AI存储来加速数据在各环节的自动流转，保护数据安全，并形成统一的数据管理。面对大模型带来的大量数据处理和工程化工作，也需要结合AI存储中的相关技术一并解决。

（二）人工智能存储面临的挑战

海量原始数据的归集对AI存储效率提出较高要求。人工智能数据在存储过程中往往需要通过不同地域、线上线下等方式对数据进行归集汇总。据统计，PB级数据的归集通常花费3\~5周，耗时占据整个大模型全流程时长的30%。为了加速数据归集、减少后续分析的等待时间，需要AI存储具备高效汇聚、协议互通、海量按需扩容的能力。在AI存储领域，通过简单收集、爬取的原始数据是无法直接用于模型训练的，需要对数据进行解析、清洗、去重等工作，其中包含至少3次全量数据读取与搬迁，将消耗30%以上的CPU、GPU、网络、内存等资源。

数据访问效率将成为制约模型训练速度的重要因素。在模型训练启动阶段，GPU服务器会随机读取数万个小文件，读取完毕后才能启动训练。为了避免GPU等待训练数据的加载时间过长，需要AI存储提供千万级IOPS能力。此外，在模型训练的过程中，GPU服务器硬件的故障率较高，在训练过程中一般会设定数十次、甚至上百次的周期性检查点（checkpoint）操作，保存中间过程数据，让发生故障后可以断点续训。因此为了减少GPU的空置时长，需要存储提供数百GB/s级的读写带宽。

AI存储能够提供应用推理阶段的实时性和精准性。当大模型用于推理时，为避免大模型出现答非所问、内容杜撰等问题，需要将企业不断产生的私有数据联接到大模型。如果将这些全新的数据再次进行训练或微调，会耗费很长时间，且付出高昂的成本。通过在大模型上外挂一个可容纳增量数据、并且实时动态更新的行业知识库，可以为大模型提供额外的信息输入，提高其回答的准确性，这就需要一个能够快速检索关键信息的AI存储。 1K

在AI存储全生命周期中需要考虑攻击带来的不良影响。通常攻击的手段归结为两类，一类是传统的数据窃取，以获取勒索赎金，企业不仅面临赎金损失，还会面临商誉、商业机会、法律诉讼、人力和时间成本等损失。而另一类是新型的数据攻击，主要是通过加入噪音数据，如在训练数据中加入暴力、意识形态歪曲的内容，导致模型质量下降、推理精确度失准、出现模型幻觉，最终干扰企业决策。因此在AI存储过程中需要对数据安全进行充分的考量。

AI存储是提升AI集群可用度的关键。AI集群可用度是指大模型基础设施集群在一定时间内提供正常服务的时间占总时间的比例，通常用百分比表示。数据显示，当前集群可用度普遍低于50%。Meta50000+卡训练任务1和OpenAIGPT-425000卡训练任务集群算力可用度在 30%\~40%之间，英伟达 Megatron-LM 和微软 MT-NLG10000+卡训练任务的集群算力可用度在40%～50%之间。AI集群可用度提升困难导致可利用算力难以随着集群部署规模线性增长，造成了算力资源的巨大浪费。其中，算力等待时间是导致AI集群可用度降低的主要原因，例如，PB级训练数据集的加载时间通常在小时级，断点或故障恢复所需的时间也会显著影响可用度。高性能的AI存储可减少算力等待时间，有效提升AI集群可用度。

三、新型人工智能存储关键技术

以数据为中心，统一存储基座，融合多元异构算力的新AI技术架构，已逐步成为人工智能计算中心的主流架构。多种异构算力紧密围绕在统一的数据底座，改变了过去“数据跟着算力跑"的算力烟囱工作模式，朝着“算力围着数据转"的新模式演进，如图3所示。作为数据载体，数据存储已成为构建大模型的关键基础设施之-

图 3算力中心架构到存储中心架构
来源：中国信息通信研究院

新型人工智能存储（面向AI的存储系统）具备极致性能、数据安全、大模型数据范式、高扩展性、数据编织和绿色节能6大关键特征，如图4所示，极致的性能密度可以加速数据供给，缩短训练数据的归集与预处理、CheckPoint数据的保存以及断点续训等造成的算力等待，提升AI全流程效率；支持向量、张量、KVCache等大模型数据范式，能显著加速数据的融合检索，更好的支持推理应用；AI存储99.9999%的可靠性提升AI基础设施的持续服务时间，防勒索和存储加密进一步保障数据安全；跨域跨集群的AI数据湖支撑异构计算，近存计算的扩展；数据编织提供全局数据可视、可管，实现数据流动效率的倍数提升，并通过数据版本管理和数据血缘管理，保证数据质量不被破坏；绿色的AI存储，可降低每TB数据的能耗和占用空间。

图4 新型AI存储特征
来源：中国信息通信研究院

构建先进的AI存储，要从存储介质、系统、架构、数据编织、数据范式和数据安全等多方面发力，协同提升大模型数据存储能力，如图5所示。

图5AI存储结构分层
来源：中国信息通信研究院

（一）长记忆存储范式为推理提质增效

长记忆存储通过多级KVCache助力大模型推理成本降低，用户体验增强。长记忆存储是专业记录大模型思考结果的存储，作为内存的扩展，以分级的方式实现月级、年级、乃至“终身”的记忆能力，让大模型推理具备慢思考能力，如图6所示。一方面，大模型推理过程中需处理长序列以获取准确的上下文信息、生成高质量输出，模型的计算成本和内存需求通常随序列长度的增加而显著增加，通过KVCache缓存机制，可以有效降低模型长序列推理的内存占用和计算开销，实现有限硬件条件下的高效推理。另一方面，基于高性能长记忆存储技术构建的多级KVCache缓存机制，可以保证KVCache具备随时在线和全局池化共享能力，配合以查代算算法，实现从持久化的KVCache“长记忆”中调取前期已执行过的计算结果，减少推理过程中的重复计算。根据企业实践，利用该技术可实现推理吞吐提速超

50%，显著降低推理的端到端成本，提升大模型行业应用的长序列场景体验。 D

6长记忆存储架构
来源：中国信息通信研究院

近数据向量知识库提高大模型检索效率，减少输出幻觉。近数据向量知识库基于快速知识生成、大库容高召回率与多模融合检索关键能力，可实现百亿知识库秒级检索。通过分布式合并建图技术，实现近数建库，根据企业实践，知识生成从月级降至天级，建库时长缩短5倍，实现知识实时更新。同时利用存储侧容灾备份特性组合，可提供数据库高可用保障，消除单点故障引发重新建库的巨大开销。

（二）数据编织加强全局数据高效处理

数据编织成为跨域跨集群数据归集、流动和处理的强大助力，通过数据版本管理和数据血缘管理，保证数据质量不下降。数据编织是通过构建统一的数据视图，实现跨域跨集群数据的整合和调度，从而使得数据能够被快速地发现和访问，保障全局数据可视可管。随着数据量的爆炸性增长，海量数据往往分散在不同的数据中心，形成所谓的“数据孤岛”，这不仅阻碍了数据的流通和共享，也降低了数据的利用效率。数据编织一方面能将来自多个源头的价值数据快速归集和流动，使数据高效的从源端移动到训练和推理环境的AI存储上来，并通过数据版本管理和数据血缘管理，保证数据质量不被破坏，满足权限、安全等方面的各类数据使用规则，提升海量复杂数据的管理效率，直接减少AI训练推理端到端周期，另一方面也能实现AI训练数据集的按需筛选。通过数据画像，凭借数据的时空信息、数据的标签，以简化数据的分级分类管理，做到按场景化的数据治理，满足大模型的场景化要求。

AI全流程业务加速需要数据易共享、高性能、易扩展的统一数据底座。如图7所示。统一数据底座是指对内兼容AI全流程工具链所需的多种存储协议，并保证各协议的语义无损，对外呈现统一的命名空间，方便用户管理和访问数据，能够实现数据全生命周期管理。传统解决方案由于需要在不同系统间来回拷贝数据，会严重影响数据处理效率，浪费存储空间，增加运维难度。统一数据管理能够具备高效的数据流转能力，可以在不同阶段实现数据的零拷贝和格式的零转换，实现AI各阶段协同业务的无缝对接，减少等待时间。首先，可以指定数据首次写入时的放置策略，例如在数据获取阶段，新获取的数据需要在短时间内处理的，可以直接放置到高性能层；而新获取的数据在短时间内无需处理的或用来长期归档的数据，则可以直接写入容量层；其次，可以设置丰富的数据分级流动策略，例如可以设置访问频度与时间相结合的流动策略，也可以设置容量水位触发的流动策略；再者，根据用户制定的分级策略，数据能够在高性能层和大容量层之间自动分级流动，数据分级迁移过程对业务应用完全透明；最后，对于已经分级到容量层的数据,用户可以通过命令或API对指定的数据集配置预热策略，来加速任务的启动速度。

图7统一数据底座
来源：中国信息通信研究院

（三）超节点存储架构持续支撑扩展法则

大模型时代，AI存储架构从传统的层次化、主从服务器架构，向全对等、全直通的超节点架构转变。超节点存储能够构建全对等、全直通的架构，实现“DCasaComputer”。存储与计算之间高并行数据直通，通过开放的协议标准，既支持Scale-up扩展容量，也支持Scale-out扩展性能的超节点架构。一方面在宏观上存算分离，计算、存储资源独立部署，通过高通量数据总线互联，统一内存语义访问数据，实现计算、存储资源解耦灵活调度，资源利用率最大化。目前，模型训练仍然需要通过CPU去访问内存，但由于CPU的发展逐步放缓，导致内存的带宽和容量成为瓶颈。以CXL（Compute Express Link）为代表的高速互联总线，将系统中的计算、存储、内存等资源彻底解构，各自形成统一的共享资源池，让GPU可以直接通过CXL总线以更快的速度访问内存与存储，从而极大提升大模型的数据加载及流转效率，实现以数据为中心的超节点架构。另一方面在微观上存算一体，通过近数据处理，减少数据非必要移动，在数据产生的边缘、数据流动的网络中、数据存储系统中布置专用数据处理算力，算网存融合提升数据处理效率。大模型训练与应用阶段对数据处理效率有极高要求，在传统的数据处理流程中，数据需要在存储介质和处理器之间频繁移动，这不仅耗时而且效率较低。通过近存计算将数据预处理功能卸载到存储设备中，从而减少数据搬运的开销，提高数据处理的速度和效率。基于超节点存储能力，AI存储能够支撑超十万卡算力集群，为人工智能的持续发展提供动力。

（四）高性能并行文件系统以存强算

大模型需要AI存储具备高性能并行文件系统以提高数据存取效率，并提供加速卡直通存储技术实现数据直达。并行文件系统是指支持数据并行读写的高性能文件系统，被广泛使用于需要高算力与高数据量的应用。随着大模型的发展，需要AI存储具备高并发、高带宽、高IOPS的并行文件系统，以提高GPU/NPU的训练推理效率。AI存储并行文件系统需具备以下四大能力，一是高性能，百PB/s级带宽和亿级IOPS支持能力，可实现超万卡集群数据调度简化、供给无瓶颈，保障规模扩展场景下的系统性能。每U大于50GB/s带宽、百万IOPS 和PB级容量，可实现数据存储与处理的高密度，提升大模型使用效率，降低成本。二是高可靠，通过多路径、全交换、全互联等设计，确保存储系统的高可用性达到99.9999%，可以实现软硬件故障的自动切换。三是高扩展，能够支持EB级的数据量，且性能随节点数增加而线性增加。四是加速卡直通存储技术，利用基于总线 P2P的底层传输协议机制，使数据路径无需再经过CPU，实现加速卡的HBM和存储设备间数据一跳直达，消除CPU处理瓶颈，极大的提升了数据从存储到加速卡的传输效率，在检查点状态数据保存、训练数据加载以及KVCache加速等场景发挥重要作用。

（五）全闪存存储技术为数据提速降耗

高性能低能耗的大模型数据存储与处理需要AI存储走向全闪存。存储介质是指用于存储数据的载体，是数据存储的基础。闪存存储是新一代存储介质，相比传统的机械硬盘，在性能、能耗、容量密度等方面有巨大优势，已经成为了业界的共识。闪存存储比机械硬盘时延小100倍左右，每秒数据读写次数大1000倍以上，空间占用节省50%。随着闪存介质堆叠层数与颗粒类型方面的突破，其成本也在持续走低，成为处理大模型数据的理想选择。数据读写性能的大幅提升，将减少计算、网络等资源的等待，加速大模型的部署与应用。根据行业测算，以GPT-3采用100PFlops算力下，当存储的读写性能提升30%，将优化计算侧30%的利用率，训练周期将从48天降低至36天，整体训练时间缩短32%。 D

使用闪存存储相比机械硬盘能减少能耗 70%。尤其是高密存储节点密度能达到传统存储服务器的2.6倍以上，结合存算分离架构，相对使用通用型服务器，减少了存储节点CPU、内存及配套交换机，同等容量下带来能耗节约10%\~30%。显著降低大模型数据的存储能耗。数据算法和数据融合技术正在大幅度提高存储能效。数据融合：随着数据融合技术的成熟，一套存储系统能够同时提供文件、对象等多协议访问能力，通过多协议融合互通能力，一份数据无须协议转换就能够被多种协议同时访问，减少数据搬迁和重复存储，提升35%的数据处理能效。数据算法：数据压缩，数据重删正在向无损化，场景化演进，随着应用语义压缩/重删技术的发展，有望从根本上解决非结构化数据的存储效率问题，从而进一步提升数据能效。

（六）存储内生安全保护企业数据资产

存储内生安全是构建大模型系统数据安全防护的最后一道防线。存储内生安全强调在AI存储系统中内置安全机制，以保障数据的机密性、完整性和可用性。相比于传统的外部安全措施，存储内生安全具有更高的灵活性和可控性，能够更好地适应不断变化的安全威胁。在大模型的应用中，存储内生安全通过将安全功能融入到AI存储系统中实现对数据的保护。这种方式可以避免将敏感信息暴露在外部网络中，从而降低数据被攻击的风险。同时，存储内生安全还能够提供灵活的安全管理策略，根据不同用户的需求进行定制化的安全设置，提高数据的安全性和合规性。从硬件角度，存储内生安全主要包括构建关键硬件自主能力、硬件三防（防侧信道、防故障注入、防物理攻击）和可信启动等技术。从软件算法角度，重点解决开源软件的风险治理。从数据安全防护角度，AI存储会围绕数据采集、传输、存储、处理、共享和销毁全生命周期提供安全防护能力。其一是围绕数据全生命周期，提供端到端加密能力，包括数据传输加密，落盘加密等，提升数据流动和数据储存的安全，并在数据生命周期结束时提供数据安全销毁能力；其二是针对数据完整性、真实性和可用性提供安全快照、本地备份、异地备份、双活容灾等数据容灾与备份能力，结合企业数据分类分级可实施符合政策法规要求的数据保护措施；其三是针对勒索病毒攻击提供网络+存储协同防勒索的能力，实现事前防御勒索病毒攻击、事中进行勒索病毒检测、事后保障数据可恢复。勒索病毒隐蔽性极强、变种频繁，往往使用零日漏洞、钓鱼邮件等方式入侵，单靠杀毒软件防不胜防；网络防火墙等设备以进不来为防范目标，可拦截90%左右勒索病毒，而AI存储作为数据的最终载体，可以在第一时间感知勒索软件对数据的修改行为，通过侦测分析、安全副本、及时恢复，确保病毒进不来、改不了，数据可恢复。

该科技企业通过采用超融合一体机的一站式解决方案，其实现效果包括以下两方面，一是答复效率千倍提升，以“智能”取代“人工”，“0”学习成本，具有智能问答、向量检索、智能识图等功能，实现7x24小时值班秒级答复，用户满意度提升95%；二是答复准确度更高，通过长记忆存储，实现知识库实时更新，数据入库即可查询，推理更准确。

五、人工智能存储发展建议

当前，全球人工智能发展正从“以模型/算力为中心”加速向“以数据为中心”转变，高质量、大规模、多样化的数据成为人工智能发展的关键战略要素。作为数据的载体，数据存储成为大模型时代的关键基础设施，构建先进的人工智能存储是构建领先AI基础设施的核心条件之一。

为深入贯彻国家发展新一代人工智能的战略部署，充分发挥我国海量数据和丰富应用场景优势，促进人工智能和实体经济深度融合，催生新产业新业态新模式，不断做强做优做大我国数字经济，本报告针对我国人工智能存储发展，提出以下建议：

（一）加强AI存储设施统筹部署

在国家战略层面，尽快形成AI存储产业发展的顶层规划，系统布局AI存储设施。聚焦长记忆存储范式、数据编织、AI存储规模、数据灾备覆盖率等大模型需求技术和指标，制定引导我国AI存储产业高速健康发展的战略政策；积极围绕计算、存储等项目统筹规划，建立计算与存储并重的大模型基础设施，形成一批新型应用场景和新型应用示范项目。

（二）增强AI存储自主创新能力

在技术研发层面，全面加快核心技术创新，推动AI存储研发部署的自主可控。在国家科技攻关计划和相关产业链中设立AI存储专项，充分发挥行业创新领军企业的创新带领优势，紧扣科技自立自强的要求，组织国内产学研用各界联合攻关，实现全产业链自主可控;成立AI存储国家级创新平台，开展前沿技术研究，形成原创性成果，加快AI存储与应用的结合，提升国产AI存储全球技术竞争力。

（三）推动AI存储产业协同发展

在产业发展层面，鼓励国产设备应用，提升AI存储的安全保障能力。需加强国产化应用牵引，推动自主品牌做大做强，在大模型基础设施建设中要求使用自主可控的存储设备，以国产促用，打通AI存储上下游产业链，通过存储设备和固态盘主控芯片带动国产存储芯片应用，带动产业链整体能力提升，形成产业链上下游协同创新的行业发展新格局。

（四）构建AI存储能力评价体系

在标准建设层面，持续完善评价体系，促进AI存储产业健康蓬勃发展。积极开展AI存储产品标准、测试标准的制定工作，不断完善AI存储的标准体系建设，强化标准引领产业发展的作用；推动构建AI存储技术创新应用公共服务平台，联合产业各方积极开展AI存储新型技术及质量标准等验证评估，以“测”促“建”，以“测”促“用”，有效推动AI存储产业的高质量发展。

中国信息通信研究院人工智能研究所

地址：北京市海淀区花园北路52号

邮编：100191

新型人工智能存储研究报告（2025年）-中国信通院 听光Vic

新型人工智能存储研究报告（2025年）-中国信通院听光Vic