Tanken bag platformen er at forbinde hele AI-livscyklussen – fra rådatalagring til modelimplementering og AI-agenter – inde i én integreret stak. Huawei argumenterer for, at fragmenteret infrastruktur bremser AI-adoptionen, så virksomheden har designet et system, hvor datapipelines, inferensinfrastruktur og orkestreringslag er tæt integreret.

Arkitekturen i fem lag

Huawei beskriver platformen som en stak med fem lag, hvor hvert lag understøtter en anden del af virksomhedens AI-pipeline.

1. Lagringslag

Fundamentet er OceanStor Pacific, Huaweis distribuerede scale-out-lagringsplatform designet til at lagre massive AI-datasæt og vektorembeddings. Systemet er optimeret til højdensitetskapacitet og stor-skala databehandlingsarbejdsbyrder, der er typiske for AI-trænings- og inferensmiljøer.

Huawei rapporterer, at OceanStor Pacific kan nå op til 11 petabyte lagring i et 2U-chassis, med mål om at levere høj densitet, mens de samlede ejeromkostninger for store AI-datacentre sænkes.

2. Datastyringslag

Over lagringen sidder DME Omni-Dataverse, som fungerer som en samlet dataadministrationsplatform. Den aggregerer og administrerer data på tværs af miljøer og muliggør:

• Multimodal dataoptagelse
• Datastyring på tværs af lokaliteter
• Global datasynlighed og -kontrol
• Hurtig hentning fra ekstremt store vektordatasæt

Ifølge Huawei og relateret rapportering kan platformen udføre sekund-baseret hentning på tværs af hundreder af milliarder af vektorer, hvilket gør det muligt for AI-modeller at få adgang til vidensbaser og embeddings i stor skala.

3. Modelimplementerings- og inferenslag

Det næste lag fokuserer på effektiv implementering og kørsel af AI-modeller.

Nøgleteknologier inkluderer:

• Context Memory Storage (CMS) – en hukommelsesarkitektur designet til store inferensklynger
• ModelEngine – Huaweis runtime-miljø til implementering og administration af AI-modeller

CMS understøtter heterogene computemiljøer og kan samle store KV-cache-hukommelsesressourcer, hvilket hjælper med at accelerere inferensarbejdsbyrder. Huawei hævder, at denne arkitektur kan reducere latenstiden for at generere det første token under inferens betydeligt.

ModelEngine leverer i mellemtiden modelgateway-funktioner og værktøjer til hurtig implementering af nye modeller med minimal konfiguration.

4. AI-agentorkestreringslag

Huawei introducerede også Nexent, en virksomheds-AI-agentplatform, der arbejder sammen med ModelEngine om at orkestrere AI-agenter på tværs af arbejdsgange i virksomheden.

Målet er at gøre det muligt for organisationer at forbinde AI-modeller direkte til operationelle opgaver – såsom automatisering, beslutningsstøtte eller kundeinteraktion – gennem agentsystemer, der koordinerer flere modeller og værktøjer.

I Huaweis arkitektur transformerer dette lag implementerede modeller til praktiske virksomheds-AI-agenter, der kan interagere med data, applikationer og brugere.

5. Datamodstandsdygtighedslag

Det sidste lag fokuserer på sikkerhed, pålidelighed og databeskyttelse. Huawei beskriver dette som en ende-til-ende-ramme for modstandsdygtighed, der beskytter AI-data og -infrastruktur mod fejl og cyberangreb.

Funktioner fremhævet i dækningen inkluderer:

• Uforanderlige snapshots og backupkopier
• Ende-til-ende-databeskyttelse
• Værktøjer til katastrofegenopretning og modstandsdygtighed

Disse funktioner er beregnet til at forsvare sig mod trusler som ransomware-angreb og andre risici for dataintegritet, der kunne forstyrre AI-driften. Noget rapportering forbinder også modstandsdygtighedslaget med bredere beskyttelse mod datakvalitetstrusler i AI-pipelines, selvom specifikke tekniske detaljer er begrænsede.

Præstations- og effektivitetskrav

Huawei præsenterede platformen som en måde at accelerere virksomheders AI-implementering og forbedre inferensydelsen.

Eksempler nævnt i rapporteringen inkluderer:

• Op til 10 gange hurtigere tokengenerering i nogle inferensscenarier muliggjort af CMS og hukommelsesstyringsoptimeringer.
• AI-applikationsimplementering reduceret fra uger til dage takket være integreret orkestrering og platformværktøjer.
• Inferensacceleration gennem teknikker som KV-cache-hukommelsesoptimering og samlet cache-styring.

Som med de fleste leverandørbenchmarks afspejler disse tal Huaweis interne test eller specifikke arbejdsbyrder snarere end universelle præstationsresultater.

Tidlige virksomhedsimplementeringer

Huawei fremhævede også tidlig adoption af deres infrastruktur i virksomhedsmiljøer.

For eksempel har den franske detailhandler Auchan implementeret Huawei-hardware og datacenterinfrastrukturklynger i tre datacentre i Frankrig som en del af en moderniseringsindsats.

Selvom rapporter bekræfter implementeringen af Huawei-infrastruktur, tilskriver offentligt tilgængelige kilder ikke direkte Auchans sky-besparelser til Huaweis platform. Beviser viser i stedet en bredere modernisering af detailhandlerens IT-miljø, som kan involvere flere teknologier og cloud-udbydere.

Hvorfor Huawei bygger en fuld-stack AI-infrastruktur

Annonceringen afspejler en bredere industrielt skift mod vertikalt integreret AI-infrastruktur. I stedet for separate værktøjer til lagring, modelimplementering og orkestrering samler leverandører dem i stigende grad i samlede platforme designet til:

• Stor-skala AI-inferensklynger
• Virksomheds-AI-agenter
• Datacentriske AI-pipelines

Huaweis tilgang fokuserer stærkt på datainfrastruktur – og behandler datalagring, vektorhentning, hukommelsescaching og orkestrering som kerneelementer i AI-ydelse snarere end sekundære komponenter.

Hvis virksomheder tager denne arkitektur i udbredt brug, kan platformen fungere som den operationelle rygrad for AI-drevne datacentre, der forbinder rådata, AI-modeller og agentsystemer inden for en enkelt stak.

Tanken bag platformen er at forbinde hele AI-livscyklussen – fra rådatalagring til modelimplementering og AI-agenter – inde i én integreret stak. Huawei argumenterer for, at fragmenteret infrastruktur bremser AI-adoptionen, så virksomheden har designet et system, hvor datapipelines, inferensinfrastruktur og orkestreringslag er tæt integreret.

Arkitekturen i fem lag

Huawei beskriver platformen som en stak med fem lag, hvor hvert lag understøtter en anden del af virksomhedens AI-pipeline.

1. Lagringslag

Fundamentet er OceanStor Pacific, Huaweis distribuerede scale-out-lagringsplatform designet til at lagre massive AI-datasæt og vektorembeddings. Systemet er optimeret til højdensitetskapacitet og stor-skala databehandlingsarbejdsbyrder, der er typiske for AI-trænings- og inferensmiljøer.

Huawei rapporterer, at OceanStor Pacific kan nå op til 11 petabyte lagring i et 2U-chassis, med mål om at levere høj densitet, mens de samlede ejeromkostninger for store AI-datacentre sænkes.

2. Datastyringslag

Over lagringen sidder DME Omni-Dataverse, som fungerer som en samlet dataadministrationsplatform. Den aggregerer og administrerer data på tværs af miljøer og muliggør:

• Multimodal dataoptagelse
• Datastyring på tværs af lokaliteter
• Global datasynlighed og -kontrol
• Hurtig hentning fra ekstremt store vektordatasæt

Ifølge Huawei og relateret rapportering kan platformen udføre sekund-baseret hentning på tværs af hundreder af milliarder af vektorer, hvilket gør det muligt for AI-modeller at få adgang til vidensbaser og embeddings i stor skala.

3. Modelimplementerings- og inferenslag

Det næste lag fokuserer på effektiv implementering og kørsel af AI-modeller.

Nøgleteknologier inkluderer:

• Context Memory Storage (CMS) – en hukommelsesarkitektur designet til store inferensklynger
• ModelEngine – Huaweis runtime-miljø til implementering og administration af AI-modeller

CMS understøtter heterogene computemiljøer og kan samle store KV-cache-hukommelsesressourcer, hvilket hjælper med at accelerere inferensarbejdsbyrder. Huawei hævder, at denne arkitektur kan reducere latenstiden for at generere det første token under inferens betydeligt.

ModelEngine leverer i mellemtiden modelgateway-funktioner og værktøjer til hurtig implementering af nye modeller med minimal konfiguration.

4. AI-agentorkestreringslag

Huawei introducerede også Nexent, en virksomheds-AI-agentplatform, der arbejder sammen med ModelEngine om at orkestrere AI-agenter på tværs af arbejdsgange i virksomheden.

Målet er at gøre det muligt for organisationer at forbinde AI-modeller direkte til operationelle opgaver – såsom automatisering, beslutningsstøtte eller kundeinteraktion – gennem agentsystemer, der koordinerer flere modeller og værktøjer.

I Huaweis arkitektur transformerer dette lag implementerede modeller til praktiske virksomheds-AI-agenter, der kan interagere med data, applikationer og brugere.

5. Datamodstandsdygtighedslag

Det sidste lag fokuserer på sikkerhed, pålidelighed og databeskyttelse. Huawei beskriver dette som en ende-til-ende-ramme for modstandsdygtighed, der beskytter AI-data og -infrastruktur mod fejl og cyberangreb.

Funktioner fremhævet i dækningen inkluderer:

• Uforanderlige snapshots og backupkopier
• Ende-til-ende-databeskyttelse
• Værktøjer til katastrofegenopretning og modstandsdygtighed

Disse funktioner er beregnet til at forsvare sig mod trusler som ransomware-angreb og andre risici for dataintegritet, der kunne forstyrre AI-driften. Noget rapportering forbinder også modstandsdygtighedslaget med bredere beskyttelse mod datakvalitetstrusler i AI-pipelines, selvom specifikke tekniske detaljer er begrænsede.

Præstations- og effektivitetskrav

Huawei præsenterede platformen som en måde at accelerere virksomheders AI-implementering og forbedre inferensydelsen.

Eksempler nævnt i rapporteringen inkluderer:

• Op til 10 gange hurtigere tokengenerering i nogle inferensscenarier muliggjort af CMS og hukommelsesstyringsoptimeringer.
• AI-applikationsimplementering reduceret fra uger til dage takket være integreret orkestrering og platformværktøjer.
• Inferensacceleration gennem teknikker som KV-cache-hukommelsesoptimering og samlet cache-styring.

Som med de fleste leverandørbenchmarks afspejler disse tal Huaweis interne test eller specifikke arbejdsbyrder snarere end universelle præstationsresultater.

Tidlige virksomhedsimplementeringer

Huawei fremhævede også tidlig adoption af deres infrastruktur i virksomhedsmiljøer.

For eksempel har den franske detailhandler Auchan implementeret Huawei-hardware og datacenterinfrastrukturklynger i tre datacentre i Frankrig som en del af en moderniseringsindsats.

Selvom rapporter bekræfter implementeringen af Huawei-infrastruktur, tilskriver offentligt tilgængelige kilder ikke direkte Auchans sky-besparelser til Huaweis platform. Beviser viser i stedet en bredere modernisering af detailhandlerens IT-miljø, som kan involvere flere teknologier og cloud-udbydere.

Hvorfor Huawei bygger en fuld-stack AI-infrastruktur

Annonceringen afspejler en bredere industrielt skift mod vertikalt integreret AI-infrastruktur. I stedet for separate værktøjer til lagring, modelimplementering og orkestrering samler leverandører dem i stigende grad i samlede platforme designet til:

• Stor-skala AI-inferensklynger
• Virksomheds-AI-agenter
• Datacentriske AI-pipelines

Huaweis tilgang fokuserer stærkt på datainfrastruktur – og behandler datalagring, vektorhentning, hukommelsescaching og orkestrering som kerneelementer i AI-ydelse snarere end sekundære komponenter.

Hvis virksomheder tager denne arkitektur i udbredt brug, kan platformen fungere som den operationelle rygrad for AI-drevne datacentre, der forbinder rådata, AI-modeller og agentsystemer inden for en enkelt stak.