L'idea alla base della piattaforma è connettere l'intero ciclo di vita dell'AI — dallo storage dei dati grezzi al deployment dei modelli e agli agenti AI — all'interno di un unico stack integrato. Huawei sostiene che un'infrastruttura frammentata rallenti l'adozione dell'AI, e per questo ha progettato un sistema in cui pipeline di dati, infrastruttura di inferenza e livelli di orchestrazione sono strettamente integrati.

L'Architettura a Cinque Livelli

Huawei descrive la piattaforma come uno stack a cinque livelli, ognuno dei quali supporta una diversa parte della pipeline AI enterprise.

1. Livello di Storage

La base è OceanStor Pacific, la piattaforma di storage distribuito scale-out di Huawei, progettata per immagazzinare enormi dataset AI e vettori di embedding. Il sistema è ottimizzato per capacità ad alta densità e carichi di lavoro di elaborazione dati su larga scala, tipici degli ambienti di training e inferenza AI.

Huawei riporta che OceanStor Pacific può raggiungere fino a 11 petabyte di storage in un telaio 2U, puntando a offrire alta densità riducendo al contempo il costo totale di proprietà per i grandi data center AI.

2. Livello di Gestione Dati

Sopra lo storage si trova DME Omni-Dataverse, che funge da piattaforma unificata di gestione dei dati. Aggrega e gestisce i dati attraverso diversi ambienti, consentendo:

• Ingestione di dati multimodali
• Gestione dei dati cross-site
• Visibilità e controllo globali dei dati
• Recupero rapido da dataset vettoriali estremamente grandi

Secondo Huawei e report correlati, la piattaforma può eseguire recupero a livello di secondi su centinaia di miliardi di vettori, consentendo ai modelli AI di accedere a knowledge base ed embedding su larga scala.

3. Livello di Deployment e Inferenza dei Modelli

Il livello successivo si concentra sul deployment e l'esecuzione efficiente dei modelli AI.

Le tecnologie chiave includono:

• Context Memory Storage (CMS) – un'architettura di memoria progettata per cluster di inferenza su larga scala.
• ModelEngine – l'ambiente runtime di Huawei per distribuire e gestire i modelli AI.

CMS supporta ambienti di calcolo eterogenei e può mettere in comune grandi risorse di memoria KV-cache, contribuendo ad accelerare i carichi di inferenza. Huawei sostiene che questa architettura può ridurre significativamente la latenza per la generazione del primo token durante l'inferenza.

ModelEngine, nel frattempo, fornisce capacità di gateway per modelli e strumenti per il deployment rapido di nuovi modelli con configurazione minima.

4. Livello di Orchestrazione degli Agenti AI

Huawei ha anche presentato Nexent, una piattaforma enterprise per agenti AI che lavora con ModelEngine per orchestrare gli agenti AI nei flussi di lavoro aziendali.

L'obiettivo è consentire alle organizzazioni di collegare i modelli AI direttamente alle attività operative — come automazione, supporto decisionale o interazione con i clienti — attraverso sistemi di agenti che coordinano più modelli e strumenti.

Nell'architettura di Huawei, questo livello trasforma i modelli distribuiti in agenti AI enterprise pratici in grado di interagire con dati, applicazioni e utenti.

5. Livello di Resilienza dei Dati

L'ultimo livello si concentra su sicurezza, affidabilità e protezione dei dati. Huawei lo descrive come un framework di resilienza end-to-end che protegge i dati e l'infrastruttura AI da guasti e attacchi informatici.

Le capacità evidenziate nella copertura includono:

• Snapshot immutabili e copie di backup
• Protezione dei dati end-to-end
• Strumenti di disaster recovery e resilienza

Queste funzionalità hanno lo scopo di difendere da minacce come attacchi ransomware e altri rischi per l'integrità dei dati che potrebbero interrompere le operazioni AI. Alcuni report collegano anche il livello di resilienza a protezioni più ampie contro le minacce alla qualità dei dati nelle pipeline AI, sebbene i dettagli tecnici specifici siano limitati.

Dichiarazioni su Prestazioni ed Efficienza

Huawei ha presentato la piattaforma come un modo per accelerare il deployment dell'AI enterprise e migliorare le prestazioni di inferenza.

Esempi citati nei report includono:

• Fino a 10 volte più veloce nella generazione di token in alcuni scenari di inferenza grazie alle ottimizzazioni di CMS e della gestione della memoria.
• Deployment di applicazioni AI ridotto da settimane a giorni grazie all'orchestrazione integrata e agli strumenti della piattaforma.
• Accelerazione dell'inferenza attraverso tecniche come l'ottimizzazione della memoria KV-cache e la gestione unificata della cache.

Come per la maggior parte dei benchmark dei fornitori, queste cifre riflettono test interni di Huawei o carichi di lavoro specifici, non risultati di prestazioni universali.

Prime Implementazioni Enterprise

Huawei ha anche evidenziato le prime adozioni della sua infrastruttura in ambienti aziendali.

Ad esempio, il rivenditore francese Auchan ha implementato hardware Huawei e cluster di infrastruttura per data center in tre data center in Francia come parte di uno sforzo di modernizzazione.

Sebbene i report confermino l'implementazione dell'infrastruttura Huawei, le fonti disponibili pubblicamente non attribuiscono chiaramente le riduzioni dei costi cloud di Auchan direttamente alla piattaforma Huawei. Le prove mostrano invece una modernizzazione più ampia dell'ambiente IT del rivenditore, che potrebbe coinvolgere più tecnologie e provider cloud.

Perché Huawei Sta Costruendo un'Infrastruttura AI Full-Stack

L'annuncio riflette un più ampio spostamento del settore verso infrastrutture AI verticalmente integrate. Invece di strumenti separati per storage, deployment di modelli e orchestrazione, i vendor li raggruppano sempre più in piattaforme unificate progettate per:

• Cluster di inferenza AI su larga scala
• Agenti AI enterprise
• Pipeline AI data-centriche

L'approccio di Huawei si concentra fortemente sull'infrastruttura dei dati — trattando storage dati, recupero vettoriale, caching in memoria e orchestrazione come elementi fondamentali delle prestazioni AI piuttosto che componenti secondari.

Se le aziende adottassero questa architettura su larga scala, la piattaforma potrebbe funzionare come spina dorsale operativa per data center guidati dall'AI, collegando dati grezzi, modelli AI e sistemi di agenti all'interno di un unico stack.

L'idea alla base della piattaforma è connettere l'intero ciclo di vita dell'AI — dallo storage dei dati grezzi al deployment dei modelli e agli agenti AI — all'interno di un unico stack integrato. Huawei sostiene che un'infrastruttura frammentata rallenti l'adozione dell'AI, e per questo ha progettato un sistema in cui pipeline di dati, infrastruttura di inferenza e livelli di orchestrazione sono strettamente integrati.

L'Architettura a Cinque Livelli

Huawei descrive la piattaforma come uno stack a cinque livelli, ognuno dei quali supporta una diversa parte della pipeline AI enterprise.

1. Livello di Storage

La base è OceanStor Pacific, la piattaforma di storage distribuito scale-out di Huawei, progettata per immagazzinare enormi dataset AI e vettori di embedding. Il sistema è ottimizzato per capacità ad alta densità e carichi di lavoro di elaborazione dati su larga scala, tipici degli ambienti di training e inferenza AI.

Huawei riporta che OceanStor Pacific può raggiungere fino a 11 petabyte di storage in un telaio 2U, puntando a offrire alta densità riducendo al contempo il costo totale di proprietà per i grandi data center AI.

2. Livello di Gestione Dati

Sopra lo storage si trova DME Omni-Dataverse, che funge da piattaforma unificata di gestione dei dati. Aggrega e gestisce i dati attraverso diversi ambienti, consentendo:

• Ingestione di dati multimodali
• Gestione dei dati cross-site
• Visibilità e controllo globali dei dati
• Recupero rapido da dataset vettoriali estremamente grandi

Secondo Huawei e report correlati, la piattaforma può eseguire recupero a livello di secondi su centinaia di miliardi di vettori, consentendo ai modelli AI di accedere a knowledge base ed embedding su larga scala.

3. Livello di Deployment e Inferenza dei Modelli

Il livello successivo si concentra sul deployment e l'esecuzione efficiente dei modelli AI.

Le tecnologie chiave includono:

• Context Memory Storage (CMS) – un'architettura di memoria progettata per cluster di inferenza su larga scala.
• ModelEngine – l'ambiente runtime di Huawei per distribuire e gestire i modelli AI.

CMS supporta ambienti di calcolo eterogenei e può mettere in comune grandi risorse di memoria KV-cache, contribuendo ad accelerare i carichi di inferenza. Huawei sostiene che questa architettura può ridurre significativamente la latenza per la generazione del primo token durante l'inferenza.

ModelEngine, nel frattempo, fornisce capacità di gateway per modelli e strumenti per il deployment rapido di nuovi modelli con configurazione minima.

4. Livello di Orchestrazione degli Agenti AI

Huawei ha anche presentato Nexent, una piattaforma enterprise per agenti AI che lavora con ModelEngine per orchestrare gli agenti AI nei flussi di lavoro aziendali.

L'obiettivo è consentire alle organizzazioni di collegare i modelli AI direttamente alle attività operative — come automazione, supporto decisionale o interazione con i clienti — attraverso sistemi di agenti che coordinano più modelli e strumenti.

Nell'architettura di Huawei, questo livello trasforma i modelli distribuiti in agenti AI enterprise pratici in grado di interagire con dati, applicazioni e utenti.

5. Livello di Resilienza dei Dati

L'ultimo livello si concentra su sicurezza, affidabilità e protezione dei dati. Huawei lo descrive come un framework di resilienza end-to-end che protegge i dati e l'infrastruttura AI da guasti e attacchi informatici.

Le capacità evidenziate nella copertura includono:

• Snapshot immutabili e copie di backup
• Protezione dei dati end-to-end
• Strumenti di disaster recovery e resilienza

Queste funzionalità hanno lo scopo di difendere da minacce come attacchi ransomware e altri rischi per l'integrità dei dati che potrebbero interrompere le operazioni AI. Alcuni report collegano anche il livello di resilienza a protezioni più ampie contro le minacce alla qualità dei dati nelle pipeline AI, sebbene i dettagli tecnici specifici siano limitati.

Dichiarazioni su Prestazioni ed Efficienza

Huawei ha presentato la piattaforma come un modo per accelerare il deployment dell'AI enterprise e migliorare le prestazioni di inferenza.

Esempi citati nei report includono:

• Fino a 10 volte più veloce nella generazione di token in alcuni scenari di inferenza grazie alle ottimizzazioni di CMS e della gestione della memoria.
• Deployment di applicazioni AI ridotto da settimane a giorni grazie all'orchestrazione integrata e agli strumenti della piattaforma.
• Accelerazione dell'inferenza attraverso tecniche come l'ottimizzazione della memoria KV-cache e la gestione unificata della cache.

Come per la maggior parte dei benchmark dei fornitori, queste cifre riflettono test interni di Huawei o carichi di lavoro specifici, non risultati di prestazioni universali.

Prime Implementazioni Enterprise

Huawei ha anche evidenziato le prime adozioni della sua infrastruttura in ambienti aziendali.

Ad esempio, il rivenditore francese Auchan ha implementato hardware Huawei e cluster di infrastruttura per data center in tre data center in Francia come parte di uno sforzo di modernizzazione.

Sebbene i report confermino l'implementazione dell'infrastruttura Huawei, le fonti disponibili pubblicamente non attribuiscono chiaramente le riduzioni dei costi cloud di Auchan direttamente alla piattaforma Huawei. Le prove mostrano invece una modernizzazione più ampia dell'ambiente IT del rivenditore, che potrebbe coinvolgere più tecnologie e provider cloud.

Perché Huawei Sta Costruendo un'Infrastruttura AI Full-Stack

L'annuncio riflette un più ampio spostamento del settore verso infrastrutture AI verticalmente integrate. Invece di strumenti separati per storage, deployment di modelli e orchestrazione, i vendor li raggruppano sempre più in piattaforme unificate progettate per:

• Cluster di inferenza AI su larga scala
• Agenti AI enterprise
• Pipeline AI data-centriche

L'approccio di Huawei si concentra fortemente sull'infrastruttura dei dati — trattando storage dati, recupero vettoriale, caching in memoria e orchestrazione come elementi fondamentali delle prestazioni AI piuttosto che componenti secondari.

Se le aziende adottassero questa architettura su larga scala, la piattaforma potrebbe funzionare come spina dorsale operativa per data center guidati dall'AI, collegando dati grezzi, modelli AI e sistemi di agenti all'interno di un unico stack.