簡單來說，華為希望把 AI 的整個流程——由 數據儲存、數據治理、模型推理，到 AI Agent 自動化應用——全部整合在同一個平台之中。公司認為，現時企業在不同工具和系統之間切換會拖慢 AI 落地，因此推出這種「一站式」AI 基礎設施。

五層 AI 數據中心架構

華為將整個平台設計成 五層架構，每一層負責 AI 生命周期中的不同環節。

1. 儲存層（Storage Layer）

最底層是 OceanStor Pacific 分佈式儲存系統，主要用來存放 AI 訓練與推理所需的海量數據，例如大型數據集和向量資料。

華為表示，OceanStor Pacific 可以在 2U 機箱內提供最高約 11PB 容量，主打高密度與較低的總擁有成本（TCO），特別針對 AI 數據中心場景。

2. 數據管理層（Data Management Layer）

第二層是 DME Omni‑Dataverse，屬於統一數據管理平台。

它的功能包括：

• 多模態數據導入
• 跨數據中心的數據管理
• 全局可視化與控制
• 向量數據快速檢索

華為稱該平台可以在 數百億級向量數據中做到秒級檢索，讓 AI 模型可以快速存取知識庫或 embedding 資料。

3. 模型部署與推理層（Model Deployment & Inference）

第三層主要負責 AI 模型的部署與推理運行。

兩個核心技術包括：

• Context Memory Storage（CMS）
• ModelEngine

CMS 是一種面向大型推理集群的記憶體架構，可以支援異構算力環境，並建立大型 KV Cache 記憶池。這有助降低模型生成第一個 token 時的延遲。

另一方面，ModelEngine 提供模型運行環境與模型閘道（model gateway），企業可以快速部署新模型，甚至做到低配置或近乎零代碼接入。

4. AI Agent 編排層（AI Agent Orchestration）

在模型之上，華為加入 Nexent AI Agent 平台。

這個平台可以配合 ModelEngine，把 AI 模型轉化為可執行業務任務的 AI Agent。例如：

• 業務流程自動化
• 智能客服
• 決策支援系統

換句話說，這一層的角色是把「AI 模型能力」變成「實際企業應用」。

5. 數據韌性層（Data Resilience Layer）

最上層是 數據安全與韌性。

華為將其定位為 AI 數據中心的防護機制，主要包括：

• 不可變快照（immutable snapshots）
• 備份與災難復原
• 端到端數據保護

這些功能主要用來抵禦 勒索軟件攻擊（ransomware） 等威脅，確保 AI 系統在故障或網絡攻擊下仍可維持運作。

部分報導亦提到，這些數據保護能力可以減少 AI 管線中的數據完整性風險，例如被惡意污染的數據。

華為宣稱的性能提升

華為同時公布了幾個平台性能數據：

• 部分推理場景 token 生成速度可提升最多 10 倍，主要依賴 CMS 與記憶體管理優化。
• AI 應用部署時間可由數星期縮短到數日。
• 透過 KV‑cache 記憶管理與統一快取機制 加速推理效率。

需要注意的是，這些數據主要來自廠商測試或特定工作負載情境，未必代表所有 AI 工作場景。

企業採用案例：Auchan

華為亦提到部分企業已開始使用其數據中心基礎設施。

例如 法國零售商 Auchan 已在法國三個數據中心部署華為硬件與數據中心集群，用於升級其 IT 基礎架構。

公開資料顯示，Auchan 正在進行整體 IT 現代化，包括雲端與數據平台的升級。不過目前公開來源並沒有明確證據指出其雲端成本下降是直接由華為平台帶來。

為何科技公司都在做「全棧 AI 基礎設施」

華為這次推出的方案，其實反映整個 AI 產業的一個趨勢：垂直整合的 AI 基礎設施。

過去企業通常需要分開部署：

• 儲存系統
• 數據平台
• 模型推理平台
• AI 應用框架

而現在愈來愈多供應商嘗試把這些能力整合成 單一 AI 平台，方便企業直接運行：

• 大規模 AI 推理集群
• 企業 AI Agent
• 數據驅動 AI 應用

華為的方案尤其強調 「數據基礎設施」對 AI 性能的重要性，將儲存、向量檢索、記憶體快取與模型管理視為同一套系統的一部分。

如果這種架構被企業廣泛採用，未來 AI 數據中心很可能會變成一種 由數據、模型與 AI Agent 緊密整合的運算平台。

簡單來說，華為希望把 AI 的整個流程——由 數據儲存、數據治理、模型推理，到 AI Agent 自動化應用——全部整合在同一個平台之中。公司認為，現時企業在不同工具和系統之間切換會拖慢 AI 落地，因此推出這種「一站式」AI 基礎設施。

五層 AI 數據中心架構

華為將整個平台設計成 五層架構，每一層負責 AI 生命周期中的不同環節。

1. 儲存層（Storage Layer）

最底層是 OceanStor Pacific 分佈式儲存系統，主要用來存放 AI 訓練與推理所需的海量數據，例如大型數據集和向量資料。

華為表示，OceanStor Pacific 可以在 2U 機箱內提供最高約 11PB 容量，主打高密度與較低的總擁有成本（TCO），特別針對 AI 數據中心場景。

2. 數據管理層（Data Management Layer）

第二層是 DME Omni‑Dataverse，屬於統一數據管理平台。

它的功能包括：

• 多模態數據導入
• 跨數據中心的數據管理
• 全局可視化與控制
• 向量數據快速檢索

華為稱該平台可以在 數百億級向量數據中做到秒級檢索，讓 AI 模型可以快速存取知識庫或 embedding 資料。

3. 模型部署與推理層（Model Deployment & Inference）

第三層主要負責 AI 模型的部署與推理運行。

兩個核心技術包括：

• Context Memory Storage（CMS）
• ModelEngine

CMS 是一種面向大型推理集群的記憶體架構，可以支援異構算力環境，並建立大型 KV Cache 記憶池。這有助降低模型生成第一個 token 時的延遲。

另一方面，ModelEngine 提供模型運行環境與模型閘道（model gateway），企業可以快速部署新模型，甚至做到低配置或近乎零代碼接入。

4. AI Agent 編排層（AI Agent Orchestration）

在模型之上，華為加入 Nexent AI Agent 平台。

這個平台可以配合 ModelEngine，把 AI 模型轉化為可執行業務任務的 AI Agent。例如：

• 業務流程自動化
• 智能客服
• 決策支援系統

換句話說，這一層的角色是把「AI 模型能力」變成「實際企業應用」。

5. 數據韌性層（Data Resilience Layer）

最上層是 數據安全與韌性。

華為將其定位為 AI 數據中心的防護機制，主要包括：

• 不可變快照（immutable snapshots）
• 備份與災難復原
• 端到端數據保護

這些功能主要用來抵禦 勒索軟件攻擊（ransomware） 等威脅，確保 AI 系統在故障或網絡攻擊下仍可維持運作。

部分報導亦提到，這些數據保護能力可以減少 AI 管線中的數據完整性風險，例如被惡意污染的數據。

華為宣稱的性能提升

華為同時公布了幾個平台性能數據：

• 部分推理場景 token 生成速度可提升最多 10 倍，主要依賴 CMS 與記憶體管理優化。
• AI 應用部署時間可由數星期縮短到數日。
• 透過 KV‑cache 記憶管理與統一快取機制 加速推理效率。

需要注意的是，這些數據主要來自廠商測試或特定工作負載情境，未必代表所有 AI 工作場景。

企業採用案例：Auchan

華為亦提到部分企業已開始使用其數據中心基礎設施。

例如 法國零售商 Auchan 已在法國三個數據中心部署華為硬件與數據中心集群，用於升級其 IT 基礎架構。

公開資料顯示，Auchan 正在進行整體 IT 現代化，包括雲端與數據平台的升級。不過目前公開來源並沒有明確證據指出其雲端成本下降是直接由華為平台帶來。

為何科技公司都在做「全棧 AI 基礎設施」

華為這次推出的方案，其實反映整個 AI 產業的一個趨勢：垂直整合的 AI 基礎設施。

過去企業通常需要分開部署：

• 儲存系統
• 數據平台
• 模型推理平台
• AI 應用框架

而現在愈來愈多供應商嘗試把這些能力整合成 單一 AI 平台，方便企業直接運行：

• 大規模 AI 推理集群
• 企業 AI Agent
• 數據驅動 AI 應用

華為的方案尤其強調 「數據基礎設施」對 AI 性能的重要性，將儲存、向量檢索、記憶體快取與模型管理視為同一套系統的一部分。

如果這種架構被企業廣泛採用，未來 AI 數據中心很可能會變成一種 由數據、模型與 AI Agent 緊密整合的運算平台。