过去这一年,整个社会对存储的关注,比以往任何时候都要多。
在 AI 浪潮的影响下,存储需求激增,价格也一路飙升。
此前,对于发展 AI,大家主要关心的是算力和算法,是芯片和大模型。如今,随着 AI 的不断落地,数据以及数据背后的存储底座,正在不断凸显其价值。

前不久,腾讯全球数字生态大会在深圳举行。在会上,行业大佬们纷纷指出,AI 的发展已经进入全新阶段,这一阶段的重要标志就是 Agent 正在成为新的生产力形态。
打造高性能与极高性价比的 Agent 基础设施,是支撑这一发展趋势的重要底座。
大模型和 Agent 正在加速向生产力跃迁,作为底层基础设施的重要组成部分,整个存储体系必须开启一场从介质、层级、架构到软件栈的系统级重构。
存储技术的底层逻辑已经完全变了,不再是简单的容量与速度之争,而是演变为一场围绕数据生命周期、访问模式与总体拥有成本的深度博弈。
接下来,我就基于大佬们的观点,结合我自己的理解,聊聊这场变革与重构。
█ 当传统存储遇上 AI,一场革命不可避免
现代计算机的理论根基,是冯诺依曼架构。在这个架构中,计算和存储是最核心的两个部分。

冯诺依曼架构
现代存储技术起步于 20 世纪 50 年代,经历了半个多世纪的演进,从磁带到光盘,从机械硬盘到固态硬盘,从单机存储到分布式存储,存储介质和形态不断迭代。
迭代的背后,存储的核心使命始终没有变——把数据存下来,并在需要的时候读出来。
为了确保数据能够及时被保存、读取,存储系统一直在追求两个核心指标:性能和容量。性能,主要是指数据读写的速度。
存储本质上是一套精心设计的 " 数据分级流转系统 "。从寄存器、缓存、内存,到 SSD、HDD,再到磁带、光盘等离线介质,每一层级都在用不同的速度、容量与成本,承接不同热度的数据。性能越高的层级,成本越高,容量就越小。

存储分级体系
在 AI 到来之前的时代,这套分级体系,运行得相当平稳——各个层级基本能够满足应用需求,数据热度模型相对稳定,成本也趋于可控。
但是,AI 的到来,彻底打破了这种平衡。
大模型训练、推理任务,对存储提出了完全不同于传统互联网的要求。
大模型训练需要持续读取大量样本,对存储吞吐和数据供给效率提出更高要求;GPU 上的 HBM 则承担模型计算过程中的高速数据访问。推理场景既需要内存支撑上下文与缓存,也需要存储系统承载模型文件、知识库和会话数据。不同环节对容量、带宽和时延的要求并不相同。
这两年特别火爆的 Agent 应用,也对存储提出了新的挑战。Agent 执行任务时,会持续积累文件、记忆和中间成果。执行环境可以按需启动和回收,这些工作数据却需要独立保留,供后续任务接续使用。同时,不同用户和 Agent 的数据需要隔离,协作时又要能够按权限共享,让工作成果既能安全保存,也能持续复用。
总而言之,在 AI 时代,算法和算力的升级,需要更强大存储系统的协同。AI 的深入发展,需要构建规模化、高质量的数据供给。
数据的热度分布不再遵循过去互联网时代那种缓慢衰减的规律,而是呈现出高频、突发、跨层级的复杂特征。传统的 " 冷热简单分层 " 逻辑开始失效,存储体系必须重新思考 " 数据该放在哪里、以什么方式放、何时迁移 " 这一系列根本问题。
如何平衡容量、性能和成本之间的关系,如何打造真正符合需求场景的存储产品,成为摆在整个存储行业面前的难题。这些问题解决得如何,会直接影响 AI 任务的数据准备时间、算力利用率和运行成本,进而影响企业规模化应用 AI 的效率。
█ 打破存储困局,腾讯云到底打算怎么办?
腾讯云在应对上述挑战时,给出的答案是 " 重构 + 创新 " ——
他们不再单纯追求某一层级的极致性能,而是围绕数据在全生命周期中的流动规律,重新设计存储产品的形态与布局。针对训练、推理、数据归集、Agent、具身智能等不同的 AI 场景,他们一方面在已有传统产品的基础上进行重构,进一步提升产品性能,另一方面,他们推出了更多的创新产品,弥补现有产品矩阵中的短板。
通过完善后的产品体系,可以让每一类数据都能在合适的介质上、以合适的成本、被合适的算力高效访问。换言之,就是不仅要 " 存得下 ",也要 " 供得快 "、" 调得准 "、" 用得起 "。
接下来,我们详细看看,腾讯云对传统产品做了哪些升级,又推出了哪些创新。

存储产品体系分层
从分层的角度来看,腾讯云在传统简单分层的基础上进行了深入细化,分为了极冷层、冷层、在线温层、在线热层、加速层。
● 冷层、在线温层、在线热层(COS 分层存储)
COS(Cloud Object Storage)是腾讯云对象存储服务的统称。它是最核心的海量非结构化数据统一底座,采用腾讯云自研的 Yotta 架构,单集群存储规模可以达到百 EB 级、带宽可以达到 Tbps 级,单桶对象数可达万亿级。
在 COS 的基础上,又细化分为 COS 标准存储、COS Express-Lite、COS 低频 / 归档 / 深度归档,分别对应在线热层、在线温层、冷层。
值得注意的是,COS Express-Lite 是腾讯云不久前刚推出的产品,面向海量、需长期在线的温数据。
它以 QLC(NAND Flash 半导体存储技术的一种)为底层介质,不占用紧缺的 HDD 产能,单 GB 存储单价约为高性能存储的 1/4,且无取回费门槛,可以提供性能够用、成本可控的在线容量。
在兼容性方面,COS Express-Lite 支持 S3 兼容访问,可以沿用现有数据管道与工具链,降低接入改造成本。
● 极冷层(磁带存储)
在极冷层,腾讯云采用了磁带存储。这种存储形式虽然看上去很老,但对于极冷数据(例如日志、历史摄像头数据)来说,是一个非常低成本且可靠的方式。
腾讯云的磁带存储,采用最新的自研磁带引擎技术,写入速度业内领先,累计存储超 2000PB。
在存储涨价与介质供给趋紧背景下,磁带存储能够接管一部分 HDD 与 SSD 让渡出来的空间,有效降低整体 TCO(总体拥有成本)。
● 加速层(GooseFS)
再看看非常关键的加速层。在这一层,腾讯云拿出的对应解决方案是 GooseFS(数据加速器 Goose File System)。
GooseFS 位于计算框架和底层持久存储(COS/CHDFS/HDFS 等)中间,通过缓存与读写加速,和底层持久存储协同提升数据访问效率,解决 COS 在大数据、AI 训练场景下元数据慢、小文件、随机 IO、重复拉取的痛点。
例如,在大模型训推过程中,数据集、校验集、预训练权重、向量库反复被多个 GPU 读取。小文件多、随机 IO(输入 / 输出)操作非常密集。有了 GooseFS,就可以提升缓存命中率,减少 GPU 的等待时间,降低 COS 层的带宽压力。

GooseFS 还有一些 " 变体 "。例如 GooseFS-Cache,可以复用 GPU 本地 NVMe,创建全局缓存。再例如 GooseFS-X(全托管高性能并行文件),可以提供分布式元数据加速,实现每秒数百 GB 吞吐、数百万级 IOPS、亚毫秒级延迟。
GooseFS 做高吞吐供数与按需读写,COS 做海量持久化与弹性扩展。两者搭配协同,可以很好地应对 AI 训推场景下的数据访问挑战,实现了性能和成本的平衡。也就是说,不同类型的数据,都能找到合适的位置进行保存。
● COS Rapid Bucket
面对大量 GPU 并行取数,腾讯云计划推出一个新产品—— COS Rapid Bucket(高性能存储桶,内测中)。
COS 是整套对象存储服务,而 Bucket(存储桶)则是 COS 下面用来存放对象的容器。
COS Rapid Bucket 面向 AI 训练、推理和高性能计算场景,可以提供高并发、低时延的数据读写能力。换言之,它的任务,是确保数据能够及时送到计算端。
COS Rapid Bucket 采用全 SSD 介质,并通过计算与存储在同一可用区就近部署,缩短数据访问路径。根据腾讯云公开的产品资料,COS Rapid Bucket 具备百万级 IOPS、毫秒级时延和 TB/s 级吞吐能力,可用于训练样本读取、模型检查点写入,以及推理服务扩容时的模型权重加载。
● CBS 和 CFS(CFS Turbo)
从产品形态上看,腾讯云还有 CBS 和 CFS。
CBS 是云硬盘,提供块级存储,为云服务器、容器等计算环境承载数据。
CFS 则是文件存储,支持 NFS、SMB、POSIX 协议,可以多台机器共享读写文件。
特别值得一提的是,CFS Turbo 版本,针对 AI 训练场景做了深度优化,定位为高性能并行文件存储,支持全闪并行数据面。
腾讯云新推出的 TurboS3,让并行文件系统接入 S3 生态,实现了一份数据支持三种访问方式(POSIX、HDFS、S3),统一命名空间与分布式元数据,充分释放了并行存储的性能。
█ 面向 Agent 场景的存储技术创新
刚才针对底层技术框架体系,我们看到的主要是传统存储的升级和增强。针对 AI 新场景,只靠升级是不够的,更多要靠产品创新,也就是推出一些定制化的新产品,满足场景需求。
最典型的,当然就是现在最火的 AI Agent 场景。
Agent(智能体),是当前人工智能走向产业落地最重要的赛道之一。整个 2026 年,从年初爆火的 " 小龙虾(OpenClaw)",到如今广泛普及的 WorkBuddy,Agent 的渗透速度超乎想象。

越来越多的员工使用 WorkBuddy 这样的 Agent,将其用于日常工作,包括商业分析、业务运营、市场调研、营销规划与执行等专业领域。企业管理者也借此完成更准的决策与更快的执行,提升市场竞争力。Agent 已经变成随手可用、真正提效的生产力工具。
作为一个强大的数字助手,Agent 的核心特征是自主规划、调用工具、记忆和上下文管理。这些特征对底层存储提出了截然不同的要求:既要支撑高频的元数据读写,又要保证多轮交互中上下文数据的一致性与低延迟访问。
腾讯云推出了 Agent Bucket(智能体桶)、Vector Bucket(向量存储桶)、MetaInsight(多模态数据管理引擎)、AgentCFS、AgentCBS 等多款产品,覆盖了 Agent 落地的完整链路,也为将 AI 兑现为生产力打下坚实基础。

Agent AI 存储基础设施
我们可以详细看看,这些产品到底有哪些特色,是如何支持 Agent 更大规模普及的。
● Agent Bucket
Agent Bucket(智能体存储桶),是一个为 AI Agent 时代推出的新型存储桶,面向 Agent 应用中用户资料、任务中间结果和生成成果的存储需求。
Agent Bucket,在 COS 存储桶下引入独立的 Space 空间,支持按用户、智能体实例或项目配置权限、容量配额和限速,并提供目录管理、文件分享、去重秒传和回收站等能力。
它提供平台级隔离,防止越权,不仅让不同用户的数据有明确的访问边界,也让任务成果能够跨会话保留、按需共享和持续复用,将原本需要业务自行建设的多租户空间与文件管理能力下沉到存储服务,让开发者更专注于 Agent 的任务逻辑。
容量上,Agent Bucket 单桶默认支持 1000 万个空间,甚至可以提升到 10 亿,为亿级用户提供原生支撑。
● Vector Bucket
Vector Bucket(向量存储桶),则是为高维向量而生的存储桶。
所谓向量存储,就是把非结构化数据,比如图片、音频、视频,通过嵌入模型(Embedding)转换成变成一串固定长度浮点数(高维坐标),然后存储起来。语义 / 视觉越相似,向量在高维空间距离越近。
Vector Bucket 依托 COS 对象存储底座,适合海量向量长期沉淀,需要的时候 " 加热检索 ",把长期存储成本大幅压低。
● AgentCFS 与 AgentCBS
前面我们提到了 CFS 和 CBS,针对 Agent 场景,腾讯云还推出了 AgentCFS 与 AgentCBS,专门面向 Agent 沙箱,也非常实用。
这些存储产品与 Agent 深度融合,可以让 Agent 在运行过程中实现数据的快速读写与持久化保存,同时兼顾成本与性能的平衡。
● MetaInsight
存储核心能力是基础,但是,面对复杂的 AI 业务,如果想让用户更好地用起来,还需要在数据管理与智能调度上做文章,提供一些实用的工具,去帮助用户更好地驾驭数据、优化成本、提升效率。
MetaInsight 是一个多模态数据管理引擎,也可以理解为帮助用户更高效管理数据的存储工具。具体来说,它能够让内容具备被感知的能力,把静态文件变成可供大模型调用的动态知识资产。
█ 面向具身智能场景的存储技术创新
我们再来看看面向具身智能场景,腾讯云又做了哪些存储技术上的创新。
具身智能也是目前非常火热的赛道之一。机器人需要实时感知环境、做出决策并执行动作,这背后涉及海量多模态数据的采集、存储、处理与分发,以及最重要的模型训练和推理。
在这一场景,腾讯云 COS 首先提供了统一存储底座。
腾讯云会给客户提供数据的隔离和向量存储,基于内容的分析等能力。他们可以提供 4.5 个 9 的数据可用性能力,12 个 9 的数据持久能力,单集群达到百 EB 级的数据管理能力,这实现了 " 存得下 " 和 " 用得起 "。
在 COS 层的基础上,GooseFS 加速器提供高吞吐、低延时的能力,可以实现快速透明的加速流动。这是 " 供得快 "。
为了让用户可以更好地驾驭这些数据,更方便快捷地构建应用,腾讯云还提供智能视图计算(IVC)与数据万象(CI)。
智能视图计算支持视频接入、存储管理与 AI 分析。在具身智能场景中,它可以承接机器人采集的视频,支持云端管理和分析。
数据万象提供多种数据处理能力,其中面向具身智能的 Robo-Suit 提供 6 类算子、100 多项能力,可与 MetaInsight 的检索能力结合,支持数据加工、检索、管理与交付。
智能视图计算和数据万象,助力了 " 调得准 "。

腾讯云具身智能全栈解决方案
所有上面提到的这些产品和能力,实际上形成了一个完美的数据飞轮。整个数据飞轮转得越快,用户的具身智能模型训练效率就越高。
根据腾讯云提供的数据,采用他们的这套体系,某行业客户的数据处理时间减少了 35%,GPU 利用率提升到 90% 以上,模型训练的时长也能够缩短 30% 以上。最关键的整体存储成本,下降了 30% 以上。
█ 结语
总而言之,存储技术体系正在发生一场前所未有的变革。也许算力能够决定 AI 的上限,但决定 AI 能不能成功落地的,很可能是存储。
追求极致性能,就像是买豪华跑车,虽然能拿第一名,但日常使用成本太高。真正要过日子,要实现 AI 全面普及,就必须重视极致性价比。拥有一个完善的存储产品体系,分别在带宽、延迟、容量、功耗、成本、可靠性之间提供解决方案,就像拥有多种档次的车,按需使用,既满足性能要求,又控制成本开销。
存储是计算的重要搭档。想要让 AI 真正形成生产力,就不能只追求算力规模和参数规模,而应该充分考虑让 AI 满足用户的实际需求。" 存得下 "、" 供得快 "、" 调得准 "、" 用得起 ",其实就是精准锚定用户需求,打造能够在底层承接数据的可靠存储体系。存储足够强大,才能够配合算力,完成 AI 计算任务,驱动应用场景的发展和普及。
我相信,未来的存储,将不再只是数据的被动 " 仓库 ",而是 AI 认知世界的 " 记忆中枢 ",能够主动参与计算,实现自我智能管理,并且足够安全可信。
期待这一天的早日到来。



登录后才可以发布评论哦
打开小程序可以发布评论哦