在2026数据存储产业大会上，数据存储专委会发布《数据存储产业发展研究报告（2026年）》，预计到2026年底全球存储产业规模将突破1.7万亿美元（约合11.3万亿元人民币）。报告指出，随着AI推理和智能体应用加速落地，存储产业的增长重点正从单纯扩充容量，转向企业级SSD、AI数据中心以及服务模型推理的数据基础设施。

华为公司副总裁、数据存储产品线总裁袁远在会上给出了一组值得关注的数字：当前国智算中心GPU平均利用率约为30%，意味着约70%的算力尚未形成有效价值；企业真正能够使用的数据资源开发率约为28.4%；中文语料占全球比例约为4.8%。他认为，GPU规模并不等于有效算力，AI发展需要提升存储对算力的支撑能力，加强数据治理和复用，让有限算力释放更高产出。

袁远将存储的作用拆为两个层面。一方面要提升算力利用率、减少重复计算：推理环节的KV Cache需要低时延、高带宽和更低成本的存储支撑；训练环节随着模型参数规模扩大，Checkpoint效率和训练集群可靠性将成为关键瓶颈。另一方面要把原始数据清洗、整理成可直接调用的语料、知识和记忆，真正用于模型训练、推理和Agent运行。他用“数据是AI的燃料”来概括这一逻辑，认为数据既决定模型的高度，也决定推理的准确度。

报告还提出，AI正在推动存储系统从单纯保存数据，转向同时管理数据、知识和记忆；产业模式从“建湖”转向“用湖”，即从集中存数据转向让数据可检索、可分析、可复用并服务业务。存储交付也将从一次性采购设备逐步转向按需提供服务，数据保护则从单纯备份转向保障系统故障后快速恢复。

围绕AI应用的不同阶段，袁远提出两条路径：面向金融、制造、医疗等行业AI使用端的“All in One”，以统一的AI数据平台承载知识沉淀、记忆管理、KV Cache加速和资源调度；面向模型厂商、互联网企业和国家级人工智能训练基地等AI生产端的“One for All”，建设面向超大规模训练和推理的专用数据基础设施。

从产业视角看，这组数据揭示了AI算力投资中的一个结构性矛盾：硬件采购规模扩张并不自动转化为有效算力，存储带宽、数据供给和治理能力若跟不上，GPU的利用率就会被拉低。对存储厂商而言，竞争重点正从单一硬件性能转向软硬件协同、数据治理能力和场景适配能力；对AI企业和数据中心运营方而言，存储系统能否让数据更快被调用、缓存更高效地复用，将直接影响训练和推理的成本与效率。存储产业由此从提供容量，逐步转向同时承担数据供给、算力协同和知识管理。