沿着旧地图，永远找不到新大陆。
当DeepSeek V4上下文窗口达到百万Token，当智能体推理请求从单轮对话变成多轮长程交互，当AI工作负载演变为多步骤链式复杂工作流，KV Cache数据量也迎来爆炸性增长。如今，业界愈发形成共识：即KV Cache已不再是AI推理过程中的“边角料”，而是决定单位Token成本、推理效率和运营成本的核心数据资产。
因此，随着人工智能重心从“训练”转向“推理”，存储需求也随之出现结构性的改变。那么，在智能体新时代全面到来之际，存储产品又应当如何求变？
近日，中科曙光率先出招，正式发布全新迭代升级的AI推理原生存储FN NEO，以“共享 KV Cache 池”为核心理念，通过极致融合能力实现一站式的AI推理全场景支持，同时以灵活的扩展性为将来后续智能体持续爆发后做好准备，真正为 AI推理场景带来“快、稳、开放、焕新”四大维度的全新改变。
信通院最新数据显示，截至今年6月份，我国日均Token调用量激增至近175万亿。
Token调用量爆发性增长的背后，是AI推理时代的全面到来。Gartner相关研究显示，智能体的爆发，使得AI推理成为算力、存储消耗的主要模式，预计2026年推理导向AI基础设施支出预计增长55%，AI推理工作负载占比的持续增长将彻底重塑基础设施。
事实上，业界普遍认为，随着智能体开始深入融入到千行百业的各种业务场景之中，其自主运行、高频访问的背后是底层数百上千轮的上下文交互、数十万计Token的输入以及步骤链式复杂工作流，而KV Cache 已不仅仅是AI推理过程中的临时缓存，而具备了成本高昂、复用价值巨大、急需生命周期管理以及跨节点共享等特征的“核心数据资产”。更加关键的是，这种“越跑越复杂”的AI推理模式已让现有基础设施达到其极限，不少用户因此陷入AI推理“焦虑”。那么，如何妥善管理并高效复用如此庞大规模的“核心数据资产”？业界一度认为，采用本地存算一体节点来堆叠 KV Cache缓存层的方案是极佳解决方案。
但现实有些“反常识”，各种实践表明，存算一体的本地节点方案存在着两大不可忽视的痛点：
其一、存算一体节点各自保存KV Cache，使得资源跨节点共享困难，智能体推理调度到其他节点时候容易陷入重复计算，造成资源浪费、延迟飙升和效率低下。
其二、存算一体方案无法提供“又低又稳”的尾延迟保障，在AI推理链路中，决定系统体验和SLA的不是“平均延迟”，而是 P99、P99.9 这类最慢请求的“尾延迟”，而存算一体方案极易引发性能断崖式下跌，拖垮整个集群的吞吐。
中科曙光集中式存储产品部总经理郭照斌直言：“存储已能直接影响AI推理的效能。在提升存储能力和降低存储成本的同时，来提高同等算力配置下的Token输出效率，是当前存储的关键方向。”
因此，集中式存储开始备受重视，其存算分离和资源池化的特性，在金融、电信等核心交易场景多年锤炼出来的稳定性与可靠性，以及数据统一管理等特性，使之智能体时代存储主动求变的关键突破口。
面向KV Cache带来的变革性存储需求，中科曙光的解法是推出专为AI推理设计的集中式全闪存储--FN NEO，首次将集中式全闪存储纳入KV Cache分层体系中，让多个计算节点之间共享一套存储，推动集中式存储从“共享数据”演进为 “共享 KV Cache”。
过去，存储在整个AI推理链路体系更多属于被动型的配套资源；如今，以“共享 KV Cache 池”为核心理念的FN NEO出现，标志着存储成为主动参与算力效率、Token产出的核心基础设施，为 AI 推理场景带来“快、稳、开放、焕新”四大维度的主动改变。
具体来看，首先是“快”：FN NEO延续曙光高端集中式存储的性能基因，单阵列带宽高达 160GB/s，NAS 协议带宽达到 70GB/s，能提供稳定的亚毫秒级物理延时；同时，FN NEO深度融入 KV Cache 卸载与加载链路，能让TTFT（首字延迟） 缩减73%，Token吞吐能力提升150%。
“FN NEO采用了SAN+NAS+KV一体化架构，实现原生三协议的直出和极短路径，并且实现统一数据池，资源调度灵活。同时，利用超级隧道技术实现软件、硬件资源的高效规划，并通过全链路的负载均衡、KV原生语意卸载实现整个存储的极致性能。”郭照斌介绍道。
其次是“稳”，在智能体长程任务的推理中，稳定性即生产力，一旦SSD或者控制器发生故障，集群就容易发生长尾抖动，甚至导致推理过程中断。而FN NEO拥有 99.999% 的金融级高可靠性，并具备四重技术保障长程推理过程中 TTFT、TPOT 和端到端延迟的稳定性。
第三是“开放”，目前AI推理的技术生态正在快速演进，整个技术栈不仅涉及到众多厂商的多种技术，且推理链路中各类技术频繁切换已是常态，因此破除“生态锁定”就成为大势所趋。
FN NEO的测试了提供推理框架层兼容、组网部署层适配和操作系统层兼容的三重开放体系，不仅通过标准接口透明接入 vLLM、SGLang、TensorRT-LLM等框架，实现 KV Cache 的透明卸载与共享；而且适配 RoCE、IB、FC等多种组网模式；还兼容多种主流操作系统，可无缝适配不同计算节点的部署需求。
最后是“焕新”，FN NEO凸显了智能体时代存算紧密协同的趋势，彻底改变过去存储的被动角色，以“共享 KV Cache”来实现AI 推理场景的“存得下、存得快、存得稳、存得省”。
综合来看，FN NEO代表着集中式存储在智能体时代的一次重要演进，它就像一位六边形战士，从硬件架构、性能、可靠性、软件协议等多个层面全面适配AI推理需求，通过极致融合能力和极致性价比，一站式满足智能体、模型权重、RAG等推理全场景的支持；同时，兼具横向与纵向扩展的能力让其具备极高的灵活性，可以灵活满足算力集群规模增大后的需求。
过去十年，存储行业的主旋律是“分布式”，软件定义、弹性扩展、去中心化赋予了存储行业多重想象力；进入到智能体时代，面对动态产生、高频复用、对延迟极度敏感的 KV Cache 数据资产，集中式存储正以一种全新形态演进，与分布式在整个存储产业中继续并驾齐。
就像中科曙光FN NEO，以池化共享能力、关键行业锤炼出的可靠性、极致性能体验和灵活可扩展等 能力，让每一份KV Cache“物尽其用”，为AI商业化的大航海带来最为可靠的“锚点”。
