21世纪经济报道记者雷晨

大模型规模化落地，正在把算力消耗的重心从训练推向推理。IDC预测，到2027年中国智能算力规模中推理占比将提高到72.6%，推理算力增速远超训练。推理环节的成本与效率，随之成为AI基础设施的新议题。

存储行业自身也处于涨价周期。高盛研报显示，2026年全球DRAM、NAND闪存、HBM的供需缺口分别达到4.9%、4.2%、5.1%，均为2011年以来最高水平，AI服务器贡献了超过50%的DRAM总需求。存储颗粒持续紧缺，大模型推理对显存、内存的消耗仍在放大。

2026年中国国际大数据产业博览会期间，中科曙光面向大模型推理的词元加速方案ParaCache正式发布。中科曙光北京公司总裁助理、分布式存储产品部总经理石静在沟通会上接受21世纪经济报道记者等采访时，回应了推理成本、KV Cache技术路线与存储行业定位变化等问题。

大模型推理分为Prefill与Decode两个阶段。前者对输入内容做批处理并生成KV Cache，后者逐字生成回答。多轮对话、长上下文场景下，历史内容的键值向量需要反复计算，计算量随上下文长度呈平方级增长，处理16K长度序列时，单次推理需执行2.56亿次键值对计算。

KV Cache是当前业界通用的解法：把已算好的键值向量缓存在GPU显存（HBM）中，生成新词元时直接读取缓存，避免重复计算。问题随之而来。显存容量有限、价格高昂，长上下文请求很快占满显存，形成业内所称的“显存墙”，即算力仍有富余，但系统已无法响应更多请求。

石静介绍，破解“显存墙”有两条路径：在源头压缩KV Cache体量，或把KV Cache卸载出显存，放到容量更大、成本更低的介质上，如CPU内存、SSD与分布式存储。以存储空间换计算的“以存换算”思路，已成为业界共识。

现有方案仍有短板。开源方案LMCache破除了KV Cache在推理实例间的隔离，并能实现同节点中不同GPU共享KV Cache，但在跨节点层面存在局限性。分布式存储天然具备池化共享能力，适合作为KV Cache的最外层，但受分布式锁等机制影响，延迟偏大，长期被当作冷数据仓库使用。

ParaCache的做法是以曙光ParaStor分布式存储为底座，构建覆盖GPU显存、CPU内存、SSD（或集中式存储FlashNexus）、分布式存储的四级缓存池，兼容vLLM、SGLang等主流推理框架，并与Mooncake等第三方KV管理软件厂商联合定制开发。针对分布式存储延迟问题，该方案对锁机制做了轻量化处理，改为追加写方式，并通过AI直通存储技术支持GPU显存与分布式存储之间的直接数据搬运。

据中科曙光披露的实测数据，120K输入长度下，单轮对话首词元时延（TTFT）最高降低98.5%，降至400毫秒；多轮会话TTFT降低超过80%，降至4.9秒；高并发场景词元吞吐量最大提升27倍。

应用层面，7月10日落成的首个全国产十万卡AI超集群曙光8000已部署该方案，并接入国家超算互联网。石静介绍，在金融行业某银行信用卡中心等应用场景下，并发吞吐量提升3倍左右；在教科研领域知识库问答场景下，并发度可提升15倍至20倍。另有国内头部互联网厂商已将该方案用于在线推理业务，中科曙光为其第一家完成KV Cache管理优化的合作厂商。

成本账没有统一答案。石静回应，收益因应用而异，无法给出统一数值，大致口径是在长上下文、多轮对话、知识库、高通量批量推理及智能体等场景下，内存或SSD配置上可节省约三分之一的硬件采购成本。

过去AI基础设施建设遇到瓶颈，惯常思路是堆GPU。石静表示，GPU成本高且供给受限，单纯堆砌难以为继；数据路径上的无效计算与额外搬运，也会拉低GPU效率。存算协同是大模型训推走向规模化生产的必然趋势。

在她看来，KV Cache管理软件代表大模型推理架构的范式变化。传统概念里GPU是架构中心，KV Cache只是计算过程中的临时状态。新架构下，KV Cache正从用完即弃的临时数据，变成可反复调用的数据资产，GPU围绕这些数据提供Prefill与Decode计算能力。KV Cache的管理水平，将影响推理应用的服务成本、响应速度与智能体扩展能力。

存储的定位随之重写。石静表示，存储已跳出数据容器的角色，从被动的IO响应转向主动的数据调度、缓存复用与计算卸载，这是AI驱动下数据基础设施的结构性变化。AI集群的规划建设思路也在改变：从只看GPU算力，变为算力、存储、网络乃至缓存的一体化规划，选型更多从总拥有成本出发，SSD与分布式存储被纳入KV Cache管理范畴，以平衡硬件成本与性能。

不同行业对AI存储的需求差异明显。石静介绍，大模型行业目前已以训推混合负载为主，训练需要极高带宽承载checkpoint写入，推理要求低时延与全局共享，追求总拥有成本最优；教育行业以知识库、教学问答、AI助教为主，小文件多、知识库版本迭代频繁；医疗行业影像、病理等非结构化数据体量大，长病程医学知识库的RAG推理，对把KV Cache卸载到更低成本层级的需求更迫切。

她也给出了技术边界。KV Cache复用的收益依赖公共重复上下文，短请求、不复用的场景收益有限；实时交易类等时延敏感型业务仍须依赖HBM，缓存下沉无法满足其性能要求。石静的判断是，这两类极端场景在当前推理应用中占比不高。

对国内厂商的机会，石静持乐观态度。她表示，国内大规模智算建设持续推进，计算、存储、网络的国产化方案增多，叠加私有化、私有域数据的本地需求，国内厂商有机会在存算协同赛道提供更多支撑。

切入KV Cache管理的存储厂商并非中科曙光一家。新华三今年3月发布X20000存储KV Cache方案，称首词元时延降低72%。开源社区的LMCache已被视为KV缓存管理领域的事实标准。围绕推理侧缓存管理，存储厂商的竞争已经展开。