（来源：让你更懂AI的 PaperWeekly）

计算世界里，有两个尺度，相隔了几十年。

一个是 bit。它几乎和现代计算一样古老。照片、文档、模型参数，最终都要落成无数个 0 和 1。

几十年来，存储介质换了一代又一代，人们始终在处理同一件事，怎样让每一个 bit 占得更少、存得更久、访问得更快。

另一个是 Token。它真正走进大众视野，不过是最近几年的事情。

大模型用 Token 理解和生成信息，到了 Agent 时代，一项任务还会伴随着持续的检索、推理、状态维护与知识调用。

很长时间里，bit 属于存储，Token 属于模型，两者似乎没有多少关系。

但 Agent 真正进入企业以后，这条边界开始松动。

模型每生成一个 Token，背后可能都有文档被读取、知识被检索、状态被保存，数据持续在存储与计算之间流动。

一个 Token 产生得快不快，越来越不只取决于模型，也取决于数据能不能及时来到它身边。

于是，bit 所代表的存储世界，开始与 Token 背后的 AI 需求发生交汇。数据既要存得下、存得起，也要在模型需要时足够快地被找到、被送达。

当这些变化不断把数据基础设施推向新的边界，又该由谁来寻找下一种答案？

2019 年，华为在数据存储领域设立了奥林帕斯奖（OlympusMons Awards），把数据基础设施中的关键技术难题向全球科研工作者开放，寻找新的答案。

8 月 29 日，在 2026 全球数据存储教授论坛上，第六届奥林帕斯奖获奖名单正式揭晓。

本届赛事吸引了来自全球 30 所高校及研究机构的 160 多位专家学者参与申报。

最终，智能存储与计算重点实验室沈志荣教授团队获得本届唯一的奥林帕斯奖，另有 6 支团队获得奥林帕斯先锋奖。

〓智能存储与计算重点实验室沈志荣教授（左）华为数据存储产品线研发管理部部长常胜（右）

百万奖金会被记住，获奖名单也会被记住，但奥林帕斯奖留下来的，还有那些交到科学家手里的难题。

六届下来，产业问题不断变化，科学家给出的答案也在研究与实践中继续往前走。

从真实问题开始

“奥林帕斯”这个名字，本身就带着一点野心。

它来自火星上的奥林帕斯山，太阳系已知最高的山峰。华为以这座山命名奥林帕斯奖，也把数据存储领域那些还没有成熟答案的问题，一年年交给科学家。

奖项一年一度，单项科研奖励最高 100 万元。迄今已有来自全球 15 个国家的 470 多位学者参与，获奖团队中既有国内高校和科研院所，也有 ETH Zurich、NUS、KAIST 等海外研究力量。

〓奥林帕斯奖历届获奖团队

面对这些优秀的研究成果，华为与各个获奖团队进行了后续深入的交流与合作，在一些关键技术方向，如大模型推理优化、层次化存储系统、数据缩减和近数据处理等，成功将前沿理论转化为产品的竞争力，研究也随着新的产业需求持续演进。

奖项、研究与产业之间由此形成了一条更长的技术链，而让这条链持续延伸的，是不断变化的产业问题。

到了 2025 年，一部分奥林帕斯难题继续深入存储底层，关注 SSD 存算融合、超高密度记录和层次化大内存。另一部分已经进入 Agent 的工作现场，研究知识提取、多模态数据表征与知识检索，以及长上下文中的语义信息凝练。

本届获奖成果从数据存取到最终被模型使用，覆盖了存储介质、数据访问路径、数据工程、知识管理和大模型推理等不同环节。

智能存储与计算重点实验室沈志荣教授团队，凭借“层次化大内存的 I/O 优化与高效组织技术研究”，斩获本届最高荣誉。

大模型推理中的模型权重、KV Cache 等数据越来越多，难以全部留在容量有限的 GPU 显存中，严重影响了推理性能。

团队围绕显存、内存与 SSD 之间的数据访问和组织进行优化，让数据能够存放在不同层级的存储资源当中，同时让 XPU（GPU 等计算加速器）高效地访问这些数据，实现推理性能的系统级提升。

相关公开研究中，GPU 面向 NVMe SSD 的 4K 读取带宽达到 GPUfs 的约 7.3 倍；另一个层次化内存管理研究工作中，平均内存访问时间最多降低76.4%。

香港科技大学（广州）、上海交通大学、复旦大学、华中科技大学、阿姆斯特丹自由大学等其他团队分别凭借在多模态知识表征与检索、全栈 I/O 协同优化、知识提取、语义信息凝练与长序列推理加速、SSD 轻量索引与算子卸载、神经符号融合推理框架等方向的独特创新成果，获得本届奥林帕斯先锋奖

Agent 时代，存储问题正在改写

活动当天，华为也公布了新一届奥林帕斯奖的技术方向和新难题。

回看历届题目，奥林帕斯奖一直围绕两类问题展开。

一类向下，追问存储本身还能怎么往前走。数据规模持续增长，容量、性能和成本之间的拉扯始终存在。

一类向上，看数据最终怎样被 AI 使用。尤其到了 Agent 时代，语义理解、状态维护、知识检索和持续推理同时发生，数据供给效率以及知识能否跨领域复用，开始直接影响 AI 在企业里的运行。

今年的新题，也沿着这两个方向继续展开。

方向一：每 bit 极致性价比的存储技术

AI 的持续发展带来不断增长的数据规模和存储需求，这一方向继续关注超高密度存储、大容量内存型存储介质和近存加速，在提升容量与性能的同时，进一步降低每 bit 成本。

海量数据的超高密度存储与高效检索技术：让数据存得更密，同时在越来越大的数据空间里更快找到所需数据。

状态数据的内存型存储介质与近存加速技术：面向高频访问的状态数据，通过大容量内存型存储介质和近存加速，降低存储成本，减少数据搬运，提高推理效率。

方向二：Agentic AI 原生的数据底座

Agent 进入企业生产场景以后，既需要更快地获得数据，也需要能够跨领域复用并持续演化的知识。这一方向因此关注高性能网络与 I/O 路径，以及知识的自动构建、更新和持续演化。

以 Token 生产效率为中心的高效数据供给技术：构建应用状态感知的数据网络，优化I/O路径，减少模型生成 Token 时等待数据的时间。 

基于本体知识图谱的高泛化、可演进知识表征技术：让企业知识能够被 Agent 理解，在不同领域和业务场景中能被复用并自动更新，同时保持推理结果可信和可追溯。

答案之后，还有新的未知

科学家面对的工作，常常始于一句很普通的话：这里还能不能再往前一点？

再多存一个 bit，再少一次数据搬运，再快一点生成 Token。放在庞大的计算系统里，它们只是很小的变化。但这些变化一点点积累起来，最终会改变介质、系统，乃至 AI 使用数据的方式。

奥林帕斯山之所以适合成为这个奖项的名字，或许也正在这里。抵达一个高度之后，人们看到的往往不是终点，而是更远处那些还没有走过的地方。

奥林帕斯奖已经把下一批未知写进题目。

接下来，是寻找答案的时间。

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」