（文/观察者网吕栋）

GPT-5的不再惊艳，让很多人意识到传统的ScalingLaw（尺度定律）已经遇到明显瓶颈。从应用需求的角度来讲，更多企业开始关注模型推理的性能体验，这关乎商业落地和变现。

但在推理这个关键环节，中国正遭遇瓶颈。不仅基础设施投资远少于美国，同时还要面对算力卡阉割、HBM（高带宽内存）涨价禁运等困境。尤其是，随着AI应用场景不断拓展，长文本处理、多轮对话以及复杂业务流程的推理需求日益增长，更让中国AI推理困境凸显。

现实挑战下，华为重磅推出了AI推理加速“黑科技”UCM（推理记忆数据管理器，UnifiedCacheManager）。这一突破性技术通过创新架构设计和存储优化，突破了HBM容量限制，提升了国内AI大模型推理性能，完善了中国AI推理生态的关键环节。

在英伟达因“后门”遭遇信任危机之际，华为将UCM主动开放开源，打通了框架、算力、存储三层协同，推动国产AI推理告别“堆卡依赖”，走向“体验提升-用户增长-企业加大投资-技术迭代”的正循环。这场围绕“记忆”的技术突围，或许正是中国AI行业落地的关键一役。

推理已成关键，中国瓶颈凸显

AI技术的蓬勃发展，让大模型训练成为成本中心，但真正创造价值的是推理过程。

数据显示，当前AI推理算力需求已超过训练。GPT-5开放首周API调用量超20亿次/分钟，70%的请求为复杂认为推理（如代码生成、多步规划等），而国内火山引擎的日均token调用量已达16.4万亿，70%以上来自线上推理而非训练。

推理性能关乎用户体验和商业可行性，已成为AI落地的关键。但随着AI行业化落地加深，推理能力也不断面临挑战，尤其是在长文本处理、多轮对话以及复杂业务流程的推理需求日益增长的情况下，对推理性能的要求愈发严苛。

在此背景下，一种名为键值缓存（KVCache）的关键技术诞生，它可以优化计算效率、减少重复运算，即将已生成token的Key（键：表征历史输入的特征）和Value（值：基于Key的特征，用于生成当前输出的参考信息）临时存储起来，后续生成新token时直接复用，无需重新计算，可以显著提升推理效率。

但问题是，KVCache需要占用GPU的显存（如高带宽内存HBM）存储历史Key/Value向量，生成的文本越长，缓存的数据量越大，有可能导致HBM和DRAM被挤爆。

中国企业不比美国，一方面中国互联网企业在AI基础设施上的投资只有美国的十分之一，中小企业预算少，买不起那么多高端的HBM，另一方面中国还面临出口管制，无法获得最先进的算力卡和HBM，不可能无限制地去堆卡。

更关键的是，面对大模型PB级的天量数据，传统推理架构过度依赖HBM的瓶颈也日益凸显。随着AgenticAI（代理式人工智能）时代到来，模型规模化扩张、长序列需求激增以及推理任务并发量增长，推理的KVCache容量增长已超出HBM的承载能力，频繁的内存溢出，导致推理频繁出现“失忆”，需要GPU反复计算，造成卡顿迟缓。

多种难题下，国产大模型陷入了“推不动”、“推得慢”和“推得贵”的困境。

数据显示，国外主流大模型输出速度为200tokens/s区间（时延5ms），而中国普遍小于60tokens/s（时延50-100ms），最大差距达到10倍。在上下文窗口上，海外模型普遍支持100万级Token（如GPT-5、Claude3.5），而国内头部模型（Kimi）仅50万，且在长文本分析中，国内模型遗漏关键信息的概率超50%。

这种体验，显然对中国AI的规模化落地不利。长此以往，甚至会形成商业的恶性循环，进一步导致中国企业投入降低、投资降速，在AI的国际竞争中被国外拉开差距。

怎么在不大幅增加算力基础设施投入的前提下，显著优化推理体验，推动AI推理进入商业正循环，成为中国的当务之急。

前面提到，“Token经济”时代，KVCache与记忆数据管理是优化推理性能、降低计算成本的核心，但HBM这种高性能内存太贵，且不能无限制堆卡，而SSD（固态硬盘）的传输速率太慢，似乎形成了成本、性能和效果的“不可能三角”。

那能不能根据记忆热度，在HBM、DRAM、SSD等存储介质中分级缓存数据，让模型能记住的KVCache数据更多，同时能更智能、更快速的调用数据？就像人类一样，可以把“记忆”放在大脑、书本和电脑等不同地方，按需快速调取。

华为这次推出的“黑科技”UCM就是类似的思路。

UCM的全称是“推理记忆数据管理器”（UnifiedCacheManager），它是一款以KVCache为中心的推理加速套件，融合了多类型缓存加速算法工具，可以分级管理推理过程中产生的KVCache记忆数据，扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，降低每Token推理成本。

比如为了解决“推得慢”的问题，UCM将历史已处理过的结果、历史对话、语料库、RAG知识库的数据以KVCache的形式缓存至第三层的高性能外置共享存储上，遇到已推理过、已缓存过的信息不用再重新推理，而是只用从外置存储中查询并调用即可，实现大幅推理加速，将首token延迟降低90%，也节省了tokenbytoken的时间。

有了这种能力，大模型还可以记住更多的历史内容和对话，不用再“重复劳动”，以前生成内容需要10秒，现在可能1秒就能搞定，显著改善推理体验。

这还不是这项“黑科技”的全部。

关注大模型的都知道，随着推理任务越来越长，长序列推理让大模型常常“只有七秒钟记忆”，比如在分析一篇万字长文时，由于HBM容量有限，缓存到前2000字可能就装不下了，这就容易出现推理失败、关键关联信息丢失的情况，形成“推不动”的困境。

华为是如何解决的？

UCM通过一系列智能算法突破，对长序列内容进行切片，并把已处理的切片卸载到更大的DRAM或外置共享存储，相当于扩充了HBM的容量，让上下文窗口扩大10倍、满足长序列推理需求。换言之，模型的“记忆能力”从“记3页纸”提升至“记30页纸”。

更关键的是，华为采用了注意力稀疏及相关技术，可以识别大量KVCache数据的重要程度、相关性和热度，将重要的/不重要的、相关的/不相关的数据，分层分级地进行缓存并流动。在下一次推理过程中，只需要把关键的、合适的向量提取出来即可，这也就降低了向量推理过程中向量的数量，提升整体吞吐量。

“面向推理加速的KV数据，一定会有热/温/冷，不可能都用最贵的介质，去存储所有数据。我们做存储系统有很深的体会，每类数据都有这个特征，都有一个生命周期，一定会用多层介质解决性能问题，又平衡成本问题。”华为技术专家对观察者网说道。

在存算协同能力深度加持下，通过多层介质平衡性能和成本，“推得贵”也不再是难题。华为表示，无需过多投资，UCM就可以让长序列场景下TPS（每秒处理token数）提升2-22倍，相当于降低每Token推理成本，为企业减负增效。

UCM的意义，更像是华为的另一种“系统补单点”，它不是为了取代HBM，而是降低了对HBM的依赖，把HBM的优势发挥在更合适的地方。

在这种技术加持下，企业可以维持算力投入不变，仅花销小部分外置存储的投资，让缓存原地“升级”，改善推理效率、摊薄每token推理成本，进而形成“用户流量增大-企业收益-进一步扩大AI投资-技术快速迭代”的正循环，拉动中国整体AI水平提升。

联合创新，验证技术价值

任何技术只有真正落地才能产生价值。华为UCM推出后，已经携手中国银联率先在金融典型场景开展UCM技术试点应用。

为什么会率先选择金融场景？

华为技术专家告诉观察者网，金融行业大模型推理有三个核心难题。首先是“推不动”，无论生产环境的投研分析，还是舆情分析，都会涉及非常多的长序列输入，像一份投研报告可能就是上兆级别的，精准营销需要输入的上下文基本也是长序列，容易出现关键信息丢失；其次是“推得慢”，核心是并发上不去，上去之后每token时延特别长；最后“推得贵”，原因是需要耗费大量的算力，做KVCache的重复计算。

“难题是长序列推理，我们与客户的对话时长非常长，转化成文字之后会形成大量历史对话和内容，通过KVCache的方式会挤占我们的显存，瓶颈就变成了显存，因为我们要缓存大量的KVCache，但是我们显存有限。”中国银联相关负责人说道。

于是，华为和中国银联开展了UCM技术联合创新。一方面是将计算过的KVCache数据，从显存分片卸载到内存和存储，缓解显存的压力，使其能处理更长序列的数据；另一方面是使用注意力稀疏技术，让大模型可以区分KVCache缓存中，有哪些数据是和这次推理相关度最高的，只要把关键的向量获取出来，就可以降低推理时间，提高吞吐量。

就是在这种联合创新技术试点中，UCM的技术价值得到了充分验证。

在中国银联“客户之声”业务场景下，借助UCM技术及工程化手段，大模型推理速度提升125倍，仅需10秒即可精准识别客户高频问题。在“营销策划”场景中，过去需要数分钟才能生成一份的营销策划案，现在缩短至10秒以内，且单台服务器可支持超过5名营销人员同时在线协作。而在“办公助手”场景中，对于超过17万Token的超长会议语音进行转写和纪要生成，借助UCM也能轻松应对，摆脱了“推不动”的困境。

那UCM未来能否应用到其他场景，助推AI落地千行百业？华为技术专家给出肯定答复。

“随着AgenticAI时代到来，信息量爆炸，体现在模型侧是显存不足以及推理Token成本的问题。UCM方案是去解决这一类的问题，不是一个单点，只是在金融行业首先应用起来，未来在各行各业一旦AI发挥真正的价值，都会走向这个领域。”他对观察者网说道。

填补生态短板，华为再度开源

随着推理性能的重要性不断提升，业界其实也都在探索KVCache分级缓存管理技术。比如英伟达今年5月就推出了分布式推理服务框架Dynamo，支持将KVCache缓存从GPU内存卸载到CPU、SSD甚至网络存储，解决大模型显存瓶颈，避免重复计算。

但当下英伟达正陷入“后门”风波，信任危机下，行业更呼唤中国方案。

“分级缓存管理很多人在做，UCM最大的差异化是将专业的存储纳入进来。”华为技术专家对观察者网表示，华为通过大量的软硬协同和卸载，比如KV检索的索引和KVCache生命周期管理等，构建了在分级缓存管理上的差异化能力，“业界很多方案在算法加速库这一层只有传统的PrefixCache，并没有像今天这样去商用全流程地稀疏、后缀检索算法以及其他一系列的算法，所以中间的算法库上面，我们相对业界贡献了非常多、更加丰富、更加可靠、加速效果更好的算法，并且这个算法库还在持续增加当中。”

关注大模型的可能都知道，华为之前开源了AI框架MindSpore，近期又开源了对标英伟达CUDA的神经网络异构计算架构CANN，而这次华为再度宣布，将在9月开源UCM。

从架构上看，华为的UCM解决方案主要有三大组件构成：对接不同引擎与算力的推理引擎插件（Connector）、支持多级KVCache管理及加速算法的功能库（Accelerator）和高性能KVCache存取适配器（Adapter），实现了推理框架、算力、存储三层协同。

通过开放统一的南北向接口，UCM可适配多类型推理引擎框架、算力及存储系统。对于推理引擎框架开发者而言，UCM开放的接口使得他们能更方便地将UCM技术集成到自己的框架中，提升框架性能和竞争力；对于算力及存储系统厂商来说，UCM的开源提供了新的发展机遇，促使他们研发更适配的产品和解决方案，以更好地与UCM协同工作。

“我们并不希望控制这个框架，或者在框架上构建差异化的能力控制什么，我们希望这个生态能够繁荣起来，真正解决AI推理化的问题，华为的UCM今天推出来以后，在整个推理框架、推理体验生态、成本方面贡献了一份力量，未来相信会有更多的玩家在里面做贡献，是一个大家共创繁荣的过程。”华为技术专家对观察者网表示。

从更长远的意义来看，华为推出UCM并开源，仍是系统工程的胜利，将推动中国AI产业进入“体验提升-用户增长-投资加大-技术迭代”的良性商业正循环。它并不是为了替代什么，而是要打通AI行业化落地的关键堵点，为中国AI产业的长远发展注入更强的动力。

GTI主席高同庆出席第二届GTI数智香江国际论坛9月9日，以“开放、共享、合作，共促AI发展”为主题的第二届GTI数智香江国际论坛在中国香港举办。国务院国有资产监督管理委员会副主任李镇、香港特别行政区政府创新科技及工业局局长孙东、国际电信联盟原秘书长兼GTI咨询委员会荣誉主席赵厚麟、世界经济论坛执行董事兼大中华区主席梁锦慧、中国移动副总经理李慧镝