（问题）随着生成式技术和智能体应用加速进入行业场景，AI智能体正成为企业数智化转型的重要抓手；但不少企业试点阶段效果显著，进入生产系统后却遭遇“能演示、难规模”“能问答、难闭环”的落地瓶颈：一是知识更新不及时、检索精度不足，难以支撑对业务规则、流程文档、工单记录等多源数据的实时调用；二是在长序列推理、复杂逻辑、多轮交互等场景下，计算开销与时延压力增大，影响服务稳定性；三是缺少可沉淀、可复用的任务记忆与经验机制，智能体难以在持续使用中形成“组织级经验”。（原因）业内人士指出，问题不只在模型能力，更在数据底座与数据管理方式没有跟上。一上，企业数据分散文档、图片、音视频、业务系统与知识库中，多模态、多格式并存，缺少高质量结构化与统一语义编码，导致“数据找得到，用不好”。另一上，推理链路对缓存、存储与调度提出更高要求，如果缺乏面向推理过程的分级缓存与统一管理，重复计算会明显推高资源消耗。此外，数据合规与权限隔离要求趋严，若记忆沉淀缺少清晰边界与可靠机制，也会影响智能体企业内的规模推广。（影响）这些挑战直接制约AI智能体在客服、研发、运维、供应链、财务等关键环节的规模化部署：知识检索不准会带来回答偏差，进而影响决策与流程执行；推理效率不足会导致响应变慢、并发能力下降，难以满足生产系统对稳定性的要求；记忆缺失则使智能体难以提升，企业投入难以沉淀为可积累的长期价值。总体而言，能否建设面向智能体的数据底座，正成为企业AI从“可用”走向“好用、常用、可信用”的关键因素。（对策）在此次论坛上，华为发布AI数据平台，聚焦破解智能体在知识、推理与记忆三上的共性难题。华为数据存储产品线全闪存领域总裁谢黎明表示，智能体的价值不于一次性演示效果，而在于能否在企业生产系统中稳定、高效、持续提供服务。据介绍，该平台面向智能体整合知识库、推理过程缓存（KV Cache）与记忆库，并通过统一缓存管理（UCM）等推理记忆数据管理技术，形成三项关键能力：第一，知识生成与检索能力。平台持续感知企业多源数据变化，实现原始数据向知识的近实时转换，并通过多模态解析与细粒度编码提升检索质量，以更高精度支撑智能体的实时问答与业务调用。第二，KV Cache推理加速能力。平台对推理过程历史数据进行分级缓存管理，减少推理链路中的重复计算，从而降低时延、提升吞吐，为长文本、复杂逻辑与多轮交互等场景提供性能支撑。第三，记忆萃取与召回能力。平台支持沉淀交互过程中的任务记忆与经验记忆，并提供回溯与协同机制，帮助智能体在持续使用中形成可复用经验，提高推理准确性与执行效率。（前景）业内观察认为，下一阶段企业AI竞争将从“模型参数”转向“数据工程与系统工程”，从单点工具转向可治理、可运营的生产能力。随着智能体深入业务流程，数据平台不仅要“存得下、读得快”，也要在治理与运维层面做到“管得住、用得准、跑得稳”。基于此，围绕数据质量、知识更新、推理缓存、记忆治理与权限控制建立系统能力，将成为推动行业应用扩围的重要路径。华为上表示，未来将继续加大在AI数据基础设施方向的投入，联合客户与伙伴推进技术在更多场景落地，释放数据要素价值。
当数据成为新时代的生产资料，如何将其转化为有效生产力，考验科技企业的创新能力；华为此次发布聚焦智能体落地的共性难题，也反映出中国企业在基础技术上的持续投入。在数字经济与实体经济加速融合的背景下，这类关键技术的不断突破，或将影响全球产业智能化升级的路径与节奏。