最近，华为在科研圈丢出了一张分量不轻的“英雄帖”。

它宣布启动 2025 年度奥林帕斯奖（OlympusMons Awards），面向全球科研人员公开悬赏，拿出 300 万元，专门用来解决 AI 时代的数据存储与处理难题。

从公开信息来看，这次悬赏并不是宽泛征题，而是一开始就明确了两个研究方向：一是 面向 AI 时代的创新存储介质和系统架构，二是为 Agentic AI 打造原生的数据底座。

这两条技术路线，几乎覆盖了当前 AI 系统在数据层面遇到的核心挑战。

可以看出，这次华为盯上的，不是模型参数、不是应用玩法，而是 AI 继续往前跑时，最容易被忽略、却最先扛不住的那一层：数据存储与处理的底座。

过去几年，AI 的叙事几乎全压在“模型”上：参数更大、能力更强、生成效果更像人，这是行业共识。

但当大模型开始真正落地，尤其是 Agent（智能体）形式越来越清晰，问题就出来了：模型跑得快，数据系统却跟不上。

现在的数据，已经不是“存进去、用一次就完”那么简单了。

在 Agent 场景下，数据会被不断唤醒、重组、理解、推理，还会生成新的数据。

原本的“冷数据”被频繁调用，“温数据”还没降温，就直接参与实时计算。

冷、温、热之间的边界被彻底打乱，数据几乎一直处在“随时可能被用到”的状态。

问题也正是从这里开始的。传统存储体系，是为“静态数据 + 低频访问”设计的。

硬套到 AI 场景里，结果只有一个：算力成本蹭蹭往上，协议栈越来越复杂，系统维护难度直线上升。

知识库越建越大，但真正好用、可推理的知识却并没有同比增长。推理效率和精度，经常只能选一个，而存储成本，则在后台悄无声息地变成一条陡峭的上升曲线。

说得再直白一点就是：很多 AI 项目，不是卡在模型能力，而是卡在数据系统已经“喘不过气”。

也正因为这样，华为这次奥林帕斯奖的出题思路，明显不是“锦上添花”，而是奔着“补地基”去的。

先看第一个方向。它关注的不是“再快一点”，而是一个更底层的问题：能不能让存储本身，承担一部分原本落在算力上的压力？

在 AI 时代，单纯靠堆算力，已经越来越不经济。于是，“以存补算、以存换算”这个思路被推到了台前。

简单理解，就是通过存储架构和介质层面的创新，让数据在被读取、索引、组织时就更“聪明”，从而减少不必要的计算消耗。

比如，把计算前移到存储侧，实现真正的存算融合。再比如，通过更高密度的记录方式，让单位能耗承载更多有效信息。

再到更宏观的层面，重新设计层次化大内存的网络协议和 IO 路径，让数据在系统里的流转不再被传统结构拖慢。

这些听起来都很硬核，但背后的目标其实很现实：在性能、容量、成本和能耗之间，找到一个更适合 AI 长期发展的新平衡点。

而第二个方向，则几乎是为 Agentic AI 量身定做的。

当智能体开始具备“自主行动”的能力，数据系统的角色就发生了根本变化

它不再只是一个被动响应请求的仓库，而是需要主动理解数据的语义、结构和关联关系，能够为推理直接提供“可用的知识”，而不是一堆原始素材。

这也是为什么，这一方向反复强调“原生”“语义”“知识凝练”。

重点已经不在于存了多少，而在于：多模态数据如何被提炼成高质量知识？如何在不牺牲关键信息的前提下，压缩冗余内容？

如何让大模型在推理时，拿到的是“恰到好处”的信息，而不是一整座数据山？

如果说第一条主线解决的是“AI 跑得太费劲”，那第二条主线关心的，就是“AI 到底能不能跑得聪明”。

当然，华为也很清楚，真正解决这些问题，不可能靠一家企业单打独斗。所以奥林帕斯奖本身，就是一个典型的产学研协同机制。

这次将评选 2 个奥林帕斯奖和 5 个先锋奖，300 万奖金只是表层激励，更重要的是，获奖团队可以直接进入华为的技术交流与产业验证体系，让研究不止停留在论文里，而是有机会真正落到系统和产品中。

评选标准也很有意思，并不只是看你“过去做过什么”，而是非常看重你“接下来打算怎么做”，你的研究路径有没有前瞻性，有没有原创价值，有没有可能在真实场景里跑得通。

把时间轴再往前拉一点，你会发现奥林帕斯奖并不是一个新概念。

它从 2019 年设立至今，已经吸引了来自 12 个国家、300 多位顶尖学者参与，累计颁发多个奖项，始终围绕数据存储的基础问题持续投入。

名字取自火星的奥林帕斯山，也是在明确告诉所有参与者：这是攀登基础技术高峰的长期工程，而不是追风口的短期竞赛。

所以回头看这次 300 万全球悬赏，华为真正想表达的其实很明确：AI 的上半场拼模型，下半场拼的是数据和存储这块“看不见的底座”。

而这一次，华为选择把这块底座，认真拿出来打磨一遍。