Huawei presenteert in Parijs een nieuwe datastructuuroplossing voor datacenters die artificial intelligence (AI) ondersteunen. Met deze oplossing wil het Chinese bedrijf zijn rol versterken in een van de minst zichtbare, maar meest bepalende lagen van de zakelijke adoptie van AI: hoe gegevens worden opgeslagen, voorbereid, opgehaald, beveiligd en hergebruikt om modellen en agents te voeden.
De aankondiging werd gedaan tijdens het Huawei Innovative Data Infrastructure Forum 2026 op 21 mei. Yuan Yuan, vicepresident van Huawei en voorzitter van de datasopslaglijn van het bedrijf, benadrukte dat de volgende fase van zakelijke AI wordt gedreven door data. Zijn boodschap is duidelijk: als bedrijven grote hoeveelheden agents, modellen en inferentiesystemen willen inzetten, is meer dan alleen het kopen van GPU’s of versnellingscards nodig. Er is ook een data-architectuur vereist die vanaf het begin is ontworpen voor AI-belastingen.
Huawei combineert verschillende bouwstenen: data lake, AI-platform, geheugenbeheer voor contextuele data, modelengineering, resource-orchestratie, agentcreatie en dataveerkracht. Het gaat om een volledige stack-benadering die alles dekt, van fysieke opslag tot operationele AI-agents in de bedrijfsomgeving.
Data als knelpunt in zakelijke AI
In de afgelopen twee jaar heeft het meeste AI-gerelateerde discours zich gefocust op modellen, accelerators en datacenters. Maar de echte adoptie binnen bedrijven stuit vaak op een fundamenteel probleem: data zijn niet altijd klaar voor snelle, veilige en betrouwbare AI-voeding.
Een organisatie kan jaren aan gegevens bezitten verspreid over locaties, applicaties, documentopslag, industriële systemen, beeldrepositories, logs, video’s, vector-databases en cloudplatforms. Om deze informatie om te zetten in bruikbare kennis voor agents en modellen, is meer nodig dan ruwe opslag. Multi-modale data moeten geïmporteerd, gecategoriseerd, zichtbaar gemaakt, van hoge kwaliteit worden, snel worden opgehaald en beveiligd tegen manipulatie, ransomware en misbruik.
Huawei probeert dit vraagstuk aan te pakken met haar datastructuuroplossing voor AI-centra. Volgens de firma moet de architectuur gebaseerd zijn op verschillende pijlers: data lakes, AI-platformen, rekenkracht, modellen, agent-frameworks en dataveerkracht. Deze aanpak verschuift de focus van modelontwikkeling naar de operationele basis die de productie mogelijk maakt.
In de data lake-component wordt OceanStor Pacific Scale-Out Storage benadrukt, met een capaciteitsdichtheid van 11 PB in slechts 2U. Deze cijfers illustreren een grote uitdaging van AI: het opslaan van enorme hoeveelheden data zonder dat de fysieke ruimte of de totale eigendomskosten exponentieel toenemen. Daarnaast wordt DME Omni-Dataverse genoemd: een geïntegreerde datastructuur voor multimodale data, real-time import tussen locaties, met wereldwijde zichtbaarheid en herstelopties voor grote volumes vectoren.
Contextueel geheugen en KV-cache: de inferentie-strijd
Een van de meest technische aspecten van de aankondiging is Context Memory Storage (CMS). Huawei presenteert dit als een oplossing voor grootschalige inferentieclusters, met als doel een gedeeld cache-pool van KV-gegevens te creëren die schaalbaar is tot petabytes en compatibel met heterogene rekenkracht.
De KV-cache is essentieel bij de inferentie van taalmodellen. Het houdt tussenresultaten vast zodat deze niet telkens opnieuw hoeven te worden berekend tijdens een gesprek of sessie. In workflows met agents, lange documenten of persistente sessies is deze geheugencomponent kritiek om latentie en kosten te verminderen.
Huawei beweert dat CMS het tijdstip tot de eerste token (TTFT) met wel 90% kan verkleinen. Dit cijfer is een gedeclareerde waarde van de fabrikant, afhankelijk van configuratie en werkbelasting, en dient met enige voorzichtigheid te worden geïnterpreteerd. Toch laat het zien dat de markt zich beweegt richting een situatie waarin inferentie niet meer alleen afhangt van accelerators, maar ook van geheugenbeheer, context, caching, storage en netwerken.
Daarnaast introduceert Huawei een “3+1” datastructuur voor zakelijke inferentie, inclusief KV-caching, een kennisbank met meer dan 95% retrieveernauwkeurigheid, en een evoluerende geheugenbank. De Unified Cache Manager coördineert deze geheugenlagen en belooft de inferentieprecisie met 30% te verhogen, volgens de communicatie van het bedrijf.
| Door Huawei aangekondelde laag | Belangrijkste functie | Communiceerde prestatiekenmerk |
|---|---|---|
| OceanStor Pacific | Scale-out opslag voor data lake | 11 PB in 2U |
| DME Omni-Dataverse | Geïntegreerde data-opslag en vectorzoek | Zoeken in honderden miljarden vectoren |
| Context Memory Storage | Gedeeld KV-cache pool | Tot 90% minder TTFT |
| Platform 3+1 | Cache, kennis en geheugen voor inferentie | Meer dan 95% retrieveernauwkeurigheid |
| Unified Cache Manager | Cache- en geheugbeheer | Tot 30% hogere nauwkeurigheid |
| ModelEngine Nexent | Creëert agents via natuurlijke taal | Tot 80% kortere implementatietijd |
Modellen en agents als onderdeel van de infrastructuur
Huawei breidt haar voorstel niet alleen uit tot opslag. Het bedrijf introduceert ModelEngine, een laag waarmee het gebruik van modellen wordt vereenvoudigd, inclusief één-klik-implementatie en codevrije aanpassing aan nieuwe modellen. Daarnaast wordt fijnmazige resource-partitionering aangeduid, met verhoudingen tot 1:10 in xPU-resources, zodat één compute-eenheid meerdere doelstellingen kan bedienen.
Dit is van belang omdat veel organisaties niet met slechts één model of één taak zullen werken. Ze zullen interne assistenten, supportagents, documentanalyse-systemen, beeldmodellen, semantische zoekmachines, automatisatiestromen en zakelijke apps inzetten. Zonder goed resourcebeheer kan AI een complexe en dure infrastructuur worden die moeilijk te beheren is.
Een ander belangrijk component is ModelEngine Nexent, dat het creëren van agents mogelijk maakt via natuurlijke taalinteractie. Huawei stelt dat dit proces met 80% kan worden verkort, terwijl agents zichzelf kunnen verbeteren middels automatische optimalisatie van vaardigheden, prompts en geheugen. Alhoewel dit gebaseerd is op fabriekscijfers, geeft het een duidelijk signaal: agents worden niet alleen experimentele projecten, maar essentiële operationele onderdelen van het bedrijf.
Deze visie sluit aan bij een bredere trend: agents worden gezien als “digitale werknemers” die data kunnen raadplegen, tools kunnen inschakelen, processen kunnen uitvoeren en context kunnen behouden. Maar dit brengt ook risico’s met zich mee. Als een agent toegang krijgt tot gevoelige documenten of systemen, moet de infrastructuur registreren wat deze doet, met welke rechten, op welke data en onder welke controles.
Dataveerkracht en veerkracht binnen AI-architectuur
Het laatste onderdeel van de aankondiging draait om dataveerkracht en beveiliging. Huawei benadrukt de risico’s van misbruik van tools, dataverval, manipulatie en ransomware. Het is een belangrijke noot omdat AI-beveiliging niet alleen draait om modellen beschermen; ook de training datasets, documentensystemen, vector-gegevens, agent-geheugens, cacheflows en inference-systemen moeten worden beveiligd.
Een agent die wordt gevoed met vervuilde data kan verkeerde beslissingen nemen. Een besmette kennisbank kan foutieve antwoorden genereren. Ransomware op een documentopslag kan bedrijfsprocessen stilleggen. Een slecht beheerd geheugen met gevoelige informatie kan leiden tot datalekken. Daarom is het cruciaal dat de datastructuur voor AI vanaf het ontwerp wordt beveiligd, niet achteraf.
Huawei’s aanpak biedt ook een strategische positionering. Het bedrijf verkoopt niet slechts opslagkantoren, maar een volledige architectuur voor bedrijfs-AI datacenters. In een markt waarin NVIDIA de boventoon voert in GPU en compute, en de hyperscalers geïntegreerde AI-platformen bieden, wil Huawei zich onderscheiden via de data-, geheugen- en agentlaag.
Deze stap wordt gezet in een geopolitieke context waarin China streeft naar minder afhankelijkheid van buitenlandse technologie en de ontwikkeling van eigen AI-platformen. Huawei, met haar ervaring in telecommunicatie, cloud, opslag en chiptechnologie (zoals Ascend), wil een meer geïntegreerd alternatief bieden voor industrieklanten, overheden en grote organisaties.
De uitdaging ligt in het aantonen van daadwerkelijk prestatieniveau, interoperabiliteit, kosten en volwassenheid buiten gecontroleerde omgevingen. De communicatiecijfers zijn ambitieus, maar echte tests met eigen data en vereisten voor compliance zijn noodzakelijk. In bedrijfs-AI is technische marketing niet voldoende—toch moeten architecturen stabiel, veilig en onderhoudbaar zijn.
Het kernboodschap blijft dat de volgende fase van AI niet alleen afhankelijk is van grotere modellen. Het draait om infrastructuren die die modellen voeden met betrouwbare data, efficiënt geheugen, snelle zoekmogelijkheden, beheerde agents en robuuste beveiliging. Huawei zet haar inzet op tafel: het datacenter voor AI begint bij de data.
Veelgestelde vragen
Wat heeft Huawei gepresenteerd op het IDI Forum 2026?
Huawei introduceerde een alles-in-één datastructuuroplossing voor AI-datacenters, inclusief opslag, data lake, contextueel geheugen, modelbeheer, agents en beveiliging.
Wat is Context Memory Storage?
Een Huawei-voorziening voor het creëren van een gedeeld KV-cachepool op grote schaal binnen inferentieketens, bedoeld om latentie te verlagen en geheugen efficiënter te gebruiken in AI-workflows.
Waarom is KV-cache belangrijk voor generatieve AI?
Omdat het tussenresultaten kan hergebruiken tijdens tekstgeneratie of agentacties, waardoor herhaalde berekeningen worden voorkomen en de responstijd toeneemt in langere sessies.
Welke beveiligingsrisico’s wil Huawei adresseren?
Risico’s zoals misbruik van tools, dataverval, manipulatie en ransomware, vooral wanneer agents en modellen afhankelijk zijn van grote datasystemen.veiligheidsmaatregelen zijn essentieel om datalekken en manipulatie te voorkomen.