WEKA 发布 WEKApod 3：Agentic AI 的瓶颈正在从 GPU 扩展到存储与内存
WEKA 发布第三代 WEKApod AI 存储与内存系统，并配套 NeuralMesh 6。它提醒企业：长上下文、检索增强和 AI Agent 工作负载规模化后，数据路径效率会直接影响推理成本。
7 月 22 日，AI 数据与内存基础设施公司 WEKA 发布第三代 WEKApod 系列，并同步推进 NeuralMesh 6 软件栈。表面看，这是一条偏硬件和企业基础设施的发布；但放到 Agentic AI、长上下文推理和检索增强应用快速增长的背景下，它反映了一个更大的趋势：AI 成本竞争正在从“买多少 GPU”转向“能不能让 GPU 持续吃到数据”。
发生了什么？
WEKA 在新闻稿中称，WEKApod Nitro、WEKApod Prime 与 WEKApod Prime Max 是面向 AI 工厂和推理基础设施的第三代存储设备，采用 WEKA 自研硬件设计，并与 NeuralMesh 6 软件协同。官方披露的关键指标包括：单机架可达 1.1 EB 有效容量、10.2 TB/s 吞吐以及 2.1 亿 IOPS；新品已开放订购，交付预计从 2026 年秋季开始。
与硬件同步发布的 NeuralMesh 6 则强调多租户、统一文件与对象协议、智能复制、数据缩减、Kubernetes 原生运维和可观测性。WEKA 把这些能力包装为服务 AI 云、模型公司和大型企业生产级推理负载的统一数据平台。
为什么这不是普通存储新品？
训练时代的核心问题常被简化为“更多 GPU、更大数据集”。进入推理时代后，问题变得更细：长上下文模型需要频繁访问 KV cache，RAG 和 Agent 工作流要不断检索外部知识、读取日志和调用工具，多租户 AI 云则要在不同客户之间隔离资源并保持吞吐稳定。此时，如果数据层延迟高、复制慢、协议割裂或运维复杂，昂贵 GPU 也会出现空转。
WEKA 的发布正是抓住了这个变化：AI 基础设施的 ROI 不只看峰值算力，还看每瓦、每机架、每块 GPU 可以产出多少 token，以及系统在多团队、多地域、多工作负载下能否保持可预测。
可能带来的影响
第一，AI 云和大企业会把存储、内存扩展、网络和调度放进同一张成本表，而不是只比较 GPU 单价。第二，面向 Agent 的平台会越来越强调数据治理、可观测性和多租户隔离，因为企业并不希望为每个 AI 应用复制一套数据。第三，国产与海外 AI 基础设施供应链都会面临同样问题：数据中心空间、电力和交付周期有限，密度与运维效率将成为采购关键指标。
适合哪些人关注？
- 正在建设私有化大模型平台、AI 云或推理服务的技术负责人；
- 关注 RAG、长上下文、AI Agent 成本优化的开发者；
- 需要为企业 AI 预算做 TCO 测算的 CIO、架构师和采购团队；
- 研究 AI 基础设施、数据中心、电力约束和 GPU 利用率的行业观察者。
