文章核心观点 - 华为启动2025年度奥林帕斯奖，悬赏总奖金300万元，旨在汇聚全球智慧攻克AI浪潮下数据存储与处理领域的根本性挑战 [1][3] 行业背景与挑战 - AI技术特别是智能体应用的飞速演进，正导致数据规模爆炸式增长，其性质、留存方式与管理范式也在重构 [2] - 传统数据存储系统面临算力开销庞大、协议栈复杂、知识库构建困难、推理效率与精度难以兼得以及存储成本激增等多重压力 [2] 奖项主攻方向 - 方向一：面向AI时代的创新介质技术，旨在应对数据访问模式改变带来的计算负载和能耗攀升，探索“以存补算、以存换算”新范式及超高密度信息记录等技术 [4][5] - 该方向需攻克基于SSD的存算融合与高效索引技术、面向超高记录密度的存储信道调制编码技术、层次化大内存网络协议和IO路径优化技术三大细分难题 [6] - 方向二：Agentic AI原生的数据底座，致力于使存储系统从被动“数据仓库”演进为主动“数据平台”，研究高质量知识库构建、语义信息凝练等关键技术 [4][7] - 该方向包含知识提取、多模态数据表征与知识检索技术以及面向大模型高效推理的语义信息凝练技术两大攻坚目标 [7] 奖项激励与生态影响 - 奖项将评选出2个“奥林帕斯奖”和5个“奥林帕斯先锋奖”，获奖者分享总计300万元奖金，并能与华为建立深度技术交流及获得科研资源支持 [8] - 评选标准综合考量已有科研成果价值及后续研究计划的技术前瞻性、创新性和潜在商业价值 [8] - 该奖项自设立以来累计吸引来自12个国家的超过320名顶尖学者参与，已成功颁发6个奥林帕斯奖和18个奥林帕斯先锋奖，成为具有国际影响力的专业奖项 [9] - 华为此举表明在AI技术竞争下，筑牢数据存储与处理基石至关重要，悬赏是对创新价值的认可及共建下一代数据基础设施生态的呼唤 [9]

文章核心观点 - 华为公司第六年面向全球启动2025奥林帕斯奖悬红难题征集，旨在牵引全球数据存储领域基础理论研究，以解决AI时代数据处理面临的一系列关键技术挑战 [1][2][8] 奖项概况与目标 - 奖项正式名称为“奥林帕斯奖”，由华为于2019年设立，旨在牵引全球数据存储领域基础理论研究方向，突破关键技术难题，加速科研成果产业化，实现产学研合作共赢 [8] - 本届为第六届，总奖金池为300万元人民币，设置2个奥林帕斯奖（奖金各100万元）和5个奥林帕斯先锋奖（奖金各20万元） [5] - 自设立以来，该奖项已吸引全球12个国家的超过320名学者参与，共评出6个奥林帕斯奖和18个奥林帕斯先锋奖 [8] 2025年奖项聚焦方向与难题 - 本届奖项聚焦解决AI时代数据处理的算力开销大、协议栈复杂、知识库构建难、推理效率与精度冲突、存储成本激增等问题 [2] - 方向一：面向AI时代的创新介质技术，旨在研究以存补算、以存换算的新范式，以及超高密度信息记录和层次化大内存创新技术，以打造高性能、大容量、高性价比的存储系统 [3] - 难题一：基于SSD的存算融合与高效索引技术 [3] - 难题二：面向超高记录密度的存储信道调制编码技术 [3] - 难题三：层次化大内存网络协议和IO路径优化技术 [3] 往届获奖成果与团队（部分列举） - **2024年**：奥林帕斯奖授予清华大学武永卫教授团队，因其创新性提出“以存换算”技术方案，解决大模型推理的性能和效率瓶颈 [8] - **2023年**：奥林帕斯奖授予苏黎世联邦理工学院Torsten Hoefler教授团队以及上海交通大学过敏意教授团队 [8] - **2022年**：奥林帕斯奖授予苏黎世联邦理工学院Onur Mutlu教授团队，其聚焦以数据为中心的网存算融合系统研究，创新自适应优化算法，加速存储架构技术迭代 [9] - **2021年**：奥林帕斯奖授予清华大学郑纬民院士团队 [9] - **2020年**：奥林帕斯奖授予清华大学舒继武老师团队 [9]

奥林帕斯奖项目概况 - 华为公司于2019年设立“奥林帕斯奖”，旨在鼓励全球科研工作者投入数据存储领域基础理论研究，突破关键技术难题，加速科研成果产业化，实现产学研合作共赢 [3][44] - 该奖项自设立以来，已吸引全球超过12个国家的320名学者参与，共评出6个奥林帕斯奖和18个奥林帕斯先锋奖 [3][44] - 2025年奖项设置包括2个奥林帕斯奖（每个奖金100万元）和5个奥林帕斯先锋奖（每个奖金20万元），获奖者可与华为建立技术交流渠道并获得科研助力 [3][44] - 第六届奥林帕斯奖于2024年12月26日正式启动全球征集 [41] 研究方向一：面向AI时代的创新介质技术 - 核心目标是研究以存补算、以存换算的新范式，以及超高密度信息记录和层次化大内存创新技术，以打造高性能、大容量、高性价比的存储系统 [5][46] - 该方向下设三个具体技术难题，旨在应对AI发展导致的数据处理开销增大、数据规模跃升（至YB量级）以及异构存储介质协同等挑战 [5][11][19][46][52][60] 难题一：基于SSD的存算融合与高效索引技术 - **技术挑战**：当前存算融合架构面临近存算力瓶颈，因大部分AI算子算术强度高；同时，SSD容量扩大导致FTL映射表规模膨胀，显著推高内存需求，形成功耗、成本和可靠性的核心瓶颈 [8][49] - **技术诉求**：目标是探索面向AI应用的高性能、大容量SSD技术 [9][50] - **算子优化下沉技术**：研究面向LLM推理、RAG等AI场景的存算融合友好型算子优化，将高算术强度算子转化为低算术强度算子，以存储空间换计算时间，目标是在保证精度和性能的同时，将算力需求下降10倍 [9][50] - **低内存高效索引技术**：目标是将整盘映射表常驻DRAM的需求降低70%或更多，在标准测试和真实数据集下，相比原始FTL，吞吐保持95%或以上，P99延迟上升不超过10% [10][51] 难题二：面向超高记录密度的存储信道调制编码技术 - **课题背景**：为解决数据规模达YB量级后“存得下、存得起”的挑战，提升存储信道容量密度成为关键突破口 [11][52] - **技术挑战**：多元符号记录技术尚未成熟，二元记录下信道容量受限；现有调制编码方案导致实时检测译码算法复杂度呈指数级提升，难以实际应用 [17][58] - **技术诉求**：目标是在受限信道场景下实现信息记录密度提升2倍以上，并保证数据可靠恢复 [18][59] - 构建端到端的数据调制编码和记录技术，使记录密度增益G达到3或以上 [18][59] - 构建配套的高可靠检测译码技术，使误码率恶化小于10% [18][59] 难题三：层次化大内存网络协议和IO路径优化技术 - **课题背景**：Agentic AI的发展趋势（如多智能体协同、记忆驱动智能）对存储提出了多样化负载需求（带宽/容量/IOPS）；XPU（如GPU）需要直接、主动向存储发起请求，传统为CPU设计的数据访问协议栈已无法满足其高带宽、高IOPS、低时延诉求；需通过构建层次化大内存系统整合HBM、DDR、Flash等异构介质，以突破单一介质局限 [21][62] - **技术挑战**：基于RDMA的GPU Initiated IO引入了复杂的RoCE协议栈开销，且GPU缺乏中断机制只能轮询，占用计算资源；Agentic AI复杂的非均匀、突发性数据访问模式对层次化存储系统提出了双重挑战，导致性能损失 [23][24][64][65] - **技术诉求**：目标是探索基于层次化大内存的XPU原生网络访问协议和IO路径优化技术 [26][67] 研究方向二：Agentic AI原生的数据底座 - 核心目标是使存储系统从简单的数据存放演进为数据存管用的AI数据平台，通过研究高质量知识库、语义信息凝练等技术，构建Agentic AI原生的数据底座 [27][68] - 该方向下设两个具体技术难题，聚焦于知识处理与推理效率 [28][34][68][74] 难题四：知识提取、多模态数据表征与知识检索技术 - **技术挑战**：知识完整表达困难，多源异构数据处理过程易导致语义丢失；多模态知识对齐复杂，向量语义表征错位影响检索精度；知识库检索噪声大，传统排序策略对长尾知识权重分配不合理 [32][72] - **技术诉求**：目标是探索高质量知识库中的知识提取、多模态数据表征与知识检索技术 [33][73] - **异构数据的知识提取技术**：提升知识表达完整度，目标编辑距离小于0.05，数据处理带宽达到1GB/s，生成知识可检索时间小于100ms [33][73] - **多模态语义对齐的知识增强技术**：提升语义理解一致性，目标向量内容语义表征精度NDCG@10超过0.9，图谱关联语义表征准确性F1分数超过0.99 [33][73] 难题五：面向大模型高效推理的语义信息凝练技术 - **技术挑战**：缺乏系统性的存算系统冗余抑制框架，推理流程中的上下文、KV Cache、参数、多源数据等冗余相互耦合；缺乏以语义信息论为基础的精度保障理论模型，无法对“凝练-精度”进行理论建模 [37][77] - **技术诉求**：目标是面向Agent AI长序列与多模态混合推理场景，构建端到端的存算协同信息凝练系统 [38][78] - 在精度损失小于1%的前提下，实现端到端存算压缩比达到20倍或以上，推理吞吐提升5倍或以上 [38][78] - 构建覆盖推理多阶段（上下文冗余、KV Cache冗余、模型参数冗余等）的统一信息凝练框架，并建立可解释的无损压缩理论模型，确保压缩策略的泛化能力 [39][79] 行业技术趋势与对比数据 - **存储介质带宽与成本对比**：HBM带宽为1-4 TB/s，成本约为15美元/GB；DRAM带宽为100 GB/s，成本约为3美元/GB；大容量存储（如Flash）带宽为7-32 GB/s，成本约为0.3美元/GB；SSD带宽未明确列出，成本约为0.06美元/GB [6][47] - **层次化内存系统带宽容量比（宽容比）**：高带宽内存（如HBM）的宽容比（每TB容量的带宽）约为40+ TBps/TB；内存型存储的宽容比约为1 TBps/TB；大容量存储的宽容比约为0.001 TBps/TB [20][22][61][63]

华为启动第六届奥林帕斯奖 - 公司于12月26日正式启动第六届奥林帕斯奖全球征集，本届奖金池为300万元人民币，聚焦解决AI时代的存储难题 [1] 奖项设立背景与历史 - 奥林帕斯奖由公司于2019年设立，旨在牵引全球数据存储领域基础理论研究，突破关键技术，加速科研成果产业化 [3] - 自设立以来，奖项已吸引全球超过12个国家的320名学者参与，共评出6个奥林帕斯奖和18个奥林帕斯先锋奖 [3] 2025年奖项设置与激励 - 2025年奖项设置包括2个奥林帕斯奖，每个奖金100万元人民币，以及5个奥林帕斯先锋奖，每个奖金20万元人民币 [3] - 获奖人或团队将与公司建立技术交流渠道并获得科研助力 [3] 本届奖项聚焦的AI时代存储挑战 - 随着AI技术发展，传统应用向Agent智能应用演进，数据规模持续增长，数据的留存、管理与应用方式发生改变 [3] - 本届奖项聚焦解决AI时代数据处理的算力开销大、协议栈复杂、知识库构建难、推理效率与精度冲突、存储成本激增等问题 [3] - 奖项面向全球科研工作者公开征集针对上述问题的解题之道 [3]

华为奥林帕斯奖启动与奖金设置 - 华为于12月26日启动第六届奥林帕斯奖全球征集，总悬赏金额为300万元人民币 [2] - 奖项于2019年设立，旨在牵引全球数据存储领域基础理论研究，突破关键技术难题，加速科研成果产业化 [2] - 自设立以来，已吸引全球超过12个国家的320名学者参与，共评出6个奥林帕斯奖和18个奥林帕斯先锋奖 [2] - 2025年奖项设置为2个奥林帕斯奖（每个奖金100万元人民币）和5个奥林帕斯先锋奖（每个奖金20万元人民币） [2] 本届奖项核心聚焦领域 - 本届奖项聚焦解决AI时代的数据存储与处理难题，包括算力开销大、协议栈复杂、知识库构建难、推理效率与精度冲突、存储成本激增等问题 [2][4] - 随着AI技术发展，传统应用向Agent智能应用演进，数据规模持续增长，数据的留存、管理与应用方式发生改变 [2] 具体技术研究方向与难题 - **方向一：面向AI时代的创新介质技术** - 难题1：基于SSD的存算融合与高效索引技术 [5] - 难题2：面向超高记录密度的存储信道调制编码技术 [7] - 难题3：层次化大内存网络协议和IO路径优化技术 [9] - **方向二：Agentic AI原生的数据底座** - 难题4：知识提取、多模态数据表征与知识检索技术 [11] - 难题5：面向大模型高效推理的语义信息凝练技术 [12] 奖项参与与激励 - 获奖人或团队将与华为建立技术交流渠道并获得科研助力 [2] - 奖项面向全球科研工作者公开征集解题方案 [2][4]