华为第七届奥林帕斯奖启动全球征集，聚焦AgenticAI数据基础设施四道难题

华为第七届奥林帕斯奖已于2026年10月21日正式开启全球征集。作为华为自2019年设立、专注于数据存储基础研究的年度奖项，本届聚焦Agentic AI（智能体AI）演进背景下的数据基础设施瓶颈，首次系统性提出四大核心技术难题，并设置2个奖金100万元人民币的奥林帕斯奖与5个奖金20万元的奥林帕斯先锋奖。

与往届相比，本届奖项显著强化了对AI原生场景的响应能力。随着大模型从“工具型”向“自主决策型”Agent架构演进，数据的角色已从静态资产转变为动态知识载体——不仅规模持续膨胀，其生成、留存、调用与演化方式也发生根本性变化。传统存储体系在成本、能效、供给精度与知识管理等方面面临新挑战：存储介质单位bit成本居高不下；推理过程能耗密集，能效比难以提升；训练与推理所需数据供给缺乏精准性；知识表征难以泛化且难以随任务演进更新。

为此，本届奥林帕斯奖明确划分为两大方向、四道具体难题：

方向一：每bit极致性价比的存储技术

该方向直指硬件层成本与效率瓶颈。难题一为“海量数据的超高密度存储与高效检索”，目标是在有限物理空间内实现PB级甚至EB级数据的高密度持久化，并支持亚毫秒级随机访问；难题二为“状态数据的内存型存储介质与近存加速技术”，聚焦Agent运行中高频读写的中间状态数据（如思维链缓存、记忆模块），要求开发低延迟、高耐久、接近DRAM性能但具备非易失特性的新型存储介质，并结合近存计算架构降低数据搬运开销。

方向二：Agentic AI原生的数据底座

该方向转向数据组织与语义层创新。难题三为“以Token生产效率为中心的高效数据供给技术”，强调在训练与推理阶段，如何根据Agent当前任务动态筛选、重组、增强输入数据，使每单位Token输入产生更高价值输出，从而提升整体训练/推理吞吐效率；难题四为“基于本体知识图谱的高泛化、可演进知识表征技术”，旨在构建一种既能承载领域本体语义、又支持增量学习与跨任务迁移的知识编码框架，使Agent具备长期记忆、逻辑推理与自我修正能力。

评审标准兼顾技术深度与落地潜力，从目标达成度、技术创新性、技术成熟度、可应用性、可扩展性及经济效益六个维度综合评估。获奖者除获得现金奖励外，还可与华为建立长期技术交流通道，获取工程验证、测试资源与联合研发支持。

申报周期为2026年10月20日至2027年3月31日，成果评审安排在2027年4月至7月，颁奖典礼定于2027年8月举行。值得注意的是，当奥林帕斯奖出现空缺时，评委会可根据实际评选结果决定是否追加1–5个先锋奖名额，体现其对高质量成果的弹性激励机制。

奥林帕斯奖设立七年来，已成为全球存储基础研究领域的重要风向标。早期几届聚焦闪存可靠性、分布式存储一致性、冷热数据分层等经典问题，推动了多项学术成果向产业转化。例如，第六届获奖方案中关于多级纠删码优化的研究，已部分集成至华为OceanStor Pacific产品线，提升集群重建速度达40%。本届转向Agentic AI底层支撑，反映出产业界对“AI not just compute, but also store and reason”的共识正在形成。

行业观察指出，当前主流AI基础设施仍沿用“计算-存储分离”架构，导致大量带宽浪费于数据搬运。据IDC 2026年报告，典型LLM推理任务中，约65%的能耗消耗在数据移动环节，而非计算本身。而Agentic AI因需频繁回溯历史交互、维护内部状态与调用外部工具，对低延迟、高并发、语义感知的存储提出更高要求。在此背景下，华为将难题具象为可量化、可验证的技术命题，有助于引导学术界聚焦真实产业痛点。

此外，四道难题的设计亦体现跨学科融合趋势：难题一涉及材料科学与微纳制造；难题二需协同芯片设计与系统架构；难题三关联数据工程与优化算法；难题四则横跨知识表示、形式逻辑与认知科学。这种“问题驱动”的科研资助模式，相较传统课题申报更具靶向性。

值得留意的是，本届征集明确面向全球高校、科研院所及独立研究团队开放，未限定国籍或机构隶属关系。华为强调“技术无国界”，鼓励多元视角参与突破。过去六届中，已有来自美国、德国、新加坡、日本及中国多所顶尖高校的团队获奖，其中部分成果后续通过华为“松山湖实验室”完成原型验证。

在AI竞赛进入深水区的当下，算力军备赛已逐步让位于“数据—知识—智能”闭环的系统构建能力。存储不再仅是后台支撑模块，而是决定Agent能否持续学习、可靠决策的关键使能层。奥林帕斯奖此次转向，既是对技术演进的及时回应，也为学界提供了一条清晰的攻关路径。

申报详情已同步发布于华为官网相关专栏，有意参与者可查阅完整技术白皮书与提交指南。