AI时代下，推理技术关系用户与AI交互的体验，包括回答问题的时延、答案的准确度以及复杂上下文的推理能力等，在此背景下，华为最新推出AI推理黑科技UCM(推理记忆数据管理器)，可大幅降低推理时延与成本，并大幅提升推理效率。
8月12日，华为举行发布会，正式发布AI推理创新技术UCM。
据了解，目前，国外主流模型的单用户输出速度已进入200Tokens/s区间(时延5ms)，而我国普遍小于60Tokens/s(时延50—100ms)，如何解决推理效率与用户体验的难题迫在眉睫。
“高延迟、高成本是当下AI推理领域发展的主要挑战。”华为数字金融军团CEO曹冲在会上表示。
华为方面介绍，作为一款以KVCache为中心的推理加速套件，UCM融合了多类型缓存加速算法工具，分级管理推理过程中产生的KVCache记忆数据，可扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，降低每Token推理成本。
在具体技术实现路径以及方面，华为相关负责人表示，UCM通过层级化自适应的全局前缀缓存技术，可实现任意物理位置、任意输入组合上的KV前缀缓存重用，在多轮对话、RAG知识检索等场景中直接调用KV缓存数据，避免重复计算，使首Token时延最大降低90%。
另外，UCM可根据记忆热度在HBM、DRAM、SSD等存储介质中自动分级缓存，同时融合多种稀疏注意力算法，实现存算深度协同，使长序列场景下TPS(每秒处理token数)提升2—22倍，降低每Token推理成本。
此外，UCM通过动态KV逐层卸载、位置编码扩展、Prefill稀疏等组合技术，将超长序列Cache分层卸载至外置专业存储，利用算法突破模型和资源限制，实现10倍级推理上下文窗口扩展。
华为相关负责人表示，当前，中国互联网企业在AI领域的投资规模仅为美国的十分之一。与此同时，国内大模型的推理体验与海外相比仍存在差距——而推理体验的不足会直接导致用户流失，进而减缓企业的投资节奏；投资收缩又会使企业难以承担高昂的推理成本，反过来进一步限制推理体验的提升，形成恶性循环。UCM能够在算力基础设施投入保持不变的前提下，显著优化推理体验，推动AI推理进入“体验提升—用户增长—投资加大—技术迭代”的商业正循环。
记者了解到，华为UCM已率先在中国银联“客户之声”“营销策划”“办公助手”三大业务场景中，开展智慧金融AI推理加速应用试点，并已取得一定成果。
“AI时代后，Token经济时代到来，目前推理过程仍存不少挑战，如何改进推理系统的体验和效率是一个重要的话题。与中国银联合作落地UCM，对于AI推理的效率来说是一个有效的突破。”华为副总裁、数据存储总裁周跃峰表示。
随着AI应用向各类实际场景深度渗透，用户规模和请求量急剧攀升，模型分析和生成的Token数更呈现指数级增长态势，最大化单Token智能承载力、优化其成本成为厂商核心目标，Token经济时代来临，训练、推理效率与体验量纲都以Token为表征。以火山引擎为例，2025年5月日均Token调用达16.4万亿，较2024年同期激增137倍。巨大的Token处理量意味着高昂运营成本——服务器维护、电力消耗持续攀升；而保障流畅推理体验又需加大算力投入。如何在两者间找到平衡，成为全行业亟待破解的难题。
在此背景下，华为计划于2025年9月正式开源UCM，届时将在魔擎社区首发，后续逐步贡献给业界主流推理引擎社区，并共享给业内所有ShareEverything(共享架构)存储厂商和生态伙伴。
“为什么要开源，是希望行业内更多人(企业)一起推动推理框架、标准的形成，这是一个大家共创标准、共同推动推理领域加速发展的过程。”华为相关负责人表示。
诚利和提示：文章来自网络，不代表本站观点。
