Azure Storage 2026：AI 训练、推理与关键业务存储

Introduction: why this matters

AI 正从偶发式实验走向始终在线的生产环境——尤其是推理与自主“agentic”工作负载，会带来持续、高并发的访问模式。Azure Storage 的 2026 路线图聚焦于打通端到端的 AI 数据流（训练 → 调优 → 推理），同时提升传统任务关键型系统（如 SAP）以及超低延迟交易平台的成本、运维简化与性能。

What’s new (and what Microsoft is emphasizing)

1) Training at frontier scale: Blob and high-throughput data paths

• Blob scaled accounts 被强调为一种可在每个区域横向扩展到 数百个 scale units 的方式，面向包含 数百万对象 的工作负载（在训练/调优数据集以及 checkpoint/模型文件管理中很常见）。
• Microsoft 指出，用于支撑 OpenAI 规模运营的创新正在更广泛地向企业开放。

2) Purpose-built storage for AI compute: Azure Managed Lustre (AMLFS)

• Azure 与 NVIDIA DGX on Azure 的合作，将加速计算与 Azure Managed Lustre 配对，以持续为 GPU 集群供给数据。
• AMLFS 现已包含对 25 PiB namespaces 的预览支持，并提供最高 512 GBps 吞吐量，定位为面向大型研究与工业级推理场景（如汽车、机器人）的顶级托管 Lustre 方案。

3) AI ecosystem integrations: faster paths from data to inference

• 计划在 AI 框架生态上进行更深度的集成，包括 Microsoft Foundry、Ray/Anyscale 和 LangChain。
• Foundry 内的原生 Azure Blob 集成 被定位为帮助将企业数据整合进 Foundry IQ，用于知识 grounding、fine-tuning 与低延迟的上下文服务，同时将治理与安全控制保持在租户内。

4) Agentic scale cloud-native apps: block storage + Kubernetes orchestration

• Microsoft 指出，agent 可能会比人驱动的应用产生 高一个数量级的查询量，从而对存储/数据库层造成压力。
• Elastic SAN 被描述为面向 SaaS 风格、多租户架构的核心构建块，提供托管的块存储池与防护机制（guardrails）。
• Azure Container Storage (ACStor) 的方向将转向 Kubernetes operator model，并计划在 CSI drivers 之外，表达出 将代码库开源 的意图，以简化 Kubernetes 上有状态应用的开发。

5) Mission-critical price/performance: SAP, ANF, Ultra Disk

• 针对 SAP HANA，Azure 的 M-series 更新将磁盘性能目标提升到约 780k IOPS 与 16 GB/s 吞吐量。
• Azure NetApp Files (ANF) 与 Azure Premium Files 仍是核心共享存储选项，并通过 ANF Flexible Service Level 与 Azure Files Provisioned v2 等举措改善 TCO。
• 即将推出：ANF 的 Elastic ZRS service level，通过跨 AZ 的同步复制实现 zone-redundant HA。
• Ultra Disk 的性能被重点强调（亚 500µs 延迟；最高 400K IOPS/10 GB/s，并可在 Ebsv6 VMs 上提升至最高 800K IOPS/14 GB/s）。

Impact on IT admins and platform teams

• 对于以推理与 agentic 为主的应用，预计架构层面将更强调 吞吐量、并发与数据本地性。
• Kubernetes operators 以及潜在的开源 ACStor 可能会改变团队在 AKS 上标准化有状态工作负载的方式。
• 存储选型将更贴合具体工作负载：Blob 用于数据集/上下文，Lustre 用于 GPU pipeline，Elastic SAN/Ultra Disk 用于高 IOPS 事务性需求，ANF 用于共享型企业工作负载。

Action items / next steps

1. 按阶段梳理 AI 工作负载（训练 vs 推理 vs agentic），并与存储类型对齐（Blob + AMLFS + block/shared）。
2. 审视 AMLFS 预览限制（25 PiB/512 GBps），并验证 Lustre 可改善的 GPU pipeline 瓶颈。
3. 评估 Elastic SAN：适用于多租户 SaaS 或需要池化块存储的高并发微服务。
4. 如需为企业应用提供性能一致的、zone-redundant 的 NFS，请 规划 ANF Elastic ZRS。
5. 对于 AKS 团队，跟踪 ACStor operator + open-source 的更新，以减少定制化的有状态存储管理。