興建于公元前295年，藏書量高達(dá)70萬卷，并存有歐幾里得《幾何原本》、荷馬史詩全集等典籍的亞歷山大圖書館，被稱為人類歷史上最偉大的圖書館。

然而，這座人類知識(shí)的殿堂，卻對(duì)文明的進(jìn)程沒有產(chǎn)生任何推動(dòng)價(jià)值，就湮滅為歷史的塵埃。因?yàn)椋R(shí)如果不能被檢索、被流轉(zhuǎn)、被利用就無法產(chǎn)生智慧。

就像是海量的數(shù)據(jù)存在于系統(tǒng)之中，但如果不能被及時(shí)讀取和運(yùn)用，算力就會(huì)“空轉(zhuǎn)”，數(shù)據(jù)就發(fā)揮不出應(yīng)有的價(jià)值。如今，大模型參數(shù)正突破萬億級(jí)別，訓(xùn)練數(shù)據(jù)從PB邁向EB級(jí)，傳統(tǒng)存儲(chǔ)架構(gòu)，就如無法發(fā)揮價(jià)值的古代圖書館，無法滿足AI應(yīng)用對(duì)海量數(shù)據(jù)的渴求。

在智算崛起的時(shí)代，存儲(chǔ)系統(tǒng)正逐漸成為AI走向規(guī)模化部署的“瓶頸”，一場(chǎng)關(guān)于存儲(chǔ)系統(tǒng)的重構(gòu)勢(shì)在必行。

01

智算時(shí)代

存儲(chǔ)系統(tǒng)面臨復(fù)雜化挑戰(zhàn)

中國信通院的報(bào)告顯示：95%企業(yè)將基于私域數(shù)據(jù)構(gòu)建專屬模型，需要至少十年的歷史數(shù)據(jù)。

這意味著，當(dāng)企業(yè)AI需求從通用大模型全面邁向?qū)俅竽Ｐ偷耐瑫r(shí)，存儲(chǔ)系統(tǒng)不僅要承載當(dāng)前的訓(xùn)練數(shù)據(jù)，更要能夠面向AI時(shí)代的需求變遷，保持長(zhǎng)期演進(jìn)的能力。

首先，模型復(fù)雜度正大幅增長(zhǎng)，參數(shù)規(guī)模從千億向萬億級(jí)別躍進(jìn)，相應(yīng)的算力基礎(chǔ)設(shè)施從千卡集群擴(kuò)展到萬卡規(guī)模，對(duì)存儲(chǔ)系統(tǒng)的讀寫帶寬提出了更高要求。

比如，TB級(jí)Checkpoint（模型檢查點(diǎn)）的下刷與加載，會(huì)影響訓(xùn)練中斷后的恢復(fù)速度，也是推理階段加載模型的“高速入口”，這對(duì)讀寫帶寬提出TB/s級(jí)的要求；再有海量小文件的隨機(jī)讀操作，如訓(xùn)練素材的快速加載、推理階段的KVCache卸載等，都直接影響GPU的利用率，若響應(yīng)延遲過高，千億參數(shù)的算力洪流便會(huì)因數(shù)據(jù)供給不足而斷流。

其次，數(shù)據(jù)類型變得空前復(fù)雜，訓(xùn)練數(shù)據(jù)涵蓋文本、圖像、視頻、結(jié)構(gòu)化數(shù)據(jù)等多種格式，且分散在不同的存儲(chǔ)系統(tǒng)中，有約30%的企業(yè)在數(shù)據(jù)兼容性和統(tǒng)一訪問方面遇到了明顯障礙。

第三，業(yè)務(wù)連續(xù)性要求極致可靠，超過60%的企業(yè)用戶反饋，訓(xùn)練任務(wù)常因底層存儲(chǔ)系統(tǒng)不穩(wěn)定而中斷，而每次中斷意味著大量的計(jì)算資源浪費(fèi)。

不難發(fā)現(xiàn)，AI工作負(fù)載對(duì)存儲(chǔ)系統(tǒng)的需求呈現(xiàn)出多重挑戰(zhàn)，既需要極高的順序讀寫帶寬來處理檢查點(diǎn)文件，又需要卓越的隨機(jī)讀寫性能來應(yīng)對(duì)海量訓(xùn)練素材的訪問。雙重壓力使傳統(tǒng)為單一場(chǎng)景設(shè)計(jì)的存儲(chǔ)架構(gòu)不堪重負(fù)。

因此，我們需要一種新型存儲(chǔ)系統(tǒng)：它必須具備極致的擴(kuò)展能力以容納EB級(jí)數(shù)據(jù)，能夠支持混合工作負(fù)載，并通過智能架構(gòu)避免頻繁的數(shù)據(jù)遷移。而新華三Polaris X20000智算存儲(chǔ)的推出，正是為了迎接AI時(shí)代的挑戰(zhàn)。

02

存儲(chǔ)架構(gòu)重構(gòu)

打通數(shù)據(jù)供給“生命線”

當(dāng)前 AI 算力競(jìng)賽已進(jìn)入“萬卡集群”的新階段，存儲(chǔ)架構(gòu)的痛點(diǎn)已從單純的容量需求，升級(jí)為對(duì)低延遲、高并行、智能調(diào)度的系統(tǒng)性訴求，誰能率先突破傳統(tǒng)存儲(chǔ)的性能與協(xié)議桎梏，誰就能掌握 AI 集群高效運(yùn)轉(zhuǎn)的核心話語權(quán)，并推動(dòng)存儲(chǔ)技術(shù)向全棧創(chuàng)新方向演進(jìn)。

首先，在萬卡級(jí)AI集群中，計(jì)算與存儲(chǔ)的比例已經(jīng)發(fā)生本質(zhì)變化，傳統(tǒng)存儲(chǔ)的單節(jié)點(diǎn)性能瓶頸會(huì)導(dǎo)致整個(gè)系統(tǒng)無法充分發(fā)揮GPU集群的算力，這就是為什么單節(jié)點(diǎn)性能突破如此關(guān)鍵。

Polaris X20000通過全閃存配置實(shí)現(xiàn)單節(jié)點(diǎn)150GB/s的帶寬突破，在最新的MLPerf Storage v2.0基準(zhǔn)測(cè)試中，在保持GPU利用率90%以上的條件下，實(shí)現(xiàn)了單節(jié)點(diǎn)158.92GB/s和集群476.75GB/s的卓越表現(xiàn)。

其次，在傳統(tǒng)NFS協(xié)議下，客戶端只能連接到單一存儲(chǔ)節(jié)點(diǎn)，跨節(jié)點(diǎn)數(shù)據(jù)訪問需要二次轉(zhuǎn)發(fā)，如同快遞必須經(jīng)過中轉(zhuǎn)站，增加了延遲和網(wǎng)絡(luò)開銷。

而Polaris X20000通過EPC（Enhanced Parallel Client）高性能并行客戶端，徹底改變了客戶端與存儲(chǔ)節(jié)點(diǎn)的交互模式，它允許單個(gè)客戶端直接并行訪問多個(gè)存儲(chǔ)節(jié)點(diǎn)，實(shí)現(xiàn)IO級(jí)別的負(fù)載均衡和高效數(shù)據(jù)分布，將“單車道小路”升級(jí)為“多車道高速公路”。在真實(shí)的AI檢查點(diǎn)場(chǎng)景中，這種架構(gòu)使TB級(jí)文件能夠并行寫入多個(gè)節(jié)點(diǎn)，顯著縮短了保存時(shí)間，避免了GPU因等待存儲(chǔ)而空閑。

第三，如今的圖像幀和文本片段等訓(xùn)練素材通常以千萬級(jí)小文件形式存在，推理階段的KVCache（鍵值緩存）更是由數(shù)十億個(gè)小IO組成。傳統(tǒng)方案中，小IO與大IO混雜處理會(huì)導(dǎo)致緩存浪費(fèi)、網(wǎng)絡(luò)擁塞。

智能IO分流技術(shù)則可以根據(jù)IO大小智能分配數(shù)據(jù)路徑：小IO直接寫入緩存層后立即返回，顯著提升響應(yīng)速度；大IO繞過緩存，通過RDMA直接從協(xié)議層拉取數(shù)據(jù)，既縮短了IO路徑，又避免了緩存資源的浪費(fèi)，真正意義上實(shí)現(xiàn)“以存提效”。

最后，傳統(tǒng)數(shù)據(jù)傳輸需要經(jīng)過多次內(nèi)存拷貝和上下文切換，CPU大量時(shí)間耗費(fèi)在數(shù)據(jù)搬運(yùn)而非業(yè)務(wù)處理上。而新華三通過全RDMA互聯(lián)和內(nèi)存零拷貝技術(shù)，實(shí)現(xiàn)了內(nèi)核繞行和零拷貝，數(shù)據(jù)直接從發(fā)送端內(nèi)存?zhèn)鬏數(shù)浇邮斩藘?nèi)存，無需CPU參與，使系統(tǒng)帶寬利用率大幅提升，同時(shí)顯著降低了延遲。

可貴的是，Polaris X20000這一系列技術(shù)創(chuàng)新形成了完整的系統(tǒng)優(yōu)化，并且在多個(gè)實(shí)際部署案例中，成功支撐了從千卡到萬卡規(guī)模的AI訓(xùn)練集群，證明了其在真實(shí)生產(chǎn)環(huán)境中的成熟度。

03

三點(diǎn)突破

為智算存儲(chǔ)進(jìn)化帶來啟示

總結(jié)而言，AI時(shí)代的存儲(chǔ)革命，核心要解決的就是三個(gè)根本要求：

第一是，極致性能以充分釋放GPU算力潛力；第二是，架構(gòu)融合以支持從數(shù)據(jù)預(yù)處理、模型訓(xùn)練到推理部署的全流程；第三是，智能運(yùn)維以確保系統(tǒng)穩(wěn)定并降低運(yùn)營成本。

Polaris X20000之所以代表智算存儲(chǔ)的最佳實(shí)踐，正是因?yàn)樗谶@三個(gè)維度上都實(shí)現(xiàn)了突破性創(chuàng)新。

比如在性能上，Polaris X20000通過全閃存架構(gòu)和軟件優(yōu)化，實(shí)現(xiàn)了單節(jié)點(diǎn)150GB/s的帶寬突破，同時(shí)保持優(yōu)異的隨機(jī)讀寫性能，將GPU訓(xùn)練等待時(shí)間明顯縮短，顯著加速AI研發(fā)進(jìn)程；在架構(gòu)上，實(shí)現(xiàn)了“一套存儲(chǔ)支撐全流程”的目標(biāo)，遷移時(shí)間從數(shù)天縮短到零小時(shí)，不僅簡(jiǎn)化了數(shù)據(jù)流水線，還確保了數(shù)據(jù)一致性和完整性；在智能運(yùn)維上，引入“AI in ALL”理念，通過機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)故障預(yù)測(cè)、智能調(diào)優(yōu)和自動(dòng)化運(yùn)維，顯著降低運(yùn)維復(fù)雜度和管理成本。

事實(shí)上，隨著大模型持續(xù)進(jìn)化邁向萬億參數(shù)，多模態(tài)學(xué)習(xí)成為主流，存儲(chǔ)系統(tǒng)的價(jià)值將愈發(fā)凸顯。Polaris X20000給我們的啟示在于，只有當(dāng)存儲(chǔ)系統(tǒng)能夠無縫支撐數(shù)據(jù)流動(dòng)、智能處理和價(jià)值挖掘時(shí)，人工智能才能真正從技術(shù)實(shí)驗(yàn)轉(zhuǎn)變?yōu)楫a(chǎn)業(yè)動(dòng)力。