川觀智庫研究員 黃愛林
隨著DeepSeek等大模型接入越來越多的端側應用，海量數(shù)據(jù)的存儲和處理需求，推動了對存儲芯片的需求激增。中國信通院聯(lián)合中國人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟日前發(fā)布的《新型人工智能存儲研究報告》（下簡稱報告）指出，新型AI存儲是大模型進一步發(fā)展的關鍵，但在海量數(shù)據(jù)歸集、訓練數(shù)據(jù)訪問效率和推理實時性等方面亟需突破瓶頸。
新型AI存儲可以理解為大模型的數(shù)據(jù)載體，關系著大模型的數(shù)據(jù)歸集、預處理、訓練、推理等全生命周期流程，也是AI數(shù)據(jù)全生命周期服務與管理平臺的重要組成部分。它具備超高性能、超大容量、極致安全、數(shù)據(jù)編織、大模型數(shù)據(jù)范式和綠色節(jié)能等關鍵特征，可以有效支撐海量數(shù)據(jù)的分析和學習。
新型AI存儲被視作發(fā)力大模型的根基，但其自身的發(fā)展卻面臨多重挑戰(zhàn)。一是海量原始數(shù)據(jù)歸集的提速問題。上述報告顯示，PB級數(shù)據(jù)的歸集通常需要消耗整個大模型全流程時長的30%，需要數(shù)據(jù)歸集后才能用于后續(xù)的模型訓練，而數(shù)據(jù)歸集涉及數(shù)據(jù)解析、清洗和去重等流程，這里將占據(jù)30%以上的CPU、GPU、內(nèi)存等資源。
第二點挑戰(zhàn)在于應對數(shù)據(jù)訪問效率。大模型訓練需要高并發(fā)、低延遲的數(shù)據(jù)訪問能力，若AI存儲無法提供千萬級IOPS能力（存儲系統(tǒng)的“反應速度”，每秒能處理千萬次操作）和數(shù)百GB/s級讀寫帶寬（存儲系統(tǒng)的“反應速度”，每秒能搬運幾百GB的數(shù)據(jù)），則會導致GPU算力閑置率較高。
再一個挑戰(zhàn)是推理實時性的要求。大模型推理（如醫(yī)療診斷、智能客服）對響應時間要求苛刻，需毫秒級延遲，這就需要能夠快速檢索關鍵信息的AI存儲。
基于挑戰(zhàn)分析，報告建議在國家戰(zhàn)略層面，盡快形成AI存儲產(chǎn)業(yè)發(fā)展的頂層規(guī)劃，系統(tǒng)布局AI存儲設施；在關鍵技術上加強自主創(chuàng)新，從存儲介質、系統(tǒng)、架構數(shù)據(jù)編織、數(shù)據(jù)范式和數(shù)據(jù)安全等方面發(fā)力；產(chǎn)業(yè)發(fā)展方面，鼓勵國產(chǎn)設備應用，提升安全保障能力。
【未經(jīng)授權，嚴禁轉載！聯(lián)系電話028-86968276】
