摘要：如果存儲(chǔ)跟不上，再?gòu)?qiáng)大的GPU也只是昂貴的“擺設(shè)”。AI時(shí)代的算力革命，首先是一場(chǎng)存儲(chǔ)革命。

如果英偉達(dá)CEO黃仁勛所言非虛——“通用計(jì)算時(shí)代正走向終結(jié)”，那么我們此刻正站在兩百年前“馬力”向“蒸汽”躍遷的歷史關(guān)口。

然而，在這場(chǎng)轟轟烈烈的AI算力軍備競(jìng)賽中，一個(gè)隱秘但致命的短板正在暴露：存儲(chǔ)。

麥肯錫估算，為跟上AI算力需求，全球需投入7萬(wàn)億美元。但在瘋狂搶購(gòu)GPU的同時(shí)，許多企業(yè)卻在用“上個(gè)時(shí)代”的存儲(chǔ)系統(tǒng)來(lái)喂養(yǎng)“這個(gè)時(shí)代”的最強(qiáng)大腦。

結(jié)果是什么？GPU閑置、訓(xùn)練中斷、投資回報(bào)率（ROI）雪崩。

01 當(dāng)GPU“等米下鍋”：傳統(tǒng)存儲(chǔ)的崩潰時(shí)刻

傳統(tǒng)的存儲(chǔ)系統(tǒng)是為數(shù)據(jù)庫(kù)和虛擬化設(shè)計(jì)的，它們習(xí)慣了“排隊(duì)打飯”式的順序讀寫。

但AI工作負(fù)載完全不同。成千上萬(wàn)個(gè)GPU線程像饑餓的野獸，以并行、隨機(jī)、高吞吐的方式同時(shí)轟擊存儲(chǔ)系統(tǒng)。

這種錯(cuò)配會(huì)產(chǎn)生級(jí)聯(lián)效應(yīng)：

• GPU閑置：存儲(chǔ)吞吐量跟不上計(jì)算速度，昂貴的GPU只能空轉(zhuǎn)等待數(shù)據(jù)。

• 成本飆升：訓(xùn)練是一種投資，每一小時(shí)的停滯都在推遲價(jià)值實(shí)現(xiàn)。

• 模型重訓(xùn)：數(shù)據(jù)一旦損壞或丟失，往往意味著從頭再來(lái)，帶來(lái)巨額的意外成本。

  
  

02 可靠性危機(jī)：AI不能承受之重

對(duì)于大模型訓(xùn)練而言，可靠性（Reliability）不僅僅是一個(gè)技術(shù)指標(biāo)，它是生存指標(biāo)。

Gartner發(fā)出嚴(yán)厲警告：“到2026年，組織將放棄60%以上沒(méi)有得到AI就緒數(shù)據(jù)支撐的AI項(xiàng)目?！?/strong>

為什么？因?yàn)閭鹘y(tǒng)存儲(chǔ)依賴的本地RAID或雙機(jī)熱備（HA-pair）架構(gòu)，只能應(yīng)對(duì)小規(guī)模故障。在AI這種海量數(shù)據(jù)、超大規(guī)模并發(fā)的場(chǎng)景下，它們顯得捉襟見(jiàn)肘。

劣質(zhì)數(shù)據(jù)每年已令單家企業(yè)損失1290萬(wàn)–1500萬(wàn)美元，管道故障則每小時(shí)造成約30萬(wàn)美元的洞察力損失。

03 破局之道：以AI的速度重構(gòu)存儲(chǔ)

要解決這個(gè)問(wèn)題，修修補(bǔ)補(bǔ)已經(jīng)不夠了。AI需要原生高性能、專為AI設(shè)計(jì)的存儲(chǔ)系統(tǒng)。

3.1 架構(gòu)革新：從RAID到糾刪碼

現(xiàn)代設(shè)計(jì)必須利用多級(jí)糾刪碼（Erasure Coding）和無(wú)共享架構(gòu)（Shared-nothing）。即使多個(gè)節(jié)點(diǎn)同時(shí)故障，也能確保數(shù)據(jù)完整且業(yè)務(wù)不中斷，提供集群范圍的容錯(cuò)能力。

3.2 性能與成本的平衡：混合架構(gòu)

采用閃存+磁盤的混合架構(gòu)：將高性能數(shù)據(jù)保留在閃存上，確保GPU“吃得飽”；將不太關(guān)鍵的信息分層到低成本介質(zhì)上，確保預(yù)算“受得了”。

3.3 運(yùn)營(yíng)自動(dòng)化

在臟數(shù)據(jù)進(jìn)入AI管道前，通過(guò)自動(dòng)完整性檢查發(fā)現(xiàn)并隔離；通過(guò)定期恢復(fù)演練，確保在災(zāi)難發(fā)生時(shí)能迅速回血。

結(jié)語(yǔ)

不要有任何誤解，高性能存儲(chǔ)不僅僅是錦上添花，它是AI基礎(chǔ)設(shè)施的地基。

如果你的存儲(chǔ)系統(tǒng)還停留在“通用計(jì)算時(shí)代”，那么你的AI項(xiàng)目可能還沒(méi)起跑就已經(jīng)輸了。在AI時(shí)代，沒(méi)有更快、更可靠的數(shù)據(jù)系統(tǒng)，再?gòu)?qiáng)大的GPU也會(huì)閑置。

原文：AI如何重塑計(jì)算與存儲(chǔ)的根基

AI工作負(fù)載正在打破傳統(tǒng)的存儲(chǔ)方式，如果沒(méi)有更快、更可靠的數(shù)據(jù)系統(tǒng)，再?gòu)?qiáng)大的GPU也會(huì)閑置。

圖源：Credit: optimarc/Shutterstock

如果黃仁勛所言非虛——通用計(jì)算時(shí)代正走向終結(jié)——那么我們正在見(jiàn)證一場(chǎng)堪比兩百年前“馬力”向“蒸汽”躍遷的深刻變革。

這場(chǎng)新革命的核心在于AI和數(shù)據(jù)基礎(chǔ)設(shè)施領(lǐng)域的交匯發(fā)展：前所未有的計(jì)算能力正試圖與同樣極致的速度、可靠性和規(guī)模需求對(duì)齊。

AI通過(guò)創(chuàng)造史上數(shù)據(jù)最密集的工作負(fù)載，徹底重塑企業(yè)基礎(chǔ)設(shè)施。全球數(shù)據(jù)中心擴(kuò)容的天價(jià)投資證明了這一點(diǎn)：Meta最新公布的6000億美元計(jì)劃只是眾多公告之一。今年4月，麥肯錫曾估算“為跟上算力需求”需投入7萬(wàn)億美元；若AI勢(shì)頭不減，這個(gè)數(shù)字還可能上調(diào)。

這對(duì)數(shù)據(jù)存儲(chǔ)帶來(lái)根本沖擊——傳統(tǒng)的存儲(chǔ)是為像數(shù)據(jù)庫(kù)和虛擬化這樣的可預(yù)測(cè)的順序工作負(fù)載而設(shè)計(jì)的，而AI讓成千上萬(wàn)的GPU線程以并行、隨機(jī)、高吞吐的方式同時(shí)轟擊系統(tǒng)。

這種性能問(wèn)題會(huì)在基礎(chǔ)設(shè)施組件之間產(chǎn)生級(jí)聯(lián)效應(yīng)。當(dāng)存儲(chǔ)無(wú)法跟上時(shí)，GPU會(huì)閑置，訓(xùn)練周期停滯，總體成本上升。每個(gè)小時(shí)的GPU缺乏都會(huì)延遲投資回報(bào)，因?yàn)橛?xùn)練是一種投資，停滯或低效的周期會(huì)推遲價(jià)值實(shí)現(xiàn)的時(shí)間。風(fēng)險(xiǎn)還不止于此：數(shù)據(jù)一旦損壞或丟失，往往需重訓(xùn)整個(gè)模型，這會(huì)帶來(lái)巨額意外成本。影響甚至延伸到推理階段——推理是變現(xiàn)環(huán)節(jié)，緩慢或不穩(wěn)定的數(shù)據(jù)管道會(huì)直接削減AI應(yīng)用的商業(yè)回報(bào)。為應(yīng)對(duì)這一問(wèn)題，傳統(tǒng)廠商正在嘗試改造現(xiàn)有架構(gòu)以滿足AI需求，但多數(shù)設(shè)計(jì)仍受限于性能與擴(kuò)展性。

破局之道，始于一條共識(shí)：AI需要原生高性能、專為AI設(shè)計(jì)的存儲(chǔ)系統(tǒng)。

一、可靠性101

這些性能壓力也暴露出一個(gè)更根本的問(wèn)題——可靠性。大模型訓(xùn)練依賴對(duì)數(shù)據(jù)的不間斷訪問(wèn)，任何中斷——無(wú)論是元數(shù)據(jù)服務(wù)器故障、數(shù)據(jù)損壞還是其他意外，都會(huì)顯著影響生產(chǎn)力并損害結(jié)果。

事實(shí)上，可靠性不僅僅是單一的指標(biāo)；而是耐久性、可用性和可恢復(fù)性的乘積。這些是至關(guān)重要的問(wèn)題，因?yàn)楸３诌B續(xù)運(yùn)營(yíng)和數(shù)據(jù)完整性的能力不僅僅是技術(shù)保障，它決定了AI投資是否真正帶來(lái)價(jià)值。

問(wèn)題在于，許多傳統(tǒng)系統(tǒng)仍然依賴本地RAID或HA-pair架構(gòu)，這可以防止小規(guī)模故障，但在AI規(guī)模上卻無(wú)法應(yīng)對(duì)。相比之下，現(xiàn)代設(shè)計(jì)利用多級(jí)糾刪碼和無(wú)共享架構(gòu)來(lái)提供集群范圍的容錯(cuò)能力，即使在多個(gè)同時(shí)故障的情況下也能確保持續(xù)的正常運(yùn)行時(shí)間。

遺留問(wèn)題的連鎖反應(yīng)是巨大的，Gartner警告稱：“到2026年，組織將放棄60%以上沒(méi)有得到AI就緒數(shù)據(jù)支撐的AI項(xiàng)目。”更糟糕的是，劣質(zhì)數(shù)據(jù)每年已令單家企業(yè)損失1290–1500萬(wàn)美元，管道故障則每小時(shí)造成約30萬(wàn)美元的洞察力損失和SLA的錯(cuò)過(guò)。

二、以AI速度運(yùn)行的存儲(chǔ)

要構(gòu)建AI系統(tǒng)所需的可靠性，必須從技術(shù)和運(yùn)營(yíng)架構(gòu)層面徹底重新思考。例如，彈性能力必須在一開(kāi)始就內(nèi)嵌，而不是等應(yīng)用更迭后再對(duì)舊存儲(chǔ)產(chǎn)品進(jìn)行事后添加。

在技術(shù)層面，多級(jí)糾刪碼這類現(xiàn)代分布式數(shù)據(jù)保護(hù)機(jī)制將取代傳統(tǒng)RAID的有限容錯(cuò)能力，提供跨多個(gè)節(jié)點(diǎn)的保護(hù)，即使多個(gè)組件同時(shí)失效，也能確保數(shù)據(jù)的完整性。

同時(shí)，閃存+磁盤的混合架構(gòu)通過(guò)將高性能數(shù)據(jù)保留在閃存上，將不太關(guān)鍵的信息分層到成本較低的介質(zhì)上，兼顧性能與成本。模塊化、無(wú)共享設(shè)計(jì)則消除單點(diǎn)故障，只需添加標(biāo)準(zhǔn)服務(wù)器節(jié)點(diǎn)即可線性擴(kuò)展性能，無(wú)需專有硬件。

運(yùn)營(yíng)層面同樣關(guān)鍵：例如，自動(dòng)數(shù)據(jù)完整性檢查可在損壞數(shù)據(jù)進(jìn)入AI管道前發(fā)現(xiàn)并隔離；定期恢復(fù)演練確?；謴?fù)過(guò)程在AI生產(chǎn)所需的嚴(yán)格時(shí)間范圍內(nèi)正常工作。將這些技術(shù)層和操作層與治理和合規(guī)框架對(duì)齊，可以最小化技術(shù)和監(jiān)管風(fēng)險(xiǎn)。

不要有任何誤解，這些功能不僅僅是錦上添花，而是設(shè)計(jì)AI基礎(chǔ)設(shè)施的基本要素。不可避免的是，AI工作負(fù)載和數(shù)據(jù)集將繼續(xù)擴(kuò)展，存儲(chǔ)架構(gòu)必須模塊化、廠商中立，才能在無(wú)需整體替換的前提下實(shí)現(xiàn)容量與性能的平滑升級(jí)。

作者：Ken Claffey（肯·克拉菲）

譯者：木青 ? ?編審：@lex