0
| 本文作者： 楊依婷 | 2026-04-30 09:51 |
2025年，AI算力進(jìn)入深水區(qū)。
一邊是需求持續(xù)外溢：大模型訓(xùn)練規(guī)模仍在擴(kuò)張，推理請(qǐng)求呈指數(shù)級(jí)增長(zhǎng)，數(shù)據(jù)中心的投資未見降溫；另一邊，是一系列隱性的制約正逐漸浮出水面——算力利用率始終在低處徘徊，系統(tǒng)抖動(dòng)頻發(fā)，集群效率難以維持穩(wěn)定。
行業(yè)逐漸意識(shí)到，瓶頸并不總出現(xiàn)在“算力”本身。很多時(shí)候，問題卡在“數(shù)據(jù)”這一環(huán)。
當(dāng)計(jì)算集群規(guī)模擴(kuò)大到萬卡級(jí)別，任何一個(gè)環(huán)節(jié)的延遲波動(dòng)，都會(huì)被放大為整體性能問題。一些云服務(wù)的宕機(jī)事件，表面上是調(diào)度算法失效，深層原因卻是數(shù)據(jù)供給與計(jì)算節(jié)奏之間的錯(cuò)位——數(shù)據(jù)來不及被組織、搬運(yùn)、分發(fā)，算力只能在空轉(zhuǎn)中等待。
這讓一個(gè)長(zhǎng)期被視為基礎(chǔ)組件的領(lǐng)域，重新進(jìn)入核心視野：存儲(chǔ)。
過去，存儲(chǔ)的任務(wù)是解決“存得下”；而在AI時(shí)代，它開始決定“算得快不快”。
正是在這一背景下，“AI SSD”應(yīng)運(yùn)而生，幾乎所有主流存儲(chǔ)廠商，都在嘗試交出自己的答卷。
但問題也隨之而來——當(dāng)整個(gè)行業(yè)都在做AI SSD時(shí)，什么才是真正有效的改進(jìn)？存儲(chǔ)，究竟需要為AI改變什么？
帶著這些問題，我們與英韌科技董事長(zhǎng)吳子寧博士進(jìn)行了一次對(duì)話。他沒有急于回答，而是先講起了一個(gè)二十多年前的故事。
（本文作者長(zhǎng)期關(guān)注存儲(chǔ)行業(yè)，對(duì)周期波動(dòng)與企業(yè)分化有持續(xù)追蹤，歡迎添加微信 EATINGNTAE 交流探討。）
技術(shù)史，并不是一條筆直向前的曲線，而更像是一連串不斷被推翻、被修正、再重建的嘗試。吳子寧博士用一個(gè)故事，解釋了這種平衡如何被打破、又如何重建。
2001年，蘋果發(fā)布iPod，那款音樂播放器采用了一項(xiàng)當(dāng)時(shí)頗具突破性的設(shè)計(jì)——把機(jī)械硬盤縮到火柴盒大小，實(shí)現(xiàn)了5GB的存儲(chǔ)容量。而在同一時(shí)期，主流MP3播放器普遍僅配備64MB或128MB的閃存。
蘋果首先顛覆了人們對(duì)音樂播放器的認(rèn)知。吳子寧博士回憶道，“用戶不再需要頻繁管理音樂文件，而是可以將整個(gè)音樂庫(kù)隨身攜帶?！?/p>
這一變化迅速在產(chǎn)業(yè)鏈中引發(fā)連鎖反應(yīng)。多家硬盤廠商將小尺寸機(jī)械硬盤視為新的增長(zhǎng)方向，投入大量資源進(jìn)行研發(fā)。然而不久之后，另一項(xiàng)技術(shù)路徑開始加速演進(jìn)——閃存技術(shù)快速迭代，容量飛速發(fā)展。蘋果隨即推出基于全閃存的iPod，盡管入門容量?jī)H為1GB，但憑借小型化和便利性，很快在市場(chǎng)上超越了機(jī)械硬盤版本。
很多存儲(chǔ)公司投入大量資源研發(fā)小尺寸機(jī)械硬盤，都因?yàn)樾录夹g(shù)的出現(xiàn)受到了巨大的沖擊。
彼時(shí)，吳子寧博士正任職于Marvell，而Marvell正是業(yè)界最早全面投入閃存固態(tài)硬盤解決方案的公司之一。這一經(jīng)歷在他心中形成了一個(gè)重要判斷：技術(shù)持續(xù)演進(jìn)是常態(tài)，短周期內(nèi)會(huì)有漸進(jìn)式創(chuàng)新，而在更長(zhǎng)周期內(nèi)，則可能出現(xiàn)顛覆性變革。能否準(zhǔn)確把握技術(shù)與市場(chǎng)趨勢(shì)，并據(jù)此做出前瞻性決策，至關(guān)重要。
2016年創(chuàng)辦英韌科技時(shí)，他已經(jīng)觀察到兩個(gè)關(guān)鍵趨勢(shì)的疊加。
“一邊是數(shù)據(jù)需求在爆發(fā)，而且是長(zhǎng)期趨勢(shì)；另一邊是存儲(chǔ)介質(zhì)正在從機(jī)械硬盤向固態(tài)硬盤遷移?！彼f，“當(dāng)需求和技術(shù)同時(shí)發(fā)生變化，就會(huì)出現(xiàn)一個(gè)很典型的機(jī)會(huì)窗口?！?/p>
而在AI驅(qū)動(dòng)的新一輪數(shù)據(jù)浪潮之下，這一“判斷能力”的重要性再次被放大——面對(duì)全新的計(jì)算范式，存儲(chǔ)系統(tǒng)應(yīng)當(dāng)如何演進(jìn)？
據(jù)DESIGNRUSH估計(jì)，2025年實(shí)際數(shù)據(jù)量約為173.4ZB，而2026年全年數(shù)據(jù)生成量預(yù)計(jì)在230ZB至240ZB之間，到了2029年，該數(shù)字預(yù)計(jì)將達(dá)到527.5ZB。
作為IT基礎(chǔ)設(shè)施三大核心支柱之一，存儲(chǔ)在半導(dǎo)體市場(chǎng)中占比約為20%至30%，但在AI時(shí)代，這一“支柱”正承受前所未有的壓力。
這種壓力主要體現(xiàn)在三個(gè)方面。
第一，數(shù)據(jù)形態(tài)正在改變。傳統(tǒng)數(shù)據(jù)通常具備明確的冷熱分層：熱數(shù)據(jù)駐留內(nèi)存，溫?cái)?shù)據(jù)進(jìn)入SSD，冷數(shù)據(jù)則歸檔至機(jī)械硬盤。然而在AI訓(xùn)練與推理過程中，數(shù)據(jù)呈現(xiàn)出高頻交互特征——大模型訓(xùn)練需要持續(xù)吞吐海量數(shù)據(jù)，推理階段涉及大量中間狀態(tài)的頻繁訪問，而向量檢索則帶來高比例的小塊隨機(jī)讀寫。數(shù)據(jù)不再嚴(yán)格遵循既有分層結(jié)構(gòu)。
第二，應(yīng)用場(chǎng)景高度分化，基礎(chǔ)大模型正在向行業(yè)大模型演進(jìn)。銀行的風(fēng)控?cái)?shù)據(jù)、車企的自動(dòng)駕駛數(shù)據(jù)、醫(yī)學(xué)影像系統(tǒng)數(shù)據(jù)，每個(gè)場(chǎng)景對(duì)存儲(chǔ)的要求都不一樣：有的需要超高吞吐，有的需要極低延遲，有的需要在邊緣節(jié)點(diǎn)上實(shí)現(xiàn)高密度數(shù)據(jù)處理。
第三，系統(tǒng)容忍度顯著降低。當(dāng)計(jì)算集群擴(kuò)展至萬卡級(jí)規(guī)模時(shí)，任一環(huán)節(jié)的性能波動(dòng)都可能拖慢整體訓(xùn)練效率。與此同時(shí)，邊緣側(cè)原本受限的內(nèi)存帶寬，還需匹配接近GPU級(jí)別的計(jì)算能力。存儲(chǔ)不再只是數(shù)據(jù)的承載介質(zhì)，而成為影響數(shù)據(jù)流動(dòng)效率、進(jìn)而決定訓(xùn)練與推理性能的關(guān)鍵因素。
在他看來，這種變化的根源，在于計(jì)算體系中心的遷移。
“過去是CPU在做調(diào)度，GPU只是執(zhí)行單元；但現(xiàn)在，在AI系統(tǒng)里，GPU本身開始承擔(dān)調(diào)度角色?！彼f，“如果數(shù)據(jù)還要經(jīng)過CPU中轉(zhuǎn)，就相當(dāng)于在兩條高速公路之間接了一座很窄的橋，這個(gè)環(huán)節(jié)會(huì)成為瓶頸?！?/p>
吳子寧博士用一個(gè)形象的比喻來說明這一變化：“一輛車即使最高速度很高，如果大部分時(shí)間處于等待狀態(tài)，發(fā)動(dòng)機(jī)空轉(zhuǎn)，那么它的實(shí)際效率依然很低。”
在AI計(jì)算體系中，“等待”正成為日益突出的瓶頸。計(jì)算單元具備極高的算力，但數(shù)據(jù)往往滯留在存儲(chǔ)側(cè)——如果無法被高效調(diào)度至計(jì)算單元，就會(huì)導(dǎo)致算力資源閑置與浪費(fèi)。
“存儲(chǔ)不僅要完成數(shù)據(jù)的持久化，還需要具備對(duì)數(shù)據(jù)進(jìn)行高效組織與調(diào)度的能力?！眳亲訉幉┦恐赋?，“我們已經(jīng)開始探索，在存儲(chǔ)側(cè)引入更智能的控制機(jī)制，對(duì)數(shù)據(jù)布局與訪問路徑進(jìn)行優(yōu)化。”
這一思路指向一個(gè)明確方向：存儲(chǔ)系統(tǒng)需要針對(duì)AI負(fù)載進(jìn)行系統(tǒng)性優(yōu)化。
過去幾年，行業(yè)已展開多路徑探索。例如，通過優(yōu)化固件與FTL（Flash Translation Layer）算法，使SSD在高并發(fā)場(chǎng)景下保持穩(wěn)定的延遲分布；通過重構(gòu)主控架構(gòu)，提升數(shù)據(jù)調(diào)度效率；以及借助CXL（Compute Express Link）協(xié)議擴(kuò)展內(nèi)存語(yǔ)義，使閃存在特定場(chǎng)景中承擔(dān)部分內(nèi)存功能。
這些技術(shù)路徑最終匯聚為一個(gè)共同的產(chǎn)品方向——AI SSD，這是整個(gè)行業(yè)對(duì)同一核心問題的多元回應(yīng)：當(dāng)計(jì)算范式發(fā)生變化，存儲(chǔ)體系如何協(xié)同演進(jìn)？
在吳子寧博士看來，一項(xiàng)技術(shù)是否值得投入，可以從三個(gè)維度判斷：技術(shù)合理性、商業(yè)可行性與生態(tài)兼容性。
以此衡量AI SSD，其可行性便清晰起來——
技術(shù)層面，AI負(fù)載對(duì)存儲(chǔ)提出了傳統(tǒng)SSD難以滿足的新要求，針對(duì)性優(yōu)化是解決“算力等數(shù)據(jù)”痛點(diǎn)的必要路徑；
商業(yè)層面，AI SSD在成熟閃存與主控技術(shù)基礎(chǔ)上演進(jìn)，能夠復(fù)用現(xiàn)有供應(yīng)鏈，具備大規(guī)模部署的成本基礎(chǔ)；
生態(tài)層面，它延續(xù)PCIe/NVMe等標(biāo)準(zhǔn)接口與協(xié)議，與現(xiàn)有計(jì)算體系保持兼容，能夠被平滑接納。
從這個(gè)角度看，AI SSD的出現(xiàn)具有內(nèi)在必然性——它并非對(duì)現(xiàn)有體系的顛覆，而是在既有架構(gòu)基礎(chǔ)上，針對(duì)新型負(fù)載特征進(jìn)行的系統(tǒng)性優(yōu)化。
正如當(dāng)年閃存逐步取代小尺寸機(jī)械硬盤——技術(shù)進(jìn)步提供了替代能力，而應(yīng)用需求則明確了替代方向。
在這一過程中，能夠深入理解AI負(fù)載特征，并據(jù)此構(gòu)建差異化存儲(chǔ)方案的廠商，將更有可能在下一輪系統(tǒng)級(jí)重構(gòu)中占據(jù)有利位置。
2025年，這場(chǎng)“系統(tǒng)重排”已經(jīng)拉開序幕。
從鎧俠公布AI SSD中長(zhǎng)期路線圖，到三星、海力士、美光陸續(xù)推出針對(duì)AI場(chǎng)景優(yōu)化的超高速顆粒產(chǎn)品；從FMS存儲(chǔ)峰會(huì)上多家廠商的同臺(tái)競(jìng)技，到華為在上海發(fā)布“AI SSD，加速智能經(jīng)濟(jì)涌現(xiàn)”——幾乎在同一時(shí)間點(diǎn)上，全球主要存儲(chǔ)廠商都在朝同一個(gè)方向發(fā)力。
當(dāng)“AI SSD”成為行業(yè)共識(shí)，英韌必須回答一個(gè)更具體的問題：差異化路徑何在？
在英韌內(nèi)部，對(duì)這個(gè)問題的思考始于對(duì)AI負(fù)載的拆解。AI并非單一應(yīng)用，而是一組差異顯著的計(jì)算任務(wù)，大致可以歸納為三類典型負(fù)載形態(tài)。
第一種是訓(xùn)練。大模型訓(xùn)練的特征是持續(xù)、穩(wěn)定且高帶寬的數(shù)據(jù)流動(dòng)，樣本被反復(fù)讀取、重排與迭代，這個(gè)場(chǎng)景對(duì)順序吞吐能力高度敏感，但對(duì)極端微秒級(jí)延遲的要求相對(duì)次要。穩(wěn)定的大規(guī)模供給，比瞬時(shí)極限性能更重要。
第二種是推理，這是變化最劇烈的部分。推理階段的數(shù)據(jù)訪問呈現(xiàn)高度碎片化特征，包括大量小塊隨機(jī)讀寫、KV Cache頻繁交換以及向量索引調(diào)用。此時(shí)，存儲(chǔ)從“批量搬運(yùn)”轉(zhuǎn)變?yōu)椤皩?shí)時(shí)響應(yīng)”，系統(tǒng)性能對(duì)尾延遲高度敏感，一旦尾延遲失控，將直接影響整體服務(wù)質(zhì)量。
第三種是數(shù)據(jù)歸集與管理。隨著模型規(guī)模擴(kuò)大，數(shù)據(jù)留存、分層與生命周期管理成為剛性需求。該場(chǎng)景對(duì)延遲的要求相對(duì)寬松，但對(duì)容量密度與單位成本極為敏感，需要在規(guī)模與成本之間取得平衡。
這三類負(fù)載之間，并不存在一個(gè)能夠同時(shí)最優(yōu)覆蓋的統(tǒng)一設(shè)計(jì)方案。
因此，英韌的策略是針對(duì)不同負(fù)載特征，設(shè)計(jì)具備差異化能力的主控架構(gòu)與產(chǎn)品組合。
在通用訓(xùn)練場(chǎng)景中，采用TLC NAND的“洞庭-N3”更強(qiáng)調(diào)帶寬與穩(wěn)定性的平衡，順序讀取帶寬在14.5GB/s以上，隨機(jī)讀取能力約3.4M IOPS，適合作為訓(xùn)練集群中的常規(guī)數(shù)據(jù)層。
針對(duì)容量敏感型場(chǎng)景，則引入基于QLC NAND的“洞庭-N3Q”。在更高存儲(chǔ)密度的前提下，通過控制器與糾錯(cuò)機(jī)制優(yōu)化，將單盤容量提升至64TB，同時(shí)維持超過14GB/s的順序讀取水平，用于降低單位容量成本。
而在對(duì)響應(yīng)時(shí)間更敏感的推理側(cè)，則采用“洞庭-N3X”這一低時(shí)延方案。該產(chǎn)品結(jié)合XL-Flash與SLC NAND，在隨機(jī)訪問下可實(shí)現(xiàn)約13微秒讀取延遲、4微秒寫入延遲，隨機(jī)讀取性能超過3.5M IOPS，隨機(jī)寫入性能可達(dá)1.6M IOPS，且具備最高100 DWPD的耐用性，更適合高并發(fā)、小請(qǐng)求場(chǎng)景。
該產(chǎn)品的實(shí)際表現(xiàn)，近期已獲得第三方測(cè)試驗(yàn)證。
英韌的洞庭-N3X參加了ODCC AI存儲(chǔ)實(shí)驗(yàn)室“面向AI推理場(chǎng)景KV Cache的數(shù)據(jù)存儲(chǔ)測(cè)試項(xiàng)目”，SSD能支持GPU Direct Storage (GDS)，采用GPU直接調(diào)度的方式，構(gòu)建“以存代算”的第三級(jí)緩存。
實(shí)測(cè)數(shù)據(jù)顯示：采用英韌科技AI SSD(洞庭-N3X)后，能夠有效打破“內(nèi)存墻”，讓數(shù)據(jù)更快供給 GPU，H20平臺(tái)的系統(tǒng)吞吐量提升約12倍，RTX 6000D平臺(tái)的系統(tǒng)吞吐量提升約20倍。在10K輸入長(zhǎng)度下，原生架構(gòu)由于需要重新計(jì)算或處理顯存溢出，存在一定延遲，但采用N3X后，首Token延遲可從數(shù)秒級(jí)縮短至毫秒級(jí)。隨著輸入長(zhǎng)度從100 tokens增加到100K tokens，存儲(chǔ)壓力呈線性甚至指數(shù)級(jí)增長(zhǎng)，而輸入文本越長(zhǎng)，N3X對(duì)系統(tǒng)換入換出效率的提升效果越明顯。
這一結(jié)果表明：當(dāng)AI負(fù)載規(guī)?？缭教囟ㄩ撝岛螅鎯?chǔ)將從輔助角色轉(zhuǎn)變?yōu)殛P(guān)鍵性能變量；而針對(duì)推理場(chǎng)景深度優(yōu)化的AI SSD，可以顯著改變系統(tǒng)整體效率。
在英韌看來，這三類產(chǎn)品的劃分并非傳統(tǒng)意義上的“高、中、低端”區(qū)隔，而是對(duì)不同數(shù)據(jù)訪問模式的針對(duì)性響應(yīng)，是基于負(fù)載模型推導(dǎo)的工程結(jié)果，而非簡(jiǎn)單的參數(shù)堆疊。
真正的挑戰(zhàn)，在于如何在系統(tǒng)層面實(shí)現(xiàn)這些差異化能力的協(xié)同。
隨著接口標(biāo)準(zhǔn)持續(xù)演進(jìn)——從PCIe 4.0到5.0，并邁向即將到來的6.0——SSD不僅需要提升物理帶寬能力，更需要同步增強(qiáng)主控的并發(fā)調(diào)度與隊(duì)列管理能力。否則，底層介質(zhì)性能的提升將難以轉(zhuǎn)化為系統(tǒng)級(jí)收益。
“必須抓住每一代接口升級(jí)的窗口期?！眳亲訉幉┦恳矎?qiáng)調(diào)，更具挑戰(zhàn)性的部分在于內(nèi)部架構(gòu)的重構(gòu)：在高并發(fā)場(chǎng)景下如何避免隊(duì)列阻塞？如何有效控制尾延遲？如何在不同介質(zhì)特性之間實(shí)現(xiàn)負(fù)載均衡？
這些問題，最終都指向一個(gè)具體的性能目標(biāo)。
“要把吞吐量從現(xiàn)在的300萬IOPS，在兩年后提升至1億IOPS，這相當(dāng)于接近兩個(gè)數(shù)量級(jí)的躍升?！眳亲訉幉┦窟M(jìn)一步闡釋道，“單靠更先進(jìn)的芯片制程，無法支撐這一量級(jí)的性能跨越，關(guān)鍵在于架構(gòu)層面的重構(gòu)。我們需要在數(shù)據(jù)調(diào)度路徑上實(shí)現(xiàn)更精細(xì)的優(yōu)化與更高的效率，推動(dòng)介質(zhì)層與接口層之間的深度協(xié)同，將數(shù)據(jù)從存儲(chǔ)介質(zhì)到主機(jī)接口的整條通路壓縮至最短，從而在根本上降低訪問延遲。”
這些問題，構(gòu)成了AI SSD主控芯片的研發(fā)關(guān)鍵。
圍繞“內(nèi)部架構(gòu)重排”，英韌的探索正在延伸至下一代產(chǎn)品。
2026年，英韌計(jì)劃推出PCIe Gen6的新一代產(chǎn)品，將融合下一代NVMe與CXL雙協(xié)議，在帶寬實(shí)現(xiàn)翻倍的同時(shí)，512B隨機(jī)讀取性能有望達(dá)到千萬IOPS量級(jí)。
其中，CXL（Compute Express Link）尤為關(guān)鍵。該協(xié)議通過引入內(nèi)存語(yǔ)義，實(shí)現(xiàn)高速互聯(lián)，構(gòu)建更大的存儲(chǔ)池。從更廣義角度看，這一方向正指向“存算一體”的演進(jìn)路徑——即更高效地將數(shù)據(jù)從存儲(chǔ)側(cè)調(diào)度至計(jì)算側(cè)。
“這不僅是硬件問題，軟件體系同樣在同步演進(jìn)。”吳子寧博士指出。
與此同時(shí)，英韌也在和顆粒原廠開展更深度的合作——因?yàn)闊o論主控多強(qiáng)，沒有好的介質(zhì)配合，一切都無從談起。
從PCIe 3.0到5.0，再到即將到來的6.0；從TLC到QLC，再到XL-FLASH與SLC的協(xié)同；從單一的SSD主控，到NVMe與CXL雙協(xié)議的融合——英韌的技術(shù)路線，始終圍繞同一個(gè)核心問題展開：當(dāng)數(shù)據(jù)的調(diào)度和使用方式變了，存儲(chǔ)該如何重新設(shè)計(jì)？
對(duì)于英韌當(dāng)前的產(chǎn)品方向，吳子寧博士在對(duì)話中表示：“大方向需要通過經(jīng)驗(yàn)與市場(chǎng)反饋來校準(zhǔn)，避免戰(zhàn)略性錯(cuò)誤；而在具體路徑上，則必須持續(xù)迭代與修正。”
這個(gè)態(tài)度，或許比任何產(chǎn)品參數(shù)都更能說明問題——在AI帶來的新一輪“系統(tǒng)重排”中，沒有人能預(yù)知終點(diǎn)。唯一能做的，是在變化中不斷調(diào)整自己的位置。
（本文作者長(zhǎng)期關(guān)注存儲(chǔ)行業(yè)，對(duì)周期波動(dòng)與企業(yè)分化有持續(xù)追蹤，歡迎添加微信 EATINGNTAE 交流探討。）
雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))雷峰網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
