恒运资本对话曙光存储何振：中国AI的最大瓶颈，可能不全在GPU身上

恒运资本

　　经济观察报记者郑晨烨

　　近日，中科曙光（603019）存储科技有限公司(下称“曙光存储”)联合中国移动（600941）研究院，正式发布了面向“东数西算”的存算一体化调度平台，其目标是解决“东数西算”工程中的一个具体难题——存放在西部的数据，东部的算力用不上、用不好，数据调度效率低下。

　　这一合作的背后，是中国AI投资领域一个特殊的现状：曙光存储副总裁张新凤在与记者的交流中介绍，国内市场在算力与存力上的投资配比约为40:1，而国外市场这一数字通常在10:1之内。

　　巨大的投资倾斜于以GPU为代表的算力，但效率的瓶颈却出现在了另一端。

　　“存储无论在哪个层面都是瓶颈，”曙光存储总裁何振对经济观察报记者表示，“数据跟不上，我们前面跑得再快都没有用。”在何振看来，这种因数据流转不畅导致的“算力空等”，代价是昂贵的。其团队测算，在存力上每投入1元，或可为算力节省10元成本。

　　解决这一效率问题，需要深厚的技术能力，而该领域曾长期由国外厂商主导，国内厂商具备提供解决方案的能力，是近些年才发生的变化。中科曙光(603019.SH)旗下的曙光存储，是其中的一家国内厂商，经过21年的研发投入，按照其总裁何振的说法，该公司已经走完了一个从研发是“负担”到研发是“护城河”的阶段。当市场环境变化，原先的国外厂商逐步退出，这使得曙光存储有机会凭借其技术积累直接面向市场，其集中式存储产品，近年在SPC-1国际基准评测(一项国际公认的存储性能权威测试)中，性能排名全球第一。

　　这种从追赶到提供解决方案的角色变化，也反映了中国科技产业格局的变迁。8月1日，围绕中国存储及AI产业的现状、瓶颈与未来，经济观察报与曙光存储总裁何振展开了对话。

　　|对话|

　　 AI基建的三大难题

　　经济观察报：当前行业在AI算力上投入巨大，但你似乎认为，真正的瓶颈并不在算力本身，而是在更基础的数据层面，具体是指什么？

　　何振：我们现在能看到，无论是国外的英伟达还是国内的一众AI芯片厂商，大家都在追求每秒钟提供多少算力。其实他们假定数据可以持续地喂给GPU卡，这个实际上是一个很有挑战的事儿。

　　全国一体化大数据中心的建设这个大课题，最近几年我们一直在和运营商合作。其中我们主要发挥的作用，是通过他们把这些数据中心连通以后，构建一个全网数据统一管理、跨域流动的大的基础设施。曙光存储截至今年，已经做了20多年了，针对以往的数据中心采用传统的分布式文件系统，要想实现存得下、流得动、用得好恒运资本，还是要解决以下几个问题。

　　第一，数据看不全的问题。现在的数据中心都是存在一个壁垒里面，相互之间数据是不通的，同时每一个数据中心里面采用的不同厂家的系统又不兼容，导致数据很难统一管理，形成统一的目录。所以对企业来说，这是看不全的。

　　第二，理不顺。我们一直说现在的数据，不管是从上百TB(计算机存储容量单位，1TB等于1024GB)或者上千TB，特别是随着AI技术的发展，对这些数据的价值如何深度和快速的定位，以及数据跨域之间如何可以快速地流通，这是我们目前面临最重要的问题。

　　第三个问题，是我们一直提到的数据用不好。在“东数西存”的战略下，把一些冷的数据存到西部，热的数据跟算力中心离得近一些。当然这个过程是在传统数据中心里面一直没有解决的问题，数据存那以后，我存到西部，东部的一些业务系统调用这个数据的话，延迟比较长，比较慢，所以这也是我们一直说用得不好的主要原因。就是使用的感受不是很好。

　　经济观察报：你认为存储是瓶颈，但这似乎与行业当下“大力出奇迹”的算力竞赛相悖，为什么会出现这种情况？

　　何振：围绕着人工智能市场的发展，这两年提出来的是性能，我们要追求更高的天花板。因为传统的系统里面，我们可以看到，整个IT系统建设，底层是存储，中层是网络，再上面是计算，再往外就是我们的各种移动终端和最终用户。这三层建设里面，存储无论在哪个层面都是瓶颈。

　　 AI芯片厂商都在追求每秒钟提供多少算力，他们假定数据可以持续地喂给GPU卡，这个实际上是一个很有挑战的事儿。一方面，网络本身要非常强大，现在，200G、400G乃至800G带宽的高速网卡，已经应用到服务器上；另一方面，这些原始数据所在的存储平台，是不是能支撑？

　　这就是我们说的IOPS(每秒读写操作次数)，带宽，单流的带宽，这个层面的挑战越来越大。因为前面的算力，无论是英伟达为主的，还是国内的一众厂商，大家都在追求这件事儿，存储要跟得上才能不拖后腿。永远会有一个存储瓶颈，达到天花板的时候，前面跑得再快都没有用，因为数据跟不上。

　　经济观察报：这些存在于底层的数据难题，在具体的商业场景中如何体现，AI的出现又带来了哪些新变化？

　　何振：这些问题是一直存在的。比如自动驾驶，路测车每天每辆车是几TB到十几TB的数据，这些采集的数据，首先会集中到一个中心处理，然后进行脱敏、标注，再到数据训练，是这么一个流程。以往我们的用户需要买不同厂家、不同类型的存储，每个数据处理完了以后，还要把数据挪到下一个存储里面去，这些过程对于用户的投资，还有数据流动的效率，都是非常大的挑战。

　　到了AI时代，这个问题就更严重了。比如大数据的训练，对IOPS的性能要求提高了数十倍到百倍，这是大家可以感受到的变化。我们以前做大规模的存储系统，可能说几百Gb的带宽就很高了，现在基本是十几个TB。

　　经济观察报：与中国移动合作落地国家级战略，这个项目的契机是什么？

　　何振：我们做的这个平台是中国移动主动提出来的。这个方向我们之前，应该说是至少十年之前，我们都考虑过统一存储调度平台的事儿，因为存储要解决的问题就那几个方面：容量、性能、数据的流动。如果我们要解决数据流动的问题，做一个类似全球统一的空间，这是必然要走的路线。

　　但是我们也关注投入产出比，如果市场上没有看到有实际的需求，能把我们的投入转化为收益恒运资本，我们可能也就是做一些技术的预判，但是不会那么快投入。我们投入这个，确实是中国移动看到有具体的落地场景和需求了。

　　他们当时给我们提出这个事儿的背景有两个。第一个，移动自己有业务需要。他们从2020年开始就成为我们的客户，现在已经合作6年了。我们在中国移动上线了上千套的存储，分布在多个子公司和资源池。现在这么多的数据，到底有多少数据资产他们是不清楚的，因为都是数据存储的孤岛。

　　第二个问题，当时我们国家在提“东数西算”，希望把西部的能源资源优势充分利用起来。而像移动这样的运营商，他们的身份，是特别适合帮国家落地这个战略的。

　　他们为什么找到曙光存储？因为这个事情是比较复杂的，我们要跨异构、跨地域实现数据流动，这里面有很多问题需要解决。这是困扰很多厂商的问题，要解决这个问题，必须找一个有全栈技术自研沉淀的厂商才能做。

　　多年自研沉淀为护城河

　　经济观察报：在一个更看重“短平快”的商业环境中，曙光存储为什么会选择全栈自研路径？

　　何振：存储和其他产品不一样，是有一定技术门槛的。曙光存储成立到今年是整整21年，我们现在整个团队的规模大概是1千多人，在国内存储领域我们是排到第一或者第二的规模。我们一千多人里面，90%以上都是研发人员。

　　人工智能的市场，本身就是从高性能计算领域演化出来的，我们长期的技术积累，最终等来了两个变化。第一是(我们自身)厚积薄发到一定程度，优势就凸显了，形成了护城河；第二是中美科技领域的斗争越来越激烈，原来代表高性能的EMC(易安信，美国信息存储资讯公司)等等，已经全面地退出了中国的市场，这个时候我们的优势就凸显出来了，因为代码是自己写的，性能又不比他们差，所以我们的机会也就来了。

　　特别是像国内部分知名的头部厂商，他们原来都是基于国外的内核做了优化和调整，但是在国产化的浪潮下，或者是国内对于存储的安全性和数据安全越来越重视的情况下，他们的优势已经没有了，反而我们的自研变成了护城河，他们开始找我们合作，要我们的产品。

　　不管是我们的分布式产品，还是集中式产品，现在都已经领先于国外的任何一款产品了。特别是以集中式存储来说，我们的产品在今年的打榜中，以3千万的IOPS，0.202毫秒的延迟，登顶世界第一，打破了国外存储在性能上对我们一直碾压的势头。

　　我们现在的产品，性能上去了，但是成本也要比国外的便宜很多。为什么我们现在一直敢说曙光存储一定要成为中国的EMC？因为我们这么多年自研的沉淀，变成了护城河。

　　“存算协同”的技术进步

　　经济观察报：过去都说AI是“亿元投入”的游戏，现在这个门槛降低了吗？新的瓶颈又出现在哪里？

　　何振：2024年之前，我们做大模型的时候，做的都是大模型的训练，如果要建一个大模型训练平台，几亿元都有点少，基本是十几亿元，甚至几十亿元的投入。在这个时候确实是不太有企业或者客户具备这个能力来投入。

　　但是2024年DeepSeek出来以后，极大地降低了进入AI的门槛，从训练转到推理逻辑，这个对整体的算力和存力，要求都没那么高了。目前来说，到大数据推理应用的阶段，其实是国内自己有了更多的机会，也降低了大众接触AI的门槛。

　　但到了推理阶段，所面向的用户群体五花八门，随之而来的新瓶颈，就是隐私计算和可信计算的问题——这也是国家层面的明确要求。

　　实际上，数据安全是我们从一开始就考虑到的核心问题。在曙光存储的体系中，我们能做到数据的隔离、加密和校验。从架构上看，无论是底层的国产化芯片、中间的通讯链路，还是前端的网络接口，我们都实现了全链路的安全加密，能够随时对接国家的相关政策与安全标准。

　　未来随着人工智能在各行各业的进一步发展，信息安全将是所有用户都更加关注的问题。

　　经济观察报：要实现AI普惠，除了降低入口门槛，更关键的是要让AI用得起，从存储技术角度看，降低AI运行成本的关键是什么？

　　何振：对于我们做存储的厂商来说，最核心的一点，是提升GPU资源的利用率。我们不能让GPU等数据，要把数据以最短的路径运到离GPU最近、最快的介质上。

　　我们有一个测算，在存力上每投入一块钱，算力可以节约10块钱。这背后有一套完整的计算链路和数据可以支撑。

　　具体来说，我们针对这个做了很多事情。比如我们做了GDS(一项旨在优化GPU与存储设备之间数据传输效率的技术)，从存储到GPU的时候，不需要CPU和内存的参与，可以通过一个专门通道过去。目前我们支持国外的(芯片)，也支持国内的芯片，我们有自己的研发能力，他们提供接口，我们就可以建立联系，快速推送数据。

　　另外一块，是在推理时对行业数据的利用。无论是我们对上下文的存储，还是用向量数据库来存行业积累的高质量的数据，其实都是在存储层面，让训练时间更短更高效，让推理的用户体验会更好，每秒生成的token(AI处理语言的基本单位)数量更多，问题和想要答案的关联性也会更高。

　　现在评价一个大模型系统的推理能力，上下文长度是很重要的指标，这也考验存储的能力。如果上下文长度不够，一个token用完了就马上扔了，下一个问题和上一个有关，就得重新算，这会造成大量的GPU资源浪费。

　　我们现在的方法是，把上下文产生的结果都存储下来，还会存到GPU本地。通过这种方式，可以把上下文的窗口做得非常长，token之间的(生成)都会有很大的加速。

　　我们看到恒运资本，经过优化的系统每秒可生成2000到3000个token。这种高速生成并非只靠GPU单方面的算力进步，而是后台存力向前端GPU持续释放数据处理能力的结果，是“存算协同”的技术进步。

天臣配资提示：文章来自网络，不代表本站观点。