2025年，AI算力进入深水区。
一边是需求持续外溢：大年夜模型练习范围仍在扩大，推理请求呈指数级增长，数据中间的投资未见降温；另一边，是一系列隐性的制约正逐渐浮出水面——算力应用率始终在低处彷徨，体系颤抖频发，集群效力难以保持稳定。
行业逐渐意识到，瓶颈并不总涌如今“算力”本身。很多时刻，问题卡在“数据”这一环。
当计算集群范围扩大年夜到万卡级别，任何一个环节的延迟波动，都邑被放大年夜为整体机能问题。一些云办事的宕机事宜，外面上是调剂算法掉效，深层原因倒是数据供授与计算节拍之间的错位——数据来不及被组织、搬运、分发，算力只能在空转中等待。
这让一个经久被视为基本组件的范畴，从新进入核心视野：存储。
以前，存储的义务是解决“存得下”；而在AI时代，它开端决定“算得快不快”。
这一思路指向一个明白偏向：存储体系须要针对AI负载进行体系性优化。
恰是在这一背景下，“AI SSD”应运而生，几乎所有主流存储厂商，都在测验测验交出本身的答卷。
真正的挑衅，在于如安在体系层面实现这些差别化才能的协同。
但问题也随之而来——当全部行业都在做AI SSD时，什么才是真正有效的改进？存储，毕竟须要为AI改变什么？
带着这些问题，我们与英韧科技董事长吴子宁博士进行了一次对话。他没有急于答复，而是先讲起了一个二十多年前的故事。
（本文作者经久存眷存储行业，对周期波动与企业分化有持续追踪，迎接添加微信 EATINGNTAE 交换商量。）
在技巧的交叉口，选对偏向很重要
技巧史，并不是一条笔挺向前的曲线，而更像是连续串赓续被颠覆、被修改、再重建的测验测验。吴子宁博士用一个故事，说清楚明了这种均衡若何被打破、又若何重建。
2001年，苹果宣布iPod，那款音乐播放器采取了一项当时颇具冲破性的设计——把机械硬盘缩到火柴盒大年夜小，实现了5GB的存储容量。而在同一时代，主流MP3播放器广泛仅配备64MB或128MB的闪存。
苹果起首颠覆了人们对音乐播放器的认知。吴子宁博士回想道，“用户不再须要频繁治理音乐文件，而是可以将全部音乐库随身携带。”
这一变更敏捷在家当链中激发连锁反响。多家硬盘厂商将小尺寸机械硬盘视为新的增长偏向，投入大年夜量资本进行研发。然而不久之后，另一项技巧路径开端加快演进——闪存技巧快速迭代，容量飞速成长。苹果随即推出基于全闪存的iPod，尽管入门容量仅为1GB，但凭借小型化和便利性，很快在市场上超出了机械硬盘版本。
生态层面，它延续PCIe/NVMe等标准接口与协定，与现有计算体系保持兼容，可以或许被腻滑回收。
很多存储公司投入大年夜量资本研发小尺寸机械硬盘，都因为新技巧的出现受到了巨大年夜的冲击。
彼时，吴子宁博士正任职于Marvell，而Marvell恰是业界最早周全投入闪存固态硬盘解决筹划的公司之一。这一经历在贰心中形成了一个重要断定：技巧持续演进是常态，短周期内会有渐进式立异，而在更长周期内，则可能出现颠覆性变革。可否精确把握技巧与市场趋势，并据此做出前瞻性决定计划，至关重要。
2016年创办英韧科技时，他已经不雅察到两个关键趋势的叠加。
第二，应用处景高度分化，基本大年夜模型正在向行业大年夜模型演进。银行的风控数据、车企的主动驾驶数据、医学影像体系数据，每个场景对存储的请求都不一样：有的须要超高吞吐，有的须要极低延迟，有的须要在边沿节点上实现高密度数据处理。
而在AI驱动的新一轮数据海潮之下，这一“断定才能”的重要性再次被放大年夜——面对全新的计算范式，存储体系应当若何演进？
为什么须要AI SSD?
据DESIGNRUSH估计，2025年实际数据量约为173.4ZB，而2026年全年数据生成量估计在230ZB至240ZB之间，到了2029年，该数字估计将达到527.5ZB。
作为IT基本举措措施三大年夜核心支柱之一，存储在半导体市场中占比约为20%至30%，但在AI时代，这一“支柱”正遭受前所未有的压力。
这种压力重要表如今三个方面。
第一，数据形态正在改变。传统数据平日具备明白的冷热分层：热数据驻留内存，温数据进入SSD，冷数据则归档至机械硬盘。然而在AI练习与推理过程中，数据出现出高频交互特点——大年夜模型练习须要持续吞吐海量数据，推理阶段涉及大年夜量中心状况的频繁拜访，而向量检索则带来高比例的小块随机读写。数据不再严格遵守既有分层构造。
第三，体系容忍度明显降低。当计算集群扩大至万卡级范围时，任一环节的机能波动都可能拖慢整体练习效力。与此同时，边沿侧本来受限的内存带宽，还需匹配接近GPU级其余计算才能。存储不再只是数据的承载介质，而成为影响数据流动效力、进而决定练习与推理机能的关键身分。
在他看来，这种变更的根源，在于计算体系中间的迁徙。
吴子宁博士用一个形象的比方来解释这一变更：“一辆车即使最高速度很高，假如大年夜部分时光处于等待状况，发念头空转，那么它的实际效力依然很低。”
在AI计算体系中，“等待”正成为日益凸起的瓶颈。计算单位具备极高的算力，但数据往往滞留在存储侧——假如无法被高效调剂至计算单位，就会导致算力资本闲置与浪费。
“存储不仅要完成数据的持久化，还须要具备对数据进行高效组织与调剂的才能。”吴子宁博士指出，“我们已经开端摸索，在存储侧引入更智能的控制机制，对数据构造与拜访路径进行优化。”
以前几年，行业已展开多路径摸索。例如，经由过程优化固件与FTL（Flash Translation Layer）算法，使SSD在高并发场景下保持稳定的延迟分布；经由过程重构主控架构，晋升数据调剂效力；以及借助CXL（Compute Express Link）协定扩大内存语义，使闪存在特定场景中承担部分内存功能。
这些技巧路径最终汇聚为一个合营的产品偏向——AI SSD，这是全部行业对同一核心问题的多元回应：当计算范式产生变更，存储体系若何协同演进？
在吴子宁博士看来，一项技巧是否值得投入，可以从三个维度断定：技偶合理性、贸易可行性与生态兼容性。
以此衡量AI SSD，其可行性便清楚起来——
技巧层面，AI负载对存储提出了传统SSD难以知足的新请求，针对性优化是解决“算力等数据”痛点的须要路径；
贸易层面，AI SSD在成熟闪存与主控技巧基本上演进，可以或许复用现有供给链，具备大年夜范围安排的成本基本；
从这个角度看，AI SSD的出现具有内涵必定性——它并非对现有体系的颠覆，而是在既有架构基本上，针对新型负载特点进行的体系性优化。
正如昔时闪存慢慢代替小尺寸机械硬盘——技巧进步供给了替代才能，而应用需求则明白了替代偏向。
在这一过程中，可以或许深刻懂得AI负载特点，并据此构建差别化存储筹划的厂商，将更有可能鄙人一轮体系级重构中占据有利地位。
先懂得负载特点，再定义产品形态
2025年，这场“体系重排”已经拉开序幕。
从铠侠颁布AI SSD中经久路线图，到三星、海力士、美光陆续推出针对AI场景优化的超高速颗粒产品；从FMS存储峰会上多家厂商的同台竞技，到华为在上海宣布“AI SSD，加快智能经济出现”——几乎在同一时光点上，全球重要存储厂商都在朝同一个偏向发力。
当“AI SSD”成为行业共鸣，英韧必须答复一个更具体的问题：差别化路径安在？
在英韧内部，对这个问题的思虑始于对AI负载的拆解。AI并非单一应用，而是一组差别明显的计算义务，大年夜致可以归纳为三类典范负载形态。
第一种是练习。大年夜模型练习的特点是持续、稳定且高带宽的数据流动，样本被反复读取、重排与迭代，这个场景对次序吞吐才能高度敏感，但对极端微秒级延迟的请求相对次要。稳定的大年夜范围供给，比瞬时极限机能更重要。
第二种是推理，这是变更最激烈的部分。推理阶段的数据拜访出现高度碎片化特点，包含大年夜量小块随机读写、KV Cache频繁交换以及向量索引调用。此时，存储从“批量搬运”改变为“及时响应”，体系机能对尾延迟高度敏感，一旦尾延迟掉控，将直接影响整体办事质量。
第三种是数据归集与治理。跟着模型范围扩大年夜，数据留存、分层与生命周期治理成为刚性需求。该场景对延迟的请求相对宽松，但对容量密度与单位成本极为敏感，须要在范围与成本之间取得均衡。
这三类负载之间，并不存在一个可以或许同时最优覆盖的同一设计筹划。
是以，英韧的策略是针对不合负载特点，设计具备差别化才能的主控架构与产品组合。
在通用练习场景中，采取TLC NAND的“洞庭-N3”更强调带宽与稳定性的均衡，次序读取带宽在14.5GB/s以上，随机读取才能约3.4M IOPS，合适作为练习集群中的惯例数据层。
针对容量敏感型场景，则引入基于QLC NAND的“洞庭-N3Q”。在更高存储密度的前提下，经由过程控制器与纠错机制优化，将单盘容量晋升至64TB，同时保持跨越14GB/s的次序读取程度，用于降低单位容量成本。
“以前是CPU在做调剂，GPU只是履行单位；但如今，在AI体系里，GPU本身开端承担调剂角色。”他说，“假如数据还要经由CPU中转，就相当于在两条高速公路之间接了一座很窄的桥，这个环节会成为瓶颈。”
而在对响应时光更敏感的推理侧，则采取“洞庭-N3X”这一低时延筹划。该产品结合XL-Flash与SLC NAND，在随机拜访下可实现约13微秒读取延迟、4微秒写入延迟，随机读取机能跨越3.5M IOPS，随机写入机能可达1.6M IOPS，且具备最高100 DWPD的耐用性，更合适高并发、小请求场景。
该产品的实际表示，近期已获得第三方测实验证。
英韧的洞庭-N3X参加了ODCC AI存储实验室“面向AI推理场景KV Cache的数据存储测试项目”，SSD能支撑GPU Direct Storage (GDS)，采取GPU直接调剂的方法，构建“以存代算”的第三级缓存。
“一边是数据需求在爆发，并且是经久趋势；另一边是存储介质正在从机械硬盘向固态硬盘迁徙。”他说，“当需乞降技巧同时产生变更，就会出现一个很典范的机会窗口。”
实测数据显示：采取英韧科技AI SSD(洞庭-N3X)后，可以或许有效打破“内存墙”，让数据更快供给 GPU，H20平台的体系吞吐量晋升约12倍，RTX 6000D平台的体系吞吐量晋升约20倍。在10K输入长度下，原生架构因为须要从新计算或处理显存溢出，存在必定延迟，但采取N3X后，首Token延迟可从数秒级缩短至毫秒级。跟着输入长度从100 tokens增长到100K tokens，存储压力呈线性甚至指数级增长，而输入文本越长，N3X对体系换入换出效力的晋升后果越明显。
这一成果注解：当AI负载范围跨越特定阈值后，存储将从帮助角色改变为关键机能变量；而针对推理场景深度优化的AI SSD，可以明显改变体系整体效力。
在英韧看来，这三类产品的划分并非传统意义上的“高、中、低端”区隔，而是对不合数据拜访模式的针对性响应，是基于负载模型推导的工程成果，而非简单的参数堆叠。
这些问题，构成了AI SSD主控芯片的研发关键。
偏向靠校准，路径需修改
跟着接口标准持续演进——从PCIe 4.0到5.0，并迈向即将到来的6.0——SSD不仅须要晋升物理带宽才能，更须要同步加强主控的并发调剂与队列治理才能。不然，底层介质机能的晋升将难以转化为体系级收益。
“必须抓住每一代接口进级的窗口期。”吴子宁博士也强调，更具挑衅性的部分在于内部架构的重构：在高并发场景下若何避免队列壅塞？若何有效控制尾延迟？如安在不合介质特点之间实现负载均衡？
这些问题，最终都指向一个具体的机能目标。
“要把吞吐量从如今的300万IOPS，在两年后晋升至1亿IOPS，这相当于接近两个数量级的跃升。”吴子宁博士进一步阐释道，“单靠更先辈的芯片制程，无法支撑这一量级的机能跨越，关键在于架构层面的重构。我们须要在数据调剂路径上实现更精细的优化与更高的效力，推动介质层与接口层之间的深度协同，将数据从存储介质到主机接口的整条通路紧缩至最短，从而在根本高低降拜访延迟。”
环绕“内部架构重排”，英韧的摸索正在延长至下一代产品。
个中，CXL（Compute Express Link）尤为关键。该协定经由过程引入内存语义，实现高速互联，构建更大年夜的存储池。从更广义角度看，这一偏向正指向“存算一体”的演进路径——即更高效地将数据从存储侧调剂至计算侧。
“这不仅是硬件问题，软件体系同样在同步演进。”吴子宁博士指出。
2026年，英韧筹划推出PCIe Gen6的新一代产品，将融合下一代NVMe与CXL双协定，在带宽实现翻倍的同时，512B随机读取机能有望达到切切IOPS量级。
与此同时，英韧也在和颗粒原厂开展更深度的合作——因为无论主控多强，没有好的介质合营，一切都无从谈起。
从PCIe 3.0到5.0，再到即将到来的6.0；从TLC到QLC，再到XL-FLASH与SLC的协同；从单一的SSD主控，到NVMe与CXL双协定的融合——英韧的技巧路线，始终环绕同一个核心问题展开：当数据的调剂和应用方法变了，存储该若何从新设计？
对于英韧当前的产品偏向，吴子宁博士在对话中表示：“大年夜偏向须要经由过程经验与市场反馈来校准，避免计谋性缺点；而在具体路径上，则必须持续迭代与修改。”
这个立场，或许比任何产品参数都更能解释问题——在AI带来的新一轮“体系重排”中，没有人能预知终点。独一能做的，是在变更中赓续调剂本身的地位。
（本文作者经久存眷存储行业，对周期波动与企业分化有持续追踪，迎接添加微信 EATINGNTAE 交换商量。）
雷峰网("大众,"号：雷峰网)雷峰网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
发表评论 取消回复