最近，某集成商操盘手老季郁闷透顶。搞了个AI项目，尾款还没结，锅全被他身上。
老季在圈里号称季牛牛，搞项目从没失过手，可这一次，搞砸了。
一个老客户，某行业龙头，属于那种“混熟了”的类型，常年从老季公司采购服务器、存储、交换机啥的，处得还不错。
前阵子，他们内部决定搞行业私有大模型。
跟老季提了需求：之前的机房还在用，直接上一批GPU服务器就行，其他的都利旧。
虽然客户说只买GPU服务器，但也算是一笔豪单，半年业绩有谱了。不过做方案的时候，公司技术总监给老季提了个醒：大模型项目特殊，其他设备利旧的话可能会有坑——
于是，老季去找客户加预算。
客户听了立马摆手：“你就别再忽悠我买设备了，把GPU服务器配好就行。”
老季想了想，客户说的也有道理。
于是就没再坚持，按照客户的需求，继续推进。
结果，设备到货，上线，一跑模型。
所有人都疯了！
模型训练一跑就卡死，推理更别提了，延迟高得吓人，吞吐更不用说了，TPS竟然只有几百…
为什么数据加载这么慢，为什么训练总卡死，为什么Checkpoint保存要等半天？为什么推理延迟这么大？
双方技术查了几圈，查硬件、查软件、查框架…
最终跟技术总监担心的一样：存储拖了后腿。
客户脸都黑了，开始骂老季：“你们怎么不提醒我存储也可能是瓶颈？白瞎我这么好的GPU了？”
老季有苦难言，心说：领导，我提醒你了呀。
可是现在，这锅，只能自己背。
最后，公司老板出面协调，跟客户一起开个项目复盘会，大家一起来解决问题。
为了让老季长点记性，这个复盘会让他主讲。开会那天，老季PPT投上去，大大的一行字↓
显然，不是！
但当下很多大模型项目却把GPU当成充要条件，却忽略了另一大基础设施：存储。
大模型的训练和推理，其实本质就是→海量数据处理的过程。我们先了解一下，大模型训推过程中，是如何处理数据的↓
这五个环节，是计算与存储高度耦合的过程，也被称为：半计算半存储型任务。比如，数据预处理和加载环节↓
原始数据采集量动不动就是PB级，要求存储高并发读取，一秒要加载几GB碎片小文件，还得边读边处理（ETL），传统存储跟不上节奏。
比如，Checkpoint加载与保存环节
训练中断是家常便饭，关键是能基于Checkpoint快速恢复，不用从头再来。
此时，需要高速读写、近GPU存储、纳秒级延迟，而传统存储写入速度慢，导致断点恢复慢。
推理前需要快速对知识库完成向量或语义检索，查得慢，回答就会慢半拍。这需要低延迟向量检索、高QPS、小文件快速读取能力。而这一切，对于传统存储来讲，都太吃力了老季正讲着，甲方的技术人员举手提出了问题↓
老季暗笑，正中下怀啊。
“大模型时代，存储不能只是‘仓库’，必须升级成一个——智慧物流系统，能调度、会加速、搬得快。AI场景讲究的是数据流动性，不是堆硬盘。”
看这听众们还一脸茫然，老季不再卖关子，开始亮剑——“以前我也走过弯路，被毒打了，现在终于知道怎么选了”。曙光重塑的AI存储架构，就好比“三层智能物流系统”。就是完全匹配大模型训推不同阶段对数据的不同要求，用三级架构分而治之，该海量的海量，该高速的高速，该直通的直通。大家看看大模型训练推理过程中不同数流转路线就秒懂了。这种架构设计，可以保证每种操作，都按照最优的快递路线，从而获得最好的投递结果。讲到这儿，气氛热了，甲方团队开始七嘴八舌的问问题。这是个好问题！但老季没立即回答，他顿了顿，看向甲方领导。
甲方领导眉头紧锁，清了清嗓子，问出了第一个问题↓
那必然选曙光ParaStor F9000系列！
这是一款干大活的AI存储，特别适合：大模型训练、高并发推理。
看性能参数，你就知道这是一款为大模型而生，真正扛AI重活的主力军。
ParaStor F9000性能实在太优秀了，直接卷哭国内外同行！为啥F9000这么猛？
核心就在于它不是拼某个指标，而是对真实AI场景进行过深度适配，搞了一个AI存储三级协同方案。
也就是说，F9000真正把前面所说的「三级物流体系」给落地了。
芯片级协同：网络（IB / RoCE）、CPU、内存和NVMe闪存做了全对称均衡设计，每条IO走的都是：最优路径。软硬件协同：首创“数据编排技术”，将内存、网络、NVMe按照CPU核均分，实现带宽/IOPS/时延按需可调。AI应用协同：关键数据直通GPU显存、向量检索与KV Cache专项加速、BurstBuffer本地加速技术等。这时候，甲方负责这个项目的技术主管抛出了个新问题↓
老季点点头，当然，用户收益有三点：
①以存提算，能让GPU满负荷运转，利用率直接翻倍
存储效率上来了，训练数据秒级加载、Checkpoint分钟级恢复，训练周期大幅缩短。②以存代算，为GPU分担计算任务
比如在KV Cache、RAG检索阶段，GPU只管“输出”，存储来“记忆+查资料”，大大提升了推理速度。
以万卡集群为例，每花1块钱在存储，至少能换回10块钱的GPU算力收益，因为曙光AI全闪存储能GPU利用率提升1倍+。老季的话音刚落，甲方领导又提出了第二个问题。
在今年2月25日的SPC-1 V3测试榜单上，它直接干到了依托亿级 IOPS 和毫秒级低延时，可将 token 生成延迟降低高达 80%，整体效率提升超过 50%。讲完了“干大活的 F9000”、“极速飞行的 FlashNexus”，老季正要歇口气。老季早有准备——
那必然选曙光ParaStor S6000系列！
现在大模型需要的数据存储容量越来也大，动不动就是几百TB、几PB，要存模型参数、训练日志、版本文件、推理数据、清洗数据、原始数据…
老季推荐这款存储，理由就就两点：
首先，存得多，成本低
单柜支持1.44PB超大容量，24TB× 60盘位，4U空间就能搞定，容量密度提升 70%，省机房、省电、更省钱。
第二，有策略、不乱存
S6000能实现【冷热分层+智能调度】：热数据自动放到 NVMe，读写快；冷数据全进 SATA/SAS，存得省。
这些都是通过智能调度，实现冷热数据无感流动。
几个回合下来，甲方领导听的津津有味，紧锁的眉头也展开了，笑呵呵地又问了一个问题。
老季点点头，确实！这年头，大家不仅要存储性能和容量，还越来越关心数据管理。
以前这些问题，基本靠猜。
现在曙光存储提供一张图，让你纵观全局数据流动！
每一步的数据流动路径、存储位置、冷热分布，全都一目了然。
就这样，项目复盘会在剑拔弩张中开始，却在谈笑风生中结束。最终，客户认识到原有存储的问题，果断追加了预算，并单一来源采购了曙光AI存储。半个月后，项目顺利上线，用老季的话讲：体验爽到飞起，终于扬眉吐气！
粤ICP备14082021号
免费POC，
零成本试错
