实盘券商配资 中科曙光推动AI存储市场高质量发展

在存储系统的交付验收中，可能遇到这样一种情况：厂商产品的各项指标已经达标，用户却发现实际业务跑不起来。

这与存储系统所面对的业务场景有很大关系，用户过去采购存储设备，通常会关注带宽、IOPS、时延和容量等指标。曙光信息产业（北京）有限公司分布式存储产品部产品经理康玉琢谈到，在大模型训练和推理场景下，数据访问方式发生了明显变化，仅凭传统指标，已经很难判断一套存储系统能否真正满足业务需求。

与此同时，我们也看到，市场上不同厂商对AI存储的定义、测试条件和场景假设也存在差异。有的产品强调带宽，有的侧重海量小文件处理能力，即使都叫AI存储，实际擅长的业务场景也可能完全不同。

在2026数据存储产业大会上，中科曙光与多家单位共同启动新的国家标准建设工作，并发布《人工智能存储系统能力要求》和《大模型推理存储系统技术要求》两项已落地的团体标准。

AI存储怎么评，传统指标不适用了？

在大模型训练过程中，几十甚至上百个计算节点可能同时访问存储系统。即使一套存储设备在单客户端测试中表现出很高的带宽，也不代表它在大规模并发访问下能够保持同样的性能。康玉琢认为，评价AI存储需要重点关注四个方面。

第一，关注大规模、多客户端并发下的性能表现。相比单节点、单客户端的峰值性能，更需要考察存储系统在大规模并发访问时的实际表现。

第二，元数据处理能力。AI业务涉及大量图片、文本和标注文件，文件数量很容易达到亿级规模，文件创建、删除、遍历和查询的压力都非常大。传统存储面对亿级元数据时，容易出现卡顿、时延上升等问题。

第三，不同AI场景下的能力适配。训练场景更看重高聚合带宽和高并发下的稳定性，推理场景更关注低时延，数据集预处理场景更重视文件导入、导出的效率，归档场景则更关注容量和成本。一套存储系统很难在所有场景下都做到最优，因此需要判断产品主要适配哪类AI业务，是否符合自身的实际需求，不能单纯追求各项性能指标的最高值。

第四，业务层面的稳定性和数据可靠性。大规模训练任务通常运行周期较长，一旦中途出现存储性能抖动或I/O时延毛刺，就可能造成任务中断或回滚。因此需要重点考察持续高负载下的I/O时延波动、数据完整性校验，以及任务中断后的业务恢复效率。传统存储评价体系在可靠性方面，则更多强调故障发生后的数据完整性、容错能力和后续处理。

由于缺少统一的存储架构评价标准，AI存储在实际应用中面临不少问题。此次发布的两项团体标准，主要针对其中三类技术痛点提出了相应的能力要求。

首先是建立了五维AI存储能力架构，从AI加速、扩展性、兼容性、可靠性和安全性五个方面，对AI存储的能力要求进行了系统化界定，解决了过去评价维度较为碎片化的问题。

其次是针对加速器直通存储、零拷贝、多加速器并发和资源隔离等技术，提出了明确的能力要求，着力解决AI业务中数据路径拷贝次数多、算力开销大的问题。

第三是区分了训练和推理场景的不同需求，专门针对推理场景定义了KV Cache组件、知识库、记忆库等特有模块的技术要求，进一步完善了大模型推理存储的技术规范。

两项标准，分别解决什么问题？

此次发布的两项团体标准中，《人工智能存储系统能力要求》面向AI存储系统的整体能力，《大模型推理存储系统技术要求》则针对大模型推理场景中的特有需求，进一步明确相关技术要求。

对于《人工智能存储系统能力要求》，除了建立统一的能力评价体系，标准发布后也将对存储产品的研发产生影响。

在大模型训练场景中，产品研发将更加关注分层模型加载、数据集快照回滚、数据预热、大规模并发访问以及静默数据损坏防护等能力。存储系统的评价也将更加重视PB级至EB级的线性扩展能力，以及多计算节点并发访问下的实际业务稳定性，减少对单客户端峰值性能的依赖。

不同规模的大模型，对存储系统的要求也存在差异。康玉琢解释，这些差异主要体现在存储容量、性能以及支撑能力等方面，可以进行相应的分层或分级。虽然上层模型的实现方式各有特点，但到了底层数据交互环节，仍然存在一些共同需求。

《大模型推理存储系统技术要求》则主要针对推理场景特有的技术需求。

康玉琢解释，训练与推理具有不同的I/O模型和存储能力要求，很难通过一项通用的AI存储标准，完整涵盖训练、推理以及其他业务场景的全部技术需求。特别是近一两年，推理相关技术发展迅速，业务需求也在不断变化，因此此次专门针对推理制定了一项技术标准。

在大模型推理场景中，标准明确了KV Cache跨节点卸载与共享、前缀缓存，以及加速器直通知识库、记忆库等能力与接口规范。通过这些技术要求，将推动存储系统从传统的文件、对象数据承载，进一步支持推理中间缓存以及知识、记忆数据，降低显存压力，提升长上下文和高并发推理的整体效果。

从具体内容来看，《人工智能存储系统能力要求》主要为AI存储系统建立共同的能力要求，《大模型推理存储系统技术要求》则进一步规范推理过程中KV Cache、知识库和记忆库等特有模块的技术能力及接口要求。

从选型到验收，标准怎么落下来？

随着AI技术的快速发展，业务需求发生了很大变化，许多问题对存储行业来说仍然是新课题。各家厂商都在探索解决方案，产品和技术路线呈现出百花齐放的局面。在这一阶段，加强AI存储标准建设十分必要。

首先是用户侧需求迭代快，对AI存储的认知也存在差异。相比传统虚拟化业务，AI业务对存储的要求发生了较大变化，过去的选型思路已经难以直接沿用。面对海量小文件、高并发元数据访问，以及大带宽、高I/O混合负载等需求，用户往往缺少明确的存储能力评价依据，容易在产品选型时出现偏差。

其次是产业侧的产品评价口径尚未统一。不同厂商对AI存储指标的定义、测试条件和场景假设存在差异。同样是AI存储产品，有的侧重带宽性能，有的则更关注小文件处理能力。这种差异给用户和第三方评测机构带来了困难，很难对不同产品进行横向比较。

第三是国内AI基础设施规模化建设的实际需求。随着智算中心、大模型平台等项目大批量建设，供需双方在需求沟通、项目验收和系统对接等环节，都需要相对统一的技术要求和评价依据。如果缺少共同标准，各方容易因理解不同产生分歧，增加沟通和协调成本。

“推动AI存储标准建设，也是希望将现有的产业实践沉淀为行业共识，减少不同技术要求之间的冲突。”康玉琢谈到。

据了解，此次两项团体标准由中电标协下设的存储专业委员会统筹推进，中科曙光作为专委会轮值主席单位，牵头编制了其中一项，并深度参与另一项的编制工作。

元股证券:ygzq.hk

标准编制完成只是第一步，如何推动标准在产业中落地同样关键。从产品工作的角度来看，后续还需要做好几个方面的工作。

首先是加强标准的宣贯和解读，缩小各方的认知差异。对于刚刚发布的标准，很多用户和集成商可能还不了解具体内容，因此需要通过更加通俗的方式，讲清楚标准能够解决哪些实际问题。

其次是将标准要求融入产品研发体系。厂商需要把标准中的能力基线和测试要求纳入产品规划、迭代和出厂测试流程，让研发团队按照标准开展自测，确保产品能力符合相关要求，避免标准停留在产品宣传层面。

第三是建立配套的测试验证手段。标准虽然规定了测试方法和前提条件，但实际执行还需要相应的测试工具、测试数据集和公共测试环境。因此，需要第三方机构或产业联合测试平台依据标准开展测试，为标准落地提供可验证的手段。

此外，还需要建立标准的更新迭代机制。AI技术发展速度很快，大模型规模和业务形态持续变化。仅在2026年内，大模型训练和推理的方法、框架等就已经发生了不少变化。面对这样的技术发展速度，无论是团体标准还是国家标准，发布后都需要考虑如何及时跟进市场需求和技术演进，建立相应的更新机制。

最终两项标准可以帮助用户更准确地梳理业务需求，厂商也能够据此设计产品和方案。尤其在测试验证和交付验收环节，双方有了共同的评价依据，减少因指标理解不同而产生的分歧实盘券商配资，让存储系统的能力要求与实际业务需求更好地对应起来。