眼下，AI大模型正重塑著千行百業(yè)，也包括與之息息相關(guān)的算力產(chǎn)業(yè)鏈。
在AI芯片屹立風(fēng)口之時，業(yè)內(nèi)對存儲芯片、存儲設(shè)備的關(guān)注度也直線上升，HBM（高帶寬存儲）、近存計算等概念大熱。
大模型建立在數(shù)據(jù)和算力之上，而海量數(shù)據(jù)(20.080, 0.12, 0.60%)（維權(quán)）需要更強(qiáng)悍的存儲性能，從而更好地釋放算力，因此在大模型的推動下，存儲產(chǎn)業(yè)正在新需求下升級變革。
近日，華為數(shù)據(jù)存儲產(chǎn)品線總裁周躍峰就向記者談到了存力的重要性：“大模型時代，數(shù)據(jù)決定AI智能的高度。作為數(shù)據(jù)的載體，數(shù)據(jù)存儲成為AI大模型的關(guān)鍵基礎(chǔ)設(shè)施�！�
一直以來，計算、存儲和網(wǎng)絡(luò)被視為數(shù)據(jù)中心三大件，它們是關(guān)系緊密的有機(jī)體系，分別對應(yīng)著算力、存力和運(yùn)力。如今在算力蓬勃發(fā)展的同時，存力正越來越受到重視。近年來國內(nèi)建設(shè)了諸多算力中心，現(xiàn)在的新趨勢是開始建設(shè)大量的存力中心。
打造AI大模型是一個復(fù)雜的系統(tǒng)過程，其間面臨著不少挑戰(zhàn)。在華為看來，企業(yè)在開發(fā)及實(shí)施大模型應(yīng)用過程中存在四大挑戰(zhàn)。
首先，數(shù)據(jù)準(zhǔn)備時間長，數(shù)據(jù)來源分散，歸集慢，預(yù)處理百TB數(shù)據(jù)需10天左右，這不利于系統(tǒng)的高效利用。
其次，如今大模型的規(guī)模越來越大，達(dá)到千億甚至萬億的參數(shù)級，訓(xùn)練需要海量的計算資源和存儲空間。比如多模態(tài)大模型以海量文本、圖片為訓(xùn)練集，但是當(dāng)前海量小文件的加載速度不足100MB/s，訓(xùn)練集加載效率低。
其三，大模型參數(shù)頻繁調(diào)優(yōu)，訓(xùn)練平臺不穩(wěn)定，平均約2天出現(xiàn)一次訓(xùn)練中斷，需要Checkpoint機(jī)制恢復(fù)訓(xùn)練，故障恢復(fù)耗時超過一天。
最后，大模型實(shí)施門檻高，系統(tǒng)搭建繁雜，資源調(diào)度難，GPU資源利用率通常不到40%。比如，它需要非常專業(yè)的軟件、硬件甚至是維護(hù)工程師來進(jìn)行實(shí)施并進(jìn)行后續(xù)的維護(hù)。
可以看到，大模型的到來，給數(shù)據(jù)和存儲提出了新的要求。華為分布式存儲領(lǐng)域副總裁韓振興向21世紀(jì)經(jīng)濟(jì)報道記者表示：“在AI剛興起的時候，針對小模型，很多客戶會找一些服務(wù)器的本地盤來解決。但是隨著大模型的興起，需要一個外置的非常靈活擴(kuò)展的存儲。如果數(shù)據(jù)量載入過慢，會造成建設(shè)的算力都在閑置，所以需要一個不僅是外置的存儲，而是一個極高性能的新品類和解決方案�！�
為了解決這些瓶頸，頭部的企業(yè)們已經(jīng)開始牽頭進(jìn)行產(chǎn)業(yè)界合作。近期，華為針對不同行業(yè)、不同場景大模型應(yīng)用，推出OceanStor A310深度學(xué)習(xí)數(shù)據(jù)湖存儲與FusionCube A3000訓(xùn)/推超融合一體機(jī)。
其中，前者是面向基礎(chǔ)/行業(yè)大模型場景，支持96閃存盤，帶寬可達(dá)400GB/s，IOPS達(dá)到1200萬；后者面向行業(yè)大模型的訓(xùn)練、推理一體化的場景，集成了存儲、網(wǎng)絡(luò)、多樣性的計算，降低企業(yè)使用AI大模型的門檻。目前，華為的存儲產(chǎn)品已在國內(nèi)的十大模型廠商得到部署，包括科大訊飛(60.850, -2.03, -3.23%)、中國科學(xué)院等。
據(jù)悉，目前全球高端的存儲設(shè)備廠商主要有三家，分別是華為、戴爾EMC和日立。隨著AI大模型日新月異，企業(yè)對于高端存儲的需求也將更進(jìn)一步，華為、戴爾、日立等也將在存儲的頂級戰(zhàn)場上展開新一輪競爭。
周躍峰向21世紀(jì)經(jīng)濟(jì)報道記者算了一筆成本賬單：在AI的大模型訓(xùn)練過程里，包括數(shù)據(jù)準(zhǔn)備、接入實(shí)施等整體成本中，算力的成本占25%左右，即買服務(wù)器和GPU；數(shù)據(jù)準(zhǔn)備、清洗與處理這些工作（包括人工）的成本大概占22%。
同時，周躍峰還舉了一個例子來說明存儲的重要性，由于英文的數(shù)字化記錄資料遠(yuǎn)遠(yuǎn)多于中文，ChatGPT訓(xùn)練英文的效率比中文高很多。他表示，中國如果不重視存力，對未來AI的產(chǎn)業(yè)發(fā)展以及人工智能的潛力的發(fā)揮會有巨大制約作用。
數(shù)據(jù)顯示，預(yù)計2025年中國數(shù)據(jù)量將從7.6ZB增至48.6ZB，超過美國成為全球第一。當(dāng)前，全球各國都在加快制定國家數(shù)據(jù)戰(zhàn)略，其中，存儲技術(shù)和產(chǎn)業(yè)成為共同關(guān)注的戰(zhàn)略重點(diǎn)。
雖然AI算力中心不斷興起，但是中國工程院院士、中國科學(xué)院計算技術(shù)研究所研究員倪光南指出，目前普遍對算力的理解有片面性，廣義算力不僅包括算力，還包括存力、運(yùn)力。當(dāng)前中國算力中心的存力相對不足，存在重算力輕存力的傾向。
韓振興也表達(dá)了類似觀點(diǎn)，他談道，在算力和存力的建設(shè)有一個最佳的算存比，并不是靠推算力就能把AI做好。算力建設(shè)過多、存力建設(shè)過少，這會導(dǎo)致算力閑置，造成資源的浪費(fèi)。所以一定要去重視存力，達(dá)到一個最佳的整體算存比。
當(dāng)前國內(nèi)的存儲發(fā)展還跟不上數(shù)據(jù)量的增長。根據(jù)倪光南提及的一組數(shù)據(jù)，中國單位GDP的數(shù)據(jù)存儲量只有美國70%左右，而人均數(shù)據(jù)存儲量，美國是中國的9倍。美國為212GB/人，中國約為25GB/人，說明中國數(shù)據(jù)存儲產(chǎn)業(yè)大有可為、前景廣闊。
在業(yè)界呼吁關(guān)注存力建設(shè)的同時，國內(nèi)在政策面也有了更多支持計劃。為進(jìn)一步加快推動我國算力高質(zhì)量發(fā)展，日前工信部新聞發(fā)言人趙志國表示，將出臺指導(dǎo)算力基礎(chǔ)設(shè)施高質(zhì)量發(fā)展的政策文件，加大高性能智算供給，加強(qiáng)先進(jìn)存儲產(chǎn)品部署，開展算力網(wǎng)絡(luò)優(yōu)化行動，加快構(gòu)建云邊端協(xié)同、算存運(yùn)融合的一體化、多層次的算力基礎(chǔ)設(shè)施體系。
