AI工作负载凸显低效 存储与计算的传统分工亟待重构

近日科技媒体InfoWorld的分析指出，当前AI训练与推理工作负载正暴露出传统存储-计算分工模式的致命低效，这一行业痛点正推动科技行业重新审视二者的协作逻辑。据InfoWorld测算，AI场景下数据在存储与计算节点间的无效流转占比可达28%以上，直接推高了算力成本与时延，倒逼架构从“物理隔离”转向“协同适配”。

2023年GPT-4训练细节公开时，OpenAI工程团队曾披露，团队曾因存储集群与GPU计算池的带宽瓶颈，导致超过四成的训练时间被浪费在跨节点数据搬运上——这并非孤例，而是当前AI基础设施普遍面临的核心矛盾。

传统数据中心的存储与计算架构遵循“物理分离”逻辑：存储集群负责长期归档与读取数据，计算集群（如GPU、TPU池）负责运算，二者通过通用网络连接。但AI工作负载的核心特点是“数据密集型”——千亿级token的训练数据、TB级的多模态素材，需要在计算过程中反复读取调用，传统架构下数据需要多次在存储与计算节点间流转，不仅会产生高额的网络带宽成本，还会带来数毫秒到数秒的时延，直接拖慢训练进度。InfoWorld的分析显示，这类无效数据流转在通用AI集群中占比可达28%，部分超大规模训练项目的浪费比例甚至超过40%。

针对这一痛点，科技行业正在探索两种核心的优化路径：一是硬件层面的近距离适配，比如将高速存储介质（如NVMe SSD、HBM3显存）直接集成在计算节点内部，或者构建分布式存储集群与计算池的低延迟直连网络；二是软件层面的调度协同，通过AI专用的存储调度系统，将计算任务所需的数据提前缓存到靠近计算节点的本地存储中，减少跨节点传输。

比如Pure Storage推出的FlashBlade AI存储系统，可针对大模型训练的数据流做专门优化，将数据读取时延降低60%以上；国内的华为OceanStor AI存储方案，则通过分布式缓存技术实现了存储与计算资源的动态联动，适配多模态AI的高并发数据读取需求。

随着AI模型参数规模持续突破万亿级，传统的“分离式”架构已经难以满足需求，行业正朝着存算一体化的方向演进。三星、英伟达等厂商已经推出了集成存储与计算功能的芯片方案，将部分数据处理功能下沉到存储介质中，实现“数据不挪窝，运算在本地”。据InfoWorld的行业预测，到2027年，全球超过60%的企业级AI基础设施将采用存算协同架构，而真正的存算一体方案将在边缘AI、实时推理场景中率先落地，进一步降低AI应用的成本与时延。

从单纯的算力竞赛到基础设施的全面重构，AI的爆发式增长正在重新定义IT架构的底层逻辑。存储与计算的关系从“各司其职”转向“协同共生”，不仅是解决当前AI训练低效问题的务实路径，更是未来通用人工智能落地、普惠AI应用普及的必要前提。