AIGC，即人工智能生成內容，是指利用人工智能技術，根據用戶的需求和意圖，自動生成文本、圖片、音視頻等多種形式的內容。AIGC具有高效、多樣、創新的特點，可以應用于娛樂、教育、營銷、新聞等多個領域，為用戶帶來更豐富的體驗和價值。

比如我這篇文章的配圖，就是用AIGC生成的。我在bing圖像創建器里面輸入提示詞“一個聊天機器人在給病人做心理咨詢”，就可以得到上面的圖片。

而大模型是指具備海量參數和復雜結構的人工智能模型。例如，GPT-3是一種具有1750億個參數的大型語言模型，具備驚人的語言理解和生成能力。大模型的訓練需要大量的計算資源和數據，但其帶來的創作能力和自動化程度是前所未有的。大模型可以通過輸入一小段文本，自動生成連貫、有邏輯的文章，為創作者提供了強大的輔助工具。

有大模型加持的AIGC隨著chatGPT的火爆，已經是路人皆知了。很多企業也紛紛加入了這個領域的競爭。對大模型AIGC的支持也成了很多先進企業選擇云基礎設施重點考慮的因素。 而騰訊云作為國內領先的云計算服務商，為AIGC大模型場景提供了全面的解決方案。今天，我們就從存儲的視角，看看騰訊云存儲給AIGC場景提供哪些針對性的解決方案。

崔劍作為騰訊云存儲產品團隊的一員，他從騰訊云存儲團隊的角度，向大家介紹他們對AIGC場景的思考以及目前的工作和未來計劃，旨在幫助國內從事AIGC相關業務的公司更好地進行大模型訓練。

大規模訓練對于開發者朋友們來說并不陌生。崔劍解釋說，大規模訓練可以分為兩個階段：訓練和推理。在訓練階段，AIGC團隊從各個網站收集各種待訓練素材，包括他們自己生成的素材。這些初始素材經過初步清洗和標注后，被送入GPU進行訓練。訓練完成后，訓練結果被輸入到神經網絡中，使得大模型訓練的神經網絡變得越來越智能。

在訓練場景中，數據存儲起著至關重要的作用。為了滿足不斷增長的數據規模和多樣化的數據類型，訓練場景對存儲系統有以下關鍵要求：

1. 數據湖統一存儲：訓練場景需要一個統一的數據湖存儲系統，能夠容納不同來源和格式的數據。這種統一存儲能夠將數據集中管理，提供一致的接口和訪問方式，簡化數據管理和查詢操作，從而提高效率。

2. 自由流動的數據：在訓練場景中，數據的自由流動至關重要。存儲系統應該提供高效的數據交換和傳輸機制，以便數據在不同業務之間自由流動。這樣可以實現數據共享和協作，避免數據孤島的問題，并且促進跨部門和跨團隊的合作。

3. 高吞吐、低時延：由于訓練場景通常涉及大規模數據處理和計算，存儲系統需要具備高吞吐和低時延的能力。高吞吐能夠支持快速讀寫操作，提供穩定的數據傳輸速度。低時延可以減少數據訪問的延遲，確保訓練任務能夠及時響應和迭代。

綜上所述，訓練場景對存儲系統有著數據湖統一存儲、自由流動的數據、高吞吐和低時延的關鍵要求。滿足這些要求的存儲系統能夠支持高效的數據管理、協作和處理，為訓練場景的成功實施提供可靠的基礎。

基于這些訓練結果，業務團隊將其進行推理和應用的封裝。推理和應用包括文本生成、圖像生成、視頻生成等功能。終端用戶可以提供輸入，例如一段文本，希望生成相應的圖像或古詩。輸入進入推理系統后，系統基于神經網絡的積累，通過服務端返回結果。在這個過程中，還有一些重要的旁路模塊，如內容審核。

由于所有內容都由機器生成，可能涉及政治、色情或恐怖主義等問題，各大平臺都投入了大量資源進行內容審核。 推理的結果可以應用于2B或2C的平臺。對于2B平臺，需要對推理結果進行管理，可能還需要下游內容管理的解決方案。崔劍表示，騰訊云在AIGC領域投入了大量精力，提供全面的解決方案，包括計算、存儲、網絡、容器和云原生等調度能力。時間有限，崔劍僅從存儲團隊的角度介紹了他們在騰訊云AIGC解決方案中的貢獻。

AIGC的核心要素包括內容生成、內容審核和內容智理三個維度。內容生成是指利用深度學習模型，根據用戶輸入的關鍵詞、語句或圖片等信息，生成相應的內容。內容審核是指對生成的內容進行合法性、合規性和質量的檢測和篩選，防止出現違規、低俗或不符合用戶期望的內容。

內容智理是指對生成的內容進行結構化、分類、標簽化等處理，提高內容的可檢索性和可利用性。 騰訊云作為國內領先的云計算服務商，為AIGC場景提供了全面的解決方案，其中和云存儲相關的包括：

- COS對象存儲數據湖：基于騰訊云對象存儲服務，為AIGC提供海量、安全、低成本的數據存儲空間，支持多地域部署和跨地域復制，滿足AIGC數據管理的需求。

- GooseFS數據加速：基于騰訊云自研的分布式緩存系統，為AIGC提供高性能緩存服務，利用GPU節點的內存或NVME SSD作為緩存介質，實現數據與計算節點的就近訪問，提升數據訪問效率。

- 數據萬象內容審核：基于騰訊云數據萬象服務，為AIGC提供全方位的內容審核服務，包括文本審核、圖片審核、音視頻審核等，利用業界領先的語義模型和海量的違規詞庫，快速識別出生成內容中包含的違規、低俗或不合適的信息。

- 企業網盤數據智理：基于騰訊云企業網盤產品，為AIGC提供高效的數據智理服務，包括對用戶的數據集、Fine-tuned models、生成的內容進行結構化、分類、標簽化等處理，并支持多模態檢索和跨平臺分享。 通過以上解決方案，騰訊云為AIGC場景提供了端到端的支持，幫助開發者們快速搭建AIGC應用平臺，實現內容生成革命。

西瓜哥做存儲很多年，采用對象存儲做數據湖，采用分布式文件系統做大模型訓練加速，這都是業界的常見做法，我也很容易想到，相信其他公有云廠商也是如此。但是，騰訊云引入了成熟的數據萬象內容審核平臺，幫助用戶解決AIGC的合規問題，尤其有價值。并且最后通過網盤對AIGC的產出內容進行高效的管理，讓AIGC的價值充分釋放，我覺得也是騰訊云的一個亮點。

針對騰訊云存儲的AIGC解決方案，有四個重要的步驟。

Step.1

第一步是數據集下載和預處理，在這一關鍵步驟中，國內的公司與國外的ChatGPT存在一些差距。崔劍認為，這種差距主要體現在兩個方面。首先是算法方面，雖然ChatGPT在早期的幾個版本中公開了一些算法，但新版本的算法并沒有公開，因為他們認為這是他們的核心競爭力之一。

其次是標注能力，這可能是大家容易忽視的因素。質量好壞與標注的準確性有關。對于經典的AI標注來說，例如對一張圖片進行標注，判斷其中是否有人物或風景，如果是人物，還要判斷性別和膚色等，這些問題可以通過簡單的問答進行標注。

然而，在大規模模型訓練中，對結果的精確度要求非常高，且復雜度較高，因此標注環節的技術要求較高。問題不在于是否能正確回答問題，而在于提問者如何提出問題，問題的質量將決定標注數據的水平，而標注數據集的質量則決定了最終產物的質量，這也是一個核心競爭力所在。

由于國內公司在這方面的積累時間相對較短，可能會根據自身的技術積累進行標注，也會從國外網站獲取數據。國外有一些網站提供了這樣的服務，用戶可以免費下載已標注好的數據作為訓練素材集的冷啟動。 對于從國外網站獲取數據這個場景，國內許多公司的第一步是拉取數據，但面臨一個問題，即如何快速將這些數據拉回國內。

在這方面，騰訊云提供了多種解決方案，包括離線、在線、存量和增量數據等。針對這個場景，騰訊云的解決方案是MSP騰訊數據遷移平臺。它是一個PaaS平臺，通過可視化操作，可以將數據從國外網站快速拉取到國內存儲桶中，這就完成了第一步的操作。

Step.2

第二步就是訓練了。在訓練過程中，存儲在配合GPU的使用上起到了重要的作用。由于GPU的稀缺性和珍貴性，我們必須在存儲方面做好數據拉取加速，以更好地提供數據給GPU，避免浪費時間，并盡快將數據傳輸給GPU，從而減少GPU等待時間，提高GPU算力的利用率，從而節省成本。為了實現這個目標，我們需要分析整個訓練流程是怎樣的。

整個訓練流程中，涉及到大量的IO操作。原始素材由用戶匯集在云上對象存儲的存儲桶中，上面架設了GPU。訓練模型這一方面會進行高帶寬的數據拉取，將待訓練的素材批量拉取到本地，方便對待訓練素材進行向量化壓縮和本地模型運算。

然而，在進行本地模型算力過程中，會不斷進行Checkpoint的回寫操作。不同廠家的回寫策略不同，但都會周期性回寫一次Checkpoint大文件，這對存儲側的寫帶寬和讀帶寬都有較高的要求。 為了滿足用戶對帶寬和IO性能的高要求，騰訊云提供了一套方案。

COS對象存儲匯集用戶全量素材的產品，決定要拉取哪些數據可能會根據每日或每周的待訓練任務而變化。推薦用戶通過預熱的方式將數據Load到GooseFS中。GooseFS是部署在用戶計算端或近計算端的本地文件系統，它有效利用了GPU本地的SSD資源。

在常見的GPU卡中，都搭載了三到四塊SSD盤，我們可以充分利用多臺GPU本地SSD盤，將其構建成一個統一的GooseFS文件系統。一旦數據拉到本地GooseFS后，用戶即可以在GPU本地進行更高效的讀寫訓練操作。 在這個方案中，騰訊云希望持續打磨GooseFS這一層的能力，充分發揮方案價值。

如果用戶直接從COS讀取數據可能會在性能上存在一些瓶頸，從絕對的數據角度來看，各家COS服務商根據單個邏輯桶提供OPS，一個單桶可能只能提供3萬OPS，也只能提供2GB的帶寬，即15-16 GBps。這顯然是不夠的。然而，如果能事先一次性將數據Load到GPU本地，運行本地的GooseFS，釋放本地SSD的帶寬，那么GooseFS可以達到TB級的帶寬，能夠充分滿足GPU本地訓練框架的性能要求。

整體的訓練加速比可以提升數十倍。此外，除了GooseFS層面的加速，如果需要的話，還可以進行AZ級服務端加速，進一步提升整個訓練過程的效率。

Step.3

第三步就是推理了。在推理階段，騰訊云已經走得比較快，開始考慮商業化或產品化的封裝，這一步非常重要。騰訊云提供了一套內容審核方案，整個流程相對簡單易懂。用戶首先在AIGC產品客戶端輸入一個要執行的任務，但是用戶輸入的文字需要經過審核，因為有些描述可能不合規范。

因此，騰訊云先進行審核，檢查用戶輸入的內容是否有問題。如果沒有問題，數據就會傳遞到模型大腦這一層。模型大腦根據輸入進行分析和理解，并指導用戶獲取他們想要的結果。然后，在第③步中，產出的結果會再次發送到騰訊云內容審核的服務端進行審核。一旦審核通過，結果將在第④步和第⑤步之后再次返回給用戶。 崔劍介紹，騰訊云存儲數據萬象產品提供了數據處理和數據審核服務，已經成功運營多年。在審核能力和精準度方面，騰訊云在行業內處于領先地位。

Step.4

最后就是結果的管理了。在最后一步中，推理產物的使用者可能是個人，也可能是一家公司。對于后者，可能需要涉及到下游流程。根據業務需求，公司通過接口請求獲取推理產物，并需要進行管理。這個產物可能會作為知識庫的一部分存儲在公司內部，也可能需要在公司內部進行分發或匯總。為了解決這個問題，騰訊云存儲團隊提供了企業網盤作為最終閉環的解決方案。企業網盤是一種常見的SaaS辦公軟件，可以提供文件多人協作、一對多、多對多、多對一的文件分發和共享功能，同時支持移動辦公。

在上面的四個部分，比較觸動俺西瓜哥的其實是第一步。因為我知道，數據的收集和整理是最難的，也是工作量最大的。騰訊云能夠提供很多自動化的數據遷移和標注工具，這個對用戶的幫助是真的很大。俗話說，數據管理匯-存-算-管-用，匯是第一步。騰訊云的AIGC解決方案也覆蓋了所有的這些標準動作，形成了閉環。

除了在AIGC產品中提供閉環解決方案外，騰訊云存儲還在底層不斷升級引擎，降低成本、提高性能和可靠性。在產品能力方面，騰訊云存儲擁有三個核心產品。首先是公有云存儲COS，其次是私有云存儲TStor，該產品將存儲技術集成到一體機中，可供企業進行線下部署。最后是智能存儲的核心產品數據萬象CI，它可以幫助用戶處理存儲在云上的數據，例如為圖片打水印、進行轉碼和審核等智能存儲功能。

騰訊云存儲團隊孵化了許多PaaS和SaaS級存儲產品，包括數據湖存儲GooseFS、企業網盤和視圖計算等。這些產品旨在滿足不同行業和使用場景的需求。 騰訊云存儲團隊與騰訊云的各個行業團隊緊密合作，為各個行業提供定制的解決方案，以滿足其特定需求。不論您所在的行業是哪個，騰訊云存儲團隊都致力于提供優質的服務。

根據崔劍老師的介紹，我們了解到騰訊云存儲針對AIGC的解決方案主要包括以下幾個方面：

-在數據集的下載和預處理階段，提供MSP數據遷移平臺，幫助用戶快速將標注好的數據遷移到云上對象存儲桶。

- 在大模型訓練階段，提供 GooseFS 分布式文件系統，利用 GPU 本地的 SSD 資源，加速數據的拉取和緩存，提高 GPU 算力利用率，實現訓練加速。

- 在推理階段，提供數據萬象的內容審核服務，對用戶輸入和推理產物進行質量把控，防止涉政、涉黃、涉恐等問題。

- 在推理產物管理階段，提供企業網盤服務，支持文件多人協作、共享、分發和移動辦公，幫助用戶管理和利用推理產物。

西瓜哥的簡單解讀就到這里了，我們看到，騰訊云存儲團隊為 AIGC 領域提供了一套全面、高效、智能的解決方案，從數據集的下載和預處理，到大模型訓練，再到推理和推理產物管理，展現了強大的技術實力和創新能力。這些解決方案不僅降低了用戶的成本和時間，提高了用戶的效率和質量，還為用戶帶來了更多的可能性和價值。

審核編輯：劉清