Gartner預測，到2023年將有20%的內容被AIGC所創(chuàng)建；到2025 年人工智能生成數(shù)據(jù)占比將達到10%。不可否認，生成式AI、大模型正在成為數(shù)據(jù)中心基礎設施發(fā)展最大的牽引力?？梢灶A見，由AIGC和大模型帶來的基礎設施投入在未來會持續(xù)增長。

但從目前真實情況看，數(shù)據(jù)中心的建設是“偏科”和“失衡”的。出于各種原因，“重算力、輕存力”的現(xiàn)象較為明顯，大部分用戶非?？粗?a href="http://www.3532n.com/tags/gpu/" target="_blank">GPU等算力產品的部署，卻忽視了存力建設的重要性，更缺少對于數(shù)據(jù)中心整體資源的規(guī)劃與匹配。

眾所周知，大模型應用的核心是高質量數(shù)據(jù)，數(shù)據(jù)的質量又決定著算法的性能、泛化能力和應用效果，而高質量數(shù)據(jù)的得到又與存力息息相關，圍繞數(shù)據(jù)的“傳輸、存儲、分析、管理、安全”等環(huán)節(jié)，存力是釋放數(shù)據(jù)價值必不可少的關鍵因素。

事實上，大模型發(fā)展到今天，已經(jīng)屬于一個大規(guī)模、高質量數(shù)據(jù)和數(shù)據(jù)高效處理的工程難題。隨著大模型逐漸向多模態(tài)的方向演進，意味著除了持續(xù)的算力需求之外，對于數(shù)據(jù)存儲的容量、性能、多協(xié)議支持、可靠性、數(shù)據(jù)管理等帶來前所未有的變化。

例如，大模型多元異構數(shù)據(jù)的歸集、標注、訓練、推理和歸檔均需要極高的效率來移動數(shù)據(jù)，這意味著支持異構數(shù)據(jù)的多協(xié)議融合將是解決大模型數(shù)據(jù)移動與處理效率的關鍵所在；又如，AIGC應用會產生大量推理需求，隨之而來的就是大規(guī)模的并行處理和復雜IO，對數(shù)據(jù)存儲性能要求極高；再如，大模型訓練動輒需要調用成百上千塊GPU卡，并且存在著不同的CheckPoint，對于存儲的穩(wěn)定可靠要求越來越高。

對于用戶而言，除了需要重視存力建設之外，一個不容忽視的現(xiàn)實挑戰(zhàn)即：數(shù)據(jù)中心的算力、存力資源比例到底應該如何配置才算最佳？為此，浪潮信息帶來了它的答案：從數(shù)據(jù)容量、帶寬、訪問頻率以及成本等多個因素綜合考量，未來數(shù)據(jù)中心在實踐中需要形成算力、閃存和混閃的11黃金比例，以滿足AIGC、大模型等人工智能應用的需求。

相比于歐美成熟市場，我國存力的發(fā)展一直滯后于算力。這從我國數(shù)據(jù)中心全閃存普及率較低、容災保護建設力度較弱等方面可見一斑。

隨著AIGC時代的到來，這種滯后的現(xiàn)象更加明顯與突出。面對AIGC迅猛的算力需求，很多用戶從一開始就“走一步看一步”，往往是先購買算力，使用過程中發(fā)現(xiàn)存力跟不上，再去著手配置相應的存力，缺乏數(shù)據(jù)中心資源整體規(guī)劃，建設方式明顯落伍。

某種程度而言，我國通過普及和推廣數(shù)據(jù)中心算力、閃存和混閃的11黃金比例既能讓用戶在基礎設施層面更好地支撐起AIGC領域的創(chuàng)新，又可推動我國數(shù)據(jù)中心存力建設，實現(xiàn)數(shù)據(jù)中心整體資源配置和利用水平的提升。

但數(shù)據(jù)中心資源配置的黃金比例為什么會是“1個GPU節(jié)點，對應1個全閃存儲、對應1個混閃存儲” ？浪潮信息之所以會提出算力、閃存和混閃的11黃金比例，主要來自兩個方面的核心原因：

首先，黃金比例源自于浪潮信息較早就涉足大模型的實踐。早在2021年，浪潮信息就發(fā)布了源1.0中文大模型，當時該模型參數(shù)就高達2457億個，訓練文本數(shù)據(jù)量高達50TB，在這些年的大模型訓練、推理實踐中，浪潮信息自身的基礎設施產品起到了關鍵的支撐作用；同時，浪潮信息也深刻感受到數(shù)據(jù)中心算力、存力的合理配置，對于發(fā)展大模型的重要性。

例如，在大模型訓練與推理場景中，數(shù)據(jù)存儲最大的挑戰(zhàn)就是如何將不同數(shù)據(jù)源源不斷傳輸?shù)?a href="http://www.3532n.com/v/tag/132/" target="_blank">CPU和GPU，因此對于數(shù)據(jù)處理性能、如何與GPU配合等考驗極大。

其次，作為國內領先的企業(yè)級存儲廠商，浪潮信息對于閃存、混閃等相關存力技術的未來發(fā)展有著深刻洞察，加上浪潮信息相關存儲解決方案已經(jīng)在國內多家AIGC企業(yè)中成功應用，對于AIGC時代數(shù)據(jù)中心的整體建設已經(jīng)積累了較多實踐。

“浪潮信息在閃存領域具有全棧技術創(chuàng)新能力，從底層SSD的控制器到存儲系統(tǒng)軟硬件，再到上層應用，實現(xiàn)盤控協(xié)同，以及數(shù)據(jù)全鏈路的優(yōu)化，有利于像AIGC這類應用充分釋放數(shù)據(jù)的價值?！眲⑾Ｃ脱a充道。

事實上，考慮到市場內外部環(huán)境與因素，未來算力市場GPU緊缺的情況還將持續(xù)很長一段時間，這也讓算力、閃存和混閃的11黃金比例具有非常強的實踐意義。在算力緊缺的情況下，同等算力配置下，以存強算，通過算力與存力的合理配置，可以充分發(fā)揮基礎設施整體資源的價值。

為了進一步推動黃金比例在數(shù)據(jù)中心領域的推廣，浪潮信息近期又正式推出針對大模型應用存儲系統(tǒng)：AS 15000G7，以幫助用戶從復雜的基礎設施中解脫出來，全力投入到AIGC創(chuàng)新之中。

可以說，黃金比例的普及，存儲系統(tǒng)是關鍵。

眾所周知，近年來隨著閃存介質容量的持續(xù)提升以及價格的不斷下降，為存力在國內的發(fā)展創(chuàng)造了極好的條件。毫無疑問，AIGC的興起，將進一步驅動全閃、混閃等存儲產品加速創(chuàng)新。

“AIGC類應用帶來了對容量、性能、功能等需求的全面提升?！苯獦饭榻B道，“存儲系統(tǒng)不僅需要進行全新組合與設計，進而滿足AIGC類應用的數(shù)據(jù)存儲需求，還要避免傳統(tǒng)存儲方案的復雜性和低效率?！?/span>

首先，針對大模型高并發(fā)、復雜IO等特征，AS 15000G7從架構、硬件、關鍵技術、IO路徑優(yōu)化等多個方面為AIGC帶來了極致性能，為大模型的訓練等帶來性能保障。具體來看，AS 15000G7通過GDS、RDMA技術縮短I/O路徑，并且利用智能元數(shù)據(jù)管理顯著提升數(shù)據(jù)訪問和檢索速度；另外，獨有的智能網(wǎng)絡優(yōu)化技術實現(xiàn)提升網(wǎng)絡端口并發(fā)能力，時延縮短50%以上，尤其是小文件級傳輸?shù)臅r延可降至毫秒級。

其次，針對大模型訓練流程管理，AS 15000G7提供全流程透明可控的極致管理。AS 15000G7可同時搭載AIStation調度平臺和InView數(shù)據(jù)管理平臺，對AI服務器、網(wǎng)絡、存儲等設備進行智能運維，支持訓練推理全流程的多租戶管理、資源分配、數(shù)據(jù)管理分析?？梢酝ㄟ^一套存儲實現(xiàn)對AIGC數(shù)據(jù)采集、清洗、訓練、推理、歸檔不同場景全流程的設備資源監(jiān)控和管理。

第三，針對大模型多元異構數(shù)據(jù)的歸集、標注、訓練、推理和歸檔，AS 15000G7融合架構實現(xiàn)多源異構巨量數(shù)據(jù)的極致融合，對文件、對象、大數(shù)據(jù)以及視頻的存儲方式進行并行訪問，支持多協(xié)議實時互訪互通和系統(tǒng)扁平擴展，數(shù)據(jù)訪問過程中保持語義一致、性能無損，從而對AI大模型海量多源異構非結構化數(shù)據(jù)實現(xiàn)高效共享。

最后，針對大模型所需要的巨額投入，AS 15000G7可助力用戶實現(xiàn)黃金比例的數(shù)據(jù)中心資源最佳配比，提升投資回報比，帶來極致效率。AS 15000G7根據(jù)閃存、磁盤、磁帶、光盤等不同介質分為性能型、均衡型、容量型三種機型，并且基于自動化的數(shù)據(jù)分層和遷移，在應用安全透明的前提下，實現(xiàn)熱溫冷冰數(shù)據(jù)全生命周期的管理，帶來TCO的顯著降低。

毋庸置疑，AIGC的興起標志著人工智能發(fā)展的拐點已至。當下，中國已經(jīng)成為全球AIGC創(chuàng)新與發(fā)展的熱土。不完全統(tǒng)計，當前國內大模型數(shù)量已經(jīng)超過200個，不同類型的企業(yè)均在全力推動AIGC、大模型的發(fā)展。如今，人們愈發(fā)意識到“大模型產業(yè)發(fā)展，基礎設施先行”的道理，算力、閃存和混閃的11黃金比例建設理念出現(xiàn)可謂是恰逢其時，有助于探索AIGC的企業(yè)降低基礎設施復雜度，從而更好地聚焦創(chuàng)新。

“AIGC現(xiàn)在才剛剛起步，未來會持續(xù)帶來對基礎設施的需求。預計到2026年，黃金比例的建設模式有望得到廣泛應用?！眲⑾Ｃ妥詈蟊硎镜?。