導(dǎo)語：傳統(tǒng)數(shù)據(jù)存儲(chǔ)架構(gòu)在支撐大模型快速迭代升級(jí)過程中暴露出承載瓶頸，以AI原生存儲(chǔ)為代表的新型AI存儲(chǔ)具備超高性能、超大容量、極致安全、數(shù)據(jù)編織等特征，可以有效支撐大模型數(shù)據(jù)歸集、預(yù)處理、訓(xùn)練、推理等全生命周期流程。

（1）背景

伴隨人工智能大模型的高速發(fā)展，數(shù)據(jù)量呈指數(shù)級(jí)增長(zhǎng)，存儲(chǔ)產(chǎn)業(yè)迎來新一輪的增長(zhǎng)。根據(jù)IDC和華為GIV團(tuán)隊(duì)預(yù)測(cè)，全球每年新產(chǎn)生的數(shù)據(jù)總量隨著AI的發(fā)展快速增長(zhǎng)，從2020年每年產(chǎn)生2ZB到2025年每年產(chǎn)生175ZB，2030年將達(dá)到1,003ZB，即將進(jìn)入YB時(shí)代[1]。

圖1：全球每年新產(chǎn)生的數(shù)據(jù)總量預(yù)測(cè)（ZB）

來源：華為

人工智能大模型快速迭代創(chuàng)新，其研發(fā)生產(chǎn)各階段都對(duì)存儲(chǔ)提出了新的要求。

在數(shù)據(jù)采集與清洗環(huán)節(jié)，由于原始數(shù)據(jù)規(guī)模大、來源多樣、種類豐富，需要構(gòu)建大容量、低成本、高可靠的數(shù)據(jù)存儲(chǔ)底座，并且用標(biāo)準(zhǔn)文件的方式完成海量數(shù)據(jù)的清洗和轉(zhuǎn)換，以縮短數(shù)據(jù)預(yù)處理的時(shí)長(zhǎng)。

在模型訓(xùn)練與推理應(yīng)用環(huán)節(jié)，由于主流預(yù)訓(xùn)練模型訓(xùn)練過程不穩(wěn)定，需要用Checkpoint（檢查點(diǎn)）機(jī)制來確保訓(xùn)練回退到還原點(diǎn)，因此，要求存儲(chǔ)能快速讀寫Checkpoint文件。

此外，為保證大模型生成的內(nèi)容是合法、合規(guī)的，存儲(chǔ)需要提供比較豐富的數(shù)據(jù)審核能力。

同時(shí)，各企業(yè)采用的算力、算法逐漸收斂，數(shù)據(jù)成為真正體現(xiàn)大模型差異性的關(guān)鍵要素。訓(xùn)練數(shù)據(jù)的體量與質(zhì)量對(duì)提升大模型的效果具有顯著作用。盡管LLaMA3的參數(shù)規(guī)模不到GPT-3.5的一半，但其15TB訓(xùn)練數(shù)據(jù)遠(yuǎn)超GPT-3.5的570GB訓(xùn)練數(shù)據(jù)，使其在大部分基準(zhǔn)上均表現(xiàn)更優(yōu)[2]。

圖2：數(shù)據(jù)是大模型的核心要素

來源：中國信息通信研究院

傳統(tǒng)數(shù)據(jù)存儲(chǔ)架構(gòu)在支撐大模型快速迭代升級(jí)過程中暴露出顯著瓶頸，已難以承載世界級(jí)認(rèn)知系統(tǒng)的數(shù)據(jù)需求。

首先，傳統(tǒng)存儲(chǔ)系統(tǒng)的吞吐性能與并發(fā)能力難以匹配GPU算力需求，IO延遲導(dǎo)致算力空轉(zhuǎn)現(xiàn)象普遍；其次，面對(duì)大量非結(jié)構(gòu)化數(shù)據(jù)，傳統(tǒng)方案極易出現(xiàn)孤島與重復(fù)拷貝的問題，缺失元數(shù)據(jù)追溯與可復(fù)現(xiàn)性機(jī)制；再者，冷熱數(shù)據(jù)分層依賴人工，存在誤判風(fēng)險(xiǎn)，影響訓(xùn)練效率；此外，對(duì)象存儲(chǔ)在AI訓(xùn)練場(chǎng)景中暴露高并發(fā)讀寫短板，多存儲(chǔ)系統(tǒng)拼接導(dǎo)致數(shù)據(jù)頻繁搬運(yùn)與格式?jīng)_突。

以AI原生存儲(chǔ)為代表的新型AI存儲(chǔ)是專為人工智能應(yīng)用和服務(wù)設(shè)計(jì)的數(shù)據(jù)存儲(chǔ)系統(tǒng)，具備超高性能、超大容量、極致安全、數(shù)據(jù)編織等特征，可以有效支撐大模型數(shù)據(jù)歸集、預(yù)處理、訓(xùn)練、推理等全生命周期流程，正成為破局的關(guān)鍵。

圖3：AI基礎(chǔ)架構(gòu)

來源：中國信息通信研究院

（2）定義

AI原生存儲(chǔ)（AI-Native Storage）是指為AI系統(tǒng)尤其是大模型訓(xùn)練、推理、數(shù)據(jù)治理等工作負(fù)載量身定制的下一代智能存儲(chǔ)系統(tǒng)，其架構(gòu)、性能、接口、調(diào)度、元數(shù)據(jù)系統(tǒng)等各方面都以AI應(yīng)用的需求為核心設(shè)計(jì)，而非對(duì)傳統(tǒng)存儲(chǔ)系統(tǒng)的簡(jiǎn)單改造。

AI原生存儲(chǔ)與通用存儲(chǔ)（傳統(tǒng)存儲(chǔ)）在架構(gòu)設(shè)計(jì)和功能特性上存在顯著差異，主要面向AI大模型訓(xùn)練和推理場(chǎng)景的特定需求，在智能調(diào)度、數(shù)據(jù)版本控制、組成架構(gòu)、數(shù)據(jù)治理、數(shù)據(jù)分層、安全性等方面進(jìn)行優(yōu)化。

表1：原生存儲(chǔ)與通用存儲(chǔ)（傳統(tǒng)存儲(chǔ)）對(duì)比

來源：融中咨詢

（3）組成

AI原生存儲(chǔ)（AI-Native Storage）涵蓋底層硬件、性能、容量、調(diào)度、數(shù)據(jù)治理、輸出輸入接口等各層級(jí)，提升大模型數(shù)據(jù)存儲(chǔ)能力。

表2：AI原生存儲(chǔ)結(jié)構(gòu)組成

來源：融中咨詢

（4）分類

1）存儲(chǔ)架構(gòu)維度

AI原生存儲(chǔ)體系在應(yīng)對(duì)大模型商用化挑戰(zhàn)時(shí)，逐步形成了多維度協(xié)同的架構(gòu)范式，成為AI基礎(chǔ)設(shè)施中主動(dòng)參與任務(wù)調(diào)度的“神經(jīng)中樞”，主要包括分布式文件系統(tǒng)架構(gòu)、對(duì)象存儲(chǔ)架構(gòu)、混合存儲(chǔ)架與并行文件系統(tǒng)架。

表3：從存儲(chǔ)架構(gòu)維度進(jìn)行分類

來源：融中咨詢

2）數(shù)據(jù)形態(tài)維度

為確保不同的數(shù)據(jù)形態(tài)維度在訓(xùn)練、推理及知識(shí)庫構(gòu)建中的高效流動(dòng)與智能調(diào)度，針對(duì)不同數(shù)據(jù)形態(tài)維度，AI原生存儲(chǔ)體系可分為結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)、非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)及多模態(tài)數(shù)據(jù)存儲(chǔ)。

表4：從數(shù)據(jù)維度進(jìn)行分類

來源：融中咨詢

3）工作負(fù)載維度

不同的工作負(fù)載維度各有其獨(dú)特的需求和特點(diǎn)，對(duì)應(yīng)的AI原生存儲(chǔ)中包括訓(xùn)練型存儲(chǔ)、推理型存儲(chǔ)和采集預(yù)處理型存儲(chǔ)。

表5：從工作負(fù)載維度進(jìn)行分類

來源：融中咨詢

4）感知能力維度

基于感知能力維度，存儲(chǔ)體系可分為被動(dòng)型傳統(tǒng)存儲(chǔ)、智能型存儲(chǔ)、與自學(xué)習(xí)型存儲(chǔ)。傳統(tǒng)存儲(chǔ)系統(tǒng)主要遵循“被動(dòng)響應(yīng)”的模式，在面對(duì)AI應(yīng)用中復(fù)雜多變的數(shù)據(jù)訪問模式和性能需求時(shí)，往往顯得力不從心，更適用于AI大模型領(lǐng)域的是智能型存儲(chǔ)、與自學(xué)習(xí)型存儲(chǔ)。

表6：從感知能力維度進(jìn)行分類

來源：融中咨詢

(1)傳統(tǒng)存儲(chǔ)階段（AI大模型興起前）

傳統(tǒng)存儲(chǔ)階段主要采用集中式設(shè)計(jì)，數(shù)據(jù)存儲(chǔ)和處理高度依賴于中心化硬件設(shè)備，如存儲(chǔ)區(qū)域網(wǎng)絡(luò)（SAN）和網(wǎng)絡(luò)附加存儲(chǔ)（NAS）。這類架構(gòu)通過專用硬件（如高端磁盤陣列）和封閉協(xié)議（如光纖通道）實(shí)現(xiàn)數(shù)據(jù)集中管理，雖能提供較高的單點(diǎn)性能和可靠性，但存在顯著局限性。

其擴(kuò)展性受限于硬件設(shè)備的物理容量，無法彈性應(yīng)對(duì)數(shù)據(jù)量激增；存儲(chǔ)與計(jì)算緊耦合的設(shè)計(jì)導(dǎo)致資源利用率低下，尤其在處理海量非結(jié)構(gòu)化數(shù)據(jù)時(shí)易出現(xiàn)性能瓶頸。此外，集中式架構(gòu)存在單點(diǎn)故障風(fēng)險(xiǎn)，容災(zāi)能力較弱，且依賴昂貴專有硬件，維護(hù)成本高昂。

隨著數(shù)據(jù)規(guī)模指數(shù)級(jí)增長(zhǎng)及AI等新場(chǎng)景對(duì)高并發(fā)、低延時(shí)的需求，傳統(tǒng)架構(gòu)在吞吐能力、成本效益和靈活性上的不足日益凸顯，逐漸被分布式存儲(chǔ)架構(gòu)取代。

(2) 需求驅(qū)動(dòng)探索階段（2020年代初期）

需求驅(qū)動(dòng)下的探索階段是隨著數(shù)據(jù)量的爆發(fā)式增長(zhǎng)和技術(shù)革新推動(dòng)的必然產(chǎn)物。在全球及中國數(shù)據(jù)產(chǎn)量持續(xù)攀升的背景下（2023年達(dá)32.85ZB）[3]，數(shù)據(jù)資源呈現(xiàn)出海量規(guī)模、多樣類型、低價(jià)值密度和高速流轉(zhuǎn)的“4V”特性，傳統(tǒng)集中式關(guān)系型數(shù)據(jù)庫在處理半結(jié)構(gòu)化/非結(jié)構(gòu)化數(shù)據(jù)時(shí)遭遇嚴(yán)重瓶頸。

生成式人工智能與大模型技術(shù)的突破進(jìn)一步提升了數(shù)據(jù)存儲(chǔ)的剛性需求，倒逼技術(shù)變革。這一階段的核心特征體現(xiàn)為從“關(guān)系型、集中式”向“非關(guān)系型、分布式”的范式轉(zhuǎn)移，并逐步向“多模型、云原生”深化演進(jìn)。通過存算分離、資源池化等技術(shù)重構(gòu)數(shù)據(jù)管理架構(gòu)，云原生數(shù)據(jù)庫的私有化部署模式因滿足“數(shù)據(jù)不外流”的安全需求而快速崛起。

與此同時(shí)，多模型數(shù)據(jù)管理系統(tǒng)應(yīng)運(yùn)而生，支持結(jié)構(gòu)化、圖數(shù)據(jù)、文檔等多類型數(shù)據(jù)的融合處理，顯著降低跨模型數(shù)據(jù)聯(lián)合處理的架構(gòu)復(fù)雜度與運(yùn)維成本。這一階段的技術(shù)探索為后續(xù)AI原生存儲(chǔ)體系的形成奠定了基礎(chǔ)，標(biāo)志著數(shù)據(jù)管理軟件從被動(dòng)適配向主動(dòng)創(chuàng)新的關(guān)鍵轉(zhuǎn)折。

(3) AI原生存儲(chǔ)體系形成階段（2022-至今）

隨著大模型技術(shù)快速發(fā)展，在AI從科研范式轉(zhuǎn)向工業(yè)級(jí)應(yīng)用的過程中，傳統(tǒng)存儲(chǔ)架構(gòu)面臨多模態(tài)數(shù)據(jù)管理、海量版本控制、實(shí)時(shí)推理支持等核心挑戰(zhàn)，促使存儲(chǔ)系統(tǒng)從被動(dòng)數(shù)據(jù)倉庫向主動(dòng)智能中樞轉(zhuǎn)型。

這一體系形成的關(guān)鍵在于存儲(chǔ)技術(shù)與AI任務(wù)需求的深度耦合：初期通過分布式架構(gòu)突破性能瓶頸，實(shí)現(xiàn)EB級(jí)擴(kuò)展和千萬級(jí)IOPS；中期引入智能調(diào)度引擎，使存儲(chǔ)系統(tǒng)能感知訓(xùn)練任務(wù)特征，動(dòng)態(tài)優(yōu)化數(shù)據(jù)預(yù)取和分層策略；后期深度融合數(shù)據(jù)編織技術(shù)，構(gòu)建跨域數(shù)據(jù)湖并實(shí)現(xiàn)全生命周期治理。

隨著LakeFS、DeltaLake等數(shù)據(jù)版本系統(tǒng)的普及，以及KVCache持久化、RAG知識(shí)庫等新型存儲(chǔ)形態(tài)的出現(xiàn)，存儲(chǔ)系統(tǒng)逐漸具備任務(wù)感知、算法協(xié)同能力，形成存算一體的智能數(shù)據(jù)供應(yīng)鏈。

云廠商和頭部企業(yè)通過自研調(diào)度引擎、統(tǒng)一存儲(chǔ)底座等實(shí)踐，推動(dòng)存儲(chǔ)從基礎(chǔ)設(shè)施升維為AI系統(tǒng)的神經(jīng)中樞，最終實(shí)現(xiàn)數(shù)據(jù)不動(dòng)模型動(dòng)、推理即取即用的新一代范式，為AI應(yīng)用提供高效、安全、自主可控的數(shù)據(jù)支撐。

自2021年以來，中國在AI數(shù)據(jù)存儲(chǔ)及先進(jìn)存儲(chǔ)領(lǐng)域陸續(xù)出臺(tái)了一系列扶持政策，涵蓋國家層面頂層設(shè)計(jì)與地方政府的具體實(shí)施方案，涉及數(shù)據(jù)存儲(chǔ)基礎(chǔ)設(shè)施建設(shè)、智能算力調(diào)度、數(shù)據(jù)安全合規(guī)、關(guān)鍵核心技術(shù)突破等多個(gè)方向。

這些政策文件不僅體現(xiàn)在《“十四五”數(shù)字經(jīng)濟(jì)發(fā)展規(guī)劃》《國家信息化規(guī)劃》《算力基礎(chǔ)設(shè)施發(fā)展行動(dòng)計(jì)劃》等國家級(jí)戰(zhàn)略中，也延伸至深圳、上海、北京等地在算力中心布局、智能數(shù)據(jù)湖建設(shè)、AI原生存儲(chǔ)場(chǎng)景落地方面的專項(xiàng)支持。

整體來看，政策導(dǎo)向呈現(xiàn)出“重基礎(chǔ)設(shè)施、強(qiáng)安全管理、促產(chǎn)業(yè)融合”的特征，體現(xiàn)出中國政府對(duì)AI數(shù)據(jù)存儲(chǔ)關(guān)鍵地位的高度認(rèn)可。其核心目標(biāo)是通過政策牽引、資金扶持與資源配置，推動(dòng)形成安全可控、高性能、高效率的數(shù)據(jù)存儲(chǔ)能力體系，為人工智能大模型、AIGC、長(zhǎng)記憶Agent等新興應(yīng)用提供堅(jiān)實(shí)底座，加快建設(shè)數(shù)字中國。

表7：2021年至今我國AI算力的電力設(shè)備行業(yè)相關(guān)政策及舉措

來源：融中咨詢

（1）軟硬件一體化銷售模式

軟硬件一體化銷售模式（Appliance Model）是存儲(chǔ)領(lǐng)域中一種典型的商業(yè)交付方式，其核心在于企業(yè)將自主研發(fā)的AI原生存儲(chǔ)軟件與經(jīng)過深度優(yōu)化和預(yù)配置的硬件設(shè)備（如高性能服務(wù)器、NVMeSSD、高速網(wǎng)絡(luò)接口卡等）打包成完整的一體機(jī)系統(tǒng)，作為“交鑰匙”解決方案直接銷售給客戶。

該模式的典型代表包括DDN的AI400X、華為OceanStorPacific系列、浪潮HFSS系列等。這類產(chǎn)品通常面向大型智算中心、AI科研平臺(tái)、大型科技企業(yè)等客戶群體，單次合同金額較高，交付復(fù)雜度大，但也帶來了強(qiáng)客戶粘性和穩(wěn)定的后續(xù)服務(wù)收益。

對(duì)廠商而言，軟硬一體化不僅有助于控制整體系統(tǒng)性能邊界，還能增強(qiáng)產(chǎn)品的差異化競(jìng)爭(zhēng)力，構(gòu)建深度綁定的行業(yè)解決方案生態(tài)。

（2）軟件授權(quán)訂閱模式

軟件授權(quán)訂閱模式（Subscription Licensing）的基本形式是將AI原生存儲(chǔ)系統(tǒng)作為一款獨(dú)立的軟件產(chǎn)品授權(quán)給客戶使用，客戶根據(jù)使用周期（如年、季度、月）或使用資源量（如存儲(chǔ)容量、并發(fā)節(jié)點(diǎn)數(shù)、IO帶寬等）支付訂閱費(fèi)用，從而獲得該軟件的合法使用權(quán)以及持續(xù)更新、技術(shù)支持和版本升級(jí)等服務(wù)。

訂閱授權(quán)模式強(qiáng)調(diào)“持續(xù)價(jià)值交付”，使廠商可以通過不斷迭代優(yōu)化產(chǎn)品、增加新功能和適配更多AI場(chǎng)景來保持客戶粘性。典型廠商如WEKA、VASTData、國內(nèi)的杉巖數(shù)據(jù)、星辰天合等。

訂閱模式不僅有助于降低客戶初期采購門檻，也讓廠商獲得可持續(xù)的現(xiàn)金流和用戶反饋，支撐其在AI時(shí)代不斷演進(jìn)的產(chǎn)品策略。

（3）托管云服務(wù)模式

托管云服務(wù)模式（Managed Cloud Service）是通過云平臺(tái)將其存儲(chǔ)能力以服務(wù)的形式交付給客戶的一種商業(yè)模式。該種模式下，用戶可以通過API或控制臺(tái)快速申請(qǐng)存儲(chǔ)資源，并根據(jù)實(shí)際業(yè)務(wù)需求進(jìn)行動(dòng)態(tài)擴(kuò)容或縮容。

與本地部署或私有化部署不同，這種模式的核心理念是“即開即用、按需計(jì)費(fèi)、彈性擴(kuò)展”，客戶無需采購硬件或自行搭建復(fù)雜的存儲(chǔ)系統(tǒng)，而是通過公有云、私有云或混合云平臺(tái)直接訪問和使用廠商提供的AI原生存儲(chǔ)服務(wù)，計(jì)費(fèi)方式通常包括按存儲(chǔ)容量、訪問頻率（如Get/Put請(qǐng)求數(shù)）、帶寬流量、并發(fā)連接數(shù)等維度進(jìn)行精細(xì)化計(jì)費(fèi)。

這種服務(wù)通常以對(duì)象存儲(chǔ)、文件系統(tǒng)或高性能并行存儲(chǔ)的形式提供，支持高吞吐、低延遲、高并發(fā)等AI模型訓(xùn)練和推理所需的關(guān)鍵能力。典型提供者包括如WEKA在AWS/GCP上的云原生版本、VASTData的UniversalStorage云服務(wù)版本，以及國內(nèi)的華為云FusionStorage、阿里云PanguStorage等。

（4）項(xiàng)目定制部署模式

項(xiàng)目定制部署模式（Project-based Custom Deployment）是針對(duì)特定行業(yè)客戶或大型項(xiàng)目需求，提供定制化解決方案，包括從存儲(chǔ)系統(tǒng)架構(gòu)設(shè)計(jì)、軟硬件選型、接口適配、性能優(yōu)化，以及到現(xiàn)場(chǎng)部署、運(yùn)維體系建設(shè)、人員培訓(xùn)等多個(gè)環(huán)節(jié)。

該模式通常發(fā)生在政企單位、智算中心、科研院所、大型國有企業(yè)等場(chǎng)景中，以“項(xiàng)目合同制”進(jìn)行商務(wù)交付，項(xiàng)目金額高、交付周期長(zhǎng)，客戶粘性強(qiáng)。例如，某政務(wù)大模型項(xiàng)目需要支持跨區(qū)域多中心的數(shù)據(jù)共享與異地災(zāi)備，廠商可能會(huì)提供多副本容災(zāi)結(jié)構(gòu)、AI任務(wù)調(diào)度感知存儲(chǔ)分層機(jī)制、統(tǒng)一運(yùn)維平臺(tái)等專屬功能，并針對(duì)客戶原有系統(tǒng)進(jìn)行接口對(duì)接和兼容適配。

典型廠商如華為、浪潮信息，以及部分國產(chǎn)AI原生存儲(chǔ)新銳企業(yè)（如杉巖數(shù)據(jù)、星辰天合）均積極嘗試這種模式在智算中心、科研院校和關(guān)鍵行業(yè)客戶中建立深度合作關(guān)系。

表8：AI原生存儲(chǔ)領(lǐng)域的商業(yè)模式

來源：融中咨詢

（1）產(chǎn)業(yè)鏈

AI原生存儲(chǔ)行業(yè)的上游主要包括存儲(chǔ)介質(zhì)與存儲(chǔ)器、存儲(chǔ)主控芯片與接口芯片、關(guān)鍵材料與零部件以及核心專利與技術(shù)。

中游參與者主要是各大AI存儲(chǔ)系統(tǒng)綜合解決方案提供商，包括軟件平臺(tái)，硬件基礎(chǔ)設(shè)施集成以及綜合云平臺(tái)。

下游應(yīng)用領(lǐng)域覆蓋智算中心、金融、自動(dòng)駕駛、醫(yī)療、政務(wù)、科研機(jī)構(gòu)等。

圖4：AI原生存儲(chǔ)系統(tǒng)產(chǎn)業(yè)鏈

來源：融中咨詢

（2）市場(chǎng)規(guī)模

隨著人工智能技術(shù)的快速發(fā)展，尤其是在大模型、AIGC（生成式人工智能）等新興應(yīng)用的推動(dòng)下，傳統(tǒng)存儲(chǔ)系統(tǒng)已難以滿足AI對(duì)海量數(shù)據(jù)的高并發(fā)訪問、高吞吐率與低延遲處理的需求。

在這一背景下，AI原生存儲(chǔ)作為專為AI工作負(fù)載設(shè)計(jì)的新型存儲(chǔ)架構(gòu)，正在成為行業(yè)關(guān)注的焦點(diǎn)，市場(chǎng)需求正隨著數(shù)據(jù)規(guī)模的爆炸式增長(zhǎng)而迅速擴(kuò)大。

2024年，全球AI原生存儲(chǔ)行業(yè)的市場(chǎng)規(guī)模為8.47億美元，預(yù)計(jì)至2028年全球AI原生存儲(chǔ)行業(yè)的市場(chǎng)規(guī)模增長(zhǎng)至132.80億美元。

圖6：全球AI原生存儲(chǔ)行業(yè)的市場(chǎng)規(guī)模

來源：融中咨詢

在“AI+”國家戰(zhàn)略持續(xù)推進(jìn)下，中國AI產(chǎn)業(yè)快速發(fā)展，帶動(dòng)對(duì)數(shù)據(jù)存儲(chǔ)能力提出前所未有的需求。與歐美相比，中國在AI訓(xùn)練數(shù)據(jù)量的生成速度和模型應(yīng)用的廣度上具備獨(dú)特優(yōu)勢(shì)，AI原生存儲(chǔ)因此成為國產(chǎn)化技術(shù)突圍的重要方向。

頭部云廠商、存儲(chǔ)設(shè)備制造商與AI基礎(chǔ)設(shè)施服務(wù)商正在加速布局，推動(dòng)形成涵蓋自研硬件、智能軟件、異構(gòu)計(jì)算適配與高效數(shù)據(jù)調(diào)度的完整生態(tài)。隨著AI模型的參數(shù)量、推理密度與多模態(tài)應(yīng)用的不斷升級(jí)，中國AI原生存儲(chǔ)市場(chǎng)正步入高速成長(zhǎng)期，成為全球市場(chǎng)中最具活力的增長(zhǎng)引擎之一。

2024年，中國AI原生存儲(chǔ)行業(yè)的市場(chǎng)規(guī)模為14.36億元，同比增長(zhǎng)逾2倍，預(yù)計(jì)至2028年市場(chǎng)規(guī)模增長(zhǎng)至224.32億元。

圖7：中國AI原生存儲(chǔ)行業(yè)的市場(chǎng)規(guī)模

來源：融中咨詢

（1）智算中心

智算中心作為面向AI、大數(shù)據(jù)、高性能計(jì)算的核心平臺(tái)，其計(jì)算任務(wù)普遍具備“多節(jié)點(diǎn)、高并發(fā)、數(shù)據(jù)密集型”的特點(diǎn)，對(duì)存儲(chǔ)系統(tǒng)提出了極高要求。

AI原生存儲(chǔ)通過支持海量非結(jié)構(gòu)化數(shù)據(jù)的分布式管理、GPU直通讀寫、RDMA高速互聯(lián)、冷熱數(shù)據(jù)智能分層等能力，滿足了智算中心在算力密集型任務(wù)下的存儲(chǔ)性能瓶頸挑戰(zhàn)：

• 大模型訓(xùn)練方面，AI原生存儲(chǔ)可支撐PB級(jí)訓(xùn)練數(shù)據(jù)的高并發(fā)讀取和分布式寫入，有效縮短訓(xùn)練周期；

• 推理服務(wù)場(chǎng)景中，AI原生存儲(chǔ)提供的低延遲讀寫和高IOPS能力，確保了模型實(shí)時(shí)響應(yīng)性能；

• 對(duì)于多用戶、多個(gè)AI任務(wù)并行調(diào)度的場(chǎng)景，AI原生存儲(chǔ)支持細(xì)粒度的資源隔離、QoS控制和Kubernetes原生集成，保障了系統(tǒng)運(yùn)行的公平性與穩(wěn)定性。

另外，智算中心對(duì)數(shù)據(jù)安全和管理的需求較高，AI原生存儲(chǔ)系統(tǒng)往往具備訪問審計(jì)、配額管理、WORM、防篡改等企業(yè)級(jí)能力，滿足政府、科研和行業(yè)用戶的數(shù)據(jù)合規(guī)要求。

智算業(yè)務(wù)在實(shí)際應(yīng)用中主要包括兩個(gè)環(huán)節(jié)：訓(xùn)練和推理。根據(jù)IDC的統(tǒng)計(jì)數(shù)據(jù)，2022年部署的智算算力里，訓(xùn)練算力占比為41.5%，推理算力占比達(dá)到58.5%

隨著推理算力的逐漸普及，其占比將會(huì)得到持續(xù)提升，預(yù)計(jì)到2026年，推理算力的占比將會(huì)提升到62.2%，帶動(dòng)智算中心的規(guī)模和處理能力呈指數(shù)級(jí)增長(zhǎng)，對(duì)AI原生存儲(chǔ)系統(tǒng)的依賴更加持續(xù)和廣泛。

圖8：云端推理算力逐步提升

來源：IDC、中信建投、騰訊研究院

（2）金融

金融領(lǐng)域的業(yè)務(wù)天然具備數(shù)據(jù)體量大、類型復(fù)雜、實(shí)時(shí)性強(qiáng)與安全合規(guī)要求高等特點(diǎn)，而AI原生存儲(chǔ)體系則通過高吞吐、低延遲、高并發(fā)與智能分層管理等核心能力，有效支撐了金融機(jī)構(gòu)對(duì)海量數(shù)據(jù)進(jìn)行高效建模和智能分析的需求。

AI原生存儲(chǔ)系統(tǒng)在金融行業(yè)中主要應(yīng)用于量化交易、金融大模型訓(xùn)練與推理、反欺詐檢測(cè)、智能風(fēng)控等關(guān)鍵業(yè)務(wù)場(chǎng)景：

圖9：AI原生存儲(chǔ)在金融領(lǐng)域的應(yīng)用

來源：融中咨詢

此外，AI原生存儲(chǔ)還支持合規(guī)要求下的數(shù)據(jù)審計(jì)、加密、WORM機(jī)制與本地化部署，確保金融數(shù)據(jù)的安全與可控。

（3）自動(dòng)駕駛

自動(dòng)駕駛系統(tǒng)每天會(huì)產(chǎn)生大量車載傳感器數(shù)據(jù)，包括高清攝像頭視頻、雷達(dá)點(diǎn)云、GPS軌跡、CAN總線信息等，這些非結(jié)構(gòu)化數(shù)據(jù)體量龐大、格式多樣，對(duì)存儲(chǔ)系統(tǒng)提出了高并發(fā)寫入、高吞吐讀取與高可擴(kuò)展性的要求。

AI原生存儲(chǔ)憑借分布式架構(gòu)、多協(xié)議支持（如POSIX、S3）、智能分層存儲(chǔ)和高效元數(shù)據(jù)管理，能夠支持?jǐn)?shù)據(jù)采集、模型訓(xùn)練、仿真驗(yàn)證、閉環(huán)學(xué)習(xí)等全鏈條流程中。

圖10：AI原生存儲(chǔ)在自動(dòng)駕駛領(lǐng)域的應(yīng)用

來源：融中咨詢

AI原生存儲(chǔ)系統(tǒng)還具備高可靠性、數(shù)據(jù)壓縮與重復(fù)數(shù)據(jù)刪除能力，大幅降低了長(zhǎng)期存儲(chǔ)成本，并通過權(quán)限控制與訪問審計(jì)機(jī)制，滿足車企對(duì)數(shù)據(jù)安全與合規(guī)的要求。

（4）醫(yī)療

人工智能在醫(yī)療行業(yè)的應(yīng)用不斷拓展，已成為支撐智能醫(yī)學(xué)圖像分析、臨床輔助診斷、藥物研發(fā)、健康管理以及醫(yī)療大模型訓(xùn)練等關(guān)鍵場(chǎng)景的重要技術(shù)手段。

醫(yī)療數(shù)據(jù)具有數(shù)據(jù)類型多樣（圖像、文本、結(jié)構(gòu)化信息混合）、數(shù)據(jù)增長(zhǎng)迅速、合規(guī)與隱私要求高等特點(diǎn)，傳統(tǒng)存儲(chǔ)系統(tǒng)難以應(yīng)對(duì)AI負(fù)載下的復(fù)雜數(shù)據(jù)流轉(zhuǎn)需求。

AI原生存儲(chǔ)以其分布式架構(gòu)、高并發(fā)讀寫能力、智能分層存儲(chǔ)和原生對(duì)接AI訓(xùn)練框架的特性，能夠?yàn)獒t(yī)療AI提供強(qiáng)有力的數(shù)據(jù)支持，不僅優(yōu)化了醫(yī)療AI的數(shù)據(jù)處理效率，更成為醫(yī)療機(jī)構(gòu)實(shí)現(xiàn)智能化升級(jí)、保障數(shù)據(jù)安全合規(guī)、推動(dòng)精準(zhǔn)醫(yī)療發(fā)展的核心支撐平臺(tái)。

圖11：AI原生存儲(chǔ)在醫(yī)療領(lǐng)域的應(yīng)用

來源：融中咨詢

此外，該類存儲(chǔ)系統(tǒng)往往具備數(shù)據(jù)加密、訪問控制、WORM等特性，滿足《個(gè)人信息保護(hù)法》《HIPAA》等法律對(duì)醫(yī)療數(shù)據(jù)安全和隱私的嚴(yán)格要求。

（5）政務(wù)

政務(wù)數(shù)據(jù)往往呈現(xiàn)出數(shù)據(jù)來源分散、類型復(fù)雜（視頻、圖像、文本、結(jié)構(gòu)化數(shù)據(jù)并存）、訪問并發(fā)高、安全合規(guī)要求嚴(yán)等特點(diǎn)，傳統(tǒng)存儲(chǔ)難以滿足人工智能在政務(wù)場(chǎng)景中的訓(xùn)練、推理和治理需求。

AI原生存儲(chǔ)系統(tǒng)具備高吞吐、高并發(fā)、智能分層和原生支持AI算力體系的能力，能夠支撐政務(wù)數(shù)據(jù)的全生命周期管理。同時(shí)，AI原生存儲(chǔ)系統(tǒng)還可提供細(xì)粒度權(quán)限控制、數(shù)據(jù)防篡改、審計(jì)追蹤等功能，滿足政府對(duì)數(shù)據(jù)主權(quán)、安全合規(guī)和分級(jí)管理的嚴(yán)格要求。

AI原生存儲(chǔ)系統(tǒng)在政務(wù)領(lǐng)域的應(yīng)用正日益深入，成為支撐政務(wù)數(shù)據(jù)中臺(tái)、智能辦事大廳、檔案數(shù)字化、政務(wù)輿情監(jiān)測(cè)以及城市治理決策等核心場(chǎng)景的數(shù)據(jù)底座。

圖12：AI原生存儲(chǔ)在政府領(lǐng)域的應(yīng)用

來源：融中咨詢

（6）科研

AI原生存儲(chǔ)系統(tǒng)在科研領(lǐng)域的應(yīng)用愈發(fā)廣泛，已成為支撐多學(xué)科交叉研究、高性能計(jì)算模擬、科學(xué)大模型訓(xùn)練、科研數(shù)據(jù)共享與管理的重要基礎(chǔ)設(shè)施。

科研活動(dòng)正從傳統(tǒng)實(shí)驗(yàn)逐步走向數(shù)據(jù)驅(qū)動(dòng)與模型驅(qū)動(dòng)，特別是在天文觀測(cè)、基因組學(xué)、材料科學(xué)、氣象模擬、腦科學(xué)等前沿領(lǐng)域，實(shí)驗(yàn)設(shè)備和傳感器每天生成PB級(jí)的原始數(shù)據(jù)，對(duì)存儲(chǔ)系統(tǒng)的性能、擴(kuò)展性與智能管理提出了極高要求。

AI原生存儲(chǔ)通過分布式架構(gòu)、高并發(fā)I/O能力、智能數(shù)據(jù)分層和原生對(duì)接AI算力平臺(tái)，有效解決了科研數(shù)據(jù)“存不下、調(diào)不快、用不順”的瓶頸。

例如在天體物理或粒子物理研究中，其可支撐海量觀測(cè)數(shù)據(jù)的高速寫入與并行分析處理；

在生命科學(xué)領(lǐng)域，原生存儲(chǔ)能優(yōu)化基因測(cè)序數(shù)據(jù)、多組學(xué)數(shù)據(jù)與AI分析模型之間的協(xié)同訪問；

在科研大模型訓(xùn)練中，系統(tǒng)可無縫對(duì)接多節(jié)點(diǎn)GPU集群，實(shí)現(xiàn)海量科研語料和模擬數(shù)據(jù)的高效加載與訓(xùn)練加速；

在科研數(shù)據(jù)共享與歸檔方面，AI原生存儲(chǔ)具備多協(xié)議接入、數(shù)據(jù)生命周期管理、元數(shù)據(jù)管理等功能，支持跨機(jī)構(gòu)、跨平臺(tái)的開放協(xié)同研究。更重要的是，該類系統(tǒng)還內(nèi)置數(shù)據(jù)加密、訪問審計(jì)、WORM等安全機(jī)制，滿足科研機(jī)構(gòu)對(duì)知識(shí)產(chǎn)權(quán)保護(hù)和數(shù)據(jù)長(zhǎng)期可用性的核心訴求。

總之，AI原生存儲(chǔ)正在重構(gòu)科研數(shù)據(jù)基礎(chǔ)架構(gòu)，助力科研從“重積累”走向“快計(jì)算”，從而加速科學(xué)發(fā)現(xiàn)與技術(shù)突破。

AI存儲(chǔ)系統(tǒng)從存儲(chǔ)介質(zhì)、系統(tǒng)、架構(gòu)、數(shù)據(jù)編織、數(shù)據(jù)范式和數(shù)據(jù)安全等多方面發(fā)力，協(xié)同提升大模型數(shù)據(jù)存儲(chǔ)能力。AI原生存儲(chǔ)系統(tǒng)未來將向先進(jìn)介質(zhì)應(yīng)用、以數(shù)據(jù)為中心的體系架構(gòu)、數(shù)據(jù)內(nèi)生安全、智能數(shù)據(jù)編織、可持續(xù)存儲(chǔ)共五大方向演進(jìn)。

圖13：AI存儲(chǔ)結(jié)構(gòu)分層

來源：中國信息通信研究院

（1）先進(jìn)介質(zhì)應(yīng)用

隨著AI大模型逐步走向多模態(tài)，多樣化的數(shù)據(jù)驅(qū)動(dòng)存儲(chǔ)介質(zhì)多樣化發(fā)展。其中，極熱數(shù)據(jù)內(nèi)存型介質(zhì)將以DRAM為主、SCM為輔，內(nèi)存的分級(jí)將成為新生態(tài)；熱數(shù)據(jù)介質(zhì)將全部使用NANDFlash，F(xiàn)lash閃存技術(shù)則會(huì)繼續(xù)向高密度、低時(shí)延演進(jìn)；在溫、冷數(shù)據(jù)介質(zhì)技術(shù)中，磁帶有望繼續(xù)向高密度、高并發(fā)方向演進(jìn)，光盤則會(huì)走向更大容量、更高并發(fā)、更長(zhǎng)壽命。

在介質(zhì)工藝層面，受半導(dǎo)體制造工藝和介質(zhì)結(jié)構(gòu)物理極限的限制，SSD、DRAM等介質(zhì)的集成度無法持續(xù)提升，未來可通過Wafer級(jí)創(chuàng)新、Chiplet級(jí)創(chuàng)新、接口和協(xié)議創(chuàng)新來進(jìn)一步提升介質(zhì)密度和壽命，降低介質(zhì)功耗，增強(qiáng)介質(zhì)的可靠性。

數(shù)據(jù)編碼技術(shù)通過智能調(diào)度與優(yōu)化釋放介質(zhì)潛能，包含縮減數(shù)據(jù)量的壓縮編碼、抗數(shù)據(jù)錯(cuò)誤的糾錯(cuò)編碼以及抗數(shù)據(jù)丟失的糾刪編碼。未來面對(duì)海量多元的存儲(chǔ)數(shù)據(jù)以及介質(zhì)融合的存儲(chǔ)系統(tǒng)，通過智能化數(shù)據(jù)壓縮、聯(lián)合編碼、智能化數(shù)據(jù)分類，有望突破數(shù)據(jù)編碼技術(shù)，實(shí)現(xiàn)存儲(chǔ)有效容量提升、集約節(jié)能、長(zhǎng)期可靠。

圖14：數(shù)據(jù)聯(lián)合編碼

來源：華為

圖15：智能分類圖示

來源：華為

（2）以數(shù)據(jù)為中心的體系架構(gòu)

以數(shù)據(jù)為中心的體系架構(gòu)是為了應(yīng)對(duì)數(shù)據(jù)量爆炸式增長(zhǎng)與數(shù)據(jù)處理能力不足之間的矛盾而提出的新型架構(gòu)范式。傳統(tǒng)以CPU為中心的架構(gòu)因存儲(chǔ)與計(jì)算資源緊耦合導(dǎo)致資源利用率低下，數(shù)據(jù)頻繁移動(dòng)和格式轉(zhuǎn)換消耗大量計(jì)算資源，難以滿足AI、大數(shù)據(jù)等應(yīng)用需求。

該架構(gòu)在宏觀層面采用存算分離策略，通過高通量互聯(lián)總線將計(jì)算、存儲(chǔ)、內(nèi)存等資源解耦為獨(dú)立池化的硬件資源（如CPU池、DPU池、閃存池），實(shí)現(xiàn)彈性擴(kuò)展與靈活共享，消除本地存儲(chǔ)超配浪費(fèi)，同時(shí)支持內(nèi)存拉遠(yuǎn)、SSD池化等技術(shù)突破物理邊界，使GPU等算力能直接訪問遠(yuǎn)端存儲(chǔ)資源；

圖16：存算分離架構(gòu)

來源：華為

微觀層面則強(qiáng)調(diào)存算一體，將專用算力嵌入數(shù)據(jù)存儲(chǔ)節(jié)點(diǎn)或網(wǎng)絡(luò)傳輸路徑，通過近數(shù)據(jù)處理、算子下推、網(wǎng)存協(xié)同等方式減少數(shù)據(jù)搬運(yùn)，實(shí)現(xiàn)“數(shù)據(jù)不動(dòng)計(jì)算動(dòng)”的高效范式。

圖17：存算融合原理

來源：華為

這種架構(gòu)通過存儲(chǔ)資源池化、全內(nèi)存語義訪問、NPU直通存儲(chǔ)等創(chuàng)新，顯著提升數(shù)據(jù)處理效率，在萬卡GPU智算場(chǎng)景中可將CheckPoint恢復(fù)時(shí)間從分鐘級(jí)壓縮至秒級(jí)，有效解決數(shù)據(jù)重力效應(yīng)，為YB時(shí)代的數(shù)據(jù)密集型應(yīng)用提供高通量、低時(shí)延、高擴(kuò)展的支撐能力。

（3）智能數(shù)據(jù)編織

智能數(shù)據(jù)編織是一種通過自動(dòng)化方式動(dòng)態(tài)協(xié)調(diào)分布式數(shù)據(jù)源的技術(shù)，旨在打破數(shù)據(jù)孤島并實(shí)現(xiàn)跨平臺(tái)數(shù)據(jù)整合，從而高效支持多樣化的應(yīng)用需求。其核心在于利用人工智能、知識(shí)圖譜等技術(shù)，持續(xù)識(shí)別并連接來自不同應(yīng)用的數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)間的業(yè)務(wù)關(guān)聯(lián)關(guān)系，構(gòu)建全局虛擬數(shù)據(jù)總線以實(shí)現(xiàn)數(shù)據(jù)的智能流動(dòng)。

圖18：智能數(shù)據(jù)編制框架

來源：華為

在數(shù)據(jù)網(wǎng)絡(luò)中，智能數(shù)據(jù)編織能夠自動(dòng)感知存儲(chǔ)網(wǎng)絡(luò)狀態(tài)、數(shù)據(jù)活躍度及業(yè)務(wù)特征，通過數(shù)據(jù)畫像精準(zhǔn)刻畫數(shù)據(jù)重力、時(shí)空信息等多維度屬性，并結(jié)合數(shù)據(jù)大腦生成最優(yōu)的數(shù)據(jù)排布策略。例如，在跨數(shù)據(jù)中心、云端與邊緣的場(chǎng)景中，它通過語義感知存儲(chǔ)、在網(wǎng)計(jì)算服務(wù)等技術(shù)優(yōu)化數(shù)據(jù)存取路徑，實(shí)現(xiàn)冷熱數(shù)據(jù)的分級(jí)存儲(chǔ)（如“東數(shù)西存”降低運(yùn)營成本），同時(shí)確保數(shù)據(jù)在流動(dòng)過程中的安全可信。

該技術(shù)還支持?jǐn)?shù)據(jù)版本管理和血緣追蹤，防止數(shù)據(jù)質(zhì)量在多次流轉(zhuǎn)中劣化，最終構(gòu)建起高效、自動(dòng)化且具備認(rèn)知能力的存力網(wǎng)絡(luò)，為大規(guī)模AI訓(xùn)練、實(shí)時(shí)決策等場(chǎng)景提供堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

（4）內(nèi)生安全保護(hù)

存儲(chǔ)系統(tǒng)的內(nèi)生安全保護(hù)要求將安全機(jī)制深度融入數(shù)據(jù)全生命周期管理的核心架構(gòu)中，形成主動(dòng)防御體系以應(yīng)對(duì)復(fù)雜威脅，為AI時(shí)代海量數(shù)據(jù)的高效利用與合規(guī)流轉(zhuǎn)提供了堅(jiān)實(shí)保障。其核心在于通過硬件自主可控、可信啟動(dòng)、防側(cè)信道攻擊等底層技術(shù)構(gòu)建基礎(chǔ)防護(hù)層，同時(shí)在軟件層面實(shí)現(xiàn)數(shù)據(jù)采集、傳輸、存儲(chǔ)、處理、共享及銷毀各環(huán)節(jié)的端到端加密與動(dòng)態(tài)脫敏。

圖19：主動(dòng)數(shù)據(jù)保護(hù)

來源：華為

其中，零信任存儲(chǔ)旨在解決當(dāng)前存儲(chǔ)面臨的數(shù)據(jù)泄漏、完整性被破壞、數(shù)據(jù)可用性破壞等諸多安全問題。所有的數(shù)據(jù)訪問與操作都被視為未被驗(yàn)證的，訪問主體、數(shù)據(jù)以及數(shù)據(jù)操作動(dòng)作三者基于最小授權(quán)原則，通過持續(xù)驗(yàn)證、動(dòng)態(tài)授權(quán)等方式實(shí)現(xiàn)最小粒度數(shù)據(jù)訪問控制。

圖20：零信任存儲(chǔ)

來源：華為

（5）綠色節(jié)能

基于經(jīng)典的馮?諾伊曼架構(gòu)，數(shù)據(jù)在存儲(chǔ)和計(jì)算單元間傳輸所需能耗，占IT系統(tǒng)總能耗的60%~90%。AI大模型的發(fā)展要求更高性能低能耗的存儲(chǔ)系統(tǒng)，在通過技術(shù)創(chuàng)新與系統(tǒng)優(yōu)化降低能耗及環(huán)境影響的同時(shí)，確保數(shù)據(jù)基礎(chǔ)設(shè)施的長(zhǎng)期高效運(yùn)行。

存儲(chǔ)系統(tǒng)層面的節(jié)能，通過硬件功耗智能調(diào)優(yōu)、數(shù)據(jù)分級(jí)節(jié)能、存儲(chǔ)設(shè)備散熱、資源感知的統(tǒng)籌調(diào)度等技術(shù)，感知計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)設(shè)備的運(yùn)行狀態(tài)，識(shí)別數(shù)據(jù)冷熱特征，并結(jié)合業(yè)務(wù)負(fù)載規(guī)律，構(gòu)建系統(tǒng)調(diào)優(yōu)模型。其中，芯片級(jí)動(dòng)態(tài)能耗管理對(duì)存儲(chǔ)系統(tǒng)節(jié)能至關(guān)重要，通過異構(gòu)多樣化算力集成、片上動(dòng)態(tài)能效智能管理等技術(shù)，可有效解決高算力與低功耗的矛盾。

未來，通過制定覆蓋芯片能效、碳足跡追蹤、再生材料應(yīng)用的綠色標(biāo)準(zhǔn)體系，存儲(chǔ)產(chǎn)業(yè)將推動(dòng)每比特?cái)?shù)據(jù)讀寫能耗下降50%，助力全球ICT行業(yè)碳減排目標(biāo)實(shí)現(xiàn)，真正構(gòu)建起環(huán)境友好、資源高效的數(shù)據(jù)生態(tài)。

全閃存存儲(chǔ)技術(shù)是AI元素存儲(chǔ)系統(tǒng)的理想選擇。比機(jī)械硬盤時(shí)延小100倍左右，每秒數(shù)據(jù)讀寫次數(shù)大1000倍以上，空間占用節(jié)省50%。隨著閃存介質(zhì)堆疊層數(shù)與顆粒類型方面的突破，其成本也在持續(xù)走低，成為處理大模型數(shù)據(jù)的理想選擇。

此外，使用全閃存存儲(chǔ)技術(shù)相比機(jī)械硬盤能減少能耗70%。尤其是高密存儲(chǔ)節(jié)點(diǎn)密度能達(dá)到傳統(tǒng)存儲(chǔ)服務(wù)器的2.6倍以上，結(jié)合存算分離架構(gòu),相對(duì)使用通用型服務(wù)器,減少了存儲(chǔ)節(jié)點(diǎn)CPU、內(nèi)存及配套交換機(jī),同等容量下帶來能耗節(jié)約10%~30%。顯著降低大模型數(shù)據(jù)的存儲(chǔ)能耗。

（1）競(jìng)爭(zhēng)格局分析

全球AI原生存儲(chǔ)領(lǐng)域的競(jìng)爭(zhēng)呈現(xiàn)多元化和分層化特征，國際市場(chǎng)主要由三類參與者主導(dǎo)：傳統(tǒng)存儲(chǔ)巨頭、云服務(wù)商和新興技術(shù)公司。

HPE、Dell等老牌企業(yè)憑借混合云解決方案和全閃存技術(shù)，在金融、科研等高端場(chǎng)景保持優(yōu)勢(shì)；AWS、Azure等云廠商通過全球化布局和全托管服務(wù)占據(jù)公有云存儲(chǔ)市場(chǎng)主導(dǎo)地位；VAST Data、Zilliz等新興公司則以創(chuàng)新架構(gòu)（如分布式存儲(chǔ)、開源向量數(shù)據(jù)庫）切入AI原生存儲(chǔ)賽道，布局多模態(tài)搜索、邊緣計(jì)算等領(lǐng)域。

國內(nèi)市場(chǎng)整體由綜合云平臺(tái)占據(jù)市場(chǎng)主導(dǎo)地位，代表企業(yè)有阿里云、騰訊云、華為云等，其數(shù)據(jù)湖、向量數(shù)據(jù)庫、分布式存儲(chǔ)架構(gòu)等存儲(chǔ)解決方案與AI訓(xùn)練框架深度整合，覆蓋電商、政務(wù)、制造等核心場(chǎng)景，天翼云、移動(dòng)云等運(yùn)營商背景的平臺(tái)在國企數(shù)字化轉(zhuǎn)型中也占據(jù)獨(dú)特地位。

圖20：中國AI原生存儲(chǔ)行業(yè)的競(jìng)爭(zhēng)格局

來源：融中咨詢

硬件基礎(chǔ)設(shè)施集成領(lǐng)域以華為、京東云海、中科曙光、浪潮信息為代表，通過存算一體機(jī)、液冷存儲(chǔ)服務(wù)器等支撐國家級(jí)算力中心和行業(yè)級(jí)AI應(yīng)用，參與AI原生存儲(chǔ)市場(chǎng)。

軟件平臺(tái)領(lǐng)域，深信服、星辰天合等獨(dú)立第三方廠商通過研發(fā)分布式文件系統(tǒng)、超融合架構(gòu)（aSAN）等新型技術(shù)擠身AI原生存儲(chǔ)市場(chǎng)賽道。

（2）代表企業(yè)分析

1）華為

華為在AI原生存儲(chǔ)領(lǐng)域的核心產(chǎn)品或服務(wù)包括Fusion Storage存儲(chǔ)解決方案、存算一體芯片、液冷存儲(chǔ)解決方案和OceanStor數(shù)據(jù)湖存儲(chǔ)產(chǎn)品。

Fusion Storage：采用全對(duì)稱分布式架構(gòu)，支持文件、對(duì)象、塊存儲(chǔ)協(xié)議的統(tǒng)一訪問，并通過分布式哈希算法實(shí)現(xiàn)負(fù)載均衡。其彈性EC算法提升存儲(chǔ)利用率，支持EB級(jí)數(shù)據(jù)存儲(chǔ)，已應(yīng)用于多個(gè)國家級(jí)智算中心的AI大模型訓(xùn)練場(chǎng)景，數(shù)據(jù)存取效率較傳統(tǒng)方案提升30%；

華為海思昇騰920存算一體芯片：通過將計(jì)算單元嵌入存儲(chǔ)介質(zhì)，突破傳統(tǒng)“存儲(chǔ)墻”和“功耗墻”問題，能效比提升5倍，顯存占用降低37%，支撐5G基站和云計(jì)算中心的實(shí)時(shí)數(shù)據(jù)處理；

液冷存儲(chǔ)解決方案：將數(shù)據(jù)中心PUE值降至1.05-1.2，單機(jī)架支持最大60kW制冷能力，服務(wù)超30個(gè)省級(jí)政務(wù)云平臺(tái)；

OceanStorA800深度學(xué)習(xí)數(shù)據(jù)湖存儲(chǔ)產(chǎn)品：定義了存儲(chǔ)技術(shù)的六維標(biāo)準(zhǔn)——高性能、數(shù)據(jù)韌性、新數(shù)據(jù)范式、高擴(kuò)展性、綠色節(jié)能及數(shù)據(jù)編織能力，覆蓋醫(yī)療、金融、工業(yè)等場(chǎng)景。

2）阿里云

阿里云在AI原生存儲(chǔ)領(lǐng)域的核心產(chǎn)品或服務(wù)為MaxCompute數(shù)據(jù)湖、阿里云Milvus向量數(shù)據(jù)庫和Pangu存儲(chǔ)引擎。

MaxCompute：支持EB級(jí)多模態(tài)數(shù)據(jù)存儲(chǔ)，集成文本、圖像、時(shí)序數(shù)據(jù)的統(tǒng)一管理框架，與機(jī)器學(xué)習(xí)平臺(tái)PAI深度聯(lián)動(dòng)，支撐淘寶雙11期間萬億級(jí)商品特征的實(shí)時(shí)檢索；

阿里云Milvus向量數(shù)據(jù)庫：在開源Milvus版本的基礎(chǔ)上增強(qiáng)了可擴(kuò)展性，實(shí)現(xiàn)海量向量的存儲(chǔ)、索引與毫秒級(jí)檢索，并通過分布式架構(gòu)存儲(chǔ)千億級(jí)別向量數(shù)據(jù)，存儲(chǔ)效率提升，優(yōu)化金融反欺詐和電商推薦場(chǎng)景的響應(yīng)速度；

Pangu存儲(chǔ)引擎：采用糾刪碼算法，將存儲(chǔ)成本降低40%，同時(shí)支持GPU直連訪問，顯著提升AI訓(xùn)練數(shù)據(jù)吞吐量；

定制化數(shù)據(jù)湖倉一體方案：主要應(yīng)用在工業(yè)領(lǐng)域，實(shí)現(xiàn)制造業(yè)質(zhì)檢數(shù)據(jù)的多模態(tài)融合存儲(chǔ)與實(shí)時(shí)分析。

3）騰訊云

騰訊云的核心產(chǎn)品包括TBase分布式數(shù)據(jù)庫、基于Iceberg的騰訊云湖倉一體架構(gòu)和Tencent Cloud VectorDB向量數(shù)據(jù)庫。

TBase：通過分布式事務(wù)確保數(shù)據(jù)的一致性和可靠性，支持高擴(kuò)展性、高SQL兼容度，以及多級(jí)容災(zāi)能力，適用于億級(jí)數(shù)據(jù)的存儲(chǔ)、分析和查詢場(chǎng)景，日均處理10億筆微信商戶訂單交易。

數(shù)據(jù)湖計(jì)算服務(wù)（DLC）：以開源Iceberg 為底層標(biāo)準(zhǔn)存儲(chǔ)格式，采用流批一體架構(gòu)，實(shí)現(xiàn)毫秒級(jí)響應(yīng)，百萬級(jí)數(shù)據(jù)實(shí)時(shí)寫入。

Tencent Cloud VectorDB：基于騰訊集團(tuán)每日處理千億次檢索的向量引擎 OLAMA，單索引支持千億級(jí)向量規(guī)模，可支持百萬級(jí) QPS 及毫秒級(jí)查詢延遲。應(yīng)用于推薦系統(tǒng)、自然語言處理等 AI 領(lǐng)域。

4）中科曙光

中科曙光的產(chǎn)品線涵蓋ParaStor分布式存儲(chǔ)系統(tǒng)和液冷存儲(chǔ)解決方案。

ParaStor：支持單一集群3-4096節(jié)點(diǎn)擴(kuò)展，提供EB級(jí)存儲(chǔ)空間，采用Scale-Out橫向擴(kuò)展架構(gòu)，通過智能SSD Cache及小文件聚合技術(shù)優(yōu)化性能，應(yīng)用于自動(dòng)駕駛訓(xùn)練場(chǎng)景，具備低延遲特點(diǎn)，其中ParaStor300S為宣武醫(yī)院提供了高通量基因組學(xué)數(shù)據(jù)處理方案。

液冷存儲(chǔ)方案：采用冷板式液冷技術(shù)降低散熱功率，結(jié)合數(shù)據(jù)重刪壓縮等技術(shù)，存儲(chǔ)節(jié)點(diǎn)PUE值降至1.2以下，電費(fèi)節(jié)省60%，已落地華南理工大學(xué)數(shù)據(jù)中心，并入選IDC《液冷數(shù)據(jù)中心白皮書》案例。

5）浪潮信息

浪潮信息的AS13000分布式存儲(chǔ)系列、綠色算力解決方案、AIStation智能管理平臺(tái)構(gòu)成AI存儲(chǔ)技術(shù)矩陣。

AS13000：支持異構(gòu)硬件兼容，通過無感知數(shù)據(jù)遷移技術(shù)幫助企業(yè)實(shí)現(xiàn)傳統(tǒng)存儲(chǔ)向AI原生架構(gòu)的平滑過渡，支持EB級(jí)容量擴(kuò)展。

綠色算力方案：通過硬件加速與智能功耗管理，實(shí)現(xiàn)千萬級(jí)IOPS并發(fā)處理，PUE值控制在1.2以下，服務(wù)智能制造產(chǎn)線的質(zhì)檢數(shù)據(jù)高效存取。

AI Station智能管理平臺(tái)：集成存儲(chǔ)資源調(diào)度功能，可動(dòng)態(tài)分配訓(xùn)練數(shù)據(jù)至GPU集群，通過顯存隔離實(shí)現(xiàn)單節(jié)點(diǎn)8卡支持56個(gè)開發(fā)環(huán)境，資源利用率顯著提升。

6）深信服

深信服的產(chǎn)品包括軟件定義存儲(chǔ)(SDS)及超融合存儲(chǔ)(HCI)系統(tǒng)和EDS存儲(chǔ)解決方案。

SDS及HCI：深信服關(guān)注各行業(yè)用戶核心需求，打造適配的全棧替代方案，累計(jì)助力12,000+用戶完成對(duì)VMware架構(gòu)的替代。

EDS存儲(chǔ)解決方案：例如在醫(yī)學(xué)領(lǐng)域，通過自動(dòng)AI分層技術(shù)，閱片速度從約90張/秒提升至450+張/秒，聯(lián)合調(diào)優(yōu)后影像調(diào)閱性能提升60.9%。

7）星辰天合

星辰天合的核心技術(shù)為XGFS全共享架構(gòu)文件系統(tǒng)和混合云數(shù)據(jù)管理平臺(tái)。

XGFS：支持文件、對(duì)象、塊存儲(chǔ)協(xié)議的統(tǒng)一訪問，通過全局緩存技術(shù)將跨云數(shù)據(jù)訪問速度提升50%，適配90%國產(chǎn)化硬件環(huán)境。

混合云平臺(tái)：實(shí)現(xiàn)公有云與私有云存儲(chǔ)資源的智能調(diào)度，在音視頻處理場(chǎng)景支持4K/8K素材的實(shí)時(shí)編輯與存儲(chǔ)。其XEOS對(duì)象存儲(chǔ)系統(tǒng)通過糾刪碼算法與智能預(yù)取機(jī)制，將海量非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)成本降低35%，服務(wù)超200家企業(yè)的AI訓(xùn)練數(shù)據(jù)管理需求。

此外，星辰天合開源社區(qū)貢獻(xiàn)的Ceph優(yōu)化方案被多家云廠商采用，提升分布式存儲(chǔ)集群的穩(wěn)定性。

8）京東云海

京東云海主營統(tǒng)一存儲(chǔ)平臺(tái)，提供塊存儲(chǔ)、對(duì)象存儲(chǔ)、文件存儲(chǔ)、并行文件存儲(chǔ)、大數(shù)據(jù)存儲(chǔ)等多種自研產(chǎn)品，屬于 AI 原生存儲(chǔ)的產(chǎn)品主要是云海AI 存儲(chǔ)。

云海AI存儲(chǔ)具備原生KV Cache等特性，適配主流推理框架，助力大模型訓(xùn)練，應(yīng)對(duì)自動(dòng)駕駛等場(chǎng)景的海量小文件讀寫與目錄熱點(diǎn)難題，也適用于各類高性能推理場(chǎng)景。

9）極道科技

極道科技（北京）有限公司的主營業(yè)務(wù)是圍繞數(shù)據(jù)“存、管、算”協(xié)同設(shè)計(jì)，提供企業(yè)級(jí)數(shù)據(jù)系統(tǒng)解決方案，其中屬于AI原生存儲(chǔ)或與AI應(yīng)用深度集成的存儲(chǔ)解決方案主要有ALAMO分布式文件存儲(chǔ)系統(tǒng)、ANNA分布式統(tǒng)一存儲(chǔ)、MetaView數(shù)據(jù)管理系統(tǒng)以及Achelous智能集群運(yùn)維系統(tǒng)。

ALAMO：提供了卓越的帶寬和元數(shù)據(jù)的高IOPS，既支持橫向擴(kuò)展，也支持縱向擴(kuò)展，隨著橫向擴(kuò)展的節(jié)點(diǎn)數(shù)的增加，存儲(chǔ)的容量和性能均得到線性增長(zhǎng)。

ANNA：支持多種文件訪問協(xié)議（CIFS，NFS，POSIX）、塊訪問、S3對(duì)象訪問協(xié)議，一套存儲(chǔ)系統(tǒng)滿足多樣化的應(yīng)用需求。

MetaView：構(gòu)建了一個(gè)無上限的包含工業(yè)標(biāo)準(zhǔn)數(shù)據(jù)特征和用戶自定義數(shù)據(jù)特征的元數(shù)據(jù)管理系統(tǒng)。通過獨(dú)特的“存/管協(xié)同”設(shè)計(jì)模式和并行分布式圖處理引擎，實(shí)時(shí)捕獲并追蹤元數(shù)據(jù)的變化，涵蓋數(shù)據(jù)感知、數(shù)據(jù)發(fā)現(xiàn)、數(shù)據(jù)溯源和數(shù)據(jù)重組。

Achelous：將各種異構(gòu)計(jì)算匯聚，共享硬件資源（包括CPU、Memory、GPU、FPGA等），按需動(dòng)態(tài)構(gòu)建計(jì)算框架，旨在提高計(jì)算的并行度和提高資源利用率，以降低用戶的整體擁有成本。

10）華瑞指數(shù)云

華瑞指數(shù)云主營業(yè)務(wù)是為政府、企業(yè)及機(jī)構(gòu)提供數(shù)據(jù)基礎(chǔ)設(shè)施整體解決方案，專注于智能數(shù)據(jù)存儲(chǔ)與管理。其核心產(chǎn)品全棧自研 AI 原生數(shù)據(jù)平臺(tái) WADP，具備超高吞吐、低延遲、無限擴(kuò)展等特性，打破 AI 計(jì)算“存儲(chǔ)墻”，適配多種行業(yè)場(chǎng)景，如金融數(shù)據(jù)分析、醫(yī)療影像處理、企業(yè)級(jí) AI 開發(fā)等。

華瑞指數(shù)云提供 ET 系列存儲(chǔ)產(chǎn)品（如極速分布式塊存儲(chǔ)、統(tǒng)一存儲(chǔ)、對(duì)象存儲(chǔ)等），分別針對(duì)高性能、融合存儲(chǔ)、海量數(shù)據(jù)管理需求，助力用戶高效處理數(shù)據(jù)，支持 AI 應(yīng)用落地。

11）同友科技

同有科技聚焦信創(chuàng)存儲(chǔ)，主要產(chǎn)品為ACS系列全閃存陣列和雙活存儲(chǔ)系統(tǒng)。

ACS5000F：采用飛騰FT-1500A處理器和國產(chǎn)SSD，其全閃存陣列提供260萬IOPS性能，為信息處理計(jì)算機(jī)、磁盤陣列、存儲(chǔ)服務(wù)器等設(shè)備提供強(qiáng)有力的配套及支持。

雙活存儲(chǔ)架構(gòu)：通過跨數(shù)據(jù)中心同步技術(shù)，實(shí)現(xiàn)金融業(yè)務(wù)RTO控制在秒級(jí)，RPO為0，應(yīng)用層不中斷，數(shù)據(jù)庫無需回滾，極大地降低了業(yè)務(wù)運(yùn)行的風(fēng)險(xiǎn)。

12）上海賾睿

上海賾睿信息科技有限公司旗下品牌Zilliz以Milvus開源向量數(shù)據(jù)庫和Zilliz Cloud全托管服務(wù)為核心，構(gòu)建AI原生數(shù)據(jù)檢索基礎(chǔ)設(shè)施。

Milvus：支持萬億級(jí)向量索引，通過分布式架構(gòu)實(shí)現(xiàn)多模態(tài)數(shù)據(jù)（如圖文、視頻特征）的融合索引，在電商商品搜索、生物醫(yī)藥分子庫匹配等場(chǎng)景形成技術(shù)標(biāo)桿。

Zilliz Cloud：提供企業(yè)級(jí)向量數(shù)據(jù)庫服務(wù)，內(nèi)置自動(dòng)擴(kuò)縮容與多租戶隔離功能，支撐金融風(fēng)控系統(tǒng)的實(shí)時(shí)數(shù)據(jù)查詢需求。在開源生態(tài)中，Milvus社區(qū)貢獻(xiàn)者超2000人，被應(yīng)用于超1000家企業(yè)的AI應(yīng)用場(chǎng)景。

13）后摩智能

后摩智能的車規(guī)級(jí)存算一體芯片和多傳感器融合存儲(chǔ)系統(tǒng)服務(wù)于自動(dòng)駕駛領(lǐng)域。

鴻途H30芯片：基于存算一體架構(gòu)，基于12nm工藝制程，Int8精度下實(shí)現(xiàn)256TOPS物理算力，典型功耗35W，支持智能駕駛場(chǎng)景的經(jīng)典CV網(wǎng)絡(luò)及BEV、PointPillar等先進(jìn)算法。

公司于2023年通過ISO 26262:2018 ASIL D功能安全流程認(rèn)證，為車規(guī)級(jí)產(chǎn)品研發(fā)奠定基礎(chǔ)。

14）火山引擎

火山引擎的VikingDB多模態(tài)數(shù)據(jù)庫和工業(yè)質(zhì)檢存儲(chǔ)方案是其核心產(chǎn)品。

VikingDB多模態(tài)數(shù)據(jù)庫：采用存算分離架構(gòu)，支持實(shí)時(shí)向量寫入與流式更新，實(shí)現(xiàn)非結(jié)構(gòu)化數(shù)據(jù)到向量的高效轉(zhuǎn)換；在檢索性能上可支持百億級(jí)向量庫的毫秒級(jí)響應(yīng)，同時(shí)結(jié)合混合檢索能力提升精度與效率；

此外，VikingDB提供云原生彈性調(diào)度與自動(dòng)調(diào)參功能，優(yōu)化資源成本并保障服務(wù)穩(wěn)定性，其技術(shù)實(shí)踐已覆蓋智能問答、推薦廣告、版權(quán)去重等多樣化場(chǎng)景。

[1]華為《數(shù)據(jù)存儲(chǔ)2030報(bào)告（2024版）》

[2]Llama3初體驗(yàn)以及和ChatGPT 3.5 Turbo對(duì)比 - Eric技術(shù)圈

[3]星環(huán)信息科技（上海）股份有限公司2024年年度報(bào)告