刚参加完一场智算行业交流会，发现政企朋友们都提到一个趋势：未来，十万卡级的算力集群将成为标配，而当下万卡集群已经卷起来了。 但大家私下讨论最多的，就是当万张加速卡全力运转，为何AI训练还是快不起来？你可能没想到，真正的瓶颈不在算力，而在一个常被忽视的环节：存力——明明GPU规模拉满，却因为数据吞吐跟不上，模型训练周期动辄拉长数月。 当AI模型迈入万亿参数时代，堆砌GPU数量已不是难题，关键在于如何让海量数据以最低延迟、最高效率“喂饱”这些计算核心。传统存储架构在万卡集群面前，往往成为那条拖慢整个系统的独木桥。 曙光存储的思路很值得借鉴：它发现，问题的核心在于存储与计算之间的“速度断层”。为此，他们提出了一个关键解法：从“存数据”转向“喂数据”，让存力主动协同算力。 其核心技术“超级隧道”，在存储与GPU之间修建了一条直达专线，通过零中断、零竞争、零拷贝的设计，让数据传输路径更短，并且一路绿灯。结果是：推理延迟降低80%，训练速度提升4倍，万亿参数模型训练周期缩短60%以上！ 而另一大核心技术“AI数据工厂”，让存储系统能主动预处理、调度数据，甚至能够理解AI工作流的独特需求——比如在推理时，主动将部分计算任务卸载到存储侧处理，显著提升响应速度。这意味着存储系统开始“主动思考”，提前准备好算力最需要的数据形态。 支撑这套体系的是硬核的产品矩阵：刷新IO500纪录的分布式存储ParaStor F9000，220GB/s单节点带宽、800万IOPS，能够支撑起十万卡集群的数据洪流；在SPC-1测试中创造3000万IOPS、0.202ms延迟世界纪录的集中式存储FlashNexus，则能轻松应对最极致的性能需求。 可以看到，在AI竞赛的下半场，决胜点已不在单纯的算力堆叠，而在于如何让数据与计算“无缝对话”。一场由存力驱动的效率革命，已经悄然开始。