人工智能大模型时代，各行各业对计算服务提出各种新的需求，作为“三大件”之一的存储需要怎样应变？对此，华为公司副总裁、数据存储产品线总裁周跃峰有许多切身感受。

“存储的创新是由应用驱动的，上层应用变了，存储一定要变化，否则就不是一个负责任的存储厂商。”在华为全联接大会2024期间，接受《中国科学报》等媒体专访时，周跃峰开门见山。

他说，当前许多用户的AI建设正处于初级或探索阶段，但“数据准备”这件事可以从现在开始。存储行业的创新，也正围绕“数据准备”和“AI-Ready”展开。

周跃峰（左）和华为闪存存储领域总裁黄涛接受媒体采访。华为供图

面向AI训练的存储：“做不好会更‘缺电’”

众所周知，大模型训练系统对算力需求很大，计算密度空前。与此同时，这类计算对数据吞吐量的要求也与时俱增。

“这对于存储来说，首要就是快速地将数据源源不断送上去。”周跃峰说，以往计算系统对存储是没有“快速”这个要求的，但现在，大规模参数的模型训练同时意味着对海量大数据的学习，计算系统需要十倍、数十倍的数据吞吐和带宽。“如果让机器在那儿等数据，那就是空转。”

联想到此前业界戏称“大模型训练的尽头是用电”，周跃峰诙谐地说：“如果存储做不好，我们的训练系统就更‘缺电’了。”

近期，中国移动将华为AI存储用于大模型训练，实现150PB单存储集群、8TB/s带宽和2.3亿IOPS的能力，端到端训练效率提升5%。

“这证明使用AI存储可以达成AI训练不中断、不空转的目标。”周跃峰说，华为和中国移动这一实践，算是为后续更大规模大模型训练“打了样儿”。

存储系统的第二个应变，则是要面对越来越复杂的计算集群。

“万卡、十万卡的AI训练系统，集群内部网络互联关系非常复杂，人们期待存储系统能够跟万卡、十万卡级别的训练系统直连，而且能够共享存储数据。”周跃峰举例说，美国Meta公司用于训练Llama3的存储系统，基于目前公开的信息是由8100台服务器搭建而成，内部互联、通讯等非常复杂。

他介绍说，华为新推出的AI存储——OceanStor A800，单存储集群（128台设备构成）就能支持十万卡级训练集群，不仅性能得到了提升，空间占用和故障率也大大降低。

面向AI推理的存储：聪明AI背后的漂亮存储

AI训练集群之外，与应用和场景更为贴近的是AI推理实现。

“现在用大模型产品，问一句答一句，马上就能得到答案，这是‘快思考’；但其实人区别于机器，人有大量的慢思考，许多问题都需要慢慢梳理逻辑，慢慢想出解决之道。”周跃峰说，要让AI变得更“聪明”，像人一样也有“慢思考”，需要存储发挥作用。

AI怎样产生“慢思考”？他告诉记者，关键在于推理过程中的每一次思考结果都要记下来：“这样未来再有相同问题就不需要重新计算了，可以以存代算，这样整个系统就会更快、性价比更高。”

周跃峰称之为“长记忆内存型存储”，在这类存储中，存储作为内存的扩展，以分级的方式实现了长周期的记忆能力，甚至是终生记忆。

“人的一些思考是需要通过推理慢慢梳理逻辑，过程中有些‘素材’是现成的，只需要把记忆中的内容直接‘剪切’进来就可以了。”周跃峰说，如果每个节点都要重新计算，再加上是在复杂的层层逻辑上计算，“这个‘脑袋’恐怕要炸”。

他特别谈到，推理相对训练而言，是一个“弱算力、强缓存”的需求，就如人类大脑一样，不同脑区的构造和功能有所区分，用于推理的存储也可以选择不同类型的存储介质进行“混搭”（如高带宽存储和DDR、SSD等介质协同），从而可以实现以相对经济可靠的方式构造出“漂亮的存储”。

OceanStor A800就集成了这一理念，成为业界首款提供长记忆能力的存储。据介绍，它通过“多级键-值缓存（KV-Cache）机制”将所有的思考结果持久化保存并高效使用，让大模型推理具备长记忆能力，以减少大模型在预填充阶段的重复计算。如此，客户推理的时延可降低近八成，单个计算卡的吞吐量提升约2/3，实现了推理体验提升的同时降低成本。

“人脑有时也记不住一些信息，但可以通过查词典、上网查资料来弥补。存储也是这个道理，没必要都是比较昂贵的、可以即时访问的‘高级内存’，以存代算的系统是可行的。”周跃峰说：“所以推理系统要想做得好，一定要有漂亮的存储。”

存储“必须强调安全”

采访中，周跃峰多次强调存储安全的重要性。

“国内一些所谓中高端存储，都没有集成数据安全相关的功能，这让人很不解。”他说，一方面，中国是全球范围内勒索病毒发生最频繁的区域，另一方面，中国也是许多企业最不关心数据安全和保护的区域，“令人很困惑”。

周跃峰觉得，存储应从被动应对攻击走向主动全面防护。企业在构建存储系统时要注重建设备份存储和多层防勒索机制，这就好比保险箱在遭到暴力撬锁时，要有发出警报声并再加一把锁的反应。

“我们认为，存储既要有其功能，也要在发生勒索事件时及时‘关门’的能力。”在周跃峰看来，避免人因损害等数据的内生安全，应成为存储的基本要求甚至强制要求，否则会留下重大隐患：“有时候数据的安全问题一旦爆发就是0和1的区别，数据丢了就是丢了。”

存、算、网须紧密协同

在华为全联接大会2024期间，中国工程院院士倪光南在相关主题发言中谈到，智算集群建设就好比构建一个足球冠军团队，不仅需要有优秀球员，还需要球员之间的协同和配合以达到最高效能。智算集群是一个复杂工程系统，而不是简单的软硬件的堆砌，它要求“3+1”算力体系，即存、算、网和服务的紧密协同。

他说，也正是基于复杂工程系统思维，智算集群在算力规模、算力利用率、集群可靠性等关键指标上，才可以持续“挑战”和“对抗”源于单模块、单机、单系统的各种物理极限和物理失效问题。

“以国内刚刚建成的某运营商超大规模集群为例，它共含近2万张算卡，2000多台智算设备，近8万根线缆互联，700多台RoCE高速交换机，以及800多台通用计算、存储设备，10万+光模块占用1千多个机柜。数量巨大的这些设备之间相互交织互联，任何一个关键点出现问题都可能影响训练任务中断，“一卡断，万卡停”。

“一个典型的超大规模集群一年的运营成本超过亿元，假设由于各种单点故障导致了训练时间上5%的浪费，都会带来上千万元的直接经济损失。”倪光南说。

周跃峰对上述观点无比认同。“西方发达国家在构建AI基础设施的时候，是存、算、网协同发展的。”他谈到，英伟达构建的AI超级计算机——DGX SuperPOD，不单单是靠GPU，它收购了Mellanox这家网络公司，同时跟许多存储厂商合作，搭建了许多私有协议，最终才搭建出了这台全球超算排名前十的“巨无霸”。

“如果有所谓专家只是学计算机的，不懂网络、不知存储，他一定不能领导整个IT基础设施的建设和发展。”周跃峰说。