随着大模型从实验室训练走向规模化产业落地，AI基础设施的瓶颈正在从算力向存储转移。芯展速副总裁李蓁近日在与钛媒体对话时指出，显存带宽与容量的线性增长已追不上算力的提升速度，GPU等待数据的情况日益普遍，“内存墙”之下，存储正从幕后的数据仓库走向台前，成为决定AI体验上限的关键变量。
过去二十年，GPU单精度算力提升了四个数量级以上，行业的注意力长期集中在算力芯片与高速网络。但当大模型参数跨过千亿、上下文窗口扩展到百万Token，以及Agent应用批量兴起，旧有的存储供给已难以匹配新需求。李蓁表示，AI数据管道如今覆盖采集、清洗、训练、检索、推理、反馈全链路，数据不再是静态存放的资产，而是在全流程中持续流动的生产要素。如果数据流动受阻，再强的算力也只能陷入空转。
传统分层存储方案在这一背景下面临挑战。分层架构根据数据访问频率，将热数据存放在高性能介质、冷数据沉降到低成本层级，以平衡性能与成本。但李蓁指出，AI数据生命周期中，同一份数据时而需要高性能读写、时而需要低成本大容量存储，跨层搬运会产生巨大开销，GPU长时间处于等待状态，设备持续上电却没有产出，这些成本最终由用户承担。同时，多套系统、多类介质对应不同分层，也使架构设计、软件开发与日常运维的复杂度大幅上升。
针对这一痛点，芯展速与VAST Data面向云端AI存储提出“架构之上无分层”的解决方案：上层构建统一数据平台，让应用只看到一套系统、一份数据，无需感知底层介质差异；底层通过不同介质的精准分工，分别承担性能、容量、持久化等角色。芯展速以SCM、QLC、TLC产品组合分别承接写入缓冲、容量经济与关键负载性能三个角色。其中，SCM承担低延迟、高耐久的写入缓冲与全局状态持久化，QLC主打海量数据的容量经济性，TLC保障高并发关键负载的性能弹性。
李蓁认为，AI存储演进的重要方向是走向无分层的统一数据平台，而非多个割裂的层级。这一方案需要软件厂商与硬件存储厂商深度协同，单凭一家难以打通全部通路。VAST Data定义无分层的统一架构，芯展速则解决介质层如何支撑该架构的问题。
展望未来，李蓁表示，未来三到五年，最大的变化将是数据存储的下沉与分化。各行各业的用户都会产生定制化的模型与数据，大量个人数据、业务数据需要在本地存储与处理，以存强算、存算协同的边缘与端侧场景将成为新的增长主线。与此同时，技术迭代压力与行业周期波动仍是需要长期面对的命题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
