经济观察报记者郑晨烨

近日，中科曙光存储科技有限公司（下称“曙光存储”）联合中国移动研究院，正式发布了面向“东数西算”的存算一体化调度平台，其目标是解决“东数西算”工程中的一个具体难题——存放在西部的数据，东部的算力用不上、用不好，数据调度效率低下。

这一合作的背后，是中国AI投资领域一个特殊的现状：曙光存储副总裁张新凤在与记者的交流中介绍，国内市场在算力与存力上的投资配比约为40:1，而国外市场这一数字通常在10:1之内。

巨大的投资倾斜于以GPU为代表的算力，但效率的瓶颈却出现在了另一端。

“存储无论在哪个层面都是瓶颈，”曙光存储总裁何振对经济观察报记者表示，“数据跟不上，我们前面跑得再快都没有用。”在何振看来，这种因数据流转不畅导致的“算力空等”，代价是昂贵的。其团队测算，在存力上每投入1元，或可为算力节省10元成本。

解决这一效率问题，需要深厚的技术能力，而该领域曾长期由国外厂商主导，国内厂商具备提供解决方案的能力，是近些年才发生的变化。中科曙光（603019.SH）旗下的曙光存储，是其中的一家国内厂商，经过21年的研发投入，按照其总裁何振的说法，该公司已经走完了一个从研发是“负担”到研发是“护城河”的阶段。当市场环境变化，原先的国外厂商逐步退出，这使得曙光存储有机会凭借其技术积累直接面向市场，其集中式存储产品，近年在SPC-1国际基准评测（一项国际公认的存储性能权威测试）中，性能排名全球第一。

这种从追赶到提供解决方案的角色变化，也反映了中国科技产业格局的变迁。8月1日，围绕中国存储及AI产业的现状、瓶颈与未来，经济观察报与曙光存储总裁何振展开了对话。

|对话|

AI基建的三大难题

经济观察报：当前行业在AI算力上投入巨大，但你似乎认为，真正的瓶颈并不在算力本身，而是在更基础的数据层面，具体是指什么？

何振：我们现在能看到，无论是国外的英伟达还是国内的一众AI芯片厂商，大家都在追求每秒钟提供多少算力。其实他们假定数据可以持续地喂给GPU卡，这个实际上是一个很有挑战的事儿。

全国一体化大数据中心的建设这个大课题，最近几年我们一直在和运营商合作。其中我们主要发挥的作用，是通过他们把这些数据中心连通以后，构建一个全网数据统一管理、跨域流动的大的基础设施。曙光存储截至今年，已经做了20多年了，针对以往的数据中心采用传统的分布式文件系统，要想实现存得下、流得动、用得好，还是要解决以下几个问题。

第一，数据看不全的问题。现在的数据中心都是存在一个壁垒里面，相互之间数据是不通的，同时每一个数据中心里面采用的不同厂家的系统又不兼容，导致数据很难统一管理，形成统一的目录。所以对企业来说，这是看不全的。

第二，理不顺。我们一直说现在的数据，不管是从上百TB（计算机存储容量单位，1TB等于1024GB）或者上千TB，特别是随着AI技术的发展，对这些数据的价值如何深度和快速的定位，以及数据跨域之间如何可以快速地流通，这是我们目前面临最重要的问题。

第三个问题，是我们一直提到的数据用不好。在“东数西存”的战略下，把一些冷的数据存到西部，热的数据跟算力中心离得近一些。当然这个过程是在传统数据中心里面一直没有解决的问题，数据存那以后，我存到西部，东部的一些业务系统调用这个数据的话，延迟比较长，比较慢，所以这也是我们一直说用得不好的主要原因。就是使用的感受不是很好。

经济观察报：你认为存储是瓶颈，但这似乎与行业当下“大力出奇迹”的算力竞赛相悖，为什么会出现这种情况？

何振：围绕着人工智能市场的发展，这两年提出来的是性能，我们要追求更高的天花板。因为传统的系统里面，我们可以看到，整个IT系统建设，底层是存储，中层是网络，再上面是计算，再往外就是我们的各种移动终端和最终用户。这三层建设里面，存储无论在哪个层面都是瓶颈。

AI芯片厂商都在追求每秒钟提供多少算力，他们假定数据可以持续地喂给GPU卡，这个实际上是一个很有挑战的事儿。一方面，网络本身要非常强大，现在，200G、400G乃至800G带宽的高速网卡，已经应用到服务器上；另一方面，这些原始数据所在的存储平台，是不是能支撑？

这就是我们说的IOPS（每秒读写操作次数），带宽，单流的带宽，这个层面的挑战越来越大。因为前面的算力，无论是英伟达为主的，还是国内的一众厂商，大家都在追求这件事儿，存储要跟得上才能不拖后腿。永远会有一个存储瓶颈，达到天花板的时候，前面跑得再快都没有用，因为数据跟不上。

经济观察报：这些存在于底层的数据难题，在具体的商业场景中如何体现，AI的出现又带来了哪些新变化？

何振：这些问题是一直存在的。比如自动驾驶，路测车每天每辆车是几TB到十几TB的数据，这些采集的数据，首先会集中到一个中心处理，然后进行脱敏、标注，再到数据训练，是这么一个流程。以往我们的用户需要买不同厂家、不同类型的存储，每个数据处理完了以后，还要把数据挪到下一个存储里面去，这些过程对于用户的投资，还有数据流动的效率，都是非常大的挑战。

到了AI时代，这个问题就更严重了。比如大数据的训练，对IOPS的性能要求提高了数十倍到百倍，这是大家可以感受到的变化。我们以前做大规模的存储系统，可能说几百Gb的带宽就很高了，现在基本是十几个TB。

经济观察报：与中国移动合作落地国家级战略，这个项目的契机是什么？

何振：我们做的这个平台是中国移动主动提出来的。这个方向我们之前，应该说是至少十年之前，我们都考虑过统一存储调度平台的事儿，因为存储要解决的问题就那几个方面：容量、性能、数据的流动。如果我们要解决数据流动的问题，做一个类似全球统一的空间，这是必然要走的路线。

但是我们也关注投入产出比，如果市场上没有看到有实际的需求，能把我们的投入转化为收益，我们可能也就是做一些技术的预判，但是不会那么快投入。我们投入这个，确实是中国移动看到有具体的落地场景和需求了。

他们当时给我们提出这个事儿的背景有两个。第一个，移动自己有业务需要。他们从2020年开始就成为我们的客户，现在已经合作6年了。我们在中国移动上线了上千套的存储，分布在多个子公司和资源池。现在这么多的数据，到底有多少数据资产他们是不清楚的，因为都是数据存储的孤岛。

第二个问题，当时我们国家在提“东数西算”，希望把西部的能源资源优势充分利用起来。而像移动这样的运营商，他们的身份，是特别适合帮国家落地这个战略的。

他们为什么找到曙光存储？因为这个事情是比较复杂的，我们要跨异构、跨地域实现数据流动，这里面有很多问题需要解决。这是困扰很多厂商的问题，要解决这个问题，必须找一个有全栈技术自研沉淀的厂商才能做。

多年自研沉淀为护城河

经济观察报：在一个更看重“短平快”的商业环境中，曙光存储为什么会选择全栈自研路径？

何振：存储和其他产品不一样，是有一定技术门槛的。曙光存储成立到今年是整整21年，我们现在整个团队的规模大概是1千多人，在国内存储领域我们是排到第一或者第二的规模。我们一千多人里面，90%以上都是研发人员。

人工智能的市场，本身就是从高性能计算领域演化出来的，我们长期的技术积累，最终等来了两个变化。第一是（我们自身）厚积薄发到一定程度，优势就凸显了，形成了护城河；第二是中美科技领域的斗争越来越激烈，原来代表高性能的EMC（易安信，美国信息存储资讯公司）等等，已经全面地退出了中国的市场，这个时候我们的优势就凸显出来了，因为代码是自己写的，性能又不比他们差，所以我们的机会也就来了。

特别是像国内部分知名的头部厂商，他们原来都是基于国外的内核做了优化和调整，但是在国产化的浪潮下，或者是国内对于存储的安全性和数据安全越来越重视的情况下，他们的优势已经没有了，反而我们的自研变成了护城河，他们开始找我们合作，要我们的产品。

不管是我们的分布式产品，还是集中式产品，现在都已经领先于国外的任何一款产品了。特别是以集中式存储来说，我们的产品在今年的打榜中，以3千万的IOPS，0.202毫秒的延迟，登顶世界第一，打破了国外存储在性能上对我们一直碾压的势头。

我们现在的产品，性能上去了，但是成本也要比国外的便宜很多。为什么我们现在一直敢说曙光存储一定要成为中国的EMC？因为我们这么多年自研的沉淀，变成了护城河。

“存算协同”的技术进步

经济观察报：过去都说AI是“亿元投入”的游戏，现在这个门槛降低了吗？新的瓶颈又出现在哪里？

何振：2024年之前，我们做大模型的时候，做的都是大模型的训练，如果要建一个大模型训练平台，几亿元都有点少，基本是十几亿元，甚至几十亿元的投入。在这个时候确实是不太有企业或者客户具备这个能力来投入。

但是2024年DeepSeek出来以后，极大地降低了进入AI的门槛，从训练转到推理逻辑，这个对整体的算力和存力，要求都没那么高了。目前来说，到大数据推理应用的阶段，其实是国内自己有了更多的机会，也降低了大众接触AI的门槛。

但到了推理阶段，所面向的用户群体五花八门，随之而来的新瓶颈，就是隐私计算和可信计算的问题——这也是国家层面的明确要求。

实际上，数据安全是我们从一开始就考虑到的核心问题。在曙光存储的体系中，我们能做到数据的隔离、加密和校验。从架构上看，无论是底层的国产化芯片、中间的通讯链路，还是前端的网络接口，我们都实现了全链路的安全加密，能够随时对接国家的相关政策与安全标准。

未来随着人工智能在各行各业的进一步发展，信息安全将是所有用户都更加关注的问题。

经济观察报：要实现AI普惠，除了降低入口门槛，更关键的是要让AI用得起，从存储技术角度看，降低AI运行成本的关键是什么？

何振：对于我们做存储的厂商来说，最核心的一点，是提升GPU资源的利用率。我们不能让GPU等数据，要把数据以最短的路径运到离GPU最近、最快的介质上。

我们有一个测算，在存力上每投入一块钱，算力可以节约10块钱。这背后有一套完整的计算链路和数据可以支撑。

具体来说，我们针对这个做了很多事情。比如我们做了GDS（一项旨在优化GPU与存储设备之间数据传输效率的技术），从存储到GPU的时候，不需要CPU和内存的参与，可以通过一个专门通道过去。目前我们支持国外的（芯片），也支持国内的芯片，我们有自己的研发能力，他们提供接口，我们就可以建立联系，快速推送数据。

另外一块，是在推理时对行业数据的利用。无论是我们对上下文的存储，还是用向量数据库来存行业积累的高质量的数据，其实都是在存储层面，让训练时间更短更高效，让推理的用户体验会更好，每秒生成的token（AI处理语言的基本单位）数量更多，问题和想要答案的关联性也会更高。

现在评价一个大模型系统的推理能力，上下文长度是很重要的指标，这也考验存储的能力。如果上下文长度不够，一个token用完了就马上扔了，下一个问题和上一个有关，就得重新算，这会造成大量的GPU资源浪费。

我们现在的方法是，把上下文产生的结果都存储下来，还会存到GPU本地。通过这种方式，可以把上下文的窗口做得非常长，token之间的（生成）都会有很大的加速。

我们看到，经过优化的系统每秒可生成2000到3000个token。这种高速生成并非只靠GPU单方面的算力进步，而是后台存力向前端GPU持续释放数据处理能力的结果，是“存算协同”的技术进步。

（作者郑晨烨）

国轩高科：942万份股票期权9月11日可行权 行权价18.47元/份9月9日，国轩高科（002074）发布公告，关于2022年股票期权激励计划首次授予部分第三个行权期采用自主行权模式的提示性公告。本次激励计划的第三个行权期符合行权条件的激励对象共计1406名，可行权的股票期权数量为942万份，占公司总股本的0.522%