這兩天DeepSeek開源3FS并行文件系統的消息，猶如向AI基礎設施領域投下一枚深水炸彈。3FS每秒能搬運6.6TB數據，相當于1秒鐘傳輸完700部4K高清電影。還能自動調資源，國產芯片用了它，跟國際大牌的差距直接縮小到15%。
這并非簡單的技術迭代——當Llama3 70B模型單次訓練需吞掉15PB數據（相當于連續播放250萬小時4K視頻）時，全球AI實驗室突然意識到：決定大模型訓練效率的不僅是GPU算力，存儲系統正成為影響進度的一大瓶頸。
當AI算力狂飆時，存儲正在成為隱形戰場
2024年，某頭部AI公司曾因存儲帶寬不足，導致2000張A100顯卡的算力利用率長期低于40%，單日經濟損失超百萬美元。這暴露了AI時代的“木桶效應”——當GPU計算速度進入微秒級時，一次突發的存儲抖動就可能導致整個訓練任務崩潰，讓數周的計算成果瞬間蒸發。這或許也是DeepSeek自研存儲的原因。
數據顯示，存儲優化可直接將175B參數模型的訓練周期壓縮30%，對應百萬美元級的成本被填平。而在推理端，當10%的異常請求遭遇存儲延遲波動時，P99響應時間會瞬間突破SLA紅線，這正是某自動駕駛公司在線服務突發降級的根本誘因。
DeepSeek之所以選擇自研3FS的本質，正是發現了存儲架構在AI應用中的重要性。《金融行業先進AI存力報告》中提到，在同樣的GPU算力規模下，存儲性能的高低可能造成模型訓練周期數倍的差異。在算力競賽的背后，一場關于存儲性能密度的暗戰悄然升級，自研存儲顯得尤為重要。
5家頭部廠商角逐AI存儲，國產能否拔得頭籌
相比于傳統AI的需求，大模型對存力需求場景具有數據量大、參數規模大、訓練周期長等特點。
為了提升大模型訓練速度，需要對大規模數據集進行快速加載，且一般采用數百甚至上萬張GPU構成計算集群進行高效的并行計算，需要高并發輸入/輸出（I/O）處理，而訓練數據集呈現海量小文件的特點，文件量在幾億到幾十億量級，對應的帶寬需求可能每秒要達到上TB，這就要求存儲系統具備強大的數據管理能力，業界能達到該能力的僅寥寥幾家。
從國內外優秀的并行存儲產品具體能力對比來看，IBM作為老牌存儲品牌，其產品從HPC場景成功向AI場景演進。在全球AI場景得到廣泛應用的DDN，多個讀、寫帶寬等關鍵性能指標上表現突出，但DDN由于技術封閉性、專有化硬件等原因，導致用戶建設成本過高。
國產廠商DeepSeek 3FS雖然是開源的新產品，但相對老牌存儲也有不錯的表現，在讀帶寬能力上表現優異，單集群6.6TB/s，平均單節點36.7GB/s的讀帶寬。
另一家國產廠商京東云云海，在這個專業領域同樣表現出色，以單節點95GB/s的讀帶寬、60GB/s的寫帶寬，進一步拉低了國產存儲與國際老牌廠商的差距。相較于DeepSeek的3FS，京東云云海在提供高性能的同時適用性更廣，可以同時滿足DeepSeek、ChatGPT、LLaMA等20余種主流大模型的存力需求。
綜上來看，隨著大模型快速向縱深場景演進，對存儲的要求也越來越高，DeepSeek 3FS、京東云云海等國產存儲，顯示出在處理大規模數據集時的優越性能。未來國產存儲能否拔得頭籌，讓我們拭目以待。
這兩天DeepSeek開源3FS并行文件系統的消息，猶如向AI基礎設施領域投下一枚深水炸彈。3FS每秒能搬運6.6TB數據，相當于1秒鐘傳輸完700部4K高清電影。還能自動調資源，國產芯片用了它，跟國際大牌的差距直接縮小到15%。
這并非簡單的技術迭代——當Llama3 70B模型單次訓練需吞掉15PB數據（相當于連續播放250萬小時4K視頻）時，全球AI實驗室突然意識到：決定大模型訓練效率的不僅是GPU算力，存儲系統正成為影響進度的一大瓶頸。
當AI算力狂飆時，存儲正在成為隱形戰場
2024年，某頭部AI公司曾因存儲帶寬不足，導致2000張A100顯卡的算力利用率長期低于40%，單日經濟損失超百萬美元。這暴露了AI時代的“木桶效應”——當GPU計算速度進入微秒級時，一次突發的存儲抖動就可能導致整個訓練任務崩潰，讓數周的計算成果瞬間蒸發。這或許也是DeepSeek自研存儲的原因。
數據顯示，存儲優化可直接將175B參數模型的訓練周期壓縮30%，對應百萬美元級的成本被填平。而在推理端，當10%的異常請求遭遇存儲延遲波動時，P99響應時間會瞬間突破SLA紅線，這正是某自動駕駛公司在線服務突發降級的根本誘因。
DeepSeek之所以選擇自研3FS的本質，正是發現了存儲架構在AI應用中的重要性。《金融行業先進AI存力報告》中提到，在同樣的GPU算力規模下，存儲性能的高低可能造成模型訓練周期數倍的差異。在算力競賽的背后，一場關于存儲性能密度的暗戰悄然升級，自研存儲顯得尤為重要。
5家頭部廠商角逐AI存儲，國產能否拔得頭籌
相比于傳統AI的需求，大模型對存力需求場景具有數據量大、參數規模大、訓練周期長等特點。
為了提升大模型訓練速度，需要對大規模數據集進行快速加載，且一般采用數百甚至上萬張GPU構成計算集群進行高效的并行計算，需要高并發輸入/輸出（I/O）處理，而訓練數據集呈現海量小文件的特點，文件量在幾億到幾十億量級，對應的帶寬需求可能每秒要達到上TB，這就要求存儲系統具備強大的數據管理能力，業界能達到該能力的僅寥寥幾家。
從國內外優秀的并行存儲產品具體能力對比來看，IBM作為老牌存儲品牌，其產品從HPC場景成功向AI場景演進。在全球AI場景得到廣泛應用的DDN，多個讀、寫帶寬等關鍵性能指標上表現突出，但DDN由于技術封閉性、專有化硬件等原因，導致用戶建設成本過高。
國產廠商DeepSeek 3FS雖然是開源的新產品，但相對老牌存儲也有不錯的表現，在讀帶寬能力上表現優異，單集群6.6TB/s，平均單節點36.7GB/s的讀帶寬。
另一家國產廠商京東云云海，在這個專業領域同樣表現出色，以單節點95GB/s的讀帶寬、60GB/s的寫帶寬，進一步拉低了國產存儲與國際老牌廠商的差距。相較于DeepSeek的3FS，京東云云海在提供高性能的同時適用性更廣，可以同時滿足DeepSeek、ChatGPT、LLaMA等20余種主流大模型的存力需求。
綜上來看，隨著大模型快速向縱深場景演進，對存儲的要求也越來越高，DeepSeek 3FS、京東云云海等國產存儲，顯示出在處理大規模數據集時的優越性能。未來國產存儲能否拔得頭籌，讓我們拭目以待。
本文鏈接：當紅炸子雞DeepSeek，為何花心思自研存儲？http://www.lensthegame.com/show-2-11154-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： “七星連珠”為何并非“罕見奇觀”