0
| 本文作者： 劉伊倫 | 2025-09-28 14:38 |
“存儲是保證大模型正常運行的基礎。”平頭哥半導體產品總監周冠鋒向雷峰網說到。
在大模型時代，全球正掀起大規模算力基建潮。“算力、算力，還是算力”的口號成為行業對這一趨勢的直白概括，不少人將算力視為最核心的競爭資源。
但鮮少有人意識到，大模型從千億參數訓練到實時場景推理，每一步都需要EB級海量數據的持續供給，而這些數據的安全留存、高效調取，全依賴存儲系統的穩定運行，若缺乏高質量、高可靠的存儲支撐，再強大的算力也會因“數據斷供”陷入“無米之炊”的困境。
這也恰恰點破了大模型時代技術基建的核心邏輯：看似聚焦“算力突破”的技術革命，實則離不開“存儲支撐”的底層托舉。
中國信通院最新出具的《2025先進存力研究報告》指出，我國數據生產量逐年增長，存力建設卻略顯滯后，數據“應存未存”現象凸顯。
在數據產量與存儲容量的規模方面，2023至2024年數據年產量由32.85ZB增至41.06ZB，增速達到25%，而數據存儲總量僅由1.73ZB提升至2.09ZB，增速為20.81%，數據存儲增量明顯落后于數據生產速度，存力缺口已然出現。
“國內對智算算力的消納主要是圍繞大模型的訓練、推理、微調及開發，所以這并不單純是對于計算能力的價值體現，而是算力+存力+網絡運力的綜合能力體現。”某智算云頭部廠商負責人對雷峰網(公眾號：雷峰網)表示，也正因如此，在智算中心組網方案的合理性以及如何合理消納算力等方面，一旦出現不合理之處，在運營過程中就會面臨瓶頸和問題。
某算力集群就曾因設計的計算訪存比過小，導致工作負載僅維持在10%，通過優化存儲的性能，該集群提高到了20%-30%的使用范圍，改造設計后客戶數量大幅上升。
當存力缺口成為制約算力效能釋放的關鍵瓶頸，當存儲優化對算力集群的價值已被實踐驗證，如何系統性彌補存力短板？如何優化存儲技術以實現大規模算力集群高效運轉？平頭哥鎮岳510，正在為這些問題提供關鍵解決方案。
鎮岳510補齊阿里AI基建，實現「算力-存力-運力」業務閉環
從政策加碼到企業競逐，AI基建已成為各國科技競爭的核心籌碼。
正如阿里巴巴集團CEO吳泳銘在2025云棲大會上所指，未來五年全球AI累計投入金額將超過4萬億美元，這是人類歷史上最大規模的算力與研發投入。
2025年2月，阿里率先宣布未來三年投入超3800億元建設云計算和AI硬件基礎設施，七個月后，吳泳銘在云棲大會上再次強調這一規劃，并明確表示將追加更多投入。
真金白銀的投入已落地為具體動作：僅過去四個季度，阿里在AI基礎設施和產品研發上的累計投入已超1000億元，2025年資本支出預計達1100-1200億元，其中700-800億元直接用于服務器采購與數據中心建設。
從擴建墨西哥、日本等地的數據中心，到首次在巴西、法國、荷蘭布局云計算地域節點，阿里的算力網絡正加速織密全球版圖，而這背后，亟需解決“算力-存力-運力”的協同瓶頸。
若僅僅關注算力芯片的性能，就很容易面臨“內存墻”等存儲領域的限制，無法充分發揮集群的性能。
這種瓶頸在大模型訓練與推理場景中尤為突出：訓練階段需頻繁讀取PB級數據集、寫入TB級Checkpoint（檢查點）文件，推理場景中長上下文對話導致的KV緩存爆炸，都可能讓GPU陷入“空等數據”的閑置狀態。
為此，國內各大廠商紛紛發力破局，鎮岳510的存在，補全了阿里及合作廠商在對先進存力的需求，使數據從“產生-存儲-調用”形成高效閉環。
作為平頭哥推出的鎮岳510高性能SSD主控，其4μs超低時延比業界主流水平低30%以上，搭配340萬IOPS的超高隨機讀性能與14GB/s順序讀帶寬，可直接為GPU提供“無間斷數據供給”。
更關鍵的是，它通過“雙向適配”覆蓋全場景需求：向上支持pSLC模式，降低隨機讀時延，適配數據準備階段的高頻隨機讀寫；向下兼容ZNS+QLC方案，通過分區順序寫入消除垃圾回收開銷，兼顧冷數據存儲的大容量與低成本。
躋身存儲主控芯片第一梯隊，鎮岳510如何打造「高性能、低成本」的AI存儲方案？
在阿里云大規模算力基建的實踐中，存儲與計算的協同效率始終是決定集群效能的核心命題。
“算力集群的計算過程是把數據從存儲搬運到計算單元，計算完成后其中間結果以及存力結果會返存回存力集群，存力是不是能以更大的帶寬、更低的時延將數據搬運到算力單元中進行計算，將影響算力的利用率。”周冠鋒表示。
由于計算集群會不定時發生故障，計算過程中需要定期進行Checkpoint保存，更是對存儲性能的“壓力測試”，保存耗時越短、整個計算過程被中斷的時間越少，因集群故障導致的訓練中斷風險就越低，業務連續性與可靠性也隨之增強，從而進一步提升計算的效率。
這一邏輯在阿里云的實際運營中得到了深刻印證。
為平衡存儲成本與容量需求，阿里云曾廣泛采用HDD（機械硬盤）作為底層存儲介質，但HDD有限的帶寬與IOPS（每秒輸入輸出操作數），在大模型訓練前的數據準備、高頻次Checkpoint寫入等場景中顯得力不從心。
為突破瓶頸，需要在HDD上加一層緩存，以提升整個存儲集群的帶寬和IOPS。阿里云此前選用傲騰（Optane）作為緩存層核心，但隨著傲騰的逐步停產，急需替代品作為緩存進行持續供應。
平頭哥鎮岳510通過對pSLC NAND（偽SLC NAND）技術的深度適配，不僅解決了阿里云的存儲性能瓶頸，還規避了傲騰停產造成的供應鏈風險。
在云棲大會的演講中，平頭哥披露，基于鎮岳510的pSLC方案實現了對傲騰的性能超越，隨機讀帶寬提升17%，隨機寫IOPS提升4%。
更關鍵的是，這一方案打破了“高性能必高成本”的行業困境：在性能升級的同時，SSD整體成本大幅降低，完美適配了阿里云對“高效能+低成本”的核心訴求，高度適配大語言模型訓練前的數據準備階段。如今，這一方案已在阿里云OSS（對象存儲服務）等場景中開展灰度測試，意味著其技術成熟度與場景適配性已通過初步驗證，即將進入規模化應用階段。
為了進一步提供高性能、低成本的AI存儲方案，平頭哥與阿里云的深度合作，開展ZNS+QLC存儲解決方案的探索。QLC NAND作為高密度存儲介質，雖憑借每GB更低的成本成為大規模存儲場景的理想選擇，但傳統SSD主控對QLC的適配始終存在短板，隨機寫入時的寫放大效應顯著，不僅導致性能波動，更縮短了SSD的使用壽命，讓QLC的成本優勢難以充分釋放。
而ZNS（分區命名空間）技術的出現，為解決這一痛點提供了方向：它通過將閃存劃分為獨立分區，讓數據按分區順序寫入，從根源上減少垃圾回收操作，但如何讓ZNS與QLC深度協同成了又一命題。
鎮岳510針對ZNS+QLC方案進行了底層架構優化：
一方面，通過定制化的分區管理算法，讓數據寫入嚴格匹配ZNS分區的順序特性，改善了傳統方案中的空間浪費問題；
另一方面，鎮岳510內置的智能磨損均衡機制，能根據QLC的擦寫壽命特性，動態調整各分區的數據分布，避免單一分區過度損耗，延長QLC SSD的使用壽命。
更關鍵的是，這些優化并未以性能妥協為代價，完全滿足AI冷數據存儲、訓練數據集歸檔等場景的性能需求。
鎮岳510的價值不止于AI場景，其對分布式存儲的深度支持，在阿里云EBS（彈性塊存儲）等核心產品中也展現出優勢。
分布式存儲作為云計算的底層基石，需要應對多租戶、多場景的混合讀寫需求，對QoS（服務質量，衡量存儲系統性能穩定性與可靠性的關鍵指標）的穩定性要求極高。
鎮岳510從硬件層面重構了QoS保障機制：通過獨立的讀寫通道設計，將隨機讀、順序寫、混合讀寫等不同任務的資源需求進行隔離，避免任務間的相互干擾；同時，內置的智能優先級調度算法，能根據 EBS 的業務場景動態分配帶寬與IO資源，確保核心業務的時延優先。
平頭哥在云棲大會現場的對比數據顯示，在混合讀寫場景下，鎮岳510為阿里云EBS提供99%時延表現，意為在統計周期內，存儲系統處理混合讀寫請求時，99%的請求響應時間都能控制在某一特定時延值以內。基于鎮岳510的EBS混合讀寫QoS 99%時延僅為兩款國外主流競品時延的56%和84%，時延明顯更短。
鎮岳510規模化：深耕阿里云EBS，驅動高性能SSD發展
在商業世界里，技術不是唯一，實現規模化落地才能真正釋放產品的價值。
得益于背靠阿里云的天然優勢，鎮岳510以“內部深度應用+外部生態合作”的雙輪驅動，從阿里云存儲的“芯” 底座走向全產業的存儲解決方案
阿里云EBS作為支撐千萬級云服務器的底層存儲服務，是鎮岳510規模化應用的關鍵場景之一。
鎮岳510通過硬件架構優化與智能調度算法，為EBS帶來了全方位的性能躍升：不僅大幅提升系統的IOPS（每秒輸入輸出操作數）與吞吐帶寬，更在讀寫混合場景下實現關鍵突破，時延較行業其他主控壓縮92%，同等資源條件下，有效提升承載用戶的并發訪問量。
在內部場景驗證技術成熟度后，鎮岳510以“核心主控芯片”的身份向外延伸，與憶恒創源、得瑞領新、佰維存儲等頭部存儲廠商達成深度合作。
憶恒創源基于鎮岳510打造的PBlaze7 7A40系列企業級SSD，成為業內首款實現4K隨機寫入100萬IOPS的企業級存儲產品。該系列SSD推出后，迅速切入多個應用場景，支持大規模模型訓練和推理任務，優化在線交易處理（OLTP）和數據分析性能，滿足金融、電商等行業需求，并且助力云服務提供商提升存儲效率，降低運營成本。
依托鎮岳510芯片，得瑞領新推出了首款支持PCIe5.0接口的高性能NVMe SSD，即D8000 系列，能夠穩定滿足 AI 訓練、實時數據分析等高性能計算場景的嚴苛需求。
行業內的技術探索從未停歇，平頭哥作為專注該領域研發的重要力量，也有著清晰且長遠的規劃。
“平頭哥的存儲產品線目前還是聚焦于SSD主控芯片的研發，因此平頭哥存儲產品線會持續開發下一代性能更強、容量更大、糾錯性能更高、訪問時延更低的SSD主控芯片，來解決未來AI算力增加、算力規模增大之后對存儲帶來的性能更高的要求。”周冠鋒說道。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
