当前，整个信息技术产业正处在一个关键的节点上。一边是生成式AI、自动驾驶等技术快速商业化，推动全球数据总量激增。另一边，基础的数据存储环节，正面临从成本、容量到性能的全维度压力。

全球存储硬件价格已进入显著的上行通道，部分产品价格短期波动剧烈。这使得企业数据中心扩容和AI基础设施建设的预算持续攀升，成本控制面临挑战。与此同时，AI的普及也改变了数据性质。自动驾驶产生海量感知数据，大模型需要处理PB级数据集，这些不仅要求“存下来”，更对存储系统的容量扩展提出了近乎无限的要求。AI推理场景中，对海量参数和亿万级小文件的实时并发调用，则将存储系统的性能短板暴露无遗。

因此，当前的存储紧张，其本质并非传统的周期性价格调整，而是一场由AI技术驱动的“数据洪峰”，与全球存储产能（特别是适应AI需求的高性能产能）爬坡缓慢之间的结构性碰撞。

行业的结构性挑战，必然呼唤结构性的解决方案。在这一背景下，任何在AI存储领域取得的实质性突破，都格外值得关注。

近日，在全球权威的存储性能评测 IO500 榜单中，京东云海存储跻身全球前四，并位列国产自研第一。这项成绩的一个关键背景在于，它是目前全球性能最强的、基于通用 NVMe 架构的 AI 存储系统，同时也是全球最大规模基于国产 CPU 的 AI 存储实践。

这一突破之所以引人注目，是因为它不依赖于极端专用硬件，而指向了一条通过全栈自研的软件和架构优化，在通用化、开放化的技术路径上实现顶级性能的路径。这无疑为应对前述行业困境，提供了一个新的、切实可行的技术视角。

01、一场非周期性的“存储荒”

谈论人工智能的未来，业界有一个共识：AI 始于数据而不是 GPU。因此 AI 时代也是数据存储创新的黄金时代。

过去，存储系统的设计首要考量是容量与可靠性，性能往往是够用即可；但在 AI 的世界里，尤其是在大模型训练与高频推理场景下，数据的供给速度直接决定了价值数千万乃至上亿的 GPU 集群，究竟是在全力“炼金”，还是在无奈“空转”。

传统存储架构在处理这类元数据密集型负载时，其吞吐能力和延迟瓶颈暴露无遗，直接导致昂贵的算力资源利用率长期徘徊在低位，“算力空转”成为行业通病。

据 Gartner 预测数据，2025 年全球 Data Center 支出将激增约 46%，接近 4900 亿美元，这一增长主要是由生成式 AI 驱动，AI服务器正在消耗全球 40% 的 DRAM 和高容量SSD。这意味着海量的非结构化数据，如文本、图像、视频等，不仅需要被简单地归档保存，更需要被实时地、高并发地处理和调用。

需求的剧变，迅速传导至供给端，引发了一系列连锁反应。为满足 AI 服务器对极致内存带宽的渴求，全球主要的存储芯片制造商，如三星，SK 海力士，正将核心的晶圆产能，大规模转向生产高带宽内存（HBM）和 DDR5 等高端产品。

这种产能的“虹吸效应”，直接导致传统平价存储产品 DDR4/LPDDR4X 供给同比减少 60%。一些头部 AI 公司动辄锁定全球产量数十百分比的大额长期协议，更是加剧了这种紧张，报价模式也从季度走向“每日定价”。这意味着采购存储不再基于长期规划，而更像是应对每天价格波动的短线操作，一个由卖方主导的极端市场已然形成。

毫无疑问，我们正在经历的，并非存储器行业周而复始的周期性价格波动，而是一场由 AI 技术革命直接驱动的“结构性超级周期”。过去的周期有迹可循，供需在动态中寻找平衡；而此次，AI 带来的需求是全新的、刚性的，且仍在急剧膨胀，它从根本上重塑了存储市场的价值标准和供需关系。

因此，行业需要的是一种“不妥协”的解决方案：它必须在性能上足以喂饱最饥饿的 AI 算力，满足千万级 IOPS、TB 级带宽和百微秒级延迟的严苛门槛；也必须在成本上具备极强的抗波动韧性，能对冲硬件涨价的压力，甚至通过架构创新降低总拥有成本；同时，在金融、政务等关键领域，它还必须满足核心技术自主可控的刚性要求。

这三重要求，构成了 AI 时代存储底座必须跨越的“新三角”。

02、技术新周期，呼唤怎样的新一代AI存储

如前文所言，AI 所需求的存力不只是扩大容量，而是彻底改变了“数据怎么被存、怎么使用、用得有多快”。海量的数据不仅需要被存储，更需要被高速地处理、分析和调用。

由此，AI 存储的门槛非常直观。

大模型应用场景下，数据集以文档、图片、音视频等非结构化小文件为主 —— 单文件通常仅为几十字节到几百 KB，但总量可达数亿甚至数十亿级别。这种“海量小文件”要求的储存能力是，极高的元数据管理效率与高并发小文件吞吐。

带宽亦是一大瓶颈。一般大模型应用的读取带宽需求约为 40G，写入带宽约为 20G。数千个计算节点同时访问存储系统，存储带宽的要求比电商业务顶峰时段高出几百甚至几千倍，存储性能的高低可能造成模型训练周期 3 倍的差异。再者，大模型参数实时同步要求存储延迟低于 50 微秒，而传统 NAS 系统平均延迟 500 微秒以上。

若存储带宽或并发调度等核心能力跟不上，算力就会被逼成“等数据”的闲置状态。GPU 长期低利用率、读写高延迟耽搁训练周期，直接拖慢产品落地。

传统存储性能不足，京东云海这类面向大模型场景深度优化的基础设施因此脱颖而出。

云海 AI 存储可支持千亿级参数 AI 大模型，基于自研引擎采用全追加写模型，融合超低延时 RDMA 网络与软件架构优化，实现了接近本地 NVMe 磁盘的 I/O 性能表现：4K 随机写 IOPS 达到 1000 万级，平均延迟在 100 微秒级，单节点可提供 44GiB/s 的带宽性能。

在大模型训练的并行文件存储下，单文件系统支持千万级 IOPS，上万台服务器同时并发访问，为超大规模 AI 训练任务保驾护航。

但性能拉满是一方面，性价比决定了它能否真正规模化落地。

企业本身在在大容量、高性能存储系统软硬件方面投入已经非常可观，单次投入多在数百万至数千万级别。以一台 L3 级别的自动驾驶测试车为例，其平均每天产生 60TB 的数据，完整测试产生的数百 PB 数据更需要存储 30 年以上。

除了巨量新增数据，企业还需兼顾存量数据的低成本存储。像关键领域的数据存储就有硬性要求，如政府电子档案要求保存周期为 5 年甚至更长，公检法司数据要求保存周期至少 30 年以上。

而较传统超算存储技术，云海 AI 存储不采用 PMEM 硬件，具备更强通用性的同时，也实现了更低存储成本。这是它能够一举拿下性能、成本、规模化落地多项第一的底气。

音频存储可视为一个低频文件需兼顾高安全与低成本的典型场景。像国内头部音频平台荔枝有数亿低频文件存储需求，京东云基于自研云海存储系统，为其构建过一套兼顾性能、成本与可靠性的存储解决方案。

其中包括通过存算分离架构，将计算与存储资源独立调度，打破固定配比限制，使磁盘利用率提升至 90%；独创冷热数据自动分层机制，热数据三副本保障毫秒级响应，冷数据采用 EC 低冗余技术（仅 1.1x 副本率），在保持极高数据可靠性的同时，综合存储成本直降 30%；以及建立跨机架、多节点容灾体系，实现每次读写自动多副本备份。

得益于这些设计，云海存储为荔枝 4.5 亿用户提供了高品质、零中断的音频服务，为互联网成熟期企业量身打造了经济高效、安全可靠的全新存储范式。

当然，作为国产自研第一的 AI 存储，满足国产化场景的可控需求方面，云海也做得足够扎实。

信创重点行业如金融、政务、能源等关键领域需满足信创适配要求，同时保证核心技术自主可控。这就需要企业在建设存储系统中采用大量国产硬件，又不能为性能短板所限。

云海作为京东 100% 自研产品，代码自研率超 98%，核心技术完全自主可控。且云海与主流国产化硬件和软件兼容互认，包括操作系统、数据库、中间件、服务器、CPU等等，可基于全局无锁架构充分发挥国产硬件能力。

以金融行业为例，某头部证券公司对存储系统的要求非常具体：高性能、低成本，能够无缝对接主流国产虚拟化平台，并与现有域环境和告警平台实现兼容。这些传统存储系统的“不可能任务”，云海通过采用多台鲲鹏和海光 CPU 架构存储一体机搭建分布式存储集群，解决了对应挑战。

在信息安全自主可控的前提下，提升资源利用率、降低硬件采购成本，这是现代企业数字化转型的共同议题，也只有能全面处理相应需求的存储服务，能够穿越这个“超级周期”。

03、解锁AI生产力，国产存储的破局之路

其实性能、成本和可控性的三维优化，其综合效益会体现在具体服务的“高可用性”上。换句话说，京东云海提供的 AI 储蓄技术方案，让高性能存储从 “大厂专属” 变为 “大众可用”。

这种高可用性最突出的标识是部署灵活。当下，大多数云厂商倾向把存储服务与云平台高度绑定，其局限也很明显：扩容不灵活、弹性差、成本高，难以适应多样化与快速变化的业务要求。

但云海从京东云完全解耦，支持独立部署交付，给到充分的配置自由度。这使其在超百家金融、证券、汽车等企业场景交付验收，并稳定运行至今。

再者，前文提到的价格竞争力，亦包含京东集团的供应链集采优势提供的保障。前文提到，由于 AI 与存储需求激增，使得硬件供给结构受到冲击。而相较于纯软件竞品，云海在通用硬件能力的基础上，典型配置价格更低。企业用得起，且性价比优势明显。

云海在京东内部多种复杂场景的打磨实践也不能忽视。在保证高性能与低成本的同时，云海产品的稳定性历经 13 年实践验证，从 618 到 11.11 的高流量洗礼中实现零故障。其稳定性和可靠性的含金量早已全面领先，自然会吸引如科大讯飞一般的行业头部客户采用。

例如，科大讯飞 AI 营销采用“开源分布式存储软件+服务器硬件”搭建，对十亿级小文件数据量时，读写性能陡然下降。但升级京东云 AI 存储云海后，科大讯飞 AI 营销实现了一个集群一个文件系统，可轻松应对多模态大模型时千亿到十万亿的参数规模。

同时，基于高性能存储层，以及大容量存储层的自动数据分级，在大幅降低存储成本的同时，实现了大模型训练能力的大幅提升，帮助科大讯飞的 AI 营销业务降本增效。

行业普遍认为，未来不可能是一个通用大模型解决所有用户需求，而将存在多种应用大模型根据用户场景并行使用。这意味着，前文所讨论的由 AI 驱动数据量激增以及高并发推理需求，将成为常态并持续走高。

此时此刻，我们显然不能再将 AI 竞争等同于算力比拼。毕竟数据处理的需求需要长期、稳定、可扩展地服务于业务场景，如果存储不能快速响应、无法稳定承载大规模数据访问或成本过高，即使算力再强，也无法让 AI 持续高效地服务企业用户。

因此，存储能力会是 AI 竞争的一个赛点，京东云海的 IO500 榜单成绩亦是一个信号。其自研存储系统仍有非常大的上限拓展空间，还将推动高性能存储在模型训练、科学计算、大规模数据分析等垂直场景中广泛应用，助力更多企业重塑 AI 生产力。

尤其是在一个追求算力效率与自主可控的时代，云海 AI 存储这种驾驭全局复杂性的“工程思维”，也代表了一种更具韧性和普适性的基础设施构建理念。它意味着，企业获得先进存力的方式可以变得更灵活、更经济，也更能支撑起持续演进的AI战略。

毕竟，AI 的普惠未来，离不开一个同样普惠、坚实且自主的数据基座。当存储的枷锁被打开，数据的潜力才能真正奔涌，驱动智能最终抵达每一个需要它的角落。

*题图及文中配图来源于网络。