當紅炸子雞DeepSeek，為何花心思自研存儲？_風聞

存儲，這個一直被談論的IT“舊話題”，正在重新站在聚光燈下。 

作者|吳銘 

出品|產業家 

DeepSeek再次成為破圈話題。

這兩天，DeepSeek開源3FS並行文件系統的消息，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，相當於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到15%。

這並非簡單的技術迭代——當Llama3 70B模型單次訓練需吞掉15PB數據（相當於連續播放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AI進度的一大瓶頸。

存儲，這個一直被談論的IT“舊話題”，正在重新站在聚光燈下。

一、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於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，讓數週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參數模型的訓練週期壓縮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。

從DeepSeek的角度來看，其之所以選擇自研3FS的本質，也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》》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週期3倍的差異。**在算力軍備競賽的背後，一場關於存儲性能密度的暗戰悄然升級，自研存儲顯得尤為重要。

二、5家頭部廠商角逐AI存儲

國產能否拔得頭籌

相比於傳統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、訓練週期長等特點。

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，且一般採用數百甚至上萬張GPU構成計算集羣進行高效的並行計算，需要高併發輸入/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。

小編蒐集了國內外優秀的並行存儲產品做了對比，發現除了國外主要做並行文件的幾家公司，國內真正並行文件自主研發的產品並不多，帶着好奇心我們也看了一下華為存儲、京東云云海，行業目前有四家優秀的並行存儲產品。

IBM作為老牌存儲品牌，其產品從HPC場景成功向AI場景演進，但受制於其在國內市場的萎縮，在產品研發上的投入也有所收縮。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由於技術封閉性、專有化硬件等原因，導致用户建設成本過高。

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。**我們還驚喜發現，另一家國產廠商京東云云海，在這個專業領域表現出色，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。**相較於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餘種主流大模型的存力需求。

綜上來看，隨着大模型快速向縱深場景演進，對存儲的要求也越來越高，DeepSeek、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，我們拭目以待。