【導讀】人工智能技術的快速落地與普及，徹底改變了傳統數據中心的運行模式，也讓原有統一化的存儲架構難以適配當下多元化、高負荷的AI工作負載。相較于備受關注的CPU、GPU等算力硬件，作為數據流轉核心的存儲體系，正在經歷一場深度且關鍵的技術革新。依托NAND閃存打造的企業級固態硬盤，已然成為支撐AI模型訓練、數據處理、智能推理的核心基礎設施。為適配AI不同階段的差異化需求，行業逐步形成計算優化型與容量優化型兩類eSSD并行發展的格局，徹底打破了傳統單一的存儲分層模式。通過就近部署高速存儲、分層搭建大容量數據湖，疊加QLC閃存技術的規模化應用，數據中心存儲實現了性能、容量、能耗與成本的平衡升級，為AI算力基礎設施的高效、規模化建設筑牢底層支撐。與此同時，國內科技企業持續深耕AI賽道，軟通動力、大華股份等企業業績穩步增長，亞太地區AI落地應用交流愈發緊密，產業整體進入技術迭代與商業化落地雙向提速的新階段。
人工智能（AI）重塑了數據中心架構的設計格局，并對數據處理與存儲在性能、復雜性和成本等方面提出了新的挑戰。盡管GPU、CPU和AI加速器頻繁受到媒體關注，但是存儲正在經歷屬于自己的復興。無論是配置與優化方式，還是數據中心機架內的物理部署位置，都在發生深刻的變革。
而NAND閃存則是上述討論的核心，原因在于其構建了高密度、非易失性的數據通路，并為AI模型訓練、數據流轉和推理提供支持。企業級固態硬盤（eSSD）在其中扮演著尤為重要的角色。基于NAND閃存技術的eSSD可提供當今超大規模計算環境所需的數據密度、可靠性、吞吐量和耐久度。
在這一背景下，數據中心eSSD正朝著兩個截然不同的方向發展。第一種方向是計算優化型eSSD，其部署位置更靠近GPU，以滿足高性能工作負載須高速、低延遲訪問大型數據集的要求。計算優化型eSSD還應對呈指數級增長的鍵值緩存（KV Cache），這類緩存既需要大容量存儲，也需要計算級性能。第二種發展方向是容量優化型eSSD，通過平衡大容量數據存儲與閃存的速度及可靠性，服務于為GPU大規模提供數據的密集型數據湖。這兩類新興的NAND閃存層級，正在為支持AI應用的基礎設施奠定重要基礎。
全新設計挑戰：AI時代的數據分層
傳統數據中心設計通常會形成一種相對統一的層級，其中基于NAND閃存的eSSD同時支持時延敏感型和通用型存儲需求。然而，由于目前AI數據管道的工作負載日趨多樣化，這種模式已不再適用。對數據中心架構師而言，其面臨的挑戰已從數據部署擴展到了數據分層。
這是因為AI工作負載涵蓋了從數據攝取、準備，到訓練和推理等多個階段，而每個階段對性能和容量的要求各不相同。例如，AI模型訓練需要持續的吞吐量，以及對大型數據集的并行訪問。AI推理則會引發更碎片化的訪問模式，通常需要更小規模、更高頻的數據讀取，更加注重數據上下文信息的保留。這就需要采用新型配置，以便在同一部署環境中兼顧高性能和大規模的數據存儲。
這種演進也體現在物理部署層面。存儲設備不再局限于單一位置。時延敏感型數據應緊鄰計算節點部署；容量密集型數據則可被解耦并重新分區。在遠程網絡存儲等部署場景中，數據甚至可以被遷出緊鄰的計算區域。
在此背景之下，數據中心工程師不只是負責搭建系統，還需要規劃、分配全新的數據存儲布局方式。在此過程中，他們必須決定哪些數據應部署在靠近計算節點的位置，哪些數據被部署在其它位置，以及各個存儲層級如何在實際工作負載下協同運作。
近計算eSSD：為GPU提供數據支持
靠近計算的NAND閃存，通常被稱為計算型eSSD，部署在高價值GPU和加速器附近，并可通過相關技術，繞過CPU與系統內存實現直接訪問。此類固態硬盤專為在高并發場景下支持低延遲、高IOPS和穩定性能而優化，以應對模型加載、檢查點保存和推理緩存等應用場景的需求。在這些應用場景中，延遲會直接影響系統吞吐量。
隨著訪問模式逐漸向更小的數據單元及更頻繁的訪問轉變，AI工作負載也在進一步推動上述需求。為了滿足更精細、響應速度更快的存儲需求，計算型eSSD通過同一種固態硬盤架構去承接兩類截然不同的應用場景。最初，計算型eSSD負責處理AI模型訓練中的數據流轉和檢查點保存。然而，隨著推理與AI智能體的日益普及，以及模型和參數規模的爆發式增長，鍵值緩存卸載作為第二類應用場景應運而生，現已成為NAND閃存在AI數據中心領域里最強勁的發展機會之一。
正因如此，計算優化型NAND閃存常被視作內存層級的延伸。通過作卸載下來的鍵值緩存的大容量存儲池，這類NAND閃存占據了DRAM和傳統存儲之間的生態位，并助力AI基礎設施擴展上下文窗口超越封裝內存的物理限制。
大容量NAND閃存：擴展數據湖
另一方面，大容量NAND閃存支撐著AI數據湖的快速發展。AI未必催生新的數據類型，但卻改變了數據的訪問方式。AI訓練通常需要高速讀取整個數據集，而非僅查詢子數據集。因此，“高速”數據湖應運而生，其數據吞吐量和可訪問性與存儲容量同等重要。
大容量eSSD專為存儲密度和能效而優化。其價值核心指標不再是延遲，更在于單位功耗下可存儲和傳輸的數據量。因此，容量優化型eSSD尤其適用于成本、空間和能耗預算有限的大規模“冷”數據存儲場景。
不過在某些情況下，隨著數據訪問頻率的提升，原本的“冷”數據正在逐漸升溫。對于此類場景，相較于閃存與機械硬盤相混合的傳統分層架構，全閃存解決方案能夠更好地滿足數據訪問需求。在此背景下，NAND閃存密度的提升正在改變行業格局，使基于閃存的數據湖在大規模部署時，可以兼顧容量和效率。
QLC NAND閃存技術與規模化經濟效益
NAND閃存，尤其是四層單元（QLC）NAND閃存，是此次數據中心轉型的關鍵。QLC通過在每個存儲單元容納4比特數據（對應16個電壓狀態），顯著提升了存儲密度。盡管其性能不及部分高端NAND閃存，但其價值在于規模化部署后可實現更低的每比特成本和更高能效。
這些特性讓QLC閃存成為容量優化型存儲的理想之選。它使數據中心能夠將多塊機械硬盤整合為單個閃存設備，從而同時減少物理占用空間與能耗。
同時，QLC閃存還支持分層更精細的內存架構。無需依賴單一存儲設備，架構師即可為不同工作負載分配不同層級的NAND閃存。高性能NAND閃存可專門用于近計算側任務，而基于QLC閃存的存儲設備則可支持數據湖和大規模存儲需求。
專為功耗、密度與擴展而設計
如今，功耗對于AI基礎設施建設的影響，已不亞于物理占用空間。隨著GPU集群規模的不斷擴大，每瓦特電力都成為了至關重要的資源。
存儲設備的評估標準也因此改變。性能固然重要，但能效如今已成為關鍵考量因素。許多情況下，數據中心會優先選用每瓦特下能提供最大容量或帶寬的存儲解決方案，而非單純追求峰值性能。
存儲密度是另一項重要考量因素。NAND閃存與封裝技術的升級，有助于在既定空間內顯著提升存儲容量。這使數據中心在擴展存儲規模的同時，無需按比例增加功耗和散熱投入。
不過，以上優勢也帶來了新的規劃標準。架構師必須仔細權衡該如何配置存儲資源、如何隨時間推移擴展規模，以及如何與現有基礎設施集成。資源配置不足仍是常見挑戰，尤其是在增長預估偏低且擴展路徑模糊的情況下更為突出。
重新思考AI數據中心的內存層級架構
計算優化型與容量優化型NAND閃存的出現，折射出數據中心設計層面更廣泛的變革。
存儲不再是僅用于存放數據的被動層。通過影響計算資源的利用效率及AI工作負載的擴展效果，存儲可以決定系統的性能。
此種趨勢催生了重新評估數據中心內存層級架構的需求——不再沿用傳統存儲架構，新架構會以部署就近性、工作負載適配性及數據傳輸為核心導向。同時，這也將問題從部署多少存儲，擴展到了存儲應部署在何處。
隨著AI更新迭代，那些敢于挑戰常規、并調整策略以區分近計算存儲與大容量存儲的架構師，可以更好地構建出兼具可擴展性與高效性的數據中心基礎設施。
結論
整體來看，AI產業的深度發展，推動數據中心存儲從傳統的統一適配模式，轉向精細化、分層化、場景化的全新發展形態。NAND閃存尤其是QLC閃存技術的成熟落地，成為此次存儲架構變革的核心抓手，依托計算優化型、容量優化型兩類eSSD的差異化布局，精準匹配了AI訓練、推理、數據存儲等不同場景的核心需求。近計算存儲的低延遲、高吞吐特性，有效釋放了GPU算力價值，解決了AI高頻細碎讀寫、鍵值緩存擴容等行業痛點；大容量閃存構建的高速數據湖，則兼顧了大規模數據存儲的容量、能效與成本優勢，讓冷熱數據存儲適配更加靈活高效。
在此變革趨勢下，數據中心的設計邏輯徹底改寫，行業不再單純追求硬件峰值性能，而是更加注重存儲部署位置、層級搭配、能耗控制與規模化擴展的綜合平衡，全新的內存層級架構逐步成型。存儲也從被動的數據承載載體，轉變為影響整體算力效率、制約AI業務落地的核心要素。放眼產業全局，國內企業持續加碼AI技術研發與場景落地，營收規模穩步提升，亞太AI產業協同交流持續深化。隨著存儲技術的持續迭代與架構模式的不斷優化，數據中心將構建起更高效、更節能、更具擴展性的底層體系，持續為人工智能產業的高質量發展提供堅實的基礎設施保障。
