“存力”已成AI算力背后的“隐形瓶颈”

5月15日消息，人工智能大模型的战场正悄然转移。当技术焦点从训练转向推理，从云端下沉至千行百业，单纯的算力堆砌已不再是唯一的决胜点。

在中国电子工业标准化技术协会数据存储专业委员会近期举办的“凝共识、探未来，走进先进存力”活动上，一个共识逐渐清晰：存储能力，正成为制约AI向纵深发展的新瓶颈，其潜在价值亟待释放。

算力虽强，存力却“拖后腿”

赛迪顾问电子信息产业研究中心副总经理袁钰指出，AI应用正从个人娱乐场景，快速渗透到生产生活的核心领域，任务复杂度呈指数级攀升。大模型推理、智能体等应用的普及，让数据存取的速度与响应体验变得至关重要。“用户输入一段话，如果模型回答迟缓或偏离主题，背后往往能找到存储效率的问题根源。”

中电标协副理事长兼秘书长丁然的观点更为直接：“当前，算力瓶颈已经开始转向存力瓶颈。”她解释道，万亿级参数模型、百万级token的上下文长度，对存储的带宽和响应速度提出了前所未有的苛刻要求。而GPU及HBM的容量与带宽终究有限，导致GPU经常处于“等数据”的闲置状态。整个系统的瓶颈，已从“算得快不快”演变为“数据搬得够不够快”。

中电标协数据存储专委会秘书长孙钢进一步阐释了这种变化。他认为，AI时代，存储与计算的关系正在发生根本性重塑。“过去的存储更像一个被调用的‘保险柜’，而在AI场景中，GPU需要直接向存储索取数据。如果仍需经过CPU中转，大部分时间就消耗在了等待上。”

他做了一个形象的比喻：“算力是最先部署的先锋，但现在制约其发挥的关键掣肘却来自存储。存储一旦跟不上，强大的算力就难免空转。”尤其在推理场景下，KV Cache、长文本支持、分层存储等新需求，都在倒逼存储的角色从“辅助运算”转向“存算共生”。他甚至预言，未来的存储或许还需要具备对内容的初步“认知”能力，不再只是被动地存放数据。

作为行业头部企业的代表，中科曙光北京公司总裁助理、分布式存储产品部总经理石静分享了实践中的观察。她指出，存储正从被动的“业务承载者”转变为主动的“效率引擎”。“我们确实发现，存储常常成为系统瓶颈——算力高、网络快，但存储拖了后腿。为此，业界进行了诸多技术优化，例如利用本地SSD构建共享缓存层、让GPU直接绕过CPU访问存储（即GDS技术）。在实际案例中，这些优化让自动驾驶万卡集群的GPU利用率提升了30%以上，AI for Science的训练时间则缩短了20%到30%。”

不过，石静也坦言，目前的转变多少带有“被动”色彩——正是因为存储成了瓶颈，所以不得不改。她更期待下一步的“主动”变革：“我们有没有可能围绕数据本身，去重构整个技术生态？例如，以KV Cache为中心来设计推理框架，甚至以数据为中心，重新审视数据的确权、流动与安全。当前大家仍习惯围绕计算来展开工作，希望未来存储能真正跳出被动角色，成为驱动业务创新的牵引力。”

瓶颈之下，标准与协同迫在眉睫

面对存力成为新瓶颈的现实，建立新的行业共识与技术标准显得尤为迫切。丁然透露，中电标协正从三个方面着力推动：一是标准先行，制定AI算存一体接口、能效、兼容性等方面的标准；二是架构创新，推动CXL、GPU直连存储等新技术的落地；三是生态构建，凝聚产业合力，形成存算协同的发展格局。

孙钢补充道，当前各厂商的解决路径尚不统一，知识也呈碎片化状态。他呼吁应尽快建立AI存储的价值评估体系，不能仅看容量和可靠性等传统指标，还需综合评估其在推理加速、知识库构建等方面的实际效能。据他透露，相关的新一代AI存储能力框架预计将在年中发布。

石静则强调，AI为存储行业按下了加速键，但这个窗口期非常短暂。“AI算力的发展速度太快了，存储厂商必须快速从用户侧捕获真实需求，放弃过去追求‘大而全’产品的旧思路，转而聚焦细分场景，实现快速迭代。”她表示，中科曙光已在分布式存储架构、存算协同、绿色低碳等多个方向加速布局，以应对这场由AI催生的深刻存储变革。

当算力的比拼进入深水区，“存力”这个曾经沉默的配角，正稳步走向舞台中央。能否成功打破这一瓶颈，不仅关乎AI基础设施未来的竞争格局，更在根本上决定了中国人工智能产业能走多快、走多远。