科学家造了个“宇宙”,却暴露了AI时代真正的瓶颈

130次阅读

共计 1149 个字符，预计需要花费 3 分钟才能阅读完成。

编辑导读

今年 4 月, 一个名为“千衍”的超大规模宇宙学模拟项目正式发布 。科学家们用超级计算机追踪 4.2 万亿个暗物质粒子, 在 120 亿光年的空间尺度上重现了宇宙百亿年的演化过程。然而, 这个旨在探索暗物质与暗能量的项目, 却在技术层面意外揭示了 AI 时代一个更为紧迫的瓶颈——存储。

“千衍”项目的核心挑战并非算力不足, 而是存储跟不上 。项目负责人王乔研究员透露, 团队最初尝试使用国际成熟软件在超算上运行, 但测试了两年始终无法跑通。问题出在架构上: 早期超算采用主从核架构, 虽然算力强劲, 但内存偏小, 无法承载模拟过程中产生的海量数据。最终, 团队转向中科曙光的大内存架构, 才得以完成计算。

这个案例并非孤例。 在高性能计算和 AI 领域 , 一个结构性的转变正在发生: 性能瓶颈正从计算单元向存储和数据搬运环节迁移。当 GPU 和 CPU 的计算能力持续飙升时, 数据的读写和传输却卡住了整个链条。正如王乔所言:“在存储这一块、数据这一块是一个非常重要的事儿, 之前大家关注得并没有那么多, 但它必须是在一个高速存储上面, 否则就处理不完了。”

“千衍”项目的极端需求, 映射出整个存储行业的变革 。2025 年, 中国分布式存储市场规模首次超越集中式存储, 达到 198.2 亿元, 同比增长 43.7%, 全闪存存储占比提升至 24.1%。全球超算市场规模预计 2026 年突破 186.7 亿美元, 年增速 19.3%。这些数据背后, 是 AI 对存储的结构性需求。

在 AI 大模型服务中, 每日需要处理数百 TB 甚至 PB 级 KV 缓存数据 , 传统架构的能耗和延迟已难以承受。郑纬民院士指出, 每个 token 对应的 KV-Cache 可达数十 KB, 大规模服务对存储系统和传输速度提出极高要求。于是,“以存储换计算”的思路开始流行: 将 KV cache 从 GPU 显存卸载到存储介质, 用存储性能换取计算效率。

存储的角色正在升级。 在传统架构中 , 存储是被动的数据容器; 但在 AI 驱动的计算范式中, 它需要成为主动的数据引擎。中科曙光高级副总裁李斌表示:“AI 时代的高性能计算, 是一个算力、存力、网络高度紧耦合的系统。存算一体的核心, 就是打破原有技术边界, 实现有机协同。”