新智元報道

編輯：Aeneas

西湖大學的一篇論文成功登頂Science，力壓另外4篇同主題論文，背后秘密武器，竟是來自這家中國公司的科研外掛？這次比拼速度和算力和全球科技奧運中，他們用150GB/s的神速存儲，直接把數據卷成全球第一！

5篇同樣主題投稿到Science，其中一篇來自西湖大學的論文脫穎而出，相應團隊也順勢成為全球首個成功的團隊！

這驚人的成績背后，除了科研人員的硬實力，離不開強大的算力支撐。

所以，究竟是誰在背后支撐著這支團隊，讓他們卷贏了實力不容小覷的全球頂尖同行？

西湖大學

Science文章跑成第一

這就要從西湖大學的多年布局說起了。

在西湖大學，建立之初的學科布局，基本就是生物醫學、物理、化學和工學這幾個方向。

這些學科對科學計算的要求都極高。因此，從2019年，學校就開始大力投入引進計算資源。

要知道，科研是個講究「又快又準」的地方，比如冷凍電鏡這種研究，全球都在比拼同一個蛋白質結構，無論是哪個國家的哪個實驗室，最終解出來的結構都是差不多的。

而這就演變為一場奧林匹克競賽，追求的是誰能更快、更準。

為此，曙光存儲對用戶數據做了系統測試，最終發現，在少數幾個存儲技術上調整，就可以把整個計算過程加快大概30%。

要想建立一個集群，存儲就處于重要地位。

這是因為，CPU和GPU的節點可以不斷的去更新，用新的GPU節點代替老的CPU節點，用更新的更快的顯卡代替舊的顯卡，就能得到顯存的擴容。

而底層的存儲系統，就要跟上計算能力升級的節奏。

要知道，在一所高校中，光是生物醫學方向就可能有十幾個甚至二十幾個課題組，能積累幾十PB的數據。這種情況下，存儲系統就很難輕易更新。

另外，很多應用其實跑在單個的CPU或GPU節點上都還好，但是一旦應用成了規模，整體性能就會下降了。

很大一部分原因就在于，存儲的帶寬對于小碎文件的操作能力不足，所以在高校的集群建設中，存儲的地位相當重要。

為此，曙光存儲為西湖大學的AI集群做了一次大升級，給出了十分硬核的存儲方案：單節點帶寬150GB/s，是美國某先進友商的4倍性能，單個設備僅僅占用了2U的機架空間。

在那一期的Science上，全球有5篇同主題的投稿，而西湖大學的這一篇，不僅是第一個投出，數據質量還是全場最高的！

三大平臺，超強實踐

現在，曙光存儲已經為西湖大學打造出人工智能、科學計算等科研存儲平臺，以及冷數據歸檔的共享存儲平臺。

在不同科研領域，曙光存儲都表現了超強的實踐能力。

比如像冷凍電鏡這種科研場景，對IOPS（每秒輸入輸出操作次數）的要求非常高。

另外還有一些跨業務場景數據的流轉，比如先通過sum的協議寫到存儲集群里，然后再通過服務器對寫進來的數據做一些解析和處理。因此對于存儲系統是不小的挑戰。

而曙光存儲的性能水平在AI計算節點上的處理，可以實現單流極高的帶寬水平。

在客戶現場實測時，甚至能達到150GB/s。

而現在，這種帶寬速度直接讓科研數據跑得飛快，給科研速度開了掛。這種神速，也直接讓客戶當場震驚了。

具體合作

具體來說，曙光存儲在西湖大學的其中一類存儲就是全閃存儲。

作為人工智能集群的一線存儲，它要承接最大的負載，壓力極大，尤其是多節點訓練的時候，這就要求存儲有很高的IOPS。

同時，曙光也會有混閃存儲來為用戶提供一些空間的擴展，然后讓他們來儲存一些數據集，和值得保存的中間結果。

而且通用計算集群上，西湖大學也采用了曙光的存儲來做軟件目錄。

雖然這個軟件目錄沒有像人工智能集群那樣有那么大的吞吐，但對于一個集群的穩定運行，也是不可或缺的。

此外，曙光存儲還會做許多溫數據之類的存儲，比如科研歸檔數據，保存時間可以至少達到5年。

而西湖大學在選擇一線存儲的時候，過程十分慎重，因為需要滿足一些特別的指標。

畢竟，用戶還是最看重集群的性能。

商業落地

不僅如此，曙光存儲現在已大規模落地科研領域，除了西湖大學，還包括北京大學、中國農業大學、華南理工大學、良渚實驗室、紫金山天文臺等的AI4S場景。

如今的AI浪潮中，科研行業同樣站在了風口。

而真正能撐起這陣AI東風的，絕不僅僅是算力，還有一個常被忽視卻至關重要的一環——存儲力！

面向AI的科研存儲方案，難點在哪？

總的來說，面向AI的科研存儲方案之所以困難，主要有四個原因：

1. 數據極其復雜

2. AI模型訓推對性能要求極高

3. 數據應用流通的挑戰

4. 數據存儲的成本過高

對此，曙光存儲都有解決之道。

數據復雜性挑戰

首先，AI應用設計的數據類型，大多十分復雜，包括非結構化數據（文本、圖像、音視頻等）、結構化數據（比如成績、檔案對應的表格、數據庫記錄等數據）。

而非結構化數據到增長迅猛，占比不斷攀升，數據格式各異、處理方式不同，這就給存儲帶來了巨大挑戰。

對此，曙光打造了分布式全閃存儲ParaStor，充分發揮先進存力的融合屬性，支持塊、文件、對象、HDFS等多種存儲訪問協議，異構數據無需格式轉換即可一路暢通，避免數據跨存儲系統復制。

這樣，就可以輕松處理PB級對象數據、百TB級文件數據。

AI訓推性能挑戰

第二點，AI模型訓練和推理過程需要處理海量數據，這就對存儲系統的性能提出了極高要求。

比如在模型訓練階段，數據讀取和寫入速度會直接影響訓練周期。多數傳統存儲系統難以滿足每秒 TB 級的數據讀寫需求，無法匹配GPU的高速運算能力，就會導致計算資源閑置，形成性能瓶頸。

同樣，推理階段，對存儲的低延遲要求也極為嚴苛。

曙光的高性能全閃存儲ParaStor，可以通過過190GB/s 帶寬，500萬 IOPS支撐具身智能模型訓練，把模型訓練周期從「月模」加速至「周模」。

數據應用流通挑戰

因為數據共享機制不完善，區域、高校、院系間數據交易標準不明、確權困難，因此就急需打破數據壁壘，建立統一高效的平臺。

為此，曙光打造了數據資產的統一視圖，實現了跨域、跨站點、 跨廠家等復雜數據的全局可視、實時更新；還實現了數據目錄的智能化；能夠面對海量的文件，都能實現千億級文件秒級檢索的能力，以及數據的高效查找。

數據存儲成本問題

AI大模型應用存儲系統的構建成本是很高的，而曙光存儲通過更高的單位存儲密度、更少的空間占用、更優異的性能顯著降低了成本，是百PB-EB級超大規模AI基礎設施的極佳選擇。

現在，根據賽迪顧問新發布的《中國分布式存儲市場研究報告（2025）》，曙光存儲在教育存儲市場份額已經是妥妥的TOP 1。

而且自該報告開始發布以來，曙光存儲已連續3年市場份額排名第一。

曙光存儲用實打實的數據證實：懂科研的存儲，才能真正服務科研。

而在未來，曙光團隊必將用更強大的數字底座，讓中國科研插上翅膀，更早一天抵達世界前沿。