3月末，多家海外存储头部企业，宣布从4月起提高部分产品报价，国内厂商也随之上调价格，终结了DRAM内存与NAND闪存的降价势头。

多家厂商曾在近期表示，价格上涨速度高于此前预期。“供给侧减产，原厂自年初实施了严格的控价减产，更主要的动因来自需求侧。”某存储芯片厂商表示，AI应用井喷，驱动存储芯片市场需求走高。

另一位业内人士提到，根据DeepSeek所发布的产品特征看，对于存储性能的需求还会再上一个台阶。“从长期来看，对于存储读取的需求会越来越高，我们判断，对推理的存储读取性能需求可能会超过训练的需求。”

大模型时代，外界对于应用侧百花齐放更有感知，在追求极致算力时却忽视了，应用井喷其实对存储也提出了更高要求。爱分析报告中提到，在同样GPU算力规模下，存储性能的高低可能造成模型训练周期3倍的差异。如吞吐性能达千万级IOPS、带宽达TB级、时延低至百微秒，这些在传统存储也很难企及的要求，如今已成为AI存储的入门门槛。

一边是来自存储成本的压力，如今存储已占到大模型训练整体成本的10%-20%；另一边是对于AI存储的更高性能要求。这让CTO们追逐大模型时不得不面对这样的焦虑：如何用更可控的成本，去实现更符合大模型训推的存力？

这一趋势，也让一部分厂商的存储业务驶入快车道，例如已经过多年京东内部复杂业务验证的京东云云海。事实上，京东云云海最初和其他互联网厂商的存储模块没有太大差异，由内部提供监控组件、管控组件、数据库组件，自己单独做好存储产品。一位知情人士提到，“许多云厂商做存储产品只有两种路径，一种是线下私有化的存储输出，另一种是找第三方合作。”

从结构上看，大模型训练在算力比拼的同时，大模型不可能长期“单脚走路”，存力那只“脚”，正在成为AI时代各方竞逐的新战场。

AI时代的存储标准变了

年初，DeepSeek爆火的一个重要动因，便是缓解了外界对于算力的焦虑，然而却也让存力这个隐形且重要的变量，走到台前。

AI训练的重心“偏移”首当其冲，思维链的巨大潜力将主要训练场景自预训练转移至推理，落地到存储则是由过去的读写并重到更偏向读。在这一过程中，我们大可堆叠GPU，但在算力单元开“算”前，等待数据从存储系统到达计算单元的过程才是耗时费力的关键。

因此，DeepSeek自研存储再一次把业内目光拉到了存储及存储架构上。DeepSeek 3FS解决方案每秒可以完成6.6TB的数据搬运，相当于1秒钟传输完700部4K高清电影。而自动调取资源，则缩短国产芯片与国际头部品牌的差距。业内方才后知后觉地反应过来，决定大模型效率的不止是GPU，存储系统正在成为新的瓶颈。

DeepSeek自研3FS的驱动力，来自不断增长的推理需求，不得不回头解决存储架构。

AI快速发展的大背景下，传统对象存储的短板快速暴露，互联网云厂商通常以私有云或OEM形式输出存储能力，缺乏长期、稳定的存储团队支撑。而传统存储厂商AI训练的经验积累又欠火候，尤其是面对当下需求爆发的训练、推理场景，在应对变化上有些力不能支。

简要对比几家存储产品，可以发现两个重要信息， 一个是AI存储的标准已明显改变，另一个是国内外厂商的差距正在快速缩小。

从存储性能来看，吞吐量级、有效带宽与时延都会影响GPU的算力利用率，存储性能不足造成的GPU闲置，导致模型落地困难、业务成本剧增。去年，一家头部AI公司因存储带宽不足，导致2000张A100显卡算力利用率长期低于40%，导致单日经济损失超百万美元的教训还历历在目。

标准之外，国内外厂商的差距也在明显缩小。

老牌存储品牌IBM，已完成了从HPC场景向AI场景的演进，尤其是在AI场景广泛应用的DDN，在 IOPS、读/写带宽等关键性能指标上的表现可圈可点。但与此同时，DDN的技术封闭性和转优化硬件等因素，客观上导致用户建设成本高昂。

DeepSeek自研的3FS是开源新品，表现上不输老牌存储，在读带宽上，单集群每秒6.6TB，平均单节点每秒36.7GB，悄然抬高AI存储的入门门槛。同样开源的还有Ceph，在相同配置规格上的单节点读、写带宽能力分别为单节点5.6GB每秒与4.5GB每秒，IOPS单节点15万。

除DeepSeek之外，另一家国产厂商京东云云海的表现凸显，24块NVMe SSD配置规格下，读、写带宽能力分别为单节点95GB每秒与60GB每秒，IOPS单节点280万，单路4k读写延迟仅为0.5毫秒。京东云云海在提供高性能的同时，适用性较高，可以同时满足DeepSeek、ChatGPT、LLaMA等20余种主流大模型的存力需求。

需求驱动的存储的发展固然需要适时而动，但更重要的是前瞻性的布局，让京东云云海多年的技术储备迎来了需求推动的东风。

京东云内部向来有“先有京东存储，后有京东云”的说法，从某种意义上讲，京东存储的发展阶段，折射出了需求驱动的变化。

京东云云海诞生于京东电商的大规模高并发场景，这一阶段，存储只是作为基础设施存在，此时云海主要是解决传统基础设施中的存算分离需求，尤其是面对数据库、中间件、ClickHouse等在线应用敏感型中间件的低延迟要求。

2021年，京东在重庆建立了亚洲最大的超算中心SuperPOD，除了自身公有云之外，想必还存有参与机器学习“竞赛”的考量。没曾想两年后，ChatGPT爆火，大模型训练成本、效率的要求越来越高，算力爆发开始带动存力。而原本便是做高性能存储的云海突然“坐在了风口上”，承接了这一轮技术红利而步入快速发展阶段。

自身业务的丰富性，以及长期扎根产业的具体场景中，才会出现拉通各家存力性能时，京东云云海在IOPS、带宽与时延数据的突出表现。

卡位大模型时代的存储

2008年的一场春运，掀起了高铁替换传统内燃机列车的大幕，这才有了海外游客为之惊叹的四通八达的高铁交通系统。事实上，基础设施的超前配置恰是中国经济、科技发展的一项核心动能。

具体到AI的发展轨迹，我们虽不能透过大模型研发的“黑箱”窥见这么一个确定的时刻，但可以确认的是，在算力焦虑开始演变成“算效”焦虑的当下，存储性能也是时候迎头赶上。而满足大模型时代的存储需求，也成为京东云云海“卡位战”的核心目标。

前文提到，从AI训练的需求来看，存储性能的考量主要集中在IOPS、时延与带宽上。

IOPS指的是每秒输入输出操作次数，作为衡量存储性能的重要指标，IOPS越高，设备检索或存储数据的速度越快。说白了，存储的并发吞吐量实际上决定了模型本身刚性的读取与写入速度。

另一方面，AI训练PB级数据规模下的随机访问好比人满为患的超市。不论超市增加多少售货员，只要售货员的效率不高，顾客便会在不同队列中往返等待，待训练框架吞吐的数据也是如此——空有IOPS而短于时延的性能没有任何意义。

带着这样的标准审视京东云云海的性能表现，不论是打底的千万级IOPS，还是基于RDMA调优，做到单个小文件访问时延平均100微秒，我们都能看出京东云云海卡位AI存储的底气所在。

更重要的是，其在数据传输的带宽利用率上也接近极致水准。在400GB的IB网络中，京东云云海存储的带宽利用率压榨到了84%左右，这一指标已然接近理论极限。

随着性能的“硬提升”，存储性能与GPU之间的“小马拉大车”关系迎刃而解，京东云云海亦借此于存储行业卡住了自己的身位。但紧随其后的是自内部业务场景走向更广阔的天地，在其极致性能走进实际场景的过程中，还少不了“软适配”。

作为不显于人前的底层基础设施，存储不涉及具体应用层产品，在理论上没有定制化的需要。实际上，不同行业的数据存储习惯与业务场景千差万别，存储产品本身亦需要因地制宜的调优。

例如当下正围绕智驾展开肉搏的车企，其存储需求便集中在路况或车机实时采集的数据存储，以及这些数据湖仓一体化清洗后，高效调用来训练智驾模型两方面。尤其是后者，“一旦高端GPU集群有闲置5%左右的时间，他的成本就相当于要重建一套分布式存储的集群。”

我们了解到，进入国内某智驾实力玩家L3与L4模型研发中的京东云云海，满足了该企业上百个GPU计算节点在模型训练过程中访问存储数据，并应对计算节点的高并发访问的需求。

云端之下，面对主要采用一体机为存储设施的医疗行业，京东云云海亦会在统一存储引擎的平台基础上，向集成商、ISV开放不同能力，共同结合具体的配置容量、盘的个数、规模与存储介质做深度定制。

自2023年正式步入外部市场的京东云云海，目前已开拓了包括汽车、银行、券商、零售等领域超100家大型企业。迄今为止，其未曾出现过任何服务中断的故障。

存储的中国故事

今年1月，西方世界开始进一步限制AI芯片与技术的出口，而今更直接的“经济对抗”，更是加速了“以国代进”这个伴随中国科技力量崛起的宏大叙事。

值此情况下，产业界普遍关注的自研自产的芯片、光刻机等供给或主动或被动地踏上自主创新的道路。但不可忽视的是，存储同样是构建完整AI技术体系的“砖瓦”。

碍于存储相较算力的发展滞后，AI存储的迭代势必要“步算力后尘”。

进一步说，曾经不论是老牌厂商还是京东云云海这样的聚焦AI存储的厂商，其谋发展都绕不开其系统能力对高端英伟达GPU的适配，而今其存储系统对国产芯片的适配以及在信创环境下的运行，开始成为当下衡量存储厂商发展空间的重要参考。

在这一方面，京东云云海的发展历程颇具代表性。

正如早先提到的“先有京东存储，后有京东云”，京东早在2012年便开始攻坚存储，亦在独自摸索的过程中尝试过开源架构。后来开源架构运维成本居高不下的问题开始暴露，京东云云海开始All in自研，这才有了2017年开始正式服务于京东公有云的云海1.0架构。

直到现在，京东云云海经历过底层架构变更、单机房或跨域、冷热数据管理等技术路线的探索与争论，但唯一保持不变的是其对自研的持续投入。

直到2022年，互联网厂商就NLP机器学习的“科研竞赛”推动其研发开始聚焦于高性能的能力构建，这才有了如今我们看到的卡位大模型时代的京东云云海。而在此之上，其多年聚焦自研的投入也迎来回报，相较于海外架构与方案，云海更注重平台对国产硬件的适配。

据悉，京东云云海在信通院评测的代码自研率达98.9%+，“连开源的一个库都没用过”。其在信创环境下的运行，则做到了与操作系统、数据库、中间件、服务器、CPU、主板、网卡、SSD等主流国产化硬件和软件兼容互认，最大程度发挥国产硬件的能力。

这一点自京东云云海满足多个头部银行、券商等对信创的硬性需求中，可见一斑。

我们还自某自动驾驶公司处了解到，起初其接触京东云云海时，便在试行环境下让云海和海外方案提供商做过一次PK：在20T的模型大小下，两者同样在100T左右的数据集训练中实现了秒级的读写。但在基本吞吐性能之外，云海的网络利用率相较海外厂商高3%，且同等条件下的成本更低。

即使是对国产化要求规格最高的金融行业，自主可控、全栈自研也不过是其挑选提供商的一个要素。相比之下，能否在业务场景中展现出相对其他提供商更高的性价比才是关键。

DeepSeek、可灵、通义等名头打响海外，我们共同见证AI时代下中国科技崛起。在此之下，芯片与存储对应的算力与存力，亦默默成为“托举”中国科技前行的力量。

面对国产化替代的历史机遇，京东云云海于内前瞻布局高性能，于外积极互联互通，作为AI基础设施的创新参与者，京东云云海已经代表AI存力市场率先迈出了坚定的一步。