存储性能还能如何突破？焱融科技给出了全新的解决方案。近期，该企业在最新实验室测试中，将旗舰产品——焱融追光全闪存储一体机 F9000X 的性能再次推向新高。具体而言，他们为这台设备集成了 4 张 NVIDIA 的 400Gbps NDR InfiniBand 网卡，并结合自研的 Multi-Channel 多网卡聚合技术，成功将网络带宽聚合至 1.6Tb/s。采用 3 个节点构建的存储集群测试结果显示：480GBps 带宽、750 万 IOPS，这一性能表现达到了市场上同类产品的 3 倍。
不仅如此，在性能大幅跃升的同时，成本效益同样出色：每 GB/s 的成本降低了 75%，每 IOPS 的成本下降了 30%。简言之，企业可以用更低的投入获得更强的算力支撑。对于大规模 AI 计算而言，这无疑是一个理想的存储基础平台。
AI 技术发展驱动存储性能升级
近年来，AI 技术尤其是生成式 AI 的演进速度令人目不暇接。能力边界不断拓展，随之而来的，是对数据处理速度与效率日益严苛的要求。这直接引发了存储领域的技术竞赛——如果性能跟不上，一切都将无从谈起。
AI 模型复杂度持续增加，存储性能需求水涨船高
基础大模型已迈入多模态时代，参数规模与计算复杂度呈现指数级增长。存储带宽、容量、计算性能，每一项都需要同步提升。更为关键的是，模型规模变大、训练精度提高，Checkpoint 文件也变得更加沉重，给存储吞吐量带来的压力可想而知。一旦存储性能成为瓶颈，整个 AI 训练链路就会被拖慢，模型迭代效率自然难以保障。
推理环节同样面临挑战。更大规模的数据量、更庞大的模型、更长的上下文窗口，都在推高对 AI 效能的要求。推理过程需要应对海量并发请求，响应时间容不得任何延迟。再加上 AI 模型频繁更新、快速部署的特性，存储系统若不具备低延迟与高吞吐量的硬实力，根本难以支撑。
算力资源紧张，GPU 利用率提升迫在眉睫
算力需求的爆发式增长，使 GPU 成为稀缺资源。模型参数与复杂度一路走高，训练所需的 GPU 算力也随之攀升，如今万卡乃至十万卡级别的超大规模 AI 算力集群已不罕见。问题在于，现有基础设施在算力资源的可用性和优化方面仍存在不少短板。频繁的 CheckPoint 数据写入与断点续训，导致算力资源白白闲置，集群利用率难以提升，训练时间和成本居高不下。
如果能够有效提升 GPU 利用率，相当于变相增加了算力总量。相同时间内可完成更多任务，训练的时间成本与经济成本自然随之降低。而撬动 GPU 利用率的关键杠杆之一，正是存储性能的升级。数据加载效率提高，断点续训速度加快，训练过程中的等待时间大幅压缩，算力资源的使用效率才能被真正释放。
焱融存储全面激发大规模 AI 计算集群效能释放
作为国内专注 AI 存储领域的解决方案提供商，焱融科技持续针对 AI 模型训练与推理日益复杂的需求，推进存储技术革新。此次推出的 4 张 NVIDIA 400Gbps NDR InfiniBand 网卡方案，基于焱融追光全闪存储一体机 F9000X 打造，通过自研的 Multi-Channel 多网卡聚合技术，实现了 1.6Tb/s 的网络带宽接入能力。该方案与 PCIe 5.0 NVMe 闪存完美结合，大幅提升数据访问速度与处理效率，进一步挖掘 AI 算力的潜能。
上图展示了焱融全闪分布式文件存储 F9000X 分别搭载 2 张和 4 张 NVIDIA 400Gbps NDR InfiniBand 网卡时，3 节点存储集群的实测性能对比。4 卡方案下带宽性能达到 480GBps，相比 2 卡方案提升近 80%，与市场同类产品相比更是领先 3 倍。IOPS 性能也飙升至 750 万，稳稳占据业界领先地位。
性能提升的同时，成本效益随之优化。计算显示，每年可节省数千万元的算力成本。每 GB/s 的成本降低 75%，每 IOPS 的成本降低 30%。这意味着，企业在享受高性能存储带来的业务效率与竞争力提升的同时，还能显著降低总体拥有成本。
先进的 AI 存储必须紧跟技术趋势，满足日益增长的计算需求，并提升用户体验。继在国际权威 AI 测评平台 MLPerf Storage 上崭露头角之后，焱融全闪 F9000X 再次实现性能飞跃。这不仅再次证明了焱融科技在 AI 高性能存储领域的实力，也为行业树立了新的标杆，为大规模 AI 模型训练、推理等各类复杂计算任务提供了更为坚实的支撑。面向未来，焱融科技将继续深耕 AI 存储技术创新，为 AI 大模型、智算中心、自动驾驶、生信分析、金融量化等领域提供更强大的数据存储基座，推动这些领域的持续发展与创新。
