说来也简单，今天的数据增长已经远超传统认知边界。过去，人才是数据的核心生产者；如今，图像设备、传感器、无人机、联网汽车、IoT设备乃至工业机械成为了主力军。但必须分清楚：数据和信息完全是两码事。

现实是，收集到的数据中只有极小比例能真正构成资产。拿成像设备来说，一分钟的相关活动录像远比几小时的空白镜头更有意义。可以这么理解：数据就是矿场，而信息是金块，能从数据沙子里淘出钱子来的本事，叫做“分析”。

图1 2009年至2020年数据存储需求的增长

图1来自分析公司Statista，清晰地刻画出过去十年间存储数据容量的疯狂增长——到2020年，需求预计将超过42,000 EB。然而，大量的存储数据（多数估计认为至少80%）依然是“野生”状态：完全非结构化。用于实际分析的比例更是低得可怜，大约只有5%。如果能用一种元数据来为这些非结构化数据做标记，让它们能被高效描述和检索，那么可供分析的数据就会大幅增长，组织的“数据金矿”价值也能显著提升。

再来看看AI。它在现代社会的能力早已渗透到方方面面：从电商推荐、语言翻译、金融科技、安全监控、物体识别，到迅速识别癌细胞的医疗影像——每一个领域都有它的影子。尽管这些用例五花八门，但它们共享一条底层逻辑：现在我们手上有一种工具，能够高效扫描海量非结构化数据（视频、文本、语音、图像等），从中挖掘出真正的价值。

关键点在于，AI不仅能用于分析本身，还能用来做数据预处理——给原始的非结构化数据打上标签，生成精确的元数据。这个精简过的数据库再交由上层分析软件使用，就能轻松采集信息。在此之前，组织一直在等待AI为存储数据注入更多价值；而到了这一步，AI才算真正从“黑暗”中走出来。

好了，想法很清楚：生成元数据来让分析软件跑得更快，而AI就是从海量非结构数据里创建这个元数据库的工具。现在只需要把这些数据搬运到AI计算实体上就行了。但等等——这真是最优解吗？真的吗？

看看数据生成和存储的两大主战场——云和边缘，你会发现搬运海量数据代价惊人，能避免就避免。在云侧，数据中心内部的数据路由会给网络基础设施带来巨大压力，能耗飙升、延迟增加；在边缘侧，计算和功能资源有限，小型设备的网络能力也决定了把大量数据上传到云端根本行不通。所以，无论在哪一侧，减少数据移动、依赖元数据才是效率最大化的关键。

如果能在数据源头——也就是数据所在的存储设备内部——就完成元数据分配，而不是到处搬数据，那效率会高得多。固态硬盘（SSD）内部本来就包含计算所需的基本元素，虽然这些资源通常只服务于驱动器本身的操作，但完全可以重新利用起来，执行与标记相关的任务。甚至可以通过集成额外的硬件、软件或固件模块来强化这一能力。于是就有了两种操作模式：一种是利用驱动器的空闲窗口，在后台执行标记任务；另一种则是在数据写入驱动器的瞬间直接进行处理。两种模式各有利弊，适用场景也不一样。

举个例子，在写数据的当下进行分析，对生成报警非常有用。假设有一套监控系统，能够在存储过程中扫描图像的逻辑，就能补充摄像机产生的运动侦测信号，进一步识别出可疑行为或人物，并建议安全干预。同时，就“数据接触”而言，这无疑是最高效的手段——数据进来后只需处理一次。

不过，在很多场景下，这也意味着需要更强大的CPU和AI引擎来实时处理高分辨率视频流。这对于成本、功耗极度敏感的SSD环境来说，是个不小的挑战。同时，这种在线分析会与常规的读写操作争夺计算和内存资源，难免产生冲突。

为了在AI处理能力与SSD的成本、功耗、面积之间找到更优的平衡，离线处理是另一个值得考虑的方案。这种方法用处理速度（衡量标准可以是TOPS/Watt/mm²）来换取AI资源上的额外功率和面积裕量。可以选择一个小型的、性能较低的AI推理引擎，让它花更长时间扫描数据，从而把功耗压到最低——或者反过来。同时，由于它只在驱动器的空闲时间运行，也避免了与正常的读写操作冲突。

另一个优势是支持基于新模型的重新处理。比如，第一次用识别动物的模型扫描了数据；后来有了能识别物体的新模型，就可以用新模型再扫一遍，并相应更新元数据库。

无论哪种模式，节电、省钱、减少数据移动、降低延迟、减轻网络负担，都是在存储点部署加速功能所能带来的部分好处。更关键的是，这种架构具有天然的可扩展性，企业和云服务提供商可以借助AI的力量，无限延伸它们的能力边界。

数据离主机越远，这种架构的潜力就越明显。利用多个驱动器，我们能获得更高的并行度。下图对比了一个由24块内置AI引擎的SSD组成的全闪存阵列盒和一个普通服务器处理器：两种方案都从每块SSD中读取视频库，用预训练AI模型分析指定对象，并生成元数据库。

图2 存储中处理降低了网络利用率

图2显示，由于计算全在本地完成、不超出驱动器边界，存储中处理大幅降低了网络利用。图3则表明，并行处理在所有驱动器上同时展开、没有数据路由，延迟显著缩短。此外还有功耗更低、主机利用率更低——主机可以腾出手来做其他事。当然，这些结果受引擎功能、视频格式、网络延迟等因素影响，在其他配置下可能有出入，但大趋势是站得住的。

图3 存储中处理减少了由于并行性引起的等待时间

另一个关键优势是线性可扩展性。数据库增长时，只需增加SSD来容纳更多数据，同时也增加了处理这些数据所需的计算量——不多不少，正合适。因此性能与数据量之间保持线性关系。而在主机处理器上做同样的事，随着处理器周期耗尽，性能曲线最终会趋向平坦。

图4 可伸缩性是使用AI进行存储内计算的另一个好处

在之前的闪存峰会上，Marvell展示了AI SSD控制器的概念验证（PoC），演示了如何在不占用主机CPU资源的前提下有效执行数据标记——完全避开前面提及的成本和延迟陷阱。演示现场，成熟的Marvell数据中心和客户端SSD控制器IC搭配开源NVIDIA深度学习翻跟斗（NVDLA）技术，加载预训练的AI模型，编译到集成AI推理IP中，对驱动器本地海量非结构化数据（比如视频库）进行扫描。最终生成标签、创建元数据库，使数据在搜索时能被轻松表达。上述结果正是基于这个PoC演示而来。

想象一下，执法机构在数不尽的视频片段中寻找某个可疑目标。他们可以加载一个训练好的模型——这个模型知道怎么准确地识别那个“目标”。然后，存储这些视频的所有驱动器同时启动后台推理任务，并行扫描全部内容。任何目标出现的瞬间都被标记出来，后续的分析工作变得无比轻松。

类似的，考虑一下聊天机器人服务的后台分析。海量通话记录需要扫描以提升服务质量——用户对回复是满意还是反感？通话时长是否合理？一旦创建出能追踪这些指标的AI模型，直接编译到存储推理引擎中，离线扫描整批通话记录。视频点播的个性化广告插入、人员或物体搜索，乃至任何需要“就近处理数据”的I/O密集型用例，都能从中获得显著的性能提升。

AI SSD控制器技术展示了一条新路：如何以现有SSD硬件为基础，通过增加逻辑能力来构建更智能的数据存储架构，直接处理下一代分析工作负载所需的元数据和标签——完全不需要额外的专用处理资源。

遵循这种替代策略，将重心从传统集中式处理转移开，整个流程的效率会大幅提升。它几乎不占用网络带宽，也避免了瓶颈的出现。通过将AI翻跟斗直接集成到成本可控的SSD控制器IC中，分析任务快速完成，所需计算能力和功耗预算都明显降低，还彻底省去了从头开发复杂ASIC的麻烦。由于采用了可编程架构，未来也能方便地更新AI模型，随时应对新出现的用例。