AI算力瓶颈解析：为何“存力”成为关键制约因素

人工智能大模型的竞争格局正在发生关键性演变。当行业重心从模型训练转向大规模推理，从云端部署延伸至实际业务场景，单纯依赖算力规模已无法构建可持续的竞争优势。

在中国电子工业标准化技术协会数据存储专业委员会近期组织的“凝共识、探未来，走进先进存力”研讨活动中，一个核心判断获得广泛认同：存储系统的性能与架构，已成为制约AI技术深度应用与效能释放的关键瓶颈，其战略价值亟待被重新评估与挖掘。

算力遭遇瓶颈：存储系统成为关键掣肘

赛迪顾问电子信息产业研究中心副总经理袁钰分析指出，AI应用正从早期的消费级场景，快速渗透至金融、制造、科研等生产系统的核心环节，任务复杂性与实时性要求呈指数级增长。大模型在线推理、智能体交互等应用的普及，使得数据存取的低延迟与高吞吐成为影响用户体验的决定性因素。“用户发起一个查询，若系统响应迟滞或输出质量不稳定，其深层原因往往可以追溯到数据供给链路的效率问题。”

中电标协副理事长兼秘书长丁然的观点更为明确：“当前，AI基础设施的瓶颈已从算力不足转向存力不足。”她进一步阐释，万亿参数模型、百万级上下文窗口已成为常态，这对存储系统的带宽、IOPS及访问延迟提出了前所未有的苛刻要求。GPU及HBM的容量与带宽存在物理上限，导致计算单元频繁因等待数据而闲置。整个系统的性能瓶颈，已从“计算速度”转变为“数据搬运效率”。

中电标协数据存储专委会秘书长孙钢深度解读了这一转变。他认为，在AI驱动的技术范式下，存储与计算的关系正经历根本性重构。“传统架构中，存储更像一个被CPU调用的静态仓库。而在AI场景中，GPU需要直接、高速地从存储中获取数据。若仍需经过CPU中转调度，大量的计算周期将浪费在无效等待上。”

他给出了一个形象的比喻：“算力是冲锋在前的尖兵，但其作战效能却受制于后方补给线——存储系统的速度。一旦存储吞吐跟不上，再强大的算力也无法避免空转损耗。”特别是在推理场景下，KV Cache缓存、长序列支持、热温冷数据分层等新需求，正推动存储的角色从“计算辅助”演变为“存算一体”的核心参与者。他甚至预判，未来的存储系统可能需要具备对数据内容的初步理解与预处理能力，实现从被动存储到主动管理的跨越。

作为产业实践者，中科曙光北京公司总裁助理、分布式存储产品部总经理石静分享了来自一线的洞察。她指出，存储正从传统的“数据承载平台”转变为影响整体效率的“主动性能引擎”。“我们在多个大型AI集群项目中观察到，存储常常是木桶中最短的那块板——算力充沛、网络高速，但存储性能成为瓶颈。为此，行业已推进多项针对性优化，例如利用本地NVMe SSD构建全局共享缓存、通过GDS等技术实现GPU对存储的直接访问。在自动驾驶万卡集群的实际应用中，这类优化使GPU有效利用率提升超过30%；在科学计算AI训练场景中，整体训练周期缩短了20%至30%。

石静同时指出，当前的技术演进仍带有一定的“被动性”——往往是存储成为瓶颈后才着手改进。她更期待行业能迈向“主动设计”的新阶段：“我们能否以数据流为中心，重构整个技术栈？例如，围绕KV Cache的极致优化来设计推理框架，甚至以数据资产为核心，重新构建其确权、流转与安全体系。当前的主流思路仍围绕计算展开，我们希望未来存储能够真正成为驱动业务架构创新的核心要素之一。”

破局之道：标准统一与产业协同刻不容缓

面对存力瓶颈这一普遍挑战，建立统一的行业技术标准与协同机制已迫在眉睫。丁然透露，中电标协正从三个维度推进相关工作：一是标准制定，聚焦AI存算一体接口、能效评估、兼容性等关键领域；二是架构创新，推动CXL、GPU直连存储等前沿技术的标准化落地；三是生态建设，汇聚产业链上下游力量，构建存算协同、高效融合的产业格局。

孙钢补充强调，目前各厂商的解决方案仍呈碎片化，知识体系尚未打通。他呼吁业界应尽快建立面向AI场景的存储价值评估体系，其指标不应局限于传统的容量与可靠性，更需纳入对推理加速效果、知识库构建效率、总体拥有成本（TCO）等维度的综合考量。据其透露，一套旨在定义新一代AI存储能力的技术框架预计将于今年年中正式发布。

石静则从产业节奏角度指出，AI为存储行业带来了前所未有的发展机遇，但窗口期非常短暂。“AI算力的演进速度远超以往，存储厂商必须快速从终端应用场景中捕捉真实需求，摒弃过去追求通用化、大而全的产品思路，转而深耕细分场景，实现技术的快速迭代与交付。”她表示，中科曙光已在分布式存储架构、存算协同优化、绿色低碳技术等多个方向进行战略布局，以全面应对这场由AI引发的深度存储变革。

当算力竞争进入白热化阶段，曾经处于后台的“存力”正稳步走向基础设施舞台的中央。能否突破存储性能与架构的瓶颈，不仅将决定下一代AI基础设施的竞争态势，更在根本上影响着中国人工智能产业创新的速度与高度。

来源：互联网