存儲芯片的「空轉」困局：AI SSD如何把閑置算力變有效算力

「一輛車即使最高速度很高，如果大部分時間處于等待狀態，發動機空轉，那么它的實際效率依然很低。」英韌科技董事長吳子寧博士用這個比喻，道破了當下AI基礎設施的一個隱秘痛點。

大模型訓練規模持續擴張，推理請求指數級增長，數據中心投資熱度不減——但光鮮數字背后，算力利用率卻在低位徘徊，系統抖動頻發，集群效率難以穩定。問題往往不在算力本身，而在「數據」這一環。

當計算集群擴至萬卡級別，任何環節的延遲波動都會被放大為整體性能問題。一些云服務宕機事件，表面是調度算法失效，深層卻是數據供給與計算節奏的錯位——數據來不及組織、搬運、分發，算力只能空轉等待。

這讓存儲這個長期被視為基礎組件的領域，重新進入核心視野。過去存儲解決「存得下」，AI時代它開始決定「算得快不快」。「AI SSD」應運而生，幾乎所有主流廠商都在交卷。但什么才是真正有效的改進？存儲究竟需要為AI改變什么？

二十年前的iPod故事：技術演進中的判斷能力

吳子寧博士沒有直接回答，而是講起2001年的往事。那年蘋果發布iPod，把機械硬盤縮到火柴盒大小，實現5GB容量。同期主流MP3播放器僅配64MB或128MB閃存。

「用戶不再需要頻繁管理音樂文件，而是可以將整個音樂庫隨身攜帶。」吳子寧博士回憶。這一設計迅速顛覆認知，引發產業鏈連鎖反應——多家硬盤廠商將小尺寸機械硬盤視為新增長方向，重金投入研發。

但故事很快反轉。閃存技術快速迭代，容量飛速發展。蘋果隨即推出全閃存iPod，入門容量僅1GB，卻憑小型化和便利性迅速超越機械硬盤版本。「很多存儲公司投入大量資源研發小尺寸機械硬盤，都因為新技術的出現受到了巨大的沖擊。」

彼時吳子寧博士任職于Marvell，而Marvell正是業界最早全面投入閃存固態硬盤解決方案的公司之一。這段經歷形成他的核心判斷：技術持續演進是常態，短周期有漸進式創新，長周期可能出現顛覆性變革。能否準確把握趨勢并前瞻性決策，至關重要。

2016年創辦英韌科技時，他已觀察到兩個關鍵趨勢疊加。「一邊是數據需求在爆發，而且是長期趨勢；另一邊是存儲介質正在從機械硬盤向固態硬盤遷移。」他說，「當需求和技術同時發生變化，就會出現一個很典型的機會窗口。」

AI驅動的新一輪數據浪潮下，這種「判斷能力」的重要性再度放大——面對全新計算范式，存儲系統應當如何演進？

數據洪峰下的三重壓力：形態、場景、容忍度

據DESIGNRUSH估計，2025年實際數據量約173.4ZB，2026年全年數據生成量預計在230ZB至240ZB之間，2029年將達到527.5ZB。存儲作為IT基礎設施三大核心支柱之一，在半導體市場占比約20%至30%，但AI時代這一「支柱」正承受前所未有的壓力。

第一重壓力來自數據形態改變。傳統數據有明確冷熱分層：熱數據駐留內存，溫數據進SSD，冷數據歸檔機械硬盤。但AI訓練與推理中，數據呈現高頻交互特征——大模型訓練需持續吞吐海量數據，推理階段涉及大量中間狀態頻繁訪問，向量檢索帶來高比例小塊隨機讀寫。數據不再嚴格遵循既有分層結構。

第二重壓力是應用場景高度分化。基礎大模型向行業大模型演進，銀行風控數據、車企自動駕駛數據、醫學影像系統數據，每個場景對存儲要求各異：有的要超高吞吐，有的要極低延遲，有的需在邊緣節點實現高密度數據處理。

第三重壓力是系統容忍度顯著降低。計算集群擴至萬卡級規模時，任一環節性能波動都可能拖慢整體訓練效率。邊緣側原本受限的內存帶寬，還需匹配接近GPU級別的計算能力。存儲不再只是數據承載介質，而成為影響數據流動效率、進而決定訓練與推理性能的關鍵因素。

這種變化的根源，在于計算體系中心的遷移。「過去是CPU在做調度，GPU只是執行單元；但現在，在AI系統里，GPU本身開始承擔調度角色。」吳子寧博士指出，「如果數據還要經過CPU中轉，就相當于在兩條高速公路之間接了一座很窄的橋，這個環節會成為瓶頸。」

這正是「空轉」問題的技術根源。計算單元算力極高，但數據往往滯留存儲側——若無法被高效調度至計算單元，就會導致算力資源閑置與浪費。

從「存得下」到「算得快」：AI SSD的系統級優化

「存儲不僅要完成數據的持久化，還需要具備對數據進行高效組織與調度的能力。」吳子寧博士表示，「我們已經開始探索，在存儲側引入更智能的控制機制，對數據布局與訪問路徑進行優化。」

這一思路指向明確方向：存儲系統需要針對AI負載進行系統性優化。

過去幾年，行業已展開多路徑探索。通過優化固件與FTL（閃存轉換層）算法，使SSD在高并發場景下保持穩定延遲分布；通過重構主控架構，提升數據調度效率；借助CXL（計算快速鏈接）協議擴展內存語義，使閃存在特定場景中承擔部分內存功能。

這些技術路徑最終匯聚為共同產品方向——AI SSD。這是整個行業對同一核心問題的多元回應：當計算范式發生變化，存儲體系如何協同演進？

吳子寧博士提出三項判斷維度：技術合理性、商業可行性、生態兼容性。以此衡量AI SSD，其可行性便清晰起來——

技術層面，AI負載對存儲提出傳統SSD難以滿足的新要求，針對性優化是解決「算力等數據」痛點的必要路徑；商業層面，AI SSD在成熟閃存與主控技術基礎上演進，能夠復用現有供應鏈，具備大規模部署的成本基礎；生態層面，它延續PCIe/NVMe等標準接口與協議，與現有計算體系保持兼容，能夠被平滑接納。

從這個角度看，AI SSD的出現具有內在必然性——它并非對現有體系的顛覆，而是在既有架構基礎上，針對新型負載特征進行的系統性優化。正如當年閃存逐步取代小尺寸機械硬盤：技術進步提供替代能力，應用需求明確替代方向。

2025年的系統重排：全球廠商的同場競技

能夠深入理解AI負載特征，并據此構建差異化存儲方案的廠商，將更有可能在下一輪系統級重構中占據有利位置。2025年，這場「系統重排」已經拉開序幕。

從鎧俠公布AI SSD中長期路線圖，到三星、海力士、美光陸續推出針對AI場景優化的超高速顆粒產品；從FMS存儲峰會上多家廠商的同臺競技，到華為在上海發布「AI SSD，加速智能經濟涌現」——幾乎在同一時間點上，全球主要存儲廠商都在加速布局。

這場競賽的核心，并非簡單的性能參數比拼，而是對AI負載本質的理解深度，以及將理解轉化為系統級優化方案的能力。誰能更精準地識別「空轉」發生的具體環節，誰就能在把閑置算力轉化為有效算力的過程中，創造更大的商業價值。

吳子寧博士二十年前在Marvell的經歷，某種程度上預示了今天的格局——技術演進不會停止，但每一次躍遷都需要有人提前看到曲線的拐點。當閃存取代機械硬盤時，提前布局者獲得了窗口期紅利；當AI SSD成為新戰場時，同樣的邏輯正在重演。

不過，與當年不同的是，今天的存儲優化不再只是介質層面的替代，而是涉及數據流、計算架構、軟件棧的系統性重構。這意味著，單一技術突破的價值在下降，全棧協同能力的重要性在上升。

英韌科技的選擇，是在主控芯片層面切入——這個環節直接決定SSD的數據調度效率，也是連接底層閃存與上層協議的樞紐。通過在這一層引入更智能的控制機制，他們試圖從源頭緩解「數據等算力」或「算力等數據」的錯配問題。

這種路徑的優勢在于，可以相對靈活地適配不同閃存介質和不同應用場景，而不被鎖定在特定顆粒技術路線。挑戰則在于，需要同時理解AI負載特征、閃存物理特性、以及系統級數據流，技術門檻顯著高于傳統SSD設計。

從產業格局看，AI SSD的興起正在重塑存儲市場的競爭維度。傳統上，存儲廠商的競爭焦點集中在容量、成本、可靠性；AI時代，延遲穩定性、并發處理能力、與計算單元的協同效率，成為新的核心指標。這給了專注特定技術環節的廠商以差異化機會，同時也對全棧整合能力提出更高要求。

一個值得觀察的現象是，頭部云廠商和AI基礎設施公司，正在越來越多地介入存儲系統的深度定制。他們不再滿足于采購標準品，而是希望存儲層能夠與其特定的工作負載特征精準匹配。這種趨勢，既為專業存儲芯片公司創造了合作空間，也可能在長期帶來垂直整合的壓力。

吳子寧博士的判斷是，未來三到五年，AI SSD將從「概念驗證」走向「規模部署」，但真正形成穩定的市場格局，可能需要更長時間的技術迭代和生態磨合。「技術持續演進是常態」，這句話在他口中重復了兩次——一次講給當年的小尺寸機械硬盤，一次講給今天的AI基礎設施。

當算力投資持續升溫，當萬卡集群成為標配，「空轉」問題只會更加凸顯。存儲芯片的角色轉變，本質上是一場關于「效率」的重新定價——誰能把更多閑置算力轉化為有效算力，誰就能在AI基礎設施的下一輪迭代中，占據更有利的位置。

而這場轉變的最終形態，或許正如當年iPod的故事所預示：技術路徑的勝負，從來不只取決于參數表的對比，而取決于誰能更準確地預判，用戶真正需要的是什么——或者說，計算系統真正需要的是什么。

當存儲從「存得下」進化到「算得快」，我們是否已經準備好重新定義，什么才是一套AI系統的「有效算力」？