存算协同方案：以技术突破破解存储IO瓶颈

构建高效的存算协同体系，已成为AI时代算力基础设施升级的核心命题，也是突破AI技术落地瓶颈的关键所在。

当前，人工智能技术正在千行百业中落地应用，从生物医药领域的蛋白质折叠模拟，到气象预测中的超大规模数值计算，再到自动驾驶系统的实时环境感知，AI应用对算力的需求呈现出指数级增长态势。然而，在算力基础设施快速扩张的同时，存储与计算的协同效率成为制约AI效能释放的关键。

传统IT架构中，计算与存储系统相对独立，数据在两者间的传输依赖于传统网络协议。在AI大模型训练场景下，这种架构的弊端暴露无遗：万亿级参数模型训练需要调用海量训练数据，传统存储系统的IO吞吐能力难以匹配算力集群的运算速度，导致大量计算资源因等待数据而闲置；在推理阶段，GPU显存空间有限，频繁的数据交互进一步加剧了存储IO瓶颈，不仅降低了推理响应速度，还推高了整体运营成本。

根据相关测算，当前AI计算中约有30%的算力资源被消耗在数据传输环节，而非核心的模型运算。这一数据背后，是存算协同效率不足带来的巨大资源浪费。因此，构建高效的存算协同体系，已成为AI时代算力基础设施升级的核心命题，也是突破AI技术落地瓶颈的关键所在。

技术突破：从芯片到应用的三层协同架构

为破解存储IO瓶颈，中科曙光、华为、浪潮等科技企业均提出了算存协同的技术路径，通过超级隧道、AI数据加速等创新设计，实现从芯片、系统到应用的三层传输协同，为AI计算打造高效的数据供给体系。

存算协同的底层支撑在于芯片级的硬件优化。在AI计算集群中，计算芯片与存储芯片的交互效率直接决定了整体系统性能。

以中科曙光为例，其通过自主研发的核心芯片，实现了计算与存储单元的紧密耦合。一方面，芯片内置的高速互联接口支持PCIe 5.0甚至更高级别的数据传输速率，大幅提升了芯片间的数据吞吐能力；另一方面，通过NUMA（非统一内存访问）亲和性优化，为不同数据域配置独享的硬件通道，避免了多任务并发时的资源冲突，确保数据传输的稳定性与高效性。

与此同时，针对AI计算对数据精度的多样化需求，自主可控核心芯片支持8/16/32/64位宽的全精度计算。在蛋白质折叠模拟等场景中，高精度计算能够保证分子结构预测的准确性；而在部分推理场景下，采用低精度计算则可在不影响结果可靠性的前提下，大幅提升数据处理速度。这种灵活的精度配置能力，为存算协同提供了更广阔的优化空间。

此外，华为以昇腾AI芯片为核心，实现“算-存”高效协同。其基于达芬奇架构，通过张量、向量、标量计算单元的深度协同，优化数据流动路径，减少冗余搬运。此外，华为还通过UCM推理记忆数据管理器，将推理过程中的历史记忆数据进行池化存储与统一管理，避免重复计算，实现了存得越多推得越快。在接口方面，华为还通过HiBL高速存储接口，配合自研高速互联技术，大幅提升数据吞吐效率，降低访问延迟，支撑FP4/FP8等低精度推理场景下的高效运行。

这些技术，共同构成了从近存计算到存内处理的演进路径，逐步形成内存即计算的理想架构。

系统层协同调度算力存储，破解IO瓶颈，释放极致性能。中科曙光通过自研的超级隧道技术打破IO壁垒。传统存储系统中，数据从存储节点传输到计算节点需要经过多层协议转换，不仅增加了传输延迟，还容易出现网络拥堵。超级隧道技术则构建了一条从存储到计算的专属数据通道，以CPU为核心，将计算、内存、网络与存储等关键资源划入独立的数据域，实现资源级隔离与路径优化。

具体而言，超级隧道技术利用RDMA（远程直接数据存取）高速网络的高性能和低延时特点，通过独有的虚拟网卡技术，将高速网卡切分为多个虚拟网卡，为不同任务分配独立的传输链路。同时，在连接建立初期仅分配最小必要内存保障基础通信，在实际运行过程中再根据链路流量动态分配共享内存资源，从源头上保障了链路利用率。这种设计使得数据能够沿最优路径高速流动，避免了传统架构中的协议转换开销，将存储IO延迟降低至微秒级。

此外，AI数据加速技术通过智能算法对数据进行预处理与压缩，进一步提升了数据传输效率。在训练阶段，系统可根据模型特征对训练数据进行针对性压缩，减少数据传输量；在推理阶段，通过缓存热点数据，避免了重复读取存储资源，有效提升了推理响应速度。

华为则通过软硬件协同设计，实现资源的全局调度与故障自愈，保障高可用性。作为连接芯片与AI框架的桥梁，CANN全面兼容主流框架（如PyTorch、TensorFlow），算子覆盖率100%，模型迁移成本降低70%，让开发者无需关注底层数据搬运细节。

此外，华为构建AIDC 7层全系统数字孪生，结合专业大模型EDNS2.0，实现秒级状态感知、分钟级故障定位与自动倒换，将算力集群可用率从90%提升至99.9%。

华为的Atlas 950 SuperPoD超节点基于灵衢高速互联协议，实现数千颗芯片的深度协同，支持千卡级集群线性扩展，算力利用率提升至70%以上。这些能力使得华为在超大规模智算中心中，实现了数据在哪，算力就在哪的动态匹配。

最后，存算协同的最终目标是为AI应用提供高效支撑，因此应用层的场景化适配至关重要。中科曙光AI4S计算集群通过与高校、科研机构及企业的深度合作，针对不同行业的AI应用需求，对存算协同架构进行定制化优化。

在应用层优化中，智能调度机制发挥了关键作用。系统可根据任务需求灵活匹配、调度集群的计算存储网络等资源，并发作业调度效率超每秒万次。例如，在大模型训练任务中，系统可优先为数据密集型阶段分配更多存储IO资源；而在模型推理阶段，则侧重优化计算资源的利用效率，实现了资源的动态平衡与高效配置。

总结：存算协同引领算力基础设施新方向

AI时代，算力已成为核心生产力，而存算协同则是释放算力效能的关键钥匙。

随着AI技术的持续发展，存算协同将朝着更深度、更智能的方向演进。未来，计算单元与存储单元将进一步融合，实现数据的原地计算，彻底消除数据传输瓶颈；同时，AI算法与存算协同架构的结合将更加紧密，通过智能算法实时预测数据需求，提前调度存储资源，实现数据供给的“预判式”优化。

可以说，随着存算协同技术的持续演进，必将推动算力基础设施实现质的飞跃，为各行业的智能化转型注入强大动力，引领人类社会迈向更加智能、高效的未来。