编者按：

当全社会狂热追逐 GPU 算力的时候，存力常常沦为舞台幕后的配角。但真实的政企 AI 建设项目里，再昂贵的算力芯片，倘若缺少一套可靠的存力底座，GPU 就会陷入空转等待，昂贵硬件的投资价值直接大打折扣。AI 时代，算力决定上限，存力决定算力能不能真正落地变现。在 MLPerf Storage V3.0 这份全球严苛的 AI 存储大考之中，浪潮数据 AS13000G7 作为国产代表交出参选六项测试、拿下五项参选项目下的单节点、单 U 性能第一的硬核成绩单，完整覆盖大模型训练、推理、HPC高性能计算三大核心业务场景。这份榜单不只是一组亮眼性能数字，更是浪潮数据十年扎根底层存储，坚持自主架构研发之后的一次技术集中兑现。

算力狂欢背后

金钥匙为什么藏在被忽视的存力底座？

AI产业的舆论场，永远不缺光鲜的故事。大模型参数不断刷新纪录，GPU 新品轮番登场，资本与媒体的聚光灯牢牢锁在算力层。可很少有人追问一个朴素的商业问题：花大价钱采购来的算力，如何避免白白浪费？

一个行业真相正在慢慢达成共识：算力是矛，存力才是盾；算力代表想象力，存力代表确定性。如果把AI 系统比作一座工厂，GPU 就是高速运转的生产机床，存储则是原料仓库与半成品中转站。仓库存取物料的速度跟不上机床节奏，再顶尖的机床也只能停工等待。

对于互联网企业，AI 业务允许快速试错，业务中断可以接受，系统可以推倒重来。但政府、科研、医疗这类政企客户，AI 转型走不得冒险路线。可控、稳定、可长期演进，是选型第一准则。大模型训练中途一旦存储拖后腿，Checkpoint 断点保存失效，数十张 GPU 连续数周的训练成果可能付诸东流；面向公众的大模型推理服务，存储带来的时延抖动，会直接转化为普通用户能够感知到的卡顿；医学影像、生命科学等科研任务，海量 CT 影像数据读取卡顿，科研人员的研究周期也被迫拉长。

现实业务的痛点，倒逼行业重新审视存储的价值。也正是在这样的背景之下，MLPerf Storage 这套国际基准评测，成为智算、超算中心存储选型的核心标尺。这套评测由图灵奖得主大卫・帕特森联合斯坦福大学、谷歌等机构发起，坚持架构中立、场景真实、结果可复现的原则。而 V3.0 版本，更是一改过去允许选取单轮最优成绩的规则，强制多轮循环加压、增加性能波动约束与跨节点一致性校验，专门过滤掉依靠临时调优拿到的 “表演式成绩”，更加贴合真实生产环境的负载压力。

通俗来讲，旧版本考试可以选发挥最好的一次答卷计分，新版本要求连续反复考试，全程稳定才算合格。这恰恰戳中政企客户最核心诉求：瞬时峰值再高没有意义，业务持续稳定输出才是硬通货。在 MLPerf Storage V3.0 参选厂商当中，浪潮数据 AS13000G7 是为数不多的国产代表，在 Checkpoint70B、KVCache 多组测试、3D‑UNet 三大 AI 核心场景，一举拿下五大项单节点、单 U 维度性能第一。

很多人第一眼看到榜单，习惯把成绩简单归功于高端 SSD 硬件堆叠，但这次测试带来极具价值的行业启示：硬件划定性能的天花板，软件架构决定你究竟能不能摸到这个天花板。单纯堆砌硬件，不等于业务性能自动释放。没有匹配的存储操作系统做调度，高端 NVMe SSD 硬件的潜力会被软件链路的开销白白消耗。国产存储产业走到今天，比拼早已不是硬件采购整合能力，而是底层架构、数据操作系统等基础软件的全栈能力。

单节点、单 U 两个维度同时登顶，对政企客户具备双重现实价值。单节点第一，意味着单机拥有极致性能，集群可以灵活横向扩展；单 U 性能第一，则代表极高的性能密度。很多政企机房机柜空间紧张，预算有限，更高的单位空间性能，直接节约机房占地，压低长期电力、运维的 TCO 总拥有成本，适配政府、医院、科研院所多元建设条件。

风口来来去去，一夜爆红的技术概念此起彼伏，但底层存储基础设施突围，从来不是短跑冲刺，而是耐得住寂寞的慢变量持久战。基础软件有残酷的现实：架构重构的投入很难快速换来订单，技术价值往往要穿越好几个产业周期，才会被市场充分看见。玄同架构与 InData AIOS AI 数据操作系统，是浪潮数据叠加公司十余年分布式存储技术沉淀孵化出的自研成果。浪潮数据没有选择行业流行的 “开源改改、硬件拼装” 捷径，而是选择啃下底层架构重构这块硬骨头，瞄准政企 AI 真实业务做原生设计。

算力决定你能做多强的 AI，存力决定你的 AI 能不能稳稳跑起来。

浪潮数据

凭什么握住这把金钥匙？

这份属于国产存储的全球榜单荣誉，不是运气加持，也不是单点硬件的红利，而是浪潮数据针对三大真实业务场景，依托自研玄同架构、InData AIOS，从架构、IO 链路、调度算法一层层完成的系统性重构，每一项技术改造，都直击政企 AI 项目实打实的业务痛点。

首先看大模型训练 Checkpoint70B 场景。大模型训练过程中，系统需要周期性保存模型参数，也就是Checkpoint 断点。写入存储的这一刻，GPU 需要停下计算等待存储完成写入，存储带宽的高低，直接决定昂贵的 GPU 空转时间长短。本次测试模拟 70B 大模型训练负载，强制连续执行 10 轮读写循环，浪潮数据 AS13000G7 交出读带宽 269.96 GiB/s，写带宽 195.87 GiB/s 的成绩单，拿下单节点、单 U 双第一。

传统分布式存储大多是数控一体架构，数据流要经过控制节点中转转发，I/O 路径被拉长。浪潮数据自研玄同架构开创性实现数控分离，控制面只管元数据、资源管理，业务数据流不再经过控制节点转发，直接硬件直通 SSD，I/O 转发路径被大幅缩短。同时搭配浪潮自研 PCIe5.0 NVMe SSD NS8000G7，将 CRC 校验元数据直接写入 SSD 硬件自带的 NVMe Meta 区域。业务数据和校验信息实现一次落盘，直接将 I/O 交互次数减少 50%，有效削减写延迟。再依靠 InData AIOS 智能负载均衡，分配数据的时候综合评估每一块 SSD 容量、带宽、磨损状态，盘间负载差距被压缩至 1% 以内，让每一块硬件都可以跑满自身性能，避免出现部分硬盘忙到过载、部分硬盘闲置的资源浪费现象。

如果说 Checkpoint 考验大模型训练的稳定性，KVCache 推理场景，则是当下政企落地大模型应用绕不开的现实难题。随着大模型上下文越来越长、并发访问用户越来越多，KVCache 卸载成为平衡推理性能与硬件成本的主流解法，但这个场景混合大量大小 IO，业务对时延抖动零容忍，给存储设置了极高门槛。本次 MLPerf Storage V3.0 的 8B Storage Only、8B Storage+Mem、70B Storage Only 三项 KVCache 测试，浪潮数据 AS13000G7 实现全部拿下单节点、单 U 性能第一，完成 KVCache 全模式的实力包揽。

很多传统存储方案处理 KVCache 碎片化小 IO，采用副本池加纠删池分离的两级架构：小 IO 先写入副本池保障低延迟，后台再大规模搬迁数据到纠删池。但后台搬迁会抢占前台业务资源，带来读写放大与时延波动。浪潮数据 InData AIOS 独创的小 IO 原地副本转纠删技术，打破两套存储池割裂的行业固有设计，直接在纠删池内部原地完成副本向纠删模式转换，不需要大规模数据搬迁，规避额外开销。通俗来说，这就好比图书馆，不用把书籍先临时堆在过渡仓库，再二次搬运入库，直接原地完成归档，消除搬迁带来的时间损耗。

在此之上，浪潮数据的硬件感知数据流设计进一步压制长尾时延抖动：融合轮询机制、NUMA 亲和调度、CPU 绑核，IO 工作交给高频专属核心，日志、清理等后台杂务调度到低频核心处理。最终实现 IOPS 翻倍，CPU 利用率提升20%，支撑政企内部办公、公众问答等高并发 AI 推理业务平稳运行。

第三大场景 3D‑UNet，瞄准医学影像的科学计算。测试基于 KiTS19 肾脏肿瘤 CT 数据集，主要考核高并发顺序读带宽，对应医院、科研机构海量三维影像加载任务。AS13000G7取得单节点读带宽 268.86 GiB/s 的第一成绩。成绩来自浪潮数据端到端 NVMe 通路、单边 RDMA、零拷贝技术，削减协议转换与内存拷贝开销；同时全用户态 IO 栈绕开 Linux 内核，依靠RTC 无锁协程调度降低线程切换损耗，可以承载百万级并发 IO 请求，保障科研任务带宽持续稳定输出，不会出现瞬时冲高之后性能跳水的现象。

梳理全部技术细节不难发现，没有哪一项性能突破依靠单点黑科技，而是从架构、协议、调度算法、硬件协同全链路的系统性重构。AI 时代存储竞争的本质，早已不是硬盘规格的比拼，而是底层系统重构之上，软硬协同的系统工程较量。硬件只是原材料，浪潮数据自研的 AI 数据操作系统 InData AIOS，才是把原材料转化成业务价值的核心引擎。

站在政企智算建设决策者的角度看，MLPerf Storage V3.0 的价值就在于它模拟真实生产加压，而非实验室理想环境。这意味着浪潮数据 AS13000G7 交出的成绩单，不只是纸面上的数字，更提供一份可参考的验证依据：这套基于玄同架构与 InData AIOS 的国产存储底座，足以扛住 70B 级别大模型训练、高并发推理、医学影像科研等重负载业务，帮助用户规避 GPU 空转、业务时延抖动等现实风险。

放在国产存储产业坐标系，浪潮数据这份成绩单的分量，远不止榜单上的五个第一名。从国内分布式存储先行者，到全闪存、AI存储存储双线布局，再到自研玄同架构与 InData AIOS，浪潮数据完整走完从技术跟随者，到掌握自主架构话语权的闭环，为政企 AI 数字化提供一套完全国产、可落地、可演进的存力选项。

当前国内 AI 存储市场存在两种路径：一种是效率优先的整合模式，采购标准化硬件，基于开源存储组件做上层包装，可以快速推出产品抢占市场。但开源架构最初并非面向大模型训推、KVCache 卸载这类 AI 原生负载设计，在长周期高压生产环境下，时延抖动、带宽跑不满等问题很难根治。 浪潮数据选择了周期更长、投入更高的底层自研路线，从玄同架构底层做起，直面政企私有化部署、数据合规、混合负载运维的真实痛点，打造适配国内 AI 建设需求的基础设施底座。底层基础软件研发投入巨大，回报周期漫长，愿意沉下心啃架构重构硬骨头的企业，在行业里并不算多。

结    语

五项 MLPerf Storage 第一，是浪潮数据十年技术长跑的阶段性兑现，但绝非故事的终点。榜单数字可以被刷新，测试成绩可以被超越，但一套扎根真实业务痛点、经过权威评测验证、可以持续迭代演进的自主技术方法论，才是浪潮数据真正的技术底气。

对于国产 AI 基础设施赛道而言，浪潮数据的实践也证明，唯有深耕底层架构，才能真正把存力转化成算力释放的确定性底座。回到开篇提出的问题：存力兑现时刻，谁手握释放算力的金钥匙？答案不是单一硬件，也不是一次评测的高分，而是以浪潮数据为代表，扎根真实业务完成底层系统重构的国产技术力量。