XSKY 星辰天合案例

該AI Infra案例由XSKY 星辰天合投遞并參與金猿組委會×數(shù)據(jù)猿×上海大數(shù)據(jù)聯(lián)盟共同推出的《2025中國大數(shù)據(jù)產(chǎn)業(yè)年度AI Infra領(lǐng)先企業(yè)》榜單/獎項評選。

隨著大語言模型（LLM）、多模態(tài)模型參數(shù)量與訓(xùn)練數(shù)據(jù)量呈指數(shù)級增長，AI 技術(shù)對數(shù)據(jù)存儲的“性能-成本-效率”提出三重極致要求：一方面，AI全工作流（數(shù)據(jù)采集→清洗預(yù)處理→GPU高并發(fā)訓(xùn)練→模型推理）需TB/s級帶寬與低延遲I/O，任何存儲瓶頸都會導(dǎo)致昂貴GPU算力閑置；另一方面，海量原始數(shù)據(jù)、中間數(shù)據(jù)、歸檔數(shù)據(jù)需長期保存，單一存儲介質(zhì)難以平衡“高性能需求”與“成本控制”，“全閃存+混閃”的分層存儲已成為業(yè)界共識。

但傳統(tǒng)分層方案存在三大核心痛點，嚴(yán)重制約AI效率：

?盲目流動

基于數(shù)據(jù)創(chuàng)建時間（mtime）分層，高頻訪問的訓(xùn)練集可能因“到期”被降級至慢速混閃池，導(dǎo)致訓(xùn)練性能驟降；

?割裂命名空間

數(shù)據(jù)在不同存儲層間流動需手動切換路徑/掛載點，易因操作失誤導(dǎo)致訓(xùn)練失??；

?高昂隱性成本

為避免性能問題，企業(yè)被迫將更多數(shù)據(jù)保留在全閃存層，或反復(fù)“搬運”降級數(shù)據(jù)回?zé)釋樱聘呖倱碛谐杀荆═CO）。

某大型智算中心曾因開源方案缺乏智能分層能力，數(shù)據(jù)預(yù)處理效率低下，GPU 等待時間過長，無法實現(xiàn)“熱數(shù)據(jù)高性能訓(xùn)練、冷數(shù)據(jù)自動歸檔”的順暢流轉(zhuǎn)。為破解上述困境，北京星辰天合科技股份有限公司基于XEOS對象存儲，推出“XEOS AI數(shù)據(jù)湖方案”，通過智能數(shù)據(jù)流動機制，重塑AI分層存儲邏輯，為頭部AGI廠商、國家級AI實驗室、大型智算中心提供高效數(shù)據(jù)底座。

時間周期：

開始時間：2024年10月12日

中間重要時間節(jié)點：

?項目第一批交付時間為2024年10月至12月，共交付不同地域機房的4個集群，總計約9PB容量；

?項目第二批交付時間為2025年2月至6月，新增2個地域機房的2個集群，同時擴容原有的3個集群，共計約46PB。

完結(jié)時間：2025年6月

AI Infra應(yīng)用需求

隨著大語言模型（LLM）、多模態(tài)模型參數(shù)量與訓(xùn)練數(shù)據(jù)量呈指數(shù)級增長，AI 技術(shù)對數(shù)據(jù)存儲的“性能-成本-效率”提出三重極致要求。

一方面，AI全工作流（數(shù)據(jù)采集→清洗預(yù)處理→GPU高并發(fā)訓(xùn)練→模型推理）需TB/s級帶寬與低延遲I/O，任何存儲瓶頸都會導(dǎo)致昂貴GPU算力閑置。在數(shù)據(jù)采集階段，大量的原始數(shù)據(jù)需要快速地傳輸?shù)酱鎯ο到y(tǒng)中，這就要求存儲系統(tǒng)具備高帶寬的寫入能力。例如，在一些大規(guī)模的圖像識別項目中，每天需要采集數(shù)百萬張圖片，這些圖片的數(shù)據(jù)量可能達(dá)到數(shù)百GB甚至數(shù)TB，如果存儲系統(tǒng)的寫入帶寬不足，就會導(dǎo)致數(shù)據(jù)采集的速度變慢，影響整個項目的進(jìn)度。

在清洗預(yù)處理階段，數(shù)據(jù)需要進(jìn)行各種處理和轉(zhuǎn)換，這就要求存儲系統(tǒng)具備高帶寬的讀取能力。例如，在一些自然語言處理項目中，需要對大量的文本數(shù)據(jù)進(jìn)行分詞、詞性標(biāo)注等處理，這些處理需要頻繁地讀取存儲系統(tǒng)中的數(shù)據(jù)，如果存儲系統(tǒng)的讀取帶寬不足，就會導(dǎo)致處理速度變慢，影響整個項目的效率。

在GPU高并發(fā)訓(xùn)練階段，大量的GPU需要同時訪問存儲系統(tǒng)中的數(shù)據(jù)，這就要求存儲系統(tǒng)具備低延遲的I/O能力。例如，在一些深度學(xué)習(xí)項目中，需要使用數(shù)千個GPU進(jìn)行并行訓(xùn)練，如果存儲系統(tǒng)的I/O延遲過高，就會導(dǎo)致GPU等待數(shù)據(jù)的時間過長，影響整個訓(xùn)練的速度和效率。

另一方面，海量原始數(shù)據(jù)、中間數(shù)據(jù)、歸檔數(shù)據(jù)需長期保存，單一存儲介質(zhì)難以平衡“高性能需求”與“成本控制”，“全閃存+混閃”的分層存儲已成為業(yè)界共識。全閃存存儲介質(zhì)具備高性能、低延遲的特點，適合存儲熱點數(shù)據(jù)和頻繁訪問的數(shù)據(jù)；而混閃存儲介質(zhì)則具備大容量、低成本的特點，適合存儲冷數(shù)據(jù)和長期保存的數(shù)據(jù)。通過將不同類型的數(shù)據(jù)存儲在不同的存儲介質(zhì)中，可以實現(xiàn)性能與成本的平衡，提高整個存儲系統(tǒng)的效率和性價比。

綜上所述，AI技術(shù)對數(shù)據(jù)存儲的“性能-成本-效率”提出了極高的要求，需要采用分層存儲等技術(shù)來滿足這些要求。

面臨挑戰(zhàn)

在當(dāng)今人工智能技術(shù)如日中天、飛速發(fā)展的時代，數(shù)據(jù)存儲對于AI效率的影響日益凸顯，已經(jīng)成為制約其進(jìn)一步發(fā)展的關(guān)鍵因素。然而，傳統(tǒng)分層方案卻存在著三大核心痛點，如同三道難以逾越的關(guān)卡，嚴(yán)重制約著AI效率的提升。

首先是令人頭疼的“盲目流動”問題。傳統(tǒng)方案在進(jìn)行數(shù)據(jù)分層時，往往機械地基于數(shù)據(jù)創(chuàng)建時間（mtime）來操作。這種簡單粗暴的分層方式，會使得那些在AI訓(xùn)練過程中被高頻訪問的訓(xùn)練集，僅僅因為時間限制“到期”，就被無情地降級至慢速混閃池。想象一下，一個正處于關(guān)鍵訓(xùn)練階段、被頻繁調(diào)用的數(shù)據(jù)集，就像一位在戰(zhàn)場上沖鋒陷陣的勇士，突然被剝奪了精良的裝備，被扔到了后方。這直接導(dǎo)致訓(xùn)練性能急劇下降，使得原本昂貴的GPU算力大量閑置，就如同將珍貴的資源白白浪費，嚴(yán)重阻礙了AI訓(xùn)練的正常進(jìn)程。

其次，“割裂命名空間”帶來的麻煩也不容小覷。當(dāng)數(shù)據(jù)需要在不同存儲層間流動時，數(shù)據(jù)科學(xué)家不得不手動切換路徑或掛載點。這一過程就像是在一個錯綜復(fù)雜的迷宮中摸索前行，不僅操作復(fù)雜繁瑣，而且極易因為人為的疏忽或失誤導(dǎo)致訓(xùn)練失敗。在大型AI項目中，數(shù)據(jù)量龐大且流動頻繁，哪怕是一個細(xì)微的路徑輸入錯誤，就如同在精密的機器中放入了一顆錯誤的螺絲釘，都可能使得整個訓(xùn)練任務(wù)前功盡棄，讓之前投入的大量時間和資源付諸東流。

最后，“高昂隱性成本”成為了企業(yè)沉重的負(fù)擔(dān)。為了避免因數(shù)據(jù)存儲問題導(dǎo)致的性能下降，企業(yè)無奈之下只能采取一些“無奈之舉”。要么將更多的數(shù)據(jù)保留在全閃存層，這無疑增加了存儲設(shè)備的采購成本；要么反復(fù)將降級的數(shù)據(jù)“搬運”回?zé)釋?，這不僅消耗了大量的人力，還浪費了寶貴的時間。這些額外的成本不斷累積，極大地推高了總擁有成本（TCO）。長此以往，企業(yè)在 AI投入上的經(jīng)濟壓力愈發(fā)沉重，就像背著沉重的包袱在前行，舉步維艱。

戰(zhàn)略目標(biāo)

構(gòu)建AI Infra所期望達(dá)成的頂層戰(zhàn)略目標(biāo)，旨在為從數(shù)據(jù)預(yù)處理到模型訓(xùn)練、推理的全流程業(yè)務(wù)提供堅實且高效的方案支撐。

在頭部AGI廠商場景中，該戰(zhàn)略目標(biāo)聚焦于應(yīng)對高負(fù)荷的數(shù)據(jù)讀寫需求。要能夠穩(wěn)定承載周期性近2Tbps的寫入，以及承受峰值5Tbps的突發(fā)讀取。更為關(guān)鍵的是，將數(shù)據(jù)處理的時延嚴(yán)格控制在8ms以內(nèi)。如此一來，便能確保在數(shù)據(jù)高速流轉(zhuǎn)的過程中，頭部AGI廠商的業(yè)務(wù)可以高效、穩(wěn)定地運行，避免因數(shù)據(jù)處理不及時而導(dǎo)致的業(yè)務(wù)停滯或效率下降。

在大型智算中心場景方面，戰(zhàn)略目標(biāo)體現(xiàn)為在短時間內(nèi)實現(xiàn)數(shù)據(jù)的快速增長與高效處理。要在4個月內(nèi)支撐超20PB的數(shù)據(jù)增長，并且達(dá)到149.34GB/s的讀取峰值。通過這樣的能力提升，能夠顯著提高數(shù)據(jù)預(yù)處理的效率，相較于原開源方案可提升300%。這種效率的大幅提升意義重大，它可以徹底解決GPU算力閑置的問題，讓GPU資源得到充分利用，從而提高整個智算中心的運算效率，降低運營成本，推動大型智算中心在人工智能領(lǐng)域發(fā)揮更大的作用，為AI技術(shù)的發(fā)展提供強大的基礎(chǔ)支撐。

實施與部署過程

在人工智能（AI）領(lǐng)域蓬勃發(fā)展的當(dāng)下，數(shù)據(jù)量呈現(xiàn)出“爆發(fā)式增長”的態(tài)勢，大模型訓(xùn)練對數(shù)據(jù)存儲的性能、可靠性和管理效率提出了前所未有的挑戰(zhàn)。傳統(tǒng)的數(shù)據(jù)存儲架構(gòu)在應(yīng)對這些挑戰(zhàn)時逐漸顯得力不從心，如多存儲層割裂導(dǎo)致的數(shù)據(jù)搬運成本高、性能損耗大，按創(chuàng)建時間分層無法精準(zhǔn)適配數(shù)據(jù)實際訪問模式等問題。為了滿足AI數(shù)據(jù)存儲的“高并發(fā)、高帶寬”需求，提升數(shù)據(jù)管理的智能化水平，一套創(chuàng)新型的AI數(shù)據(jù)存儲解決方案應(yīng)運而生。

1.技術(shù)創(chuàng)新：重構(gòu)AI數(shù)據(jù)分層邏輯

·基于訪問時間（atime）的智能生命周期管理

傳統(tǒng)的數(shù)據(jù)分層方式往往是“按創(chuàng)建時間分層”，這種方式存在明顯的局限性，無法準(zhǔn)確反映數(shù)據(jù)的實際使用頻率。而本方案打破了這一局限，引入了基于訪問時間（atime）的智能生命周期管理機制。系統(tǒng)具備實時感知數(shù)據(jù)訪問行為的能力，能夠精準(zhǔn)捕獲如GetObject/HeadObject等操作。每一次數(shù)據(jù)訪問都會自動刷新atime，這意味著數(shù)據(jù)的分層計劃會根據(jù)其實際訪問情況動態(tài)調(diào)整。

對于高頻訓(xùn)練數(shù)據(jù)集，由于其訪問頻繁，atime會不斷更新，從而可以長期駐留在全閃熱層。全閃熱層具有高速讀寫的特性，能夠為模型訓(xùn)練和推理提供穩(wěn)定的高性能支持，保障訓(xùn)練性能的穩(wěn)定性。而那些“長期無訪問”的冷數(shù)據(jù)，則會自動流向低成本混閃池?；扉W池采用“SSD+HDD”的架構(gòu)，在保證一定性能的同時，有效降低了存儲成本。這種智能的生命周期管理機制，使得數(shù)據(jù)存儲資源得到了更加合理的分配，提高了整體存儲系統(tǒng)的性價比。

2.分層數(shù)據(jù)訪問增強：透明化+自動緩存

為了提升數(shù)據(jù)訪問的效率和用戶體驗，本方案實現(xiàn)了“一次慢、次次快”的訪問模式，主要通過透明化和自動緩存機制來實現(xiàn)。

·透明訪問

上層應(yīng)用無需關(guān)心數(shù)據(jù)具體存儲在哪一層，在統(tǒng)一命名空間下，數(shù)據(jù)的訪問路徑保持不變。這避免了用戶手動切換存儲層時可能出現(xiàn)的失誤，降低了使用門檻，提高了操作的便捷性。

·自動緩存回?zé)?/strong>

當(dāng)首次訪問冷層數(shù)據(jù)時，系統(tǒng)會異步將數(shù)據(jù)緩存至熱層。后續(xù)對該數(shù)據(jù)的訪問將直接從熱層讀取，大大提高了訪問速度。這種機制使得冷層數(shù)據(jù)在被訪問后能夠快速“回?zé)帷保浞掷昧藷釋拥母咝阅軆?yōu)勢。

·訪問續(xù)期

每一次對緩存數(shù)據(jù)的訪問都會刷新其過期時間，確保熱點數(shù)據(jù)能夠長期駐留在高速層。這樣可以持續(xù)為高頻訪問的數(shù)據(jù)提供快速響應(yīng)，避免了因數(shù)據(jù)過期被清理而導(dǎo)致的性能下降。

·主動預(yù)熱

系統(tǒng)支持通過批量HeadObject操作提前預(yù)熱數(shù)據(jù)集。這意味著用戶可以在需要使用某些數(shù)據(jù)之前，主動將其加載到熱層，從而實現(xiàn)首次訪問即達(dá)極致性能，進(jìn)一步提升了數(shù)據(jù)訪問的效率。

2.架構(gòu)創(chuàng)新：統(tǒng)一命名空間下的高效分層架構(gòu)

傳統(tǒng)的存儲架構(gòu)存在“多存儲層割裂”的問題，不同存儲層之間的數(shù)據(jù)搬運操作成本高，且會導(dǎo)致性能損耗。本方案摒棄了這種傳統(tǒng)設(shè)計，在統(tǒng)一命名空間內(nèi)整合了“高性能全閃熱層”與“大容量混閃溫冷層”。

·分層功能與職責(zé)

熱層采用全閃存介質(zhì)，針對模型訓(xùn)練、推理等高頻訪問場景進(jìn)行了優(yōu)化。它能夠提供低至毫秒級的時延和TB/s級的帶寬，滿足GPU集群高并發(fā)數(shù)據(jù)加載的需求，為AI模型的訓(xùn)練和推理提供了強大的性能支持。溫冷層則采用“SSD+HDD”的混閃架構(gòu)，以較低的成本承載原始數(shù)據(jù)、中間結(jié)果、訓(xùn)練日志等低頻訪問數(shù)據(jù)。同時，溫冷層支持自動歸檔與生命周期清理功能，能夠有效管理長期存儲的數(shù)據(jù)。

·數(shù)據(jù)流動優(yōu)勢

在數(shù)據(jù)在層間流動時，訪問路徑和權(quán)限控制保持一致。這意味著用戶無需擔(dān)心數(shù)據(jù)遷移過程中出現(xiàn)的權(quán)限問題和路徑變更問題，徹底消除了“數(shù)據(jù)搬運”的操作成本與性能損耗。數(shù)據(jù)可以在熱層和溫冷層之間智能流動，根據(jù)其實際使用情況動態(tài)調(diào)整存儲位置，實現(xiàn)了數(shù)據(jù)的高效管理和利用。

3.性能創(chuàng)新：TB/s級帶寬與金融級可靠性

·分布式架構(gòu)與線性擴展

本方案基于分布式架構(gòu)設(shè)計，具有良好的擴展性。單集群可承載EB級容量，能夠輕松應(yīng)對AI數(shù)據(jù)的“爆發(fā)式增長”。隨著數(shù)據(jù)量的增加，系統(tǒng)可以通過線性擴展的方式，添加更多的存儲節(jié)點來提升整體存儲容量和性能。這種擴展性使得系統(tǒng)能夠適應(yīng)不斷變化的業(yè)務(wù)需求，為企業(yè)的長期發(fā)展提供了有力保障。

·優(yōu)化I/O調(diào)度算法

為了在極限壓力下仍能保持低時延，方案對I/O調(diào)度算法進(jìn)行了優(yōu)化。在頭部AGI廠商場景中，系統(tǒng)的峰值讀取帶寬可達(dá)5Tbps，讀取時延≤8ms；在智算中心場景中，讀取峰值達(dá)149.34GB/s。這些數(shù)據(jù)表明，系統(tǒng)能夠滿足大模型“高并發(fā)、高帶寬”的訓(xùn)練需求，為AI模型的高效訓(xùn)練提供了堅實的性能基礎(chǔ)。

·金融級可靠性

系統(tǒng)繼承了星辰天合企業(yè)級存儲的金融級可靠性，數(shù)據(jù)可用性達(dá) 99.9999%。這意味著在實際應(yīng)用中，數(shù)據(jù)能夠得到高度的保障，減少了因數(shù)據(jù)丟失或損壞而導(dǎo)致的業(yè)務(wù)中斷風(fēng)險。對于金融、醫(yī)療等對數(shù)據(jù)可靠性要求極高的行業(yè)，這種高可靠性的存儲系統(tǒng)具有重要的意義。

4.技術(shù)方案

架構(gòu)設(shè)計：“一層兩面”智能數(shù)據(jù)湖架構(gòu)

·統(tǒng)一命名空間層

統(tǒng)一命名空間層是整個架構(gòu)的核心，它實現(xiàn)了“數(shù)據(jù)位置透明化”。無論數(shù)據(jù)存于全閃熱層還是混閃溫冷層，應(yīng)用均可以通過統(tǒng)一路徑訪問，無需修改代碼或切換掛載點。這大大簡化了應(yīng)用開發(fā)和運維的難度，提高了系統(tǒng)的兼容性和可維護性。同時，該層集成了權(quán)限管理和元數(shù)據(jù)索引功能，能夠有效保障數(shù)據(jù)安全，提高數(shù)據(jù)檢索效率。通過權(quán)限管理，企業(yè)可以對不同用戶或用戶組設(shè)置不同的訪問權(quán)限，確保數(shù)據(jù)的安全性；元數(shù)據(jù)索引則可以快速定位數(shù)據(jù)，提高數(shù)據(jù)查詢的速度。

作為架構(gòu)核心，實現(xiàn)“數(shù)據(jù)位置透明化”——無論數(shù)據(jù)存于全閃熱層還是混閃溫冷層，應(yīng)用均通過統(tǒng)一路徑訪問，無需修改代碼或切換掛載點；同時集成權(quán)限管理、元數(shù)據(jù)索引功能，保障數(shù)據(jù)安全與檢索效率。

·熱層（高性能全閃）

熱層采用全閃存介質(zhì)，針對模型訓(xùn)練、推理等高頻訪問場景進(jìn)行了深度優(yōu)化。它能夠提供低至毫秒級的時延和TB/s級的帶寬，滿足GPU集群高并發(fā)數(shù)據(jù)加載需求。在實際應(yīng)用中，熱層可以為AI模型的訓(xùn)練和推理提供快速的數(shù)據(jù)支持，提高訓(xùn)練效率和模型性能。

·溫冷層（大容量混閃）

溫冷層采用“SSD+HDD”的混閃架構(gòu)，以低成本承載原始數(shù)據(jù)、中間結(jié)果、訓(xùn)練日志等低頻訪問數(shù)據(jù)。該層支持自動歸檔與生命周期清理功能，能夠有效管理長期存儲的數(shù)據(jù)。通過自動歸檔，企業(yè)可以將不再頻繁使用的數(shù)據(jù)進(jìn)行長期保存；生命周期清理則可以定期清理過期數(shù)據(jù)，釋放存儲資源。

·智能流動引擎

智能流動引擎是實現(xiàn)數(shù)據(jù)智能管理的關(guān)鍵組件，它基于atime生命周期策略與自動緩存機制，實現(xiàn)了“冷數(shù)據(jù)智能沉降”和“熱數(shù)據(jù)自動回?zé)帷薄ｉL期無訪問的數(shù)據(jù)會從熱層自動遷移至溫冷層，實現(xiàn)冷數(shù)據(jù)的智能沉降；而當(dāng)冷層數(shù)據(jù)被訪問時，會自動緩存至熱層，實現(xiàn)熱數(shù)據(jù)的自動回?zé)?。整個過程無需人工干預(yù)，大大提高了數(shù)據(jù)管理的效率和智能化水平。

關(guān)鍵技術(shù)實現(xiàn)

·atime精準(zhǔn)感知

通過內(nèi)核級優(yōu)化，系統(tǒng)能夠?qū)崟r捕獲每一次數(shù)據(jù)訪問行為，確保atime更新延遲≤100ms。這避免了因“誤判熱點數(shù)據(jù)”而導(dǎo)致的性能降級。在實際應(yīng)用中，準(zhǔn)確的atime感知能夠保證數(shù)據(jù)生命周期管理的準(zhǔn)確性，使得數(shù)據(jù)能夠根據(jù)其實際使用情況進(jìn)行合理的分層和遷移。

·異步緩存調(diào)度

首次訪問冷層數(shù)據(jù)時，系統(tǒng)采用“同步返回數(shù)據(jù)+異步緩存”的機制。這種機制既保障了業(yè)務(wù)的連續(xù)性，避免了額外的延遲，又實現(xiàn)了后續(xù)訪問的加速。在實際操作中，用戶在首次訪問冷層數(shù)據(jù)時，能夠快速獲取數(shù)據(jù)，同時系統(tǒng)會在后臺將數(shù)據(jù)緩存至熱層，為后續(xù)的快速訪問做好準(zhǔn)備。

·彈性擴容機制

系統(tǒng)支持在線擴容，新增節(jié)點可以自動加入集群并參與數(shù)據(jù)重平衡。在擴容期間，業(yè)務(wù)不會中斷，保證了系統(tǒng)的穩(wěn)定性和可靠性。以某智算中心為例，在擴容時，訓(xùn)練任務(wù)仍能保持149.34GB/s的讀取峰值，無性能波動。這種彈性擴容機制使得系統(tǒng)能夠根據(jù)業(yè)務(wù)需求靈活調(diào)整存儲容量，適應(yīng)不斷變化的市場環(huán)境。

綜上所述，這套創(chuàng)新型的AI數(shù)據(jù)存儲解決方案通過技術(shù)創(chuàng)新、架構(gòu)創(chuàng)新和性能創(chuàng)新，為AI數(shù)據(jù)存儲提供了一套全面、高效、智能的解決方案。它解決了傳統(tǒng)存儲架構(gòu)存在的諸多問題，能夠滿足AI領(lǐng)域?qū)?shù)據(jù)存儲的高性能、高可靠性和智能化管理的需求。隨著AI技術(shù)的不斷發(fā)展，相信這種創(chuàng)新型的存儲解決方案將在更多的領(lǐng)域得到廣泛應(yīng)用，為推動AI產(chǎn)業(yè)的發(fā)展提供有力支持。

合作服務(wù)效果

1.經(jīng)濟效益

·降本

通過“智能分層+混閃架構(gòu)”，客戶存儲TCO平均降低30%-60%——某智算中心避免了全閃存過度配置，年節(jié)省存儲采購成本超千萬元；頭部AGI廠商通過冷數(shù)據(jù)自動歸檔，減少30%全閃容量占用。

·增效

消除數(shù)據(jù)流動的人工干預(yù)與性能損耗，數(shù)據(jù)預(yù)處理效率提升300%，GPU利用率提升25%-75%——某智算中心GPU等待時間從日均4小時縮短至1小時，年增加模型訓(xùn)練迭代次數(shù)超50次。

·彈性擴展

支持在線擴容，無需停機，滿足AI數(shù)據(jù)“爆發(fā)式增長”需求——某客戶4個月內(nèi)完成20PB數(shù)據(jù)擴容，未影響任何訓(xùn)練任務(wù)，避免因擴容中斷導(dǎo)致的研發(fā)延誤（日均損失超百萬元）。

2.社會效益

·推動AI技術(shù)創(chuàng)新

通過高效數(shù)據(jù)底座，釋放GPU算力，幫助頭部AGI廠商、國家級實驗室突破模型訓(xùn)練效率瓶頸，加速SOTA模型研發(fā)，助力我國AI技術(shù)在全球競爭中保持領(lǐng)先。

·降低AI落地門檻

通過“高性能+低成本”的平衡方案，讓中小型AI企業(yè)無需承擔(dān)高昂全閃存成本即可獲得TB/s級存儲能力，推動AI技術(shù)在制造、醫(yī)療、金融等行業(yè)的普及。

·綠色低碳

混閃架構(gòu)與智能分層減少了高能耗全閃存的使用量，某智算中心采用方案后，存儲系統(tǒng)年耗電量降低28%，符合“雙碳”目標(biāo)，助力AI產(chǎn)業(yè)綠色發(fā)展。

關(guān)于企業(yè)

·XSKY 星辰天合

XSKY 星辰天合是面向AI時代的統(tǒng)一數(shù)據(jù)平臺提供商。十年專注分布式存儲，長期位列IDC市場報告“TOP 5”，且是唯一獨立存儲廠商，同時在對象存儲市場保持長期領(lǐng)導(dǎo)者地位，公司產(chǎn)品已在3000+客戶的企業(yè)級生產(chǎn)環(huán)境經(jīng)受驗證，為企業(yè)AI創(chuàng)新與數(shù)據(jù)基礎(chǔ)設(shè)施現(xiàn)代化提供可靠的數(shù)據(jù)底座。

·某通用人工智能科技公司

該企業(yè)是全球領(lǐng)先的通用人工智能（AGI）科技公司，以前沿研究持續(xù)推動AI技術(shù)進(jìn)步，致力于實現(xiàn)通用人工智能的未來。公司自主研發(fā)了具有業(yè)界競爭力的多模態(tài)通用大模型，在代碼生成、智能體（Agent）能力及超長上下文處理等方面表現(xiàn)卓越，能夠深度融合并理解文本、音頻、視頻等多種信息模態(tài)。依托于核心自研模型，企業(yè)已推出一系列AI原生產(chǎn)品與開放平臺，服務(wù)范圍覆蓋全球超200個國家及地區(qū)，累計觸達(dá)個人用戶突破一億，并為來自90余個國家及地區(qū)的超過5萬家企業(yè)客戶與開發(fā)者提供技術(shù)支持與解決方案。

★以上由XSKY 星辰天合投遞申報的AI Infra案例，最終將會角逐由金猿組委會×數(shù)據(jù)猿×上海大數(shù)據(jù)聯(lián)盟聯(lián)合推出的《2025中國大數(shù)據(jù)產(chǎn)業(yè)年度AI Infra領(lǐng)先企業(yè)》榜單/獎項。

該榜單最終將于1月上旬上海舉辦的“2025第八屆金猿大數(shù)據(jù)產(chǎn)業(yè)發(fā)展論壇——暨AI Infra & Data Agent趨勢論壇”現(xiàn)場首次揭曉榜單，并舉行頒獎儀式，歡迎報名蒞臨現(xiàn)場。