今年开年后，当DeepSeek等搅动的大模型应用热潮在各行业迅速蔓延时，一场更底层的竞赛，已在AI基础设施领域悄然爆发。国产存储企业，正在高性能存储市场上发起攻势。

“DeepSeek等在应用侧产生的效果，彻底点燃了企业应用AI的信心。”京东云相关负责人告诉数智前线，大中型企业今年普遍在AI基础设施上投入更多资源和预算。但第三方调研显示，超过76%的企业AI项目，因存储性能利用率不足，直接造成15%-30%的算力损耗。

存储，这个此前被经常“忽视”的赛道，在今天正变得举足轻重。高性能存储已成为智算中心标配，占AI Infra的15%左右，而今年新增市场将是之前的数倍。

仅第一季度，京东云就已基本完成两个超大智算中心项目实施。客户对存储的要求惊人地一致，就是高性能，以满足他们大模型训练和应用的需求。京东云提供存储系统，适配了业界最高的400G IB网络，并成功将存储带宽利用率推升至84%。

此前，高性能存储几乎是国际厂商的天下。而在新一轮AI变局中，市场争夺和重塑的背后，是国内企业在技术商业以及人才团队上，长达10多年的积累。

01

新一轮AI趋势下，存力变化几何？

新一轮人工智能，对高性能存储的技术商业影响极大。

DeepSeek推出后，推理市场正在爆发。IDC预测，2025年推理工作负载的占比，将达到近7成。人们可能认为，推理对AI基础设施的性能要求要低于训练，但事实并非如此。

“从DeepSeek发布的产品特征来看，对于存储性能的需求，还会再上一个台阶。理论上，推理对存储的读取性能要求，会远超训练。”京东云资深人士说，以DeepSeek的671B模型为例，要求存储读取速度突破每秒TB级，才能支撑GPU推理集群的秒级扩展。而只有这样的弹性扩展能力，才能达到人们缩短首次token输出时间的期望。

随着AI应用落地，很多企业也开始重视推理成本。DeepSeek已采用如PD分离技术，将推理的预填充（Prefill）和解码（Decode）阶段分开部署，分配不同硬件资源，来提升推理性价比。在一些真实场景中，PD分离让长文本生成速度提升5倍以上。京东云人士则告诉数智前线，PD分离结合存储、kv缓存，可进一步大幅提升推理性价比，该团队已在这一方向上展开技术攻关。

除了推理市场给高性能存储带来的挑战，后训练的增加，对存力市场的影响也不小。业界的共识是，全球只有少数几家企业将继续做预训练，在大模型技术上持续摸高。而大多数大中型企业，做后训练的频率将增加。

相比于预训练，后训练对语料数量要求更少，训练周期也会缩短，但与预训练一样，对存储在时延、吞吐和带宽等性能以及可靠性上，同样提出极致高要求。这就像“数据输油管”，如果输送得不够快、不够稳定，耗资巨大的GPU集群就无法工作。

在行业市场，汽车智驾、AI医疗等赛道，成为存储性能的角斗场。

某医疗AI企业影像诊断系统，因小文件处理延迟，导致急诊响应超时率升高至12%。2024年，国家医保局在放射检查类相关指南中，首次将人工智能辅助诊断列入立项指南，在一些三甲医院，AI辅助阅片已落地应用。AI辅助阅片要求在10多分钟内，就要完成1T数据的读取、加载和训练，医疗市场的原有存储系统正受到挑战。

在汽车行业，多家车企在智驾系统上展开了“军备竞赛”。频繁的模型训练，对有强大并行处理能力的文件存储系统，提出强烈需求。一台L3级别的自动驾驶测试车，平均每天产生60TB的数据，完整测试产生的数百PB数据，需要存储30年以上。车企也对低成本海量存储提出明确需求。

此前，高性能存储市场，基本被海外产品覆盖。最近两年，国产存储企业崭露头角，竞赛已在日夜吞吐数据的存储系统中，悄然打响。

02

国产高性能存储在激烈争夺市场

早期，国内企业如新能源车企，在构建AI Infra时，从算力、网络到存储，几乎都要花天价，采购海外厂商的全套技术栈。当时，国内没有相应的自研高性能存储技术，主要以海外企业DDN、IBM GPFS为主。

不过，市场已发生快速转变。国产高性能存储在近几年介入市场，并展现出强劲势头。2024年，京东云高性能存储平台“云海”，营收增长就高达10倍。云海是京东云在2022推出的国产全自研并行文件存储系统。他们期望抓住当下新一轮AI发展中，头部用户构建、升级AI Infra的时机，重塑市场格局。

某头部银行训练金融大模型时，原有存储系统性能无法满足需求，在训练过程中出现了数据流动低效、带宽不够大、吞吐性能不足、算力闲置等痛点，大模型训练跑不起来。在替换成云海高性能存储后，通过存算分离技术架构，实现了超50GiB/S吞吐带宽，文件响应延迟低至100微秒，大幅减少GPU等待时间，让模型训练周期缩短40%。

在一些新能源车企，在数千卡规模模型训练集群中，结合云海，比使用海外技术，成本降低了大约一半以上。

但国产高性能存储，并不是横空出世，需要企业突破性能、可靠性、成本以及自主可控四大难关。

在这个过程中，云海经历了三大发展阶段：存算分离阶段、AI及大模型训练阶段、推理潮阶段，并聚焦研发了高性能并行文件存储系统、统一引擎等相关核心技术，以自研、高性能、低成本的系统角逐市场。

以高性能的并行文件系统为例，它更适合人工智能场景下，频繁小文件随机读写和低延迟场景。比如，在AI辅助诊断系统，可将数十万个CT切片，多个节点同时对数据进行读写操作、并行分析。

为了提升大模型训练速度，需要对大规模数据集进行快速加载，且一般采用数百甚至上万张GPU构成计算集群进行高效的并行计算，需要高并发输入/输出（I/O）处理，而训练数据集呈现海量小文件的特点，文件量在几亿到几十亿量级，对应的带宽需求可能每秒要达到上TB，这就要求存储系统具备强大的数据管理能力。

目前，业界有一些开源技术，而自研高性能并行文件的企业仅寥寥几家。京东云是其中之一，将系统性能“压榨”到极致。一家客户在选型时，将云海与海外产品PK，最终得出的结论是，云海性能与海外产品相当，但网络带宽利用率，高出近3个百分点。以单节点95GB/s的读带宽、60GB/s的写带宽，进一步拉低了国产存储与国际老牌厂商的差距。

在另一个创新点——统一存储引擎上，传统上有不同存储类型，导致企业内部的存储系统五花八门。之前有客户买了五套存储系统，导致数据很难统筹，成了大模型训练应用的掣肘。得益于京东云团队在存储技术上多年的积累、在多业务场景下的实战，云海在设计时，得以实现高度的抽象化，从而让一个引擎，满足企业内部多元场景的需求。

存储系统的可靠性，几乎是企业构建底座的底线。存储一旦出问题，数据丢失，将带来灾难性问题。而可靠性的追求永无止境，关键要找到它与性能、成本之间的最佳平衡点。京东云的创新涉及算法、架构，并获得了国家相关专利。“京东云云海未出现任何导致客户服务中断的故障。”上述资深人士说。

根据信通院测试，云海代码自研率达到98.9%+，并全面支持国产硬件环境，这需要与国产多元芯片、操作系统，做大量对接、优化和相互认证。而在支持国产化的情况下，云海能做到在一些主流算力平台上，在CPU主频相同的情况下，性能与X86平台近乎等同，而性价比更高。这让客户能落地大模型，并获得正向收益。

03

商业化两年，从怀疑到认可

在替代国外存储产品时，国产存储经历了客户态度从怀疑到认可的转变过程。

“起初，客户难免会有所顾虑，国产全自研的云海高性能存储，是否能稳定可靠地支持AI Infra的要求？”京东云相关负责人对数智前线说。但随着与客户的持续沟通、PoC测试，以及越来越多头部客户案例的出现，“大家逐渐认识到云海不仅能够替代，甚至在成本和性能上可能优于国外存储产品”。

这个过程中，京东云云海也逐渐形成一套自己的落地方法论和典型案例集。

例如，客户在做存储产品选择时，一般会重点关注两大因素：第一，是否有品牌背书，以避免产品厂商突然消失或停止运维的风险。第二，技术和服务能力如何。

云海在这两方面都进行了强化，借助于京东云品牌，以技术能力打动客户。

京东云资深人士告诉数智前线，在品牌背书方面，云海不仅历经了京东集团10多年大规模高流量场景验证，也是国内互联网厂商中，唯一一家支持存储系统与云平台解耦，以独立产品组件实现轻量化向线下输出的。

而在技术能力方面，云海80%以上的项目都通过了用户的PoC测试。在PoC过程中，客户能够清晰了解存储产品的性能、稳定性、故障处理等能力。

另外，是否有在头部企业的成熟应用案例，并能快速复制到其他企业，也是打动客户的关键。上述人士透露，商业化两年间，云海已在智能驾驶、银行、券商、泛互联网等行业的头部企业中，实现了成功落地。

在解决传统基础设施存算分离问题的阶段，云海曾协助中信证券、中信建投等头部券商和银行完成了存算分离的工作。在泛互联网行业，云海帮助荔枝FM和墨迹天气实现了综合存储成本直降30%……

这些云海的第一阶段的客户，在最新这波大模型浪潮中，基于之前建立的信任基础，实现了延续。“只要之前用我们存算分离存储系统的，现在在AI Infra层面，有并行文件高性能存储需求的，几乎100%都选择了云海。 ”上述人士告诉数智前线。

某头部券商的传统存储架构，随着其金融业务扩大，逐渐暴露出资源利用率低、存储架构不够灵活、存储性能不足、故障难恢复等问题，为支撑业务发展，该券商基于云海构建了统一云原生存储架构体系，实现数据高效存储与流动，满足了“小微化、高频化”的业务新模式，支撑证券业务系统频繁变更。同时，存储平台兼容多存储接口类型，与用户业务系统无缝链接。

国内某汽车厂商在做大模型训练时，面临GPU集群闲置的问题，希望存储厂商能帮忙提升集群使用效率。“我们之前给它做了估算，GPU集群闲置5%左右的时间，成本就已经与重建一套分布式存储集群相当。”京东云资深人士告诉数智前线，为了将GPU的等待时间降下来，云海做了一套高性能并行文件系统解决方案，来支撑它约100T的数据集训练，实现秒级读写。

随着大模型应用的爆发式增长，AI基础设施领域正经历一场前所未有的变革。从金融到汽车，从互联网到医疗，各行业对高性能AI基础设施都提出迫切需求。而在激烈角逐中，高性能存储作为关键环节，正见证国产力量的强势崛起。