数据决定AI智能的高度 存储成AI时代“新宠”

ChatGPT发布至今，AI大模型正在进入全新的生态模式，展开了一个全新的旅程，各个研究机构、公司都展开了一场关于大模型的比拼。据科技部新一代人工智能发展研究中心等机构发布的数据，中国10亿参数规模以上的大模型已发布79个。但同时，企业在开发及实施大模型应用过程中面临诸多挑战，尤其是数据存储方面。

多位业内人士对《中国经营报》记者表示，大模型时代，数据决定AI智能的高度。作为数据的载体，数据存储成为AI大模型的关键基础设施。国内要发展人工智能，并使这一产业得到高速的发展，一定要重视数据和信息的数字化记录。如今，国内建设了大量的数据中心，算力相对较多，但存力较少，很多高价值的信息都没有被记录下来。

挑战依旧

以ChatGPT为代表的大模型成功实现商业化落地，并引发了业界震动。人工智能也正在从感知理解走向生成创造。而AI大模型俨然成为互联网的“新风口”，在这场AI带来的新变革中，企业纷纷紧跟时代浪潮，建立自己的大模型。

但随着大模型产业的快速发展，模型规模的快速膨胀，AIGC模型预训练数据量呈现指数级增长，带动算力需求爆发。从GPT-1到GPT-3，模型参数量从GPT-1的1.17亿增加到GPT-3的1750亿；训练数据量也由GPT-1的5GB，增加到GPT-3的45TB。这也就导致面向AI大模型的数据准备时间长，数据来源分散，归集慢。

华为数据存储产品线总裁周跃峰表示，第一，在大模型训练过程中，需要把分散到各个地方的数据进行归集、预处理，然后再把它送给AI大模型。数据预处理的过程非常长，统计发现，上百个TB级的数据可能需要大概10天左右的准备时间，这个对于整个系统的高效利用是不利的；第二，多模态大模型以海量文本、图片为训练集，当前海量小文件的加载速度不足100MB/s，训练集加载效率低；第三，大模型参数频繁调优，训练平台不稳定，平均约2天出现一次训练中断，需要Checkpoint机制恢复训练，故障恢复耗时超过一天；第四，大模型实施门槛高，系统搭建繁杂，资源调度难，GPU资源利用率通常不到40%。

周跃峰认为，AI大模型在进入各个企业的时候，实施门槛还是非常高，它需要非常专业的软件、硬件甚至是维护工程师来进行实施并进行后续的维护。同时可以看到今天的大模型和算力的应用尤其是GPU的应用相对还是比较简单、传统的裸机系统，GPU资源的利用效率相对来说比较低。

存储需求上升

“大模型时代，数据决定AI智能的高度。作为数据的载体，数据存储成为AI大模型的关键基础设施。”周跃峰表示。数据存储成为解决AI大模型发展瓶颈的关键。

周跃峰解释道：“目前大模型算力成本约占整个成本的25%，而数据清洗、预处理等工作，在不算数据存储硬件的情况下，占到成本的22%。从这个角度看，数据机器存储过程，在大模型时代越来越重要。这不仅仅是简单的数据量变大，而且数据的处理过程，以及过程中对于硬件性能的要求越来越高。”他认为，随着大模型出现，数据存储和处理相关领域未来会越来越有前景。

华为苏黎士研究所数据存储首席科学家张霁也认为，随着数据源日趋丰富，很多企业开始关注数据安全问题，而数据存储是数据安全的第一道防线。

为此，华为推出了OceanStor A310深度学习数据湖存储与FusionCube A3000训/推超融合一体机。

其中，OceanStor A310深度学习数据湖存储，在数据准备到断点接续，再到整个训练/推理一条链的过程发力，用近存计算和高性能分布式文件存储系统，实现从数据归集、预处理到模型训练、推理应用的AI全流程海量数据管理，为企业解决数据底座问题。

FusionCube A3000训/推超融合一体机面向行业大模型训练/推理场景，针对百亿级模型应用，可提供拎包入住式的部署体验。周跃峰表示，通过一体机方式，纳入所有软件，降低企业使用门槛，实现资源高效利用。“我们也希望通过这个手段，助推中国的AI成为真正的所谓的普惠AI，而不是头部企业用的先进工具，而是让它成为普适性的工具。”

对此，华为分布式存储领域副总裁韩振兴表示：“我们在这方面已经筹备了两三年，因为我们之前就看到了AI的大趋势。当然我们也确实是没有预料到它突然爆发，但我们在很早就进行了筹备。所以当看到大模型开始的时候，便发布了这两个新品，它们的性能指标高于整个业界60%以上。”