华为天才少年研究课题！背后存储团队发布两大新品：均面向大模型

招最优秀的人才，打最硬的仗，出手即打破传统。

这就是华为最新揭秘的大模型领域最新动作，剑指AI存储，一口气发布两产品：

OceanStor A310深度学习数据湖存储与FusionCube A3000训/推超融合一体机，性能密度刷新业界纪录。

它们由华为数据存储团队推出，华为“天才少年”张霁正是其中一员。

2020年，博士毕业于华中科技大学的张霁，以“天才少年”身份入职华为、加入数据存储产品线。如今是华为苏黎世研究所数据存储首席科学家。

在发布会上，他还进一步揭开华为天才少年的神秘面纱，透露了自己正在推进的工作：

围绕以数据为中心的未来存储架构关键技术，包括向量存储、数据方舱、近存计算、新应用场景下的数据存储新格式、硬件加速等。

显然，不只是大模型本身，在大模型相关的数据、存储等领域，华为也早已开始积极布局，启用最顶尖人才。

而面对大模型时代的数据存储问题，华为作为存储市场头部厂商，究竟如何看待？

从最新发布的两款产品中，就能窥见答案。

面向大模型的存储应该长啥样？

此次发布的新品有两款，分别是：

OceanStor A310深度学习数据湖存储

FusionCube A3000训/推超融合一体机

虽然都是面向AI大模型，但是两款新品对应的具体场景有所不同。

首先来看OceanStor A310，它面向基础/行业大模型数据湖场景，可以贯穿AI全流程，同时也具备面向HPC（高性能计算）、大数据的同源数据分析能力。

它不光性能强大，而且支持混合负载、多协议无损融合互通、近存计算等，可极大程度上提升效率。

具体性能方面，OceanStor A310支持单框5U 96闪存盘，带宽可达400GB/s。通俗理解，就是每秒钟能传200多部高清电影。

IOPS（每秒进行读写操作的次数）能达到1200万。

由此OceanStor A310的性能密度也达到了目前全球最高：

每U带宽性能达到80GB/s及每U的IOPS达到240万，均达到业界标杆1.6倍；

每U容量密度为19盘位，达到业界标杆1.5倍。

而且OceanStor A310具备超强水平扩展能力，最大支持4096节点扩展。

可以实现对AI全流程海量数据管理（从数据归集、预处理到模型训练、推理应用）；实现数据0拷贝，全流程效率提升60%。

除此之外，OceanStor A310还通过存储内置算力，减少无效数据传输。实现数据编织，也就是通过全局文件系统GFS来支持AI大模型分散在各处的原始数据，实现跨系统、跨地域、跨多云的全局统一数据调度，简化数据归集流程。

基于近存计算，OceanStor A310还能通过内嵌算力实现数据预处理，避免数据在传统的系统当中存储、服务器、GPU之间的无效搬移，降低服务器等待时间，预处理效率提升至少30%。

另外，OceanStor A310能直接使用到当下的HPC中，如果之后企业需要将系统升级到面向大模型时，就不再需要数据搬迁。

再来看FusionCube A3000训/推超融合一体机。

相对而言，它面向的场景是行业大模型训练、推理一体化，主打降低企业使用AI大模型的门槛。

它主要针对百亿级模型的应用，当然也可以水平扩展后支持更大规模模型。

内置的存储节点是华为的OceanStor A300高性能存储节点。它双控支持180万IOPS、50GB/s带宽。

结合训/推节点、交换设备、AI平台软件与管理运维软件一起，FusionCube A3000可以实现一站式交付、开箱即用。2个小时内可完成部署、5秒故障检测、5分钟故障恢复。

在实现边缘部署多场景的训练/推理应用业务的同时，它也能定期对模型进行调优。

通过高性能容器实现多个模型训练推理任务共享GPU，FusionCube A3000将资源利用率从40%提升至70%以上，能够很好支持多应用融合调度和管理、不同大小模型融合调度。

商业模式方面，FusionCube A3000有两种选择。

其一是基于华为自研的OceanStor A300高性能存储节点、网络、昇腾计算与管理运维软件，即华为昇腾一站式方案；另外也支持第三方一站式方案，可以集成第三方的GPU服务器、网络节点以及AI的平台软件。

以上就是华为最新面向AI存储发布的新品。

此外在模型层，他们还联合了讯飞星火、ChatGLM、紫东·太初等大模型伙伴共建生态。

但华为的雄心不止于此，在发布会现场，华为数据存储产品线总裁周跃峰特意和华为天才少年张霁，聊了聊华为存储未来的事。

据张霁介绍，为了应对当下大模型提出的数据归集新挑战，他及所在团队正在研究一种名为“数据方舱”的技术。

这种技术实现了让数据和它的相关凭证、隐私、权限等信息一起流转，当数据达到数据归集地后，进入方舱执行和保护，从而保证数据的安全。

周跃峰博士透露，这一技术目前正在和中信银行、云上贵州等客户做联合的技术创新和实践。

此外，为了应对AI大模型快速接入数据的需求，张霁等也在基于“万物皆可向量”的理念，研究向量存储技术。

他表示目前这种技术还处于早期萌芽阶段，但是发展迅速，华为已做了非常前沿的布局。比如他们联合华为海思硬件团队一起，在近存计算方面做了很多攻关，利用软硬协同的方式加速向量检索。同时华为也在和苏黎世联邦理工大学等顶尖高校合作。

目前，张霁与其团队正在瑞士苏黎世研究所与苏黎世联邦理工大学Onur Mutlu教授等顶尖科学家们开展研究与合作。

Onur Mutlu教授曾带领团队荣获2022年奥林帕斯奖，这一奖项颁给全球在数据存储领域取得突破性贡献的科研工作者。

正如张霁所说，他们的目标是希望在以数据为中心的体系结构变革背景下，利用算法和架构协同的方式，释放数据的真正价值，卸载部分GPU、CPU的算力，节省无效数据搬移产生的能耗，从而最终推动数据新范式的快速发展。

所以，为什么是以数据为中心？华为存储看到了哪些行业趋势？以及在大模型趋势下，华为为何如此重视存储问题？

存储：大模型生态的重要一环

在大模型时代下，有这样一句话广为流传：

数据以及数据质量的高度，决定着人工智能智力的高度。

的确，大模型所谓的“大”，核心体现就在数据方面。

当下企业开发及实施大模型面对的几大挑战也都与数据有关：

数据准备时间长

训练集加载效率低

训练易中断

企业实施门槛高

首先在数据准备阶段，往往需要从跨地域的多个数据源拷贝PB级原始数据。原始数据经常是多种格式、协议，导致这一流程一般十分复杂。

接着，爬取好的数据在训练前需要进行清洗、去重、过滤、加工。

相较于传统单模态小模型，多模态大模型所需的训练数据量是其1000倍以上。一个百TB级大模型数据集，预处理时间将超过10天。

其次在训练阶段，大模型训练参数、训练数据集呈指数级增加，其中包含海量小文件。而当前小文件加载速度不足100MB/s，效率不高。

另外大模型频繁的参数调优、网络不稳定、服务器故障等多种因素，导致训练过程平均约2天就会出现一次中断，需要Checkpoints机制来确保训练退回到某一点，而不是初始点。

但这种恢复往往也需要1天以上时间，直接导致大模型训练周期拉长。而面对单次10TB的数据量和未来小时级的频度要求，减少Checkpoints恢复时间也是一个需要解决的问题。

最后一方面挑战来自大模型应用。

在应用门槛上，系统搭建难、资源调度等对于很多企业来说还是太难了，企业传统的IT系统GPU资源利用率通常不到40%。

更何况目前趋势还要求企业尽可能快速更新大模型知识数据，快速完成推理。

那么该如何解决这些问题？

华为已经给出了一种答案，从存储入手。

华为数据存储产品线总裁周跃峰博士表示，数据中心三大件“计算、存储和网络”，密不可分、可以互补。

华为分布式存储领域副总裁韩振兴更是给出了明确观点：加强存力建设可以加速AI训练。

得出这样的结论，华为表示主要看到了技术、行业等多方面趋势。

首先在技术方面，大模型时代下，冯·诺依曼架构难以满足当下需求。

它要求数据在计算、训练或推理过程中发生非常多搬移动作。在数据量非常庞大的情况下，这样操作不合适。

周跃峰博士表示，比尔·盖茨在很久以前说给一台电脑128k的内存，它能做所有事。

但是当下情况显然不是如此，数据量还在不断增加，存储与计算的增配需求差异随之扩大，这时存储资源和计算资源就需要拆分成独立模块建设，以实现灵活扩展并提高资源利用率，因此计算架构需要发生改变。

这也就是近年比较火热的“存算分离”概念，在存和算之间做出更好的划分，这样才能实现更高效的计算、匹配海量数据下的大架构创新。

大模型时代下数据量空前增加，如果构建充足的存力让数据能快速在各个环节流转，可以充分利用算力、提高训练效率。比如华为在AI存储新品中强调的近存计算，正是这样来互补算力。

再来看行业方面。

海量数据预处理是当下面临的一大挑战。

周跃峰观察到，有人提出用训练的GPU资源去处理这部分任务，“但这样会给GPU提出更高要求，更何况目前还面临供应问题。”

目前国内的存算基础设施建设中，算力中心建设相对完善，但在存力建设方面仍然短缺。这就导致在数据预处理等阶段中，为了等待数据处理，算力闲置的情况，造成资源浪费。

所以当下需要去重视存力，以在行业内形成一个最佳的存算比。

此外，华为还观察到对于一些中小企业、科研院所、大学对训练AI大模型有着很大的需求，他们对存力设施搭建，还提出了更加简易、灵活的要求。

由此也就不难理解，为什么华为在大模型趋势下会锚定存储方向发力，而且率先推出OceanStor A310和FusionCube A3000。

而且对于AI大模型的存力需求，华为看到的时间也更加早。

据透露，两款产品的筹备研发都是在2、3年前就已经启动的，当时千亿级参数大模型才刚刚问世不久。

并且除了推出自家新存储产品外，华为格外强调了生态建设。

正所谓：独行快，众行远。

华为表示，在提供AI存储的过程中，坚持硬件及软件生态的开放。

硬件方面，华为未来会全面支持业界主流CPU/GPU厂商设备，做好性能适配与调优，并提供不同形态硬件的统一管理能力，兼容用户现有硬件生态。

软件方面，广泛与业界优秀软件伙伴合作，提前完成方案适配调优；模型层支持业界主流的通用大模型软件，同时支持面向具体应用场景的垂直行业模型入驻；平台服务层支持主流AI开放平台软件和AI服务链软件，包括昇思MindSpore、PyTorch等；IAAS层开放支持第三方容器软件和开源K8S。

一言以蔽之，当下的最新动作，是华为存储在大模型时代下掀开的第一页。

所以，如今已经站在起跑线上的华为，究竟如何看待大模型时代下的存储？

中国不重视存力，AI会被制约

大模型趋势演进到当下，“百模大战”、算力焦虑先后成为业内的热议话题。

还有一大基石，则是数据，如今也已被逐渐推至台前。

周跃峰博士分享到，对于ChatGPT来说，英文数据训练的效率要比中文高。

原因不在于中文不适合科学语言表达，而是数字化时代下，被记录下来的中文资料远远少于英文资料。

所以周跃峰提出：

如果中国不重视存力，将会对未来我们挖掘人工智能潜力、发展人工智能产业，造成巨大制约。

如果更进一步解释的话，他认为机器和人一样，它需要有脑力，即算力；还要知道方法论，即算法。

回顾人类从猿猴发展到智慧人类的过程中，文字的产生让人类文明飞速发展。

如果对应来看，机器的数据可以堪比人类发展史中的文字。

因为有了文字后，信息得以被记录、交流和传承，人类开始可以自我学习和进化。机器也是一样的，如果世界没有被数据记录下来、让机器去读，它也只是一个冰冷的机器而已。

总之，大模型趋势下，关于数据、计算、存储都正在经历一轮新变革。

高性能计算的“木桶效应”，使得用上了先进的芯片，并不代表具备先进算力，计算、存储、网络三个环节缺一不可。

由此也就不难理解，华为为什么要在进军大模型领域后，率先在存储领域布局。

只有从基础入手，才能走得更稳，走得更远。

责任编辑：落木

以上就是手游巴士为您提供《华为天才少年研究课题！背后存储团队发布两大新品：均面向大模型》的详细内容,更多精彩内容请继续阅读上一篇《索尼官方承认！独占大作《瑞奇与叮当》登陆PC全靠微软神技》