新華三Polaris X20000：智算時代存儲系統的重構與領航

興建于公元前295年，藏書量高達70萬卷，并存有歐幾里得《幾何原本》、荷馬史詩全集等典籍的亞歷山大圖書館，被稱為人類歷史上最偉大的圖書館。

然而，這座人類知識的殿堂，卻對文明的進程沒有產生任何推動價值，就湮滅為歷史的塵埃。因為，知識如果不能被檢索、被流轉、被利用就無法產生智慧。

就像是海量的數據存在于系統之中，但如果不能被及時讀取和運用，算力就會“空轉”，數據就發揮不出應有的價值。如今，大模型參數正突破萬億級別，訓練數據從PB邁向EB級，傳統存儲架構，就如無法發揮價值的古代圖書館，無法滿足AI應用對海量數據的渴求。

在智算崛起的時代，存儲系統正逐漸成為AI走向規模化部署的“瓶頸”，一場關于存儲系統的重構勢在必行。

01

智算時代

存儲系統面臨復雜化挑戰

中國信通院的報告顯示：95%企業將基于私域數據構建專屬模型，需要至少十年的歷史數據。

這意味著，當企業AI需求從通用大模型全面邁向專屬大模型的同時，存儲系統不僅要承載當前的訓練數據，更要能夠面向AI時代的需求變遷，保持長期演進的能力。

首先，模型復雜度正大幅增長，參數規模從千億向萬億級別躍進，相應的算力基礎設施從千卡集群擴展到萬卡規模，對存儲系統的讀寫帶寬提出了更高要求。

比如，TB級Checkpoint（模型檢查點）的下刷與加載，會影響訓練中斷后的恢復速度，也是推理階段加載模型的“高速入口”，這對讀寫帶寬提出TB/s級的要求；再有海量小文件的隨機讀操作，如訓練素材的快速加載、推理階段的KVCache卸載等，都直接影響GPU的利用率，若響應延遲過高，千億參數的算力洪流便會因數據供給不足而斷流。

其次，數據類型變得空前復雜，訓練數據涵蓋文本、圖像、視頻、結構化數據等多種格式，且分散在不同的存儲系統中，有約30%的企業在數據兼容性和統一訪問方面遇到了明顯障礙。

第三，業務連續性要求極致可靠，超過60%的企業用戶反饋，訓練任務常因底層存儲系統不穩定而中斷，而每次中斷意味著大量的計算資源浪費。

不難發現，AI工作負載對存儲系統的需求呈現出多重挑戰，既需要極高的順序讀寫帶寬來處理檢查點文件，又需要卓越的隨機讀寫性能來應對海量訓練素材的訪問。雙重壓力使傳統為單一場景設計的存儲架構不堪重負。

因此，我們需要一種新型存儲系統：它必須具備極致的擴展能力以容納EB級數據，能夠支持混合工作負載，并通過智能架構避免頻繁的數據遷移。而新華三Polaris X20000智算存儲的推出，正是為了迎接AI時代的挑戰。

02

存儲架構重構

打通數據供給“生命線”

當前 AI 算力競賽已進入“萬卡集群”的新階段，存儲架構的痛點已從單純的容量需求，升級為對低延遲、高并行、智能調度的系統性訴求，誰能率先突破傳統存儲的性能與協議桎梏，誰就能掌握 AI 集群高效運轉的核心話語權，并推動存儲技術向全棧創新方向演進。

首先，在萬卡級AI集群中，計算與存儲的比例已經發生本質變化，傳統存儲的單節點性能瓶頸會導致整個系統無法充分發揮GPU集群的算力，這就是為什么單節點性能突破如此關鍵。

Polaris X20000通過全閃存配置實現單節點150GB/s的帶寬突破，在最新的MLPerf Storage v2.0基準測試中，在保持GPU利用率90%以上的條件下，實現了單節點158.92GB/s和集群476.75GB/s的卓越表現。

其次，在傳統NFS協議下，客戶端只能連接到單一存儲節點，跨節點數據訪問需要二次轉發，如同快遞必須經過中轉站，增加了延遲和網絡開銷。

而Polaris X20000通過EPC（Enhanced Parallel Client）高性能并行客戶端，徹底改變了客戶端與存儲節點的交互模式，它允許單個客戶端直接并行訪問多個存儲節點，實現IO級別的負載均衡和高效數據分布，將“單車道小路”升級為“多車道高速公路”。在真實的AI檢查點場景中，這種架構使TB級文件能夠并行寫入多個節點，顯著縮短了保存時間，避免了GPU因等待存儲而空閑。

第三，如今的圖像幀和文本片段等訓練素材通常以千萬級小文件形式存在，推理階段的KVCache（鍵值緩存）更是由數十億個小IO組成。傳統方案中，小IO與大IO混雜處理會導致緩存浪費、網絡擁塞。

智能IO分流技術則可以根據IO大小智能分配數據路徑：小IO直接寫入緩存層后立即返回，顯著提升響應速度；大IO繞過緩存，通過RDMA直接從協議層拉取數據，既縮短了IO路徑，又避免了緩存資源的浪費，真正意義上實現“以存提效”。

最后，傳統數據傳輸需要經過多次內存拷貝和上下文切換，CPU大量時間耗費在數據搬運而非業務處理上。而新華三通過全RDMA互聯和內存零拷貝技術，實現了內核繞行和零拷貝，數據直接從發送端內存傳輸到接收端內存，無需CPU參與，使系統帶寬利用率大幅提升，同時顯著降低了延遲。

可貴的是，Polaris X20000這一系列技術創新形成了完整的系統優化，并且在多個實際部署案例中，成功支撐了從千卡到萬卡規模的AI訓練集群，證明了其在真實生產環境中的成熟度。

03

三點突破

為智算存儲進化帶來啟示

總結而言，AI時代的存儲革命，核心要解決的就是三個根本要求：

第一是，極致性能以充分釋放GPU算力潛力；第二是，架構融合以支持從數據預處理、模型訓練到推理部署的全流程；第三是，智能運維以確保系統穩定并降低運營成本。

Polaris X20000之所以代表智算存儲的最佳實踐，正是因為它在這三個維度上都實現了突破性創新。

比如在性能上，Polaris X20000通過全閃存架構和軟件優化，實現了單節點150GB/s的帶寬突破，同時保持優異的隨機讀寫性能，將GPU訓練等待時間明顯縮短，顯著加速AI研發進程；在架構上，實現了“一套存儲支撐全流程”的目標，遷移時間從數天縮短到零小時，不僅簡化了數據流水線，還確保了數據一致性和完整性；在智能運維上，引入“AI in ALL”理念，通過機器學習算法實現故障預測、智能調優和自動化運維，顯著降低運維復雜度和管理成本。

事實上，隨著大模型持續進化邁向萬億參數，多模態學習成為主流，存儲系統的價值將愈發凸顯。Polaris X20000給我們的啟示在于，只有當存儲系統能夠無縫支撐數據流動、智能處理和價值挖掘時，人工智能才能真正從技術實驗轉變為產業動力。