显卡读硬盘像读显存?NVIDIA新技术开源,显存焦虑有解了
显卡直接读硬盘!NVIDIA新技术把SSD变成了显存
先说个反常识的事实:硬盘当显存这事,NVIDIA已经在路上了
过去二十年,显卡显存(VRAM)的容量增长曲线几乎跟游戏体积的膨胀速度赛跑——显存越来越大,爆显存闪退的问题却从来没消失过。8GB显存带不动新3A、24GB显存跑AI绘图依旧报OOM,行业困在"加钱买显卡"的单一解法里太久了。现在NVIDIA扔出了第三种可能:让SSD直接顶上,成为显存的后备仓库。这不是天方夜谭,而是一套正在开源、落地、组联盟的技术组合拳。1
显存不够用这事,到底卡在哪了
要理解NVIDIA这次的动作,先得搞清楚显存瓶颈的根源在哪。传统架构里,数据从SSD到GPU得走一段漫长的路:先从存储读进系统内存(RAM)的临时缓冲区,再由CPU指挥复制到显存,最后GPU才能动手算。这条路有两个致命的绕路——CPU成了中间商,内存带宽成了瓶颈,数据在主内存里中转一次不仅增加延迟,还消耗本可以留给游戏逻辑或AI计算的CPU算力。2
AI推理场景里这个问题更突出。大模型工作时会持续产生KV Cache(上下文缓存),体量可能比模型参数本身还大,而一块H100也就80GB显存。当显存装不下这堆临时数据,GPU就只能干等着数据就位——这就是所谓的"GPU饥饿"。一个分布式GPU阵列里,只要有一块GPU在等数据,其他GPU也只能跟着空转,算力大量浪费。3
cuFile开源:松开那道锁
2026年8月在美国拉斯维加斯的黑帽网络安全大会上,NVIDIA正式宣布将cuFile API及其底层存储软件栈全面开源。cuFile不是什么新东西,它早在2021年7月就随CUDA Toolkit 11.4发布了,是GPUDirect Storage技术的核心接口组件。这次开源的意义在于:开发者和存储厂商可以直接基于这套接口做深度定制优化,不用再等NVIDIA封闭更新。4
cuFile的核心能力是让存储设备的数据直接送进GPU内存,全程绕过CPU和系统主内存,借助DMA(直接内存访问)技术实现毫秒级数据抵达GPU。打个比方:以前仓库出货要经过管理员转交,现在货物能从传送带直接送到车间工位上。开源之后,铠侠、美光、DDN这些存储厂商都能针对自家硬件优化这条路劲,AI训练和推理里的数据读写效率会迎来一波提速。5
SCADA登场:把CPU踢出存储控制链
cuFile开源只是第一步。紧接着在FMS 2026未来存储与内存大会上,NVIDIA甩出了另一记重拳——正式发布SCADA存储架构(Scaled Accelerated Data Access)。如果说cuFile解决的是数据通路问题,SCADA解决的就是控制链路问题:允许GPU直接发起存储I/O请求,自己管理NVMe硬盘的队列深度,把原本属于CPU的活全部揽过来。6
官方给出的实测数据很直接:处理数据分析任务时,SCADA的速度是CPU触发模式的5.3倍,硬件成本最高能降低21.7倍。NVIDIA拉来美光做的演示更是夸张——3颗H100显卡驱动44块PCIe Gen6 SSD,实现2.3亿次随机读IOPS,单台服务器存储吞吐达到118GB/s,而负责调度的CPU几乎全程空闲。6
SSD当显存:不是替代,是兜底
绕了一大圈,回到最核心的问题:SSD到底能不能当显存用?答案在NVIDIA的技术路线图里已经清晰了——能做兜底防护,但替代不了物理显存。因为SSD和原生GDDR显存的带宽差距是数量级的,SSD只能做运行保险,解决"爆显存闪退"的高频痛点,没法让8GB显卡跑出16GB显存的性能。高频调用的贴图、模型数据如果大量走SSD读取,游戏会出现明显拖慢,本地跑AI模型的生成耗时也会增加。1
这套功能想要生效,不是插上任意SSD就能搞定。需要高速NVMe协议固态硬盘(SATA固态带宽跟不上,完全发挥不出效果),还需要显卡驱动、游戏和AI软件三方适配。软件生态适配进度会直接影响普通用户什么时候能用上这套能力——不是更新一次显卡驱动就全部搞定的事。1
CMX:为AI推理新增一层内存
在游戏玩家感知到SSD当显存之前,AI推理场景会更快享受到这波红利。NVIDIA今年3月GTC大会正式定名的CMX(Context Memory eXtension),核心思路是在GPU显存(G1-G3层)和传统存储(G4层)之间插入一个G3.5层——用超高速企业级SSD通过以太网RDMA连接,充当GPU的"上下文缓存池"。7
通俗理解:GPU显存是"工作台",传统SSD是"隔壁仓库",CMX相当于在工作台旁边加了个"置物架"——不如工作台快,但比跑仓库快太多了。AI推理时,旧的上下文放置物架(SSD),新内容在工作台(显存),按需搬运,不用每次从头算。NVIDIA宣称CMX能带来最高5倍的能效提升和5倍的Token吞吐量提升。8
SSD正式从"存东西的仓库"升级为AI推理管线的一环。铠侠在2026年7月30日发布的CM10系列企业级SSD,首款PCIe 6.0产品,搭载332层BiCS FLASH,容量最高61.44TB,支持NVIDIA CMX架构。顺序读取性能比上一代提升约92%,随机读取提升约85%——这两个数字直接关系到AI推理的延迟和吞吐量。SSD越快,GPU等数据的时间越短,AI回复速度就越快。8
- 显存层面:高带宽内存(HBM),速度极快但容量有限、成本极高,属于"工作台"
- CMX/G3.5层:企业级SSD通过以太网连接,速度比HBM慢但容量大得多,属于"置物架"
- 传统存储/G4层:普通NVMe SSD或更慢的存储介质,属于"隔壁仓库"
联盟与标准:一个人的游戏变成一群人的事
技术再好,落地需要生态。NVIDIA同步推出的Storage-Next产业联盟已经汇聚超过40家闪存与存储厂商,包括DDN、铠侠、美光等头部玩家,还有存储控制器企业、散热厂商和标准化组织参与。各方将共同制定一套新标准:当GPU取代CPU成为存储访问主体时,固态硬盘应当如何适配运行。9
针对AI推理中KV缓存频繁产生的小数据读写痛点,联盟重点优化512字节扇区的读写表现——因为传统硬盘的4KB扇区在处理这类微小请求时会造成8倍读取放大。硬件层面,NVIDIA打造了基于Vera BlueField-4存储处理器的STX架构系统,计划2026年下半年推出商用整机。英特尔也已加入开源组织并参与代码维护,标志着这套方案从NVIDIA私有技术升级为全行业通用开源标准。9
速度与容量之间,永远有代价
SSD当显存这事,有一个隐蔽的代价必须说清楚:用存储换内存,SSD本身的读写变成了新的时间成本。本地模型把权重装进显存后,生成后续Token可以反复复用这些权重。而走SSD扩容显存的话,每生成一个Token,系统都要反复经历:从SSD读取权重→送入系统内存→通过PCIe传给GPU→必要时解压→完成计算→释放→继续读取下一部分。模型有几十层,每层可能有多个被激活的专家,这个过程会循环很多遍。10
所以SSD当显存不是让AI跑得更快,而是让原来跑不动的模型能跑起来。适合做测试调试、小批量推理,不适合长时间高强度批量运算。想要高效率还得靠物理大显存,SSD只是让现有硬件多撑一阵子的过渡方案。1
普通用户现在能做什么
说了这么多技术细节,普通用户最关心的无非是两件事:玩游戏遇到爆显存能不能救?本地跑AI模型会不会变快?先给预期泼点冷水——到目前为止,NVIDIA官方还没有出面证实"SSD当显存"技术的存在,全部内容仍属于业内传闻,实际表现、上线时间、支持型号都没有确切说法,不用急着为了传闻中的功能盲目高价抢购高速NVMe固态硬盘。1
对游戏玩家来说,这套技术的定位是运行保险,不是升级替代。遇到极端场景显存溢出,不会直接报错闪退,但高负载下帧率不会提升,重度吃显存的场景依旧可能卡顿。玩游戏依旧优先看显卡原生显存规格。对AI用户增益更明显——本地跑AI绘图、大模型推理时,部分模型完整参数放不下显存,依靠SSD溢出调度能跑通,但速度会变慢。1
- 已有高速NVMe SSD的用户:如果已经在用PCIe 4.0/5.0 NVMe固态,后续驱动和软件适配时直接受益,无需额外采购
- 正在犹豫是否升级SSD的用户:可以等官方消息确认后再做决定,高价抢购的意义不大
- 本地AI重度用户:关注NVIDIA驱动更新日志和AI框架更新,CMX生态完善后会是最先受益的群体
SSD的剧本已经变了
回看这波技术发布的全貌,有一条主线越来越清晰:存储正在从被动仓库变成主动计算资源。cuFile开源、SCADA发布、CMX落地、Storage-Next组联盟,NVIDIA在做的事本质上是重新划定内存层级——在"快而小"的显存和"慢而大"的仓库之间,插一层"够快且够大"的SSD作为灵活调配层。这个趋势已经不只是NVIDIA一家的事了——铠侠、美光、英特尔等厂商都在跟进,生态正在快速成形。5
对用户来说,这套技术组合的实用价值在于:它解决的是"能不能跑",而不是"跑得快不快"。想高画质流畅肝新游戏,原生大显存显卡依旧是版本答案。想要本地跑大模型又受限于显存容量,这波技术演进值得持续关注——但前提是对速度下降有心理预期,它本质上是用时间换容量空间的tradeoff。1
NVIDIA把存储边界打破这件事,本质上是在用软件技术弥补硬件规格的短板。接下来真正考验的,是软件生态的跟进速度——驱动层面、游戏适配层、AI框架层,任何一个环节拖后腿都会影响最终体验。2026年下半年STX架构商用整机一旦推出,这套体系的真实表现就会揭晓。显卡直接读硬盘的时代,正在从图纸走进现实。9
当前文章无评论,是时候发表评论了