AI算力爆发，存储底座成为关键瓶颈。不同背景的玩家，无论是新兴AI企业还是传统云厂商，抑或是国内外市场，其存储战略都呈现出显著差异。深入理解这些差异背后的权衡，对构建高效、经济的AI基础设施至关重要。
智能速览
AI Lab与NeoCloud追求极致性能与扩展性，传统云企更注重多租户与灵活性。
海外万卡集群优先功耗比，多用QLC SSD；国内千卡集群成本导向，倾向TLC。
新兴玩家无历史包袱，直接采用全闪方案以提升GPU利用率。
传统厂商有技术栈负担，选择从混闪到全闪的渐进式改造路径。
AI与HPC存储需求共性大于差异，超算与智算融合趋势明显。
精华内容
AI算力竞赛愈演愈烈，存储系统作为支撑其高效运转的底座，其战略选择变得尤为关键。面对新旧玩家的不同路径，如何找到最优解？
需求与市场的分化
AI集群根据场景可分为AI Lab、NeoCloud、传统云企业和专有云四类，其存储需求各异。AI Lab和NeoCloud为支撑大规模模型训练，对存储的吞吐、延迟、扩展性（EB级、万亿文件）及功耗比要求极高。传统云企业和专有云则更关注多租户隔离、多协议支持和部署灵活性。
国内外市场也存在显著差异。海外市场万卡集群已很普遍，且受电力紧缺影响，对功耗比敏感，因此更多采用高密度QLC SSD。相比之下，国内AI集群以千卡为主，成本敏感性更强，多采用TLC SSD，并倾向于通过通用硬件与存储软件结合的分布式架构来平衡性能与成本。
新旧玩家的路径分野
新兴AI玩家与传统大厂在构建存储系统时的思路截然不同。新兴玩家没有历史包袱，可以完全面向智算需求进行从零到一的设计。他们优先考虑性能与功耗，直接采用全闪架构，如WEKA利用QLC SSD构建高密度存储方案，以25U空间实现4PB容量，极大节省机架与能耗，从而提升GPU利用率。
而传统厂商则面临巨大的历史包袱，包括既有存储集群和固化产品线。他们倾向于利旧，采用渐进式改造，例如从SSD与硬盘混合的架构逐步向全闪过渡。这种循序渐进的方式，虽然限制了创新速度，但能更好地兼容现有生态。
AI与HPC的存储之辨
AI与高性能计算（HPC）对存储的核心需求均为高性能、高带宽和低延迟，共性大于差异。二者的根本区别在于数据处理过程。HPC主要用于流体力学等确定性科学计算，数据以结构化为主，更看重存储的准确性和稳定性，因此多采用TLC SSD。
AI则服务于大模型训练与推理，数据类型以文本、图像等多模态为主，对存储的随机读写能力（IOPS）提出了极高要求，常采用TLC与QLC SSD混合部署的策略。随着超算与智算的融合趋势，业界正探索用一套存储系统同时支持NFS、S3等多种协议，以满足两者需求。
AI存储底座的构建并非单一解法，而是一场围绕性能、成本、功耗和历史包袱的综合博弈。无论是新兴玩家的激进创新，还是传统厂商的稳扎稳打，其战略选择都深刻反映了各自的定位与约束。未来，随着技术演进，更高效、更融合的存储方案将持续涌现。
