北京2023年8月8日 /美通社/ -- 冬瓜哥上次學習AI和ML，還是在2019年初。當時其實是卷積神經(jīng)網(wǎng)絡和深度神經(jīng)網(wǎng)絡蓬勃發(fā)展期，其主要目的是分類識別。當時冬瓜哥還做了一個4小時的視頻，那真是我見過的最小白的白也能輕松入門，理清楚最基本的名詞概念關系的視頻了，沒有之一。那時候利用AI生成一些藝術作品已經(jīng)初見雛形，但是非常不成熟，基本上都是僅供娛樂。我記得曾經(jīng)至少有兩部科幻電影描述過（比如《機械公敵》，《Finch》），也許做夢對于一個機器人來講，是一種超級進化的開端。
生成式AI，AI2.0
時過境遷。短短幾年內(nèi)，新的不同于傳統(tǒng)分類器的模型Transformer，讓AI再一次革新。以往的RNN在自然語言處理訓練方面的并行度不是很好，需要太多通信，處理長句子時效率比較低。而Transformer模型從新的維度上解決了這個問題，高并行度讓GPU訓練效率大幅提升。這個過程，感覺像極了當年分布式系統(tǒng)興起的時候，大家也是拿著幾篇經(jīng)典論文翻來覆去的研讀，然后開始用開源軟件，最后逐漸發(fā)展出自己的技術。
當AI突破了人類語言這道關卡，后續(xù)就有點一馬平川的感覺了。因為人類知識目前主要儲存在各種語言文本當中。再結(jié)合對圖片、聲音等各種信息的數(shù)字化映射和分析，讓AI能夠運行于多模態(tài)模式下，能夠更好的理解字里行間的信息，更精細化的生成對應的內(nèi)容，走進了現(xiàn)實。
多模態(tài)生成式AI（AI Generated Content，AIGC）是指通過生成和分析多種模態(tài)的數(shù)據(jù)，如文本、圖像、音頻、視頻等，以實現(xiàn)更加豐富和精準的智能應用。與傳統(tǒng)機器學習方法相比，多模態(tài)生成式AI能夠充分利用多種數(shù)據(jù)之間的關聯(lián)性，提高模型的泛化能力和魯棒性。生產(chǎn)式AI是人工智能從1.0時代進入2.0時代的重要標志，其具備強大的認知智能，在搜索引擎、藝術創(chuàng)作、影音游戲、文本生成、語音生成、圖片生成、視頻生成、代碼生成、虛擬人生成以及金融、教育、醫(yī)療、工業(yè)等領域有著廣闊的應用前景。
Gartner預測，到2023年將有20%的內(nèi)容被AIGC所創(chuàng)建；到2025 年人工智能生成數(shù)據(jù)占比將達到10%。據(jù)分析師預測，到2032年，生成式人工智能市場規(guī)模將達到2,000億美元，占據(jù)人工智能支出總額的約20%，顯著高出當前的5%。換言之，未來十年市場規(guī)?？赡苊績赡昃蜁环?/p>
生成式AI的背后是基于行業(yè)上下游對數(shù)據(jù)進行采集、標注、訓練、推理、歸檔，其特征是數(shù)據(jù)量大、多元數(shù)據(jù)類型復雜、服務協(xié)議多樣、性能要求苛刻、要求服務持續(xù)在線。由于多模態(tài)數(shù)據(jù)具有復雜性和多樣性，因此多模態(tài)生成式AI需要具備以下特點：
革新帶來的新挑戰(zhàn)，現(xiàn)有存儲系統(tǒng)還能不能打？
多模態(tài)生成式AI系統(tǒng)本身是一個大規(guī)模集群，無論是集中式存儲還是本地直連存儲，都早已無法滿足該系統(tǒng)對存儲性能和容量的基本需求。另外，以機械硬盤構(gòu)建的任何存儲系統(tǒng)，也根本無法承擔生成式AI對存儲系統(tǒng)帶寬和時延的要求?？偟膩碇v，生成式AI在存儲方面所面臨的挑戰(zhàn)如下：
大型數(shù)據(jù)集：隨著數(shù)據(jù)和模型規(guī)模的增長，獨立存儲無法滿足應用需求。因此，解決這些問題的分布式存儲解決方案勢在必行。
歷史數(shù)據(jù)的完整歸檔：在某些場景下，AI集群每天都會產(chǎn)生大量新的數(shù)據(jù)集，必須將其歸檔為歷史數(shù)據(jù)。這在自動駕駛領域尤為重要，道路測試車輛收集的數(shù)據(jù)（例如雷達和攝像頭數(shù)據(jù)）對于公司來說是非常有價值的資產(chǎn)。在這些情況下，獨立存儲被證明是不夠的，因此分布式存儲成為必要的考慮因素。
小文件和非結(jié)構(gòu)化數(shù)據(jù)過多：傳統(tǒng)分布式文件系統(tǒng)難以管理大量小文件，導致元數(shù)據(jù)存儲負擔過重。這對于視覺模型來說尤其成問題。為了解決這個問題，需要一個針對小文件存儲進行優(yōu)化的分布式存儲系統(tǒng)。這樣既保證了上層訓練任務的高效進行，又保證了海量小文件的輕松管理。
云訓練數(shù)據(jù)I/O效率低：云模型訓練往往采用對象存儲作為存儲計算分離架構(gòu)的底層存儲。然而，對象存儲較差的讀寫性能可能會導致訓練過程中出現(xiàn)嚴重的瓶頸。
異構(gòu)數(shù)據(jù)的融合：生成式AI訓練模型的數(shù)據(jù)呈現(xiàn)來源多、格式多的多源異構(gòu)現(xiàn)狀，傳統(tǒng)存儲面向單一數(shù)據(jù)類型設計，需要以搬移數(shù)據(jù)的方式實現(xiàn)多協(xié)議訪問，存儲成為應用平臺的關鍵瓶頸。
持續(xù)的低延遲與高帶寬：模型訓練過程中，頻繁的從數(shù)據(jù)集取Token，每個Token一般4字節(jié)，實時高并發(fā)小IO性能需要極低的延遲；存儲模型Checkpoint時，為Checkpoint數(shù)據(jù)可快速寫入，需要高帶寬。
EB級大容量存儲需求：越多的數(shù)據(jù)投喂結(jié)果越精準的工作原理，決定了大模型訓練存在深度學習網(wǎng)絡層數(shù)多、連接多、參數(shù)和數(shù)據(jù)集種類復雜、數(shù)據(jù)量大的特征，隨著模型參數(shù)和數(shù)據(jù)量的快速增長，對于存儲的大容量和擴展需求也迫在眉睫。
數(shù)據(jù)存儲產(chǎn)業(yè)需要進行全方位的技術升級，通過在多源異構(gòu)融合、數(shù)據(jù)高速傳輸、海量數(shù)據(jù)管理等方面持續(xù)創(chuàng)新，打造專業(yè)的生成式AI存儲產(chǎn)品與解決方案。
塊，文件，對象，哪種存儲方式最好？
塊存儲
傳統(tǒng)觀點認為，低延遲高帶寬場景，使用塊存儲是最佳方案。然而，塊存儲在可擴展性方面卻不能令人滿意。AI集群必須在數(shù)據(jù)量、數(shù)據(jù)類型、決策速度，當然還有預算方面進行平衡。AI訓練環(huán)境對實時運行的基于網(wǎng)絡的推薦引擎提出了不同的要求。塊存儲傳統(tǒng)上非常適合高吞吐量和高I/O工作負載，其中低延遲非常重要，然而，隨著現(xiàn)代數(shù)據(jù)分析工作負載（包括人工智能、機器學習甚至數(shù)據(jù)湖）的出現(xiàn)，人們發(fā)現(xiàn)傳統(tǒng)的基于塊的平臺缺乏滿足這些平臺計算方面所產(chǎn)生的橫向擴展需求的能力。因此，必須采用基于文件和對象的方法來支持這些現(xiàn)代工作負載。
文件和對象
因此，系統(tǒng)架構(gòu)師更傾向于基于文件或?qū)ο蟮?nbsp;AI 和 ML 存儲。對象存儲在構(gòu)建時考慮到了 PB 級大容量，并且是按規(guī)模構(gòu)建的，還支持物聯(lián)網(wǎng) (IoT) 等應用。對象存儲在性能方面落后于塊存儲系統(tǒng)，盡管隨著更新的高性能對象技術的出現(xiàn)，差距正在縮小。另外一個需要考慮的因素是，AI應用程序支持的存儲訪問接口各不相同，并非所有人工智能、機器學習或分析工具都支持 AWS 的 S3 接口（對象的事實標準）。
云儲存
云存儲主要是基于對象的，但為人工智能和機器學習項目提供了其他優(yōu)勢。其中最主要的是靈活性和較低的前期成本。云存儲的主要缺點是延遲和潛在的數(shù)據(jù)傳輸成本。云存儲對于基于云的人工智能和機器學習系統(tǒng)來說是一個不錯的選擇，對于長期數(shù)據(jù)歸檔來說還是劃算的。
綜上，傳統(tǒng)觀點認為，沒有單一選項可以滿足人工智能、機器學習和分析的所有存儲需求。然而這個觀點在浪潮信息AS13000這個老牌分布式存儲系統(tǒng)面前就顯得有點過于武斷了。
浪潮信息生成式AI存儲解決方案
浪潮信息生成式AI存儲解決方案用一套AS13000融合存儲支撐生成式AI的全階段應用，提供全閃、混閃、帶庫、光盤四種介質(zhì)，支持文件、對象、大數(shù)據(jù)、視頻、塊協(xié)議，可滿足大容量、多協(xié)議共享，百萬以上IOPS，100GB以上帶寬，冷數(shù)據(jù)的長期保存和歸檔。結(jié)合AIGC數(shù)據(jù)處理的五個階段：數(shù)據(jù)采集、數(shù)據(jù)準備、數(shù)據(jù)訓練、數(shù)據(jù)推理和數(shù)據(jù)歸檔，由同一套存儲提供端到端的數(shù)據(jù)流支持流程，滿足面向文本、音頻、圖像、視頻、代碼以及多模態(tài)和全模態(tài)的模型需求。
浪潮信息生成式AI存儲解決方案擁有極致融合、極致性能、極致節(jié)能，和熱溫冷冰四級全生命周期存儲管理四大特點，助力AIGC突破海量數(shù)據(jù)存力瓶頸，加速釋放數(shù)據(jù)的AI價值：
極致融合。為了應對不同模態(tài)的多樣性需求，浪潮信息提出協(xié)議融合設計理念，一個集群內(nèi)支持多個存儲池，一個存儲池內(nèi)支持文本、圖片、音頻、視頻等多種類型數(shù)據(jù)存儲，一份數(shù)據(jù)又可以被前端不同業(yè)務場景以文件、對象、大數(shù)據(jù)以及視頻的存儲方式進行并行訪問。用一套存儲實現(xiàn)多模態(tài)場景應用，應用間數(shù)據(jù)實現(xiàn)實時共享，同時節(jié)省了大量的存儲空間。
極致性能。AIGC場景數(shù)據(jù)類型多樣化，文件大小不一數(shù)量多，且讀寫頻繁，對存儲系統(tǒng)的100GB級帶寬、100萬級IOPS需求成了常態(tài)。浪潮信息在軟件方面，通過數(shù)控分離架構(gòu)減少東西向數(shù)據(jù)量的轉(zhuǎn)發(fā)，通過GDS、RMDA技術縮短I/O路徑，通過SPDK、緩存零拷貝技術減少I/O路徑上的數(shù)據(jù)拷貝，以及基于自研NVMe SSD開發(fā)的盤控協(xié)同技術，減少I/O訪問SSD盤的次數(shù)，使存儲性能得到進一步釋放。在硬件方面，優(yōu)化IO路徑通道，均衡IO路徑，最大化發(fā)揮硬件性能，全閃單節(jié)點帶寬超過50GB/s，IOPS超過50萬；創(chuàng)新性的引入雙控全閃節(jié)點，帶寬超過100GB/s，IOPS超過100萬，真正使系統(tǒng)達到了TB級帶寬、千萬級IOPS、EB級帶寬。
極致節(jié)能。浪潮信息最新發(fā)布的G7硬件平臺，存儲專用的液冷服務器涵蓋性能型和容量型，且均采用模塊化冷板組件設計模式。在系統(tǒng)方案層面，浪潮信息具有風液式，液液式等完善的端到端解決方案，能夠為用戶全方位打造液冷數(shù)據(jù)中心交鑰匙工程，并且完成了業(yè)界首次液冷整機柜批量交付，實現(xiàn)PUE<1.1。
端到端的全生命周期管理。浪潮生成式AI存儲方案采用閃存、磁盤、磁帶、光盤四種介質(zhì)提供熱溫冷冰四種存儲資源，且實現(xiàn)了資源的互通和數(shù)據(jù)全生命周期的管理?；跀?shù)據(jù)的熱度識別，自動釋放在線存儲空間，可以將海量數(shù)據(jù)自動歸檔到光盤庫，降低長期存儲成本；實現(xiàn)冷數(shù)據(jù)的分鐘級快速回調(diào)，滿足0~4級應用的存儲需求。四種介質(zhì)、四類存儲節(jié)點，提供熱溫冷冰自動流轉(zhuǎn)，滿足各類應用的靈活配置需求，通過性能型、均衡型、容量型、高密容量型四種機型的按需靈活配置，進一步降低整體投入。
浪潮信息自研的源大模型
目前，浪潮信息生成式AI存儲解決方案已經(jīng)在全球領先的中文語言大模型"源1.0"中成功落地。"源"中文語言大模型有近2500億個模型參數(shù)，算力消耗達4000+PetaFlop/s-day，底層采用AS13000并行存儲支撐，原始數(shù)據(jù)、經(jīng)過粗篩和精篩的處理后得到高質(zhì)量中文數(shù)據(jù)都集中在AS13000上。
模型訓練過程中對存儲的挑戰(zhàn)主要有對小文件并發(fā)的性能，和訓練過程中要求快速保存Checkpoint存檔文件的高速寬寫入要求。AS13000采用最新硬件平臺，搭載全閃SSD和高速IB網(wǎng)絡，支撐源的訓練過程高效完成。
據(jù)測算，GPT-3使用10000塊GPU、花了30天訓練完成1750億參數(shù)，"源1.0"在2128個GPU集群上跑了16天完成了訓練，源1.0的算力效率達到44.8%，遠超MT-NLG與GPT-3等國際知名模型，其中存儲的極致性能功不可沒。
某AI獨角獸公司
該公司計劃發(fā)布5000億參數(shù)量的NLP語言類大模型，為了極致的提升計算效率，采用了計算網(wǎng)絡和存儲網(wǎng)絡分離的設計，計算網(wǎng)絡采用高速IB、存儲網(wǎng)絡選擇了RoCE，并對于存儲提出了明確要求：不小于3.5PB的高速存儲，性能要求帶寬300GB，IOPS 350萬以上?？蛻魪膶I(yè)性、開發(fā)成本、周期及運維等方面進行全面評估后，選擇浪潮信息AS13000分布式全閃存儲集群，支持高性能RocE組網(wǎng)和GPU直通存儲功能，為算力集群提供高性能低延時的數(shù)據(jù)讀取保障。同時隨著業(yè)務的上線，進行了兩次在線存儲擴容，具有非常好的靈活性和容量性能線性擴展能力。
隨著AIGC時代的到來，浪潮信息作為最早布局AIGC大模型的企業(yè)之一，持續(xù)圍繞"新存儲之道"的理念，持續(xù)打造平臺型存儲產(chǎn)品，應對智能時代、AIGC時代的存儲挑戰(zhàn)。
本文作者 | 大話存儲 冬瓜哥
