AI存储需要什么架构：统一存储贯通数据准备、训练与归档

人工智能改变了企业数据的使用方式。同一份影像既服务业务系统，也可能进入模型训练；同一批文档既服务办公，又可能进入知识库、检索增强生成和智能体应用；生产数据还会被分析平台和AI应用反复调用。数据开始跨应用、跨系统和跨存储流动，存储基础设施的建设逻辑，正从围绕单个应用配置资源，转向围绕数据的全生命周期组织服务。

一个AI项目的数据旅程通常横跨多个环节：数据准备阶段的采集、清洗、标注依赖高吞吐写入与对象化组织；训练阶段需要海量小文件并发读取与大文件检查点写入；推理阶段高频读取模型与特征数据；归档阶段要求低成本长期保存。如果每个环节分别建设一套存储，找数、导出、复制和校验将反复发生，数据孤岛之外还会产生新的训练副本和知识副本。深信服aStor统一存储作为面向企业生产业务、AI创新业务和海量数据长期保存的软件定义存储平台，以一套架构贯通AI数据全链路，让数据在哪个环节都以原生方式被访问。

统一承载各类业务：块、文件、对象、向量一套架构供给

aStor统一存储采用全对称分布式架构，在统一底座上提供块、文件、对象和向量四类数据服务：数据库和虚拟化通过iSCSI/NVMe-oF访问块数据，训练框架和设计软件通过NFS/SMB访问文件，数据湖与云原生应用通过S3访问对象，知识库与智能体应用通过S3 Vector兼容API管理和检索向量。协议、缓存、元数据和数据通路按负载特征优化，同时共享横向扩展、可靠性、安全和运维体系。

对AI业务而言，这意味着数据准备、训练与消费不再受协议割裂之苦。同一份数据保存在文件系统空间中，文件应用按目录和文件访问，对象应用按桶和对象访问，无需复制即可被两种协议读取；标注工具通过NFS写入的训练数据，训练框架和下游分析平台可分别以原生协议直接取用。文件服务基于自研分布式文件系统PhxDFS，支持POSIX标准接口，并具备pNFS并行访问、多活元数据服务等并行文件系统核心能力，为高并发训练负载提供文件侧的高性能支撑。

统一承载并不等于把所有业务放进同一种硬件。全闪形态主要承载低时延、高吞吐和高并发的训练推理与数据密集型业务，混闪形态主要承载海量数据及成本敏感业务；两种形态共享软件架构、管理体系和数据流动能力，按负载特征各自就位。

统一治理全域数据：让分散的数据被发现和复用

AI项目最大的隐性成本不是存储容量，而是数据无法被找到和复用。数据分散在多套NAS、对象存储和云存储中，使用者不知道数据位于哪里、是否最新、能否使用，项目时间大量消耗在找数、申请和搬迁上。aStor统一存储的治理体系围绕这一问题构建。

统一视图与数据流动：统一视图把多个异构文件系统或对象桶映射为稳定的逻辑入口，先建立跨存储元数据视图支持统一检索；数据正文按任务加载或预热到合适的性能层，存量数据可以继续保留在原有存储中，不需要先完成全量迁移。热数据按需进入全闪层，低频数据下刷到低成本层并保留逻辑路径，治理始终围绕数据如何被发现、使用、更新和追溯展开。

数据分支管理：训练数据、标注数据、评测数据和知识库文档持续更新，没有版本管理时，训练结果无法复现，多团队同时加工同一数据集只能靠复制目录区分。数据分支管理（适用对象为普通对象桶与目录桶，NAS桶、向量桶暂不支持）把持续变化的数据组织成可审核的发布流程：候选分支建立独立的修改空间，版本提交封存一次确定的数据状态，审阅合并将验证通过的修改发布到正式主线，发现问题可精确回退。训练与评测任务记录提交编号，即可准确还原当时输入。

向量数据同源治理：企业建设RAG与智能体应用时，原文、向量与检索元数据通常分散在不同系统，原文更新后旧向量仍可召回。aStor的向量桶与对象桶共享统一底座，原文和向量在同一套存储体系内建立可追踪的关联，权限治理覆盖向量资源与原文回源两层鉴权，让知识库的更新、检索与追溯建立在同源数据之上。

统一储存任意规模数据：从小规模起步随增长演进

AI数据规模的不确定性极高，按远期规模一次性建设意味着长期背负闲置成本，按当前规模保守建设又可能快速触及瓶颈。aStor统一存储支持从较小容量起步，随数据增长增加全闪性能资源或混闪容量资源：横向扩展同时覆盖访问入口、协议与服务算力、元数据处理和数据容量四个维度，新增节点后按容量、水位和负载策略调整数据分布。

在演进路径上，用户可以先建设混闪或保留第三方存储，在训练业务上量后增加全闪性能层；也可以从全闪起步，在温冷数据增长后扩展混闪或异构容量层。业务通过统一访问入口和元数据状态定位数据，演进过程减少大规模全量迁移和访问路径反复调整，使面向中高端、中大型用户集群与智算中心存储的建设投入始终与业务阶段匹配。

深信服aStor统一存储在部分行业用户实践

覆盖的这些方向里，规模较大的一类是智算中心项目。显示行业头部企业技术中心以3台统一存储、60块3.84T SSD全闪空间承载超过100TB的图形大模型训练数据，访问权限与容量配额集中管理；另一家运营商的地市级智算中心按256台GPU服务器、每台8张H100规划算力，可用容量首期2PB、近期3PB、远期10—15PB，文件形态从4KB到10GB，配置8台aStor全闪存储，以200G IB连接GPU服务器，通过NFS over RDMA与CSI接口同时适配虚拟机与容器平台，并在72小时内完成定制内核用户端适配、软件包与用例验证，形成面向256台服务器的批量部署工具。

AI与生产质检结合的场景中，某头部工业视觉质检企业以3台统一存储、PB级容量授权同时划分全闪块存储池与混闪文件／对象池，匹配单台8张H20服务器的AI后端数据访问，并同时承载办公共享与备份，以快照机制保护数据。

这些项目里，有部分用户基于自身要求不作具名披露，因此只呈现行业与规模。对中大型AI集群与智算中心的存储规划而言，这类规模项目的适配过程比单点参数更有参考价值。同时也要看到，覆盖广度不等于验证样本数，具体能力的判断须回到有实测记录的项目。

AI全链路数据底座的实践

维亚生物科技（上海）有限公司围绕AIDD平台开展模型训练、分子模拟和虚拟筛选，持续产生模型权重、模拟轨迹、蛋白质结构和分子描述符等研发数据。随着算力扩展至10余台满卡B200服务器，其采用深信服aStor统一存储构建软件定义数据底座：100+TB全闪资源承载训练、模拟和筛选等高性能业务，400TB混闪资源承载历史项目和归档数据，结合400G IB及RDMA、GDS能力提供GPU高速数据通路，并通过数据流动实现冷热数据自动放置，性能与容量资源分别按需扩展，支撑AIDD业务持续迭代。

在科研训练场景，清华大学智能产业研究院的科研项目训练数据超过200TB，原自建存储存在I/O瓶颈，训练读取影响算力利用。其部署3台aStor-3650提供480TB存储空间，每台配置2块1.6TB U.2 NVMe作为高性能层，通过小文件聚合、元数据优化和预加载改善训练供数，结合分布式扩展及数据保护支撑科研任务持续增长。

在自动驾驶方向，天瞳威视电子科技股份有限公司的采集、标注与训练数据持续增长。该用户部署3台aStor-1250全闪与6台aStor-3650混闪、总容量2PB，Windows标注环节走CIFS、Linux训练环节走NFS，通过协议互通把采集、标注与训练之间的拷贝环节压缩掉，全闪与混闪分层兼顾训练访问与长期保存。魔视智能科技（上海）股份有限公司则以混闪架构承载自动驾驶海量数据，历经8个月三期扩容将总容量拓展至3.8PB，容量利用率稳定维持90%，海量数据迁入期间业务持续平稳运行。

在AI影像方向，影石创新科技股份有限公司的业务涵盖全景拼接、AI剪辑与成片训练。早期数据分散在服务器本地SSD，随后集中至5台aStor混闪存储并接入Kubeflow平台，数据增长至600TB；引入H100后高并发小IO读取成为瓶颈，用户新增1套aStor 530全闪性能层与原有5台混闪容量层协同，整体裸容量超过2PB，以统一路径挂载训练容器，数据进入全闪1天后异步下沉，超过4天未访问则从热层淘汰，再次读取时按需加载。

AI时代的企业存储，需要回答的不再是为某个应用配多大容量，而是数据从产生到进入模型、从训练到推理归档的完整旅程如何高效运转。深信服aStor统一存储以块、文件、对象、向量四类服务的统一承载、全域数据的统一治理和任意规模的弹性演进，成为贯通AI数据全链路的数据底座。