大多数存储厂商都不愿提及AI算力服务器本地部署的SSD，它也属于存力范畴吗？很少有厂商探路这个话题。
从本地部署到资源池池化
前不久，华瑞指数云发布了面向AI业务应用的统一AI数据平台WADP（WiDE AI Data Platform），期间，华瑞指数云CTO曹羽中从侧面给出了问题的答案。
这个图看上去复杂，其关键在于WADP，它是一个纯软件，可以直接部署在AI算力节点，利用AI服务器本身的计算能力，提供统一的存储资源池的服务；当然，它也有另外一个选择，在外部独立部署，构建外部的存储资源池。
如果没有WADP，就需要借助Linux操作系统的ext4、XFS、Btrfs，或高性能场景下的ZFS（支持压缩、快照）来管理本地部署的SSD或者磁盘，将其抽象为文件和目录结构，供上层应用访问。
二者的差别有点类似业余和专业的区别，就像直连存储和外部数据存储的差别，SAN也好，NAS也好，之所以要构建外部存储资源池，很重要的原因是为了实现数据的集中共享，在存储效率、可靠性、安全性保证水平上，二者存在明显的差别。
曹羽中表示：WADP的目标是打破传统架构壁垒，使得用户无需使用不同的存储设备，分别应对不同的应用场景；无需在不同存储设备之间，拷贝和移动数据。WADP基于丰富接口，共享同一份数据，无缝互通满足关键业务应用、以及AI数据应用场景的需求。将企业核心数据与AI 能力进行融合。
“在WADP的加持下，AI计算节点没有必要部署本地SSD。”曹羽中说。
企业数据不能割裂
不同于互联网上的数据，企业拥有自己专属数据，这些数据是企业的核心资产，也是数字经济的基础核心。
无论是SAN存储，还是NAS存储，无论是块数据、文件数据，以及后来发展起来的对象数据，共同构成了企业的核心数据资产。但AI的浪潮袭来，将企业数据与AI 能力无缝融合，就成为迫在眉睫的事情。
AI能力的实质是向量化数据的拟合，借助Transformer 架构捕捉序列的多头注意力（Multi-Head Attention）之间的复杂依赖关系，从而捕捉输入序列的语义关联（如长距离依赖、局部特征、语法/语义关系等），揭示单纯依靠人力难以发现的客观规律。 因此，企业核心数据的向量化处理是连接AI算法模型的桥梁，或者采用微调，或者采用RAG，或者训练专属小模型，这是目前企业结合AI模型较为常见的方式。
在这里，华瑞指数云的WADP让我们思考：如何用一个统一的存储架构，同时满足传统业务和AI应用的需求，避免数据的频繁移动和拷贝。要知道，企业业务应用随时随地都在快速发展和变化之中，AI业务推理也需要能够随时捕捉这种变化，最好的方法是数据共享，一份数据满足不同业务场景的需求。不能因为不同业务场景，让数据产生割裂，这是WADP的意义。
为AI在企业场景落地插上翅膀
我们知道，HBM（高带宽内存）在AI模型训练、推理中扮演着重要角色，HBM借助硅中介层（Interposer）这种独特的方式，实现了超高访问带宽，其弱点是价格昂贵，容量相对偏小，通常只有40GB ～ 141GB。
在AI训练、推理的过程中，模型的参数、激活参数、参数精度，上下文数据都要加载到HBM，因为HBM缓存容量有限，存不下太多内容，为此，模型会将部分数据下刷本地NVMe SSD，依靠PCIe 4.0、5.0进行连接。NVMe SSD在传输性能上较之HBM会有数量级上的差距。
如今专业的存储管理软件，如WADP，为AI训练、推理提供了全局共享的存储资源池，为模型KV Cache存储提供了近似无限的访问空间，如此一来，无限空间的存储资源池可对于长下文KV Cache数据进行保存，以存代算，提高模型推理的性能和响应能力（模型推理涉及多轮对话，会将上一轮对话输出结果与新的对话内容一并提交，作为新一轮对话输入，其中，涉及已经计算过的内容，已经被保存在KV Cache缓存中，无需重复计算，因此提升推理的速度）。
用曹羽中的话讲：WADP为模型提供了一个近似无限空间的HBM扩展内存空间，尽管在性能上与HBM存在差距，但弥补了HBM容量不足以及无法全局共享的弱点，性能差距可以通过流水线并行和IO预加载等解决，全局共享的无限空间的KVCache池理论上可以做到把推理过程中计算出来的所有的KV值持久化下来，通过存储IO读取KV来代替GPU的重复运算，可以大幅降低推理算力需求。
WADP的能力在最新一轮专业评测中得到验证。
最新的AI Storage权威评测MLPerf Storage v2.0测试结果显示，华瑞指数云（ExponTech）WADP软件在Resnet50模型训练测试中，单客户端支持的GPU卡数和带宽均位居世界第一，Llama3模型的Checkpoint写入带宽排世界第三，但WADP方案仅使用了其他评测方案的1/5数量的SSD盘，因此如果以Checkpoint写入带宽/容量来计算写入效率，ExponTech WADP方案排名将遥遥领先，位居第一，展示了WADP存储软件极为高效的硬件利用效率。
不同于市场上现有的打补丁的产品升级方法，华瑞指数云WADP为实现一份数据服务不同业务场景的目标，他们从零开始自主研发了一套可以适应各种IO需求的统一分布式存储引擎WiDE，同时基于全自研分布式KV系统，构建了分布式元数据引擎，满足OLTP关键业务应用，以及AI训练、推理业务的需求。新的分布式KV系统，较之现有的NAS文件系统、并行文件系统，在海量小文件的处理上，具有明显的优势，能够实现万亿级别的数据操作，以此为基础构建的WFS并行文件系统，可以完美适配AI训练对于海量小文件随机操作的需求。
基于分布式KV系统的元数据引擎就像一条线，完美串联起来了WDS、WFS、WOS、WQS等不同场景模块化存储产品的需求，这也是WADP被称为统一AI数据平台的原因。
小结
AI模型和企业数据是一个不可分割的整体，面对源源不断的业务数据，AI模型需提供具有针对性分析和推理能力，与此同时，AI模型也需要与传统的企业应用互相配合，如此才能够构建真正AI智能体，为企业业务创新创造价值。AI模型不会单独存在，需要与传统应用相互配合。
WADP从数据平台的高度为AI、传统业务应用构建了统一的数据基础，为基于AI模型的业务创新创造了良好的物质基础。据了解，WADP的4个模块化存储产品，可以分开使用，也可以彼此联合，发挥协同的优势。从这个意义来说，WADP是一个真正具有平台意义的产品，它紧紧抓住了AI时代企业业务创新的重点和关键。
