在人工智能（AI）概念沒有火熱之前，無論手機還是個人電腦（PC）都已經(jīng)悄然引入人工智能加速相關的硬件和技術(shù)，目的是在部分功能上獲得更好的體驗，比如手機相冊中的人臉智能識別和分類， PC和NAS（網(wǎng)絡附屬存儲）在算力閑暇時對圖像、視頻的整理，以及視頻通話時的背景虛化等都是很好的例子。

　　這個時期的AI計算我們通常稱為決策式AI，即在成熟的底層技術(shù)框架內(nèi)，通過數(shù)據(jù)分類標簽和辨別的形式，通過CPU、GPU、NPU等處理器合力。它們的特點是具備一套成熟的判斷機制，通過夜以繼日的訓練識別，不斷提升精度，并具有很強的針對性。

　　隨著大模型的火爆，另一種AI也推向了大眾視野，即生成式AI。無論是云端AI服務加速，還是近期能夠本地運行200億參數(shù)大語言模型的AI PC，它們的思維是發(fā)散且具有創(chuàng)造性的，同時也對硬件提出了更高的要求。

　　生成式AI 背后的海量數(shù)據(jù)

　　生成式AI與決策式AI最大的不同在于模型的規(guī)模，大模型計算本身意味著高算力、高存儲需求。正因為如此，大語言模型（LLM）才會成為推向應用層面的首要選擇，原因很簡單，相對于圖像、視頻而言，抽象的文字已經(jīng)是最好整理的了。

　　但即便如此，大語言模型本身占用的數(shù)據(jù)量仍然巨大，以GPT-3為例，光是訓練參數(shù)就達到了1750億個，訓練數(shù)據(jù)達到45TB，每天會產(chǎn)生45億字內(nèi)容，每次訓練費用需要460萬美元。而進階到GPT-4之后，訓練參數(shù)從1750億個增加到1.8萬億個，訓練成本進一步提升到6300萬美元，訓練數(shù)據(jù)量信息雖然沒有公布，但可想而知增長也是指數(shù)級的。

　　有意思的是，大語言模型訓練在當下似乎已經(jīng)變成了日常，頭部廠商已經(jīng)將目光投向了圖像生成和視頻生成，近段時間火熱的文字生成視頻應用Sora，以及文生圖Midjourney都是很好的例子?，F(xiàn)在我們知道光是文字內(nèi)容就可以占據(jù)海量的存儲空間，如果將訓練模型換成圖像、視頻，對內(nèi)容存儲和讀寫性能需求也注定指數(shù)級攀升。

　　SSD 的重要性不斷凸顯

　　隨著生成式AI深入到不同領域，能夠提供高速存儲性能的固態(tài)硬盤（SSD）變得至關重要。不僅如此，對于企業(yè)和數(shù)據(jù)中心而言，存儲的可靠性、能效、性價比，以及對前沿技術(shù)的支持都變得至關重要。比如，企業(yè)級用戶會考慮在有限的機房空間內(nèi)獲得更多的容量，即提升單位存儲密度，并且還要考慮機架和機房的散熱能力和供電能力，這時候EDSFF（企業(yè)與數(shù)據(jù)中心標準外形規(guī)格）規(guī)格似乎就成為了不錯的選擇。

　　EDSFF的特點是由頭部企業(yè)引領并獲得行業(yè)認可，針對物理尺寸、散熱、性能、布局、安裝便捷性等特性優(yōu)化，從而達到更好的效果。

　　以存儲制造商鎧俠推向市場的CD8P產(chǎn)品為例，其配備了EDSFF E3.S版本，能支持PCIe® 5.0和NVMe™ 2.0，可提供高達30.72TB的存儲容量，擁有可達12,000MB/s順序讀取性能，并具備2000K IOPS的4K隨機讀取能力，在能耗與應用性能表現(xiàn)之間做到很好的平衡，為數(shù)據(jù)中心和企業(yè)級用戶提供合理的擴容選擇。

　　如果希望性能更進一步，鎧俠CM7系列作為高性能企業(yè)級雙端口固態(tài)硬盤可以參考。事實上CM7系列是較早提供PCIe® 5.0和NVMe™ 2.0支持，并已經(jīng)充足釋放PCIe® 5.0性能的產(chǎn)品，最大容量同樣也達到了30.72TB。它擁有高吞吐量和高密度存儲的性能表現(xiàn)，非常適合大模型計算，大數(shù)據(jù)，深度學習加速、AIGC等人工智能應用場景。

　　隨著生成式AI在行業(yè)內(nèi)的發(fā)展，市場對硬件的需求越來越高，與此同時龐大的數(shù)據(jù)量需要高性能接口、大容量存儲支持也不容忽視。對于身處其中的行業(yè)參與者而言，未來AI的發(fā)展創(chuàng)新之旅，也注定少不了由他們來承擔的重要角色。

關注讀覽天下微信， 100萬篇深度好文， 等你來看……