“大模型時代，數(shù)據(jù)決定AI智能的高度。作為數(shù)據(jù)的載體，數(shù)據(jù)存儲成為AI大模型的關(guān)鍵基礎(chǔ)設(shè)施。”7月14日，華為數(shù)據(jù)存儲產(chǎn)品線總裁周躍峰在發(fā)布會上說道。

當(dāng)天，華為發(fā)布大模型時代AI存儲新品，為基礎(chǔ)模型訓(xùn)練、行業(yè)模型訓(xùn)練，細分場景模型訓(xùn)練推理提供存儲最優(yōu)解，釋放AI新動能。

周躍峰告訴觀察者網(wǎng)等媒體，現(xiàn)在AI大模型非常熱門，但企業(yè)實施AI大模型的過程是一個復(fù)雜的系統(tǒng)過程，會面臨很多挑戰(zhàn)。具體來講，企業(yè)在開發(fā)及實施大模型應(yīng)用過程中，面臨四大挑戰(zhàn)：

首先，數(shù)據(jù)準(zhǔn)備時間長，數(shù)據(jù)來源分散，歸集慢，預(yù)處理百TB數(shù)據(jù)需10天左右；其次，多模態(tài)大模型以海量文本、圖片為訓(xùn)練集，當(dāng)前海量小文件的加載速度不足100MB/s，訓(xùn)練集加載效率低；第三，大模型參數(shù)頻繁調(diào)優(yōu)，訓(xùn)練平臺不穩(wěn)定，平均約2天出現(xiàn)一次訓(xùn)練中斷，需要Checkpoint機制恢復(fù)訓(xùn)練，故障恢復(fù)耗時超過一天；最后，大模型實施門檻高，系統(tǒng)搭建繁雜，資源調(diào)度難，GPU資源利用率通常不到40%。

華為數(shù)據(jù)存儲產(chǎn)品線總裁 周躍峰

周躍峰認為，目前大模型算力成本約占整個成本的25%，而數(shù)據(jù)清洗、預(yù)處理等工作，在不算數(shù)據(jù)存儲硬件的情況下，占到成本的22%。從這個角度看，數(shù)據(jù)機器存儲過程，在大模型時代越來越重要。這不僅僅是簡單的數(shù)據(jù)量變大，而且數(shù)據(jù)的處理過程，以及過程中對于硬件性能的要求越來越高。隨著大模型出現(xiàn)，數(shù)據(jù)存儲和處理相關(guān)領(lǐng)域未來會越來越有前景。

為順應(yīng)大模型時代AI發(fā)展趨勢，華為針對不同行業(yè)、不同場景大模型應(yīng)用，推出OceanStor A310深度學(xué)習(xí)數(shù)據(jù)湖存儲與FusionCube A3000訓(xùn)/推超融合一體機。

OceanStor A310深度學(xué)習(xí)數(shù)據(jù)湖存儲，面向基礎(chǔ)/行業(yè)大模型數(shù)據(jù)湖場景，實現(xiàn)從數(shù)據(jù)歸集、預(yù)處理到模型訓(xùn)練、推理應(yīng)用的AI全流程海量數(shù)據(jù)管理。OceanStor A310單框5U支持業(yè)界最高的400GB/s帶寬以及1200萬IOPS的最高性能，可線性擴展至4096節(jié)點，實現(xiàn)多協(xié)議無損互通。全局文件系統(tǒng)GFS實現(xiàn)跨地域智能數(shù)據(jù)編織，簡化數(shù)據(jù)歸集流程；通過近存計算實現(xiàn)近數(shù)據(jù)預(yù)處理，減少數(shù)據(jù)搬移，預(yù)處理效率提升30 %。

FusionCube A3000訓(xùn)/推超融合一體機，面向行業(yè)大模型訓(xùn)練/推理場景，針對百億級模型應(yīng)用，集成OceanStor A300高性能存儲節(jié)點、訓(xùn)/推節(jié)點、交換設(shè)備、AI平臺軟件與管理運維軟件，為大模型伙伴提供拎包入住式的部署體驗，實現(xiàn)一站式交付。開箱即用，2小時內(nèi)即可完成部署。訓(xùn)/推節(jié)點與存儲節(jié)點均可獨立水平擴展，以匹配不同規(guī)模的模型需求。同時FusionCube A3000通過高性能容器實現(xiàn)多個模型訓(xùn)練推理任務(wù)共享GPU，將資源利用率從40%提升到70%以上。FusionCube A3000支持兩種靈活的商業(yè)模式，包括華為昇騰一站式方案，以及開放計算、網(wǎng)絡(luò)、AI平臺軟件的第三方伙伴一站式方案。

“數(shù)據(jù)是很重要的，堪比人類發(fā)展歷史上的文字。”對于AI大模型的數(shù)據(jù)建設(shè)現(xiàn)狀，周躍峰認為，目前國內(nèi)算力較多但存力較少，很多高價值的信息都沒有被記錄下來。

“目前ChatGPT英文大模型訓(xùn)練效率高于中文的核心原因，就在于英文資料的數(shù)字化記錄遠遠多于中文，人工智能產(chǎn)業(yè)要得到高速的發(fā)展，一定要重視數(shù)據(jù)和信息的數(shù)字化的記錄。”他表示。

周躍峰還提到了未來AI大模型在數(shù)據(jù)建設(shè)方面亟待突破的三個要點：對原始數(shù)據(jù)進行預(yù)處理實現(xiàn)“數(shù)據(jù)更好用”、數(shù)據(jù)存儲與GPU更流暢地相配合、數(shù)據(jù)安全。

華為分布式存儲領(lǐng)域副總裁韓振興在會上表示，在算力和存力的建設(shè)過程中，一定是有一個最佳的算存比，并不是靠推算力就能把一個AI推得非常好。他認為，存力建設(shè)的落后可能加劇算力閑置，造成資源浪費；相反，高質(zhì)量的存力將有助于提升AI訓(xùn)練。