AI大模型正在倒逼數(shù)字基礎設施產(chǎn)業(yè)加速升級。

       過去一年半，AI大模型標志性的應用相繼出現(xiàn)，從ChatGPT到Sora一次次刷新人們的認知。震撼的背后，是大模型參數(shù)指數(shù)級的增長。

       這種數(shù)據(jù)暴漲的壓力，快速傳導到了大模型的底層基礎設施。作為支撐大模型的底座“三大件”——算力、網(wǎng)絡、存儲，都在快速的迭代。

       算力方面，英偉達用了兩年的時間就將GPU從H100升級到了H200，讓模型的訓練性能提升了5倍。

       網(wǎng)絡方面，從之前的25G升級到現(xiàn)在的200G，網(wǎng)絡帶寬提升了6倍。隨著RDMA大規(guī)模的應用，網(wǎng)絡延遲也降低了60%。

       存儲方面，華為、阿里云、百度智能云、騰訊云等大廠，都相繼推出了面向AI大模型的存儲方案。

       那么作為基礎設施的三大件之一的存儲，在AI大模型的場景下到底發(fā)生了哪些變化?又有哪些新的技術挑戰(zhàn)?

       AI大模型帶來的 存儲挑戰(zhàn)

       算力、算法、數(shù)據(jù)，在發(fā)展AI過程中的重要性早已為人所熟知，但是作為數(shù)據(jù)的承載，存儲卻往往被忽略。

       在訓練AI大模型的過程中，需要大量數(shù)據(jù)的交換，存儲作為數(shù)據(jù)的基礎硬件，并非僅僅只是簡單地記錄數(shù)據(jù)，而是深刻參與到了數(shù)據(jù)歸集、流轉、利用等大模型訓練的全流程。

        如果存儲性能不強，那么可能需要耗費大量時間才能完成一次訓練，這就會嚴重制約大模型的發(fā)展迭代。

       事實上，不少企業(yè)在開發(fā)及實施大模型應用過程中，已經(jīng)開始意識到存儲系統(tǒng)所面臨的巨大挑戰(zhàn)。

       從AI大模型的研發(fā)生產(chǎn)流程看，可分為數(shù)據(jù)采集、清洗、訓練和應用四個階段，各階段都對存儲提出了新的要求，比如：在數(shù)據(jù)采集環(huán)節(jié)，由于原始訓練數(shù)據(jù)規(guī)模海量，且來源多樣，企業(yè)希望能夠有一個大容量、低成本、高可靠的數(shù)據(jù)存儲底座。

       在數(shù)據(jù)清洗階段，網(wǎng)絡上收集的原始數(shù)據(jù)是不能直接用于AI模型訓練的，需要將多格式、多協(xié)議的數(shù)據(jù)進行清洗、去重、過濾、加工，行業(yè)內(nèi)稱其為“數(shù)據(jù)預處理”。

       與傳統(tǒng)單模態(tài)小模型訓練相比，多模態(tài)大模型所需的訓練數(shù)據(jù)量是其1000倍以上，一個典型的百TB級大模型數(shù)據(jù)集，預處理時長超過10天，占比AI數(shù)據(jù)挖掘全流程的30%。

       同時，數(shù)據(jù)預處理伴隨高并發(fā)處理，對算力消耗巨大。這就要求存儲能夠提供多協(xié)議、高性能的支持，用標準文件的方式完成海量數(shù)據(jù)的清洗和轉換，以縮短數(shù)據(jù)預處理的時長。

       在模型訓練環(huán)節(jié)，通常會出現(xiàn)訓練集加載慢、易中斷、數(shù)據(jù)恢復時間長等問題。相較于傳統(tǒng)學習模型，大模型訓練參數(shù)、訓練數(shù)據(jù)集指數(shù)級增加，如何實現(xiàn)海量小文件數(shù)據(jù)集快速加載，降低 GPU等待時間是關鍵。

       目前，主流預訓練模型已經(jīng)有千億級參數(shù)，而頻繁的參數(shù)調(diào)優(yōu)、網(wǎng)絡不穩(wěn)定、服務器故障等多種因素帶來訓練過程不穩(wěn)定，易中斷返工，需要Checkpoints機制來確保訓練回退到還原點，而不是初始點。

       當前，由于Checkpoints需要天級的恢復時長，導致大模型整體訓練周期陡增，而面對單次超大的數(shù)據(jù)量和未來小時級的頻度要求，需要認真考慮如何降低Checkpoints恢復時長。

       因此，存儲能否快速地讀寫checkpoint(檢查點)文件，也成了能否高效利用算力資源、提高訓練效率的關鍵。

       在應用階段，存儲需要提供比較豐富的數(shù)據(jù)審核的能力，來滿足鑒黃鑒暴安全合規(guī)的訴求，保證大模型生成的內(nèi)容是合法、合規(guī)的方式去使用。

       總的來說，AI大模型訓練的效率要達到極致，減少不必要的浪費，必須在數(shù)據(jù)上下功夫。準確地說，必須要在數(shù)據(jù)存儲技術上進行創(chuàng)新。

        AI倒逼存儲技術創(chuàng)新

       根據(jù)投資機構ARK Invest預算，到2030年，產(chǎn)業(yè)有望訓練出比GPT-3多57倍參數(shù)、多720倍Token的AI模型，成本將從今天的170億美元降至60萬美元。隨著計算價格降低，數(shù)據(jù)將成為大模型生產(chǎn)的主要限制因素。

       面對數(shù)據(jù)桎梏問題，不少企業(yè)已經(jīng)開始進行前瞻性布局。

       比如百川智能、智譜、元象等大模型企業(yè)，都已采用騰訊云AIGC云存儲解決方案來提升效率。數(shù)據(jù)顯示，騰訊云AIGC云存儲解決方案，可將大模型的數(shù)據(jù)清洗和訓練效率均提升一倍，需要的時間縮短一半?？拼笥嶏w、中科院等大模型企業(yè)和機構，則采用了華為AI存儲相關產(chǎn)品。

       數(shù)據(jù)顯示，華為OceanStor A310可實現(xiàn)從數(shù)據(jù)歸集、預處理到模型訓練、推理應用的AI全流程海量數(shù)據(jù)管理，簡化數(shù)據(jù)歸集流程，減少數(shù)據(jù)搬移，預處理效率提升30%。目前，國內(nèi)各大廠商也相繼發(fā)布了面向AI大模型場景的存儲方案。

       2023年7月，華為發(fā)布兩款面向AI大模型的存儲產(chǎn)品——OceanStor A310深度學習數(shù)據(jù)湖存儲和FusionCube A3000訓/推超融合一體機。

       2023年11月云棲大會上，阿里云推出一系列針對大模型場景的存儲產(chǎn)品創(chuàng)新，用AI技術賦能AI業(yè)務，幫助用戶更輕松地管理大規(guī)模多模態(tài)數(shù)據(jù)集，提高模型訓練、推理的效率和準確性。

       2023年12月，百度智能云發(fā)布了“百度滄?！ご鎯Α苯y(tǒng)一技術底座，同時面向數(shù)據(jù)湖存儲和AI存儲能力進行了全面增強。

       2024年4月，騰訊云宣布云存儲解決方案面向AIGC場景全面升級，針對AI大模型數(shù)據(jù)采集清洗、訓練、推理、數(shù)據(jù)治理全流程提供全面、高效的云存儲支持。

       綜合各大廠商的存儲技術創(chuàng)新，可以發(fā)現(xiàn)技術方向較為統(tǒng)一，都是基于AI大模型生產(chǎn)研發(fā)的全流程，對存儲產(chǎn)品進行有針對性的性能優(yōu)化。

       以騰訊云為例，在數(shù)據(jù)采集與清洗環(huán)節(jié)，首先需要存儲能夠支持多協(xié)議、高性能、大帶寬。因此，騰訊云對象存儲COS能夠支持單集群管理百 EB 級別存儲規(guī)模，提供便捷、高效的數(shù)據(jù)公網(wǎng)接入能力，并支持多種協(xié)議，充分支持大模型PB級別的海量數(shù)據(jù)采集。同時，數(shù)據(jù)清洗時，大數(shù)據(jù)引擎需要快速地讀取并過濾出有效數(shù)據(jù)。

       騰訊云對象存儲COS通過自研數(shù)據(jù)加速器GooseFS提升數(shù)據(jù)訪問性能，實現(xiàn)了高達數(shù)TBps的讀取帶寬，支撐計算高速運行，大大提升數(shù)據(jù)清洗效率。在模型訓練環(huán)節(jié)，通常需要每2-4小時保存一次訓練成果，以便能在GPU故障時時能回滾。騰訊云自主研發(fā)并行文件存儲CFS Turbo ，面向AIGC訓練場景的進行了專門優(yōu)化，每秒總讀寫吞吐達到TiB/s級別，每秒元數(shù)據(jù)性能高達百萬OPS，均為業(yè)界第一。3TB checkpoint 寫入時間從10分鐘，縮短至10秒內(nèi)，使大模型訓練效率大幅提升。大模型推理場景對數(shù)據(jù)安全與可追溯性提出更高要求。

       騰訊云數(shù)據(jù)萬象CI為此提供圖片隱式水印、AIGC內(nèi)容審核、智能數(shù)據(jù)檢索MetaInsight等能力，為數(shù)據(jù)生產(chǎn)從“用戶輸入——預處理——內(nèi)容審核——版權保護——安全分發(fā)——信息檢索”業(yè)務全流程提供有力支撐，優(yōu)化AIGC內(nèi)容生產(chǎn)與管理模式，順應監(jiān)管導向，拓寬存儲邊界。

       同時，隨著訓練數(shù)據(jù)和推理數(shù)據(jù)的增長，需要提供低成本的存儲能力，減少存儲開銷。騰訊云對象存儲服務提供了高達12個9的數(shù)據(jù)持久性和99.995%的數(shù)據(jù)可用性，能夠為業(yè)務提供持續(xù)可用的存儲服務?？偟膩碚f，隨著AI大模型的推進，數(shù)據(jù)存儲出現(xiàn)了新的趨勢。市場渴望更高性能、大容量、低成本的存儲產(chǎn)品，并加速大模型各個環(huán)節(jié)的融合和效率提升。而各大廠商也在通過技術創(chuàng)新不斷滿足大模型各環(huán)節(jié)的需求，為企業(yè)實施大模型降低門檻。在AI大模型的倒逼下，存儲創(chuàng)新已在路上。