MLPerf揭榜：拆解「黃金標準」背后的AI存儲新姿勢

原標題：MLPerf揭榜：拆解「黃金標準」背后的AI存儲新姿勢

大模型正在進入普遍萬億參數時代。

一方面，算力的重要性近一步提升；另一方面，萬億參數的壓力同樣給到了存儲——如果説過去AI計算對存儲性能的需求似乎還不那麼急迫，那麼現在存儲性能能否跟上，正在很大程度上決定AI創新的成敗。

企業如何選擇最能契合需要的存儲產品方案？

不久前，全球權威AI性能評測組織公佈最新MLPerf® Storage v2.0基準測試結果，這份權威榜單，除了直接給出企業如何選擇供應商的參考，更給出了一份存儲面向萬億參數時代如何演進的答案。

與真實場景需求共舞，

MLPerf「黃金標準」再進化

2018年，早在大模型還沒起勢時，谷歌、英偉達、英特爾、哈佛大學等 70余家頂 尖科技企業和學術機構就聯合推動發起了MLPerf，要通過統一框架避免廠商自測的片面性，覆蓋訓練、推理、存儲、HPC等全場景測試，為用户提供客觀採購依據。

到目前為止，MLPerf已經被公認為AI硬件性能的「黃金標準」，全球頭部企業（英偉達、谷歌、AMD、華為等）均定期提交測試結果。

可以看到，無論發起者還是參與者都是當下最前沿的科技企業，有着對AI計算發展最深度的理解，這使得MLPerf並非AI時代很多榜單那樣的「奧數競賽」（只爲了刷分數而與現實需要脱節），而是一直來源於現實，並且指導現實技術進化。

因此，看待MLPerf榜單，絕不能僅僅從參數排行來看，而更應該關注它背后的規則邏輯，這些規則邏輯代表着AI計算實踐過程中最 符 合企業實際需要的現實。

典型如，MLPerf存儲基準測試在規則上的變化過程，去年該測試進行了一次適應性升級到了V1.0版本（這次是2.0版本，規則沿用），最 大的不同是核心指標發生變化，即在給定的訓練模型和GPU型號下，存儲系統能支持的GPU數量，而非每GPU帶寬值或每計算節點帶寬值——這次的MLPerf存儲基準測試，其目標就是滿足一定加速器利用率的前提下，測試出存儲系統能夠支持的最 大加速器數量以及能夠提供的最 大帶寬。

規則變更的背景，是萬億參數時代到來，訓練數據集的規模正從TB級別上升至PB級，存儲系統必須具備強大的擴展能力和對大規模AI集羣的支持能力，畢竟，支持更多的GPU數量將會決定系統性能的「上限」（固定資產投資方面也更能攤薄邊際成本），只糾結單個GPU性能數據的參考意義並不大。

華為OceanStor A系列存儲聯合濟南超級計算技術研究院（JNIST）的合作解決方案，在此次MLPerf測試中獲得單存儲設備、每U存儲設備及單客户端性能等榜單上的全球第 一，原因就在於此。

從直接的參數性能來看，在Training場景中，單台8U雙節點架構的OceanStor A800獲得單存儲設備性能第 一，持續提供698 GiB/s的穩定帶寬：

單台2U雙節點架構的OceanStor A600獲得每U設備及單客户端性能第 一，其中每U帶寬穩定達108 GiB/s，單客户端帶寬達104 GiB/s：

同樣的命題，顯著的領 先，離不開華為OceanStor A800以單台8U雙節點架構可支撐255張H100 GPU訓練數據吞吐需求，而OceanStor A600以單台2U雙節點架構的可支撐76張H100 GPU訓練場景的吞吐需求。

不是有人「打榜」到了第 一，而是一貫來源於實際需求的MLPerf在告訴業界什麼纔是最 符 合需要的，這纔是「黃金標準」的內涵。

如此，MLPerf也才能反過來引導和推進技術創新，帶來英偉達Blackwell的FP4精度、TensorRT-LLM框架優化、Untether AI芯片能效提升等「榜單測試反哺技術創新」的經典案例。

值得一提的是，多加速器支持並不是所有場景的AI存儲需求都十分迫切，那些足夠有實力的廠商要想充分體現自己在新需求下的能力，必須選擇更能壓榨性能的用例。因此可以看到華為存儲在MLPerf Storage Traning場景下3D U-Net、Resnet50、cosmoflow三個用例中，選擇了（在H100算力卡下）3D U-Net這個對存儲帶寬壓力最 大的訓練用例，這樣才能將其多加速器支持進行最極 致的展現，充分表達存儲產品的性能。

「強化協同下的資源池化」

——AI計算、存儲發展趨勢殊途同歸

不久前的世界人工智能大會上，384塊昇騰910C組合在一起昇騰384超節點成為全場焦點：

以更多的芯片數量進行AI計算，資源「池化」集羣獲得高算力（昇騰384超節點總算力高達300 PFLOPS），類似的還有英偉達的NVIDIA GB200 NVL72集羣系統，72個GPU實現180 PFLOPS算力。

MLPerf在存儲方面評測規則及勝出廠商的玩法，其實與這種AI計算性能的發展邏輯同向而行。當多芯片資源的池化整合大大拉昇AI計算的能力上限，對應地，存儲去支持更多的GPU數量、實現總帶寬突破而不糾結對單個GPU支撐能力數據，也是大勢所趨。

在這個過程中，協同能力是關鍵——不能「無腦堆砌」，「強化協同下的資源池化」纔有意義。英偉達用於卡間互聯的NVLink技術以及傳統銅纜傳遞數據支撐不起更龐大的集羣，其集羣算力比不過有光通信支持的昇騰超節點。

在AI存儲對多GPU的支持這里，也存在類似的現象。

由於多GPU計算存在「木桶效應」，在一個計算Step中，某一個GPU數據延迟會造成其他加速器「等待」，最終拖慢整個Step使得利用率降低、無法獲得預期的帶寬，存儲必須做到在高帶寬壓力下（意味着更多GPU），也能夠給訓練系統提供穩定的低時延（提升利用效率），華為OceanStor A系列存儲正是與合作伙伴JNIST一起解決了這一「既要又要」難題才最終登頂榜首。

換句話説，在AI存儲這里，不是你想要支撐更多GPU就能支撐起來的，做好協同才能不斷提升帶寬上限，否則「加法」的效率會越來越低。

「屏蔽複雜性」，

存儲創新迴歸IT服務本質

「強化協同下的資源池化」對企業而言究竟意味着什麼？

答案是IT供應商的本質任務——屏蔽複雜性，無論是AI計算還是AI存儲，企業只需要索求一個最終的結果，有限預算下更強大的算力或者更高的帶寬，各種複雜技術協同都由供應商來解決。

這個底層邏輯推動着那些優質存儲廠商的發展，登頂MLPerf的華為OceanStor A系列產品，在更體系化的層面是華為AI存儲解決方案的一部分，后者在更整體上幫助企業全面屏蔽複雜性，纔有了前者的「出街」。

具體來看，數據在當下已經成為企業的重要資產，但過去普遍的基礎設施分開建設的做法，讓企業們形成了「煙囪式」數據孤島，這是數字化時代留給智能化時代的負面遺產，它很「複雜」，嚴重影響到企業的AI創新。

而華為存儲站了出來，基於過去長期服務企業的經驗，幫助企業「屏蔽複雜性」，構建起了統一的AI數據湖解決方案。不管企業數據再亂、再複雜，需要支撐AI計算的時候，華為的方案創新都能幫助企業「抹平」數據到計算的鴻溝，智能分級流動，打破數據孤島，保證AI數據高效供給，大幅提升AI集羣算力利用率，節省大模型訓練時間。

這是一種「瞌睡遇枕頭」式的創新，在這個創新體系中，除了OceanStor A系列，華為存儲還提供大容量存儲池，滿足企業多模態、萬億參數大模型容量訴求，以及數據保護全面保障數據安全。

順着這個思路往下看，很多存儲創新都更能夠被理解，例如當企業需要不同類型的數據範式時，華為存儲構建PB級KV Cache全局共享資源池，不僅10倍提升推理吞吐，還內置RAG知識庫，各種「雜七雜八」的數據形式都被支持，企業不需要直面這些「複雜性」，只需要放手發展自己的AI能力即可。

總而言之，MLPerf榜單的「登頂」者，向業界展現的是一系列圍繞市場最真實需要的存儲創新進化過程，這不是一次簡單的「打榜」，而是創新風向的指南針。