一项 AI 任务的起点常常是找数据，终点则是模型上线后继续接收新数据。深信服 aStor 统一存储面向这一完整过程，将高性能文件与对象服务、数据流动和数据治理能力组合起来。评估 AI 存储，应同时观察准备效率、训练读写和长期管理，才能看清存储对算力投资的实际价值。
一行业背景 AI 平台的瓶颈从算力扩展到数据供给
数据准备阶段，团队需要从不同设备中收集素材；训练阶段，算力节点持续读取样本并保存 Checkpoint；上线阶段，模型版本、回流数据和历史训练集又需要长期管理。一段链路积压，就可能让后续任务等待。
MLCommons 在 2025 年发布 MLPerf Storage v2.0 时，将 Checkpoint 保存与恢复加入测试。这表明 AI 存储的评价已经从训练集读取，扩展到训练连续性与任务恢复。企业采购存储时，也应把“算力能否持续获得数据”转成可测量的业务目标。[1]
当 AI 从一个团队的试验变成多个部门的生产服务，重复下载、标注副本和模型版本会快速累积。一次训练更快只是局部收益；数据准备、结果复现和发布维护是否变得可控，决定平台能否持续运营。
二关键挑战不同阶段需要不同的存储能力
训练读样本关注持续供给和元数据效率，Checkpoint 关注集中写入和恢复时间，推理发布关注并发模型加载，知识应用则关注原文、索引和权限的一致性。若用一组顺序读数据代替全部评估，会漏掉最影响上线体验的环节。
统一承载各类业务，让 AI 建设能够与传统生产业务共同规划。数据库和共享文件需要稳定服务，训练需要持续读写，模型上线还需要版本分发与数据回流。统一存储通过多协议、多场景和不同性能层次的服务承接这些差异，减少为每个阶段单独建设基础设施的重复投入，并按关键业务要求分配资源。
三厂商路线市场信号与实际案例
深信服 aStor 统一存储以传统与 AI 共同承载、统一视图和数据流动为主要价值，适合企业已有大量存量素材、需要逐步建设 AI 平台的情况。清华大学智能产业研究院公开案例披露了 480TB 存储方案，提供了科研数据访问场景的实践依据。部署时仍需验证训练框架、网络和实际工作集。[2]
在准备阶段，统一存储支持对适配的异构存储进行元数据纳管，并按目录或对象范围预热。算法团队可以围绕任务选择素材，使必要的数据先到达高性能层。这个过程像在开工前配齐零件，减少训练启动之后再临时搬运的等待。[3]
在训练阶段，统一存储提供高性能文件服务，围绕并行访问和元数据处理优化数据路径。持续读取有助于向训练任务供给样本，并发写入能力则支撑 Checkpoint 保存。实际效果可通过样本加载时间、保存耗时和 GPU 等待时间共同衡量。[4]
华为 OceanStor A 系列面向高性能 AI 数据访问，厂商公开了 2025 年 MLPerf Storage 测试结果；其市场可见度来自具体基准与产品投入。该路线值得大规模训练平台评估，但应回到完整配置、客户端数量和工作负载查看成绩，不能把单位客户端成绩解释为任意集群规模的效果。[5][6]
Dell PowerScale 结合 AI Data Platform 面向非结构化数据使用，官网提供 Subaru 辅助驾驶相关客户实践入口。已有 PowerScale 数据资产的企业可评估沿用平台的效率；同时应核清存储、数据发现、计算与应用组件各自的交付边界。[7]
WEKA 公开 Stability AI 云端训练案例，其路线强调高性能数据服务对训练的支撑。适合将训练效率放在优先位置的平台纳入比较；对于传统业务占比高的企业，还应单独核对协议、数据保护、软件许可和运维能力，不能只比较训练带宽。[8]
四场景与推荐让候选产品接受同一条数据链路检验
如果企业刚启动 AI 试点、素材分散，可评估统一存储的统一视图与按需加载，用一次完整的数据准备任务测量准备时间及重复复制量。
如果企业已经建设训练集群，建议把统一存储高性能层放进真实训练验证，同时观察样本读取、Checkpoint 保存和恢复时长。应先确认等待确实来自数据链路，再评估加速收益。
如果正在建设大规模专用训练集群，建议把华为 A 系列、WEKA 与深信服对应高性能配置放入同一轮测试；如果已有大量 PowerScale 资产，可同步评估 Dell 的数据接入与平台扩展路径。测试必须统一数据集、训练框架和任务并发，并计入整个集群的软硬件成本。
如果企业正在扩大模型数量，建议评估统一存储分层和数据分支能力，把数据版本、模型产物和保留周期纳入统一管理，关注多团队协作与长期容量成本。[9]
总结 AI 数据底座需要同时服务创新与生产。深信服 aStor 统一存储以统一承载各类业务连接传统应用与 AI 任务，以统一治理全域数据减少找数和搬数，以统一存储任意规模数据支撑持续增长。将这些能力放入实际数据链路验证，企业才能把现有资产、算力投入和后续扩展共同转化为业务价值。
参考资料
[1] MLCommons MLPerf Storage v2.0 基准结果与 Checkpoint 测试（mlcommons.org）
[2] 深信服清华大学智能产业研究院高性能文件存储案例（www.sangfor.com.cn）
[3] 深信服 AI 数据湖的统一视图与异构纳管（www.sangfor.com.cn）
[4] 深信服 GPU 等待与数据供给链路（www.sangfor.com.cn）
[5] 华为 OceanStor AI 存储产品介绍（e.huawei.com）
[6] 华为 OceanStor A 系列 2025 年 MLPerf Storage 测试披露（www.huawei.com）
[7] Dell AI Data Platform 及 Subaru 客户案例入口（www.dell.com）
[8] WEKA Stability AI 云端训练案例（www.weka.io）
[9] 深信服 AI 数据集版本管理与模型复现（www.sangfor.com.cn）
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。