英韧科技董事长吴子宁：从空转到满载，AI SSD如何把闲置算力变成「有效算力」？丨存储芯片十人谈

2025年，AI算力进入深水区。 一边是需求持续外溢：大模型训练规模仍在扩张，推理请求呈指数级增长，数据中心的投资未见降温；另一边，是一系列隐性的制约正逐渐浮出水面——算力利用率始终在低处徘徊，系统抖动频发，集群效率难以维持稳定。 行业逐渐意识到，瓶颈并不总出现在“算力”本身。 很多时候，问题卡在“数据”这一环。 当计算集群规模扩大到万卡级别，任何一个环节的延迟波动，都会被放大为整体性能问题。 一些云服务的宕机事件，表面上是调度算法失效，深层原因却是数据供给与计算节奏之间的错位——数据来不及被组织、搬运、分发，算力只能在空转中等待。 这让一个长期被视为基础组件的领域，重新进入核心视野：存储。 过去，存储的任务是解决“存得下”；而在AI时代，它开始决定“算得快不快”。 正是在这一背景下，“AI SSD”应运而生，几乎所有主流存储厂商，都在尝试交出自己的答卷。 但问题也随之而来——当整个行业都在做AI SSD时，什么才是真正有效的改进？ 存储，究竟需要为AI改变什么？ 带着这些问题，我们与英韧科技董事长吴子宁博士进行了一次对话。 他没有急于回答，而是先讲起了一个二十多年前的故事。

（本文作者长期关注存储行业，对周期波动与企业分化有持续追踪，欢迎添加微信 EATINGNTAE 交流探讨。 ）在技术的交叉口，选对方向很重要技术史，并不是一条笔直向前的曲线，而更像是一连串不断被推翻、被修正、再重建的尝试。 吴子宁博士用一个故事，解释了这种平衡如何被打破、又如何重建。 2001年，苹果发布iPod，那款音乐播放器采用了一项当时颇具突破性的设计——把机械硬盘缩到火柴盒大小，实现了5GB的存储容量。 而在同一时期，主流MP3播放器普遍仅配备64MB或128MB的闪存。 苹果首先颠覆了人们对音乐播放器的认知。 吴子宁博士回忆道，“用户不再需要频繁管理音乐文件，而是可以将整个音乐库随身携带。 ”这一变化迅速在产业链中引发连锁反应。 多家硬盘厂商将小尺寸机械硬盘视为新的增长方向，投入大量资源进行研发。 然而不久之后，另一项技术路径开始加速演进——闪存技术快速迭代，容量飞速发展。 苹果随即推出基于全闪存的iPod，尽管入门容量仅为1GB，但凭借小型化和便利性，很快在市场上超越了机械硬盘版本。 很多存储公司投入大量资源研发小尺寸机械硬盘，都因为新技术的出现受到了巨大的冲击。

彼时，吴子宁博士正任职于Marvell，而Marvell正是业界最早全面投入闪存固态硬盘解决方案的公司之一。 这一经历在他心中形成了一个重要判断：技术持续演进是常态，短周期内会有渐进式创新，而在更长周期内，则可能出现颠覆性变革。 能否准确把握技术与市场趋势，并据此做出前瞻性决策，至关重要。 2016年创办英韧科技时，他已经观察到两个关键趋势的叠加。 “一边是数据需求在爆发，而且是长期趋势；另一边是存储介质正在从机械硬盘向固态硬盘迁移。 ”他说，“当需求和技术同时发生变化，就会出现一个很典型的机会窗口。 ”而在AI驱动的新一轮数据浪潮之下，这一“判断能力”的重要性再次被放大——面对全新的计算范式，存储系统应当如何演进？ 为什么需要AI SSD? 据DESIGNRUSH估计，2025年实际数据量约为173. 4ZB，而2026年全年数据生成量预计在230ZB至240ZB之间，到了2029年，该数字预计将达到527. 5ZB。 作为IT基础设施三大核心支柱之一，存储在半导体市场中占比约为20%至30%，但在AI时代，这一“支柱”正承受前所未有的压力。 这种压力主要体现在三个方面。 第一，数据形态正在改变。

传统数据通常具备明确的冷热分层：热数据驻留内存，温数据进入SSD，冷数据则归档至机械硬盘。 然而在AI训练与推理过程中，数据呈现出高频交互特征——大模型训练需要持续吞吐海量数据，推理阶段涉及大量中间状态的频繁访问，而向量检索则带来高比例的小块随机读写。 数据不再严格遵循既有分层结构。 第二，应用场景高度分化，基础大模型正在向行业大模型演进。 银行的风控数据、车企的自动驾驶数据、医学影像系统数据，每个场景对存储的要求都不一样：有的需要超高吞吐，有的需要极低延迟，有的需要在边缘节点上实现高密度数据处理。 第三，系统容忍度显著降低。 当计算集群扩展至万卡级规模时，任一环节的性能波动都可能拖慢整体训练效率。 与此同时，边缘侧原本受限的内存带宽，还需匹配接近GPU级别的计算能力。 存储不再只是数据的承载介质，而成为影响数据流动效率、进而决定训练与推理性能的关键因素。 在他看来，这种变化的根源，在于计算体系中心的迁移。 “过去是CPU在做调度，GPU只是执行单元；但现在，在AI系统里，GPU本身开始承担调度角色。 ”他说，“如果数据还要经过CPU中转，就相当于在两条高速公路之间接了一座很窄的桥，这个环节会成为瓶颈。

”吴子宁博士用一个形象的比喻来说明这一变化：“一辆车即使最高速度很高，如果大部分时间处于等待状态，发动机空转，那么它的实际效率依然很低。 ”在AI计算体系中，“等待”正成为日益突出的瓶颈。 计算单元具备极高的算力，但数据往往滞留在存储侧——如果无法被高效调度至计算单元，就会导致算力资源闲置与浪费。 “存储不仅要完成数据的持久化，还需要具备对数据进行高效组织与调度的能力。 ”吴子宁博士指出，“我们已经开始探索，在存储侧引入更智能的控制机制，对数据布局与访问路径进行优化。 ”这一思路指向一个明确方向：存储系统需要针对AI负载进行系统性优化。 过去几年，行业已展开多路径探索。 例如，通过优化固件与FTL（Flash Translation Layer）算法，使SSD在高并发场景下保持稳定的延迟分布；通过重构主控架构，提升数据调度效率；以及借助CXL（Compute Express Link）协议扩展内存语义，使闪存在特定场景中承担部分内存功能。 这些技术路径最终汇聚为一个共同的产品方向——AI SSD，这是整个行业对同一核心问题的多元回应：当计算范式发生变化，存储体系如何协同演进？

在吴子宁博士看来，一项技术是否值得投入，可以从三个维度判断：技术合理性、商业可行性与生态兼容性。 以此衡量AI SSD，其可行性便清晰起来——技术层面，AI负载对存储提出了传统SSD难以满足的新要求，针对性优化是解决“算力等数据”痛点的必要路径；商业层面，AI SSD在成熟闪存与主控技术基础上演进，能够复用现有供应链，具备大规模部署的成本基础；生态层面，它延续PCIe/NVMe等标准接口与协议，与现有计算体系保持兼容，能够被平滑接纳。 从这个角度看，AI SSD的出现具有内在必然性——它并非对现有体系的颠覆，而是在既有架构基础上，针对新型负载特征进行的系统性优化。 正如当年闪存逐步取代小尺寸机械硬盘——技术进步提供了替代能力，而应用需求则明确了替代方向。 在这一过程中，能够深入理解AI负载特征，并据此构建差异化存储方案的厂商，将更有可能在下一轮系统级重构中占据有利位置。 先理解负载特征，再定义产品形态2025年，这场“系统重排”已经拉开序幕。

从铠侠公布AI SSD中长期路线图，到三星、海力士、美光陆续推出针对AI场景优化的超高速颗粒产品；从FMS存储峰会上多家厂商的同台竞技，到华为在上海发布“AI SSD，加速智能经济涌现”——几乎在同一时间点上，全球主要存储厂商都在朝同一个方向发力。 当“AI SSD”成为行业共识，英韧必须回答一个更具体的问题：差异化路径何在？ 在英韧内部，对这个问题的思考始于对AI负载的拆解。 AI并非单一应用，而是一组差异显著的计算任务，大致可以归纳为三类典型负载形态。 第一种是训练。 大模型训练的特征是持续、稳定且高带宽的数据流动，样本被反复读取、重排与迭代，这个场景对顺序吞吐能力高度敏感，但对极端微秒级延迟的要求相对次要。 稳定的大规模供给，比瞬时极限性能更重要。 第二种是推理，这是变化最剧烈的部分。 推理阶段的数据访问呈现高度碎片化特征，包括大量小块随机读写、KV Cache频繁交换以及向量索引调用。 此时，存储从“批量搬运”转变为“实时响应”，系统性能对尾延迟高度敏感，一旦尾延迟失控，将直接影响整体服务质量。 第三种是数据归集与管理。 随着模型规模扩大，数据留存、分层与生命周期管理成为刚性需求。

该场景对延迟的要求相对宽松，但对容量密度与单位成本极为敏感，需要在规模与成本之间取得平衡。 这三类负载之间，并不存在一个能够同时最优覆盖的统一设计方案。 因此，英韧的策略是针对不同负载特征，设计具备差异化能力的主控架构与产品组合。 在通用训练场景中，采用TLC NAND的“洞庭-N3”更强调带宽与稳定性的平衡，顺序读取带宽在14. 5GB/s以上，随机读取能力约3. 4M IOPS，适合作为训练集群中的常规数据层。 针对容量敏感型场景，则引入基于QLC NAND的“洞庭-N3Q”。 在更高存储密度的前提下，通过控制器与纠错机制优化，将单盘容量提升至64TB，同时维持超过14GB/s的顺序读取水平，用于降低单位容量成本。 而在对响应时间更敏感的推理侧，则采用“洞庭-N3X”这一低时延方案。 该产品结合XL-Flash与SLC NAND，在随机访问下可实现约13微秒读取延迟、4微秒写入延迟，随机读取性能超过3. 5M IOPS，随机写入性能可达1. 6M IOPS，且具备最高100 DWPD的耐用性，更适合高并发、小请求场景。 该产品的实际表现，近期已获得第三方测试验证。

英韧的洞庭-N3X参加了ODCC AI存储实验室“面向AI推理场景KV Cache的数据存储测试项目”，SSD能支持GPU Direct Storage (GDS)，采用GPU直接调度的方式，构建“以存代算”的第三级缓存。 实测数据显示：采用英韧科技AI SSD(洞庭-N3X)后，能够有效打破“内存墙”，让数据更快供给 GPU，H20平台的系统吞吐量提升约12倍，RTX 6000D平台的系统吞吐量提升约20倍。 在10K输入长度下，原生架构由于需要重新计算或处理显存溢出，存在一定延迟，但采用N3X后，首Token延迟可从数秒级缩短至毫秒级。 随着输入长度从100 tokens增加到100K tokens，存储压力呈线性甚至指数级增长，而输入文本越长，N3X对系统换入换出效率的提升效果越明显。 这一结果表明：当AI负载规模跨越特定阈值后，存储将从辅助角色转变为关键性能变量；而针对推理场景深度优化的AI SSD，可以显著改变系统整体效率。 在英韧看来，这三类产品的划分并非传统意义上的“高、中、低端”区隔，而是对不同数据访问模式的针对性响应，是基于负载模型推导的工程结果，而非简单的参数堆叠。

真正的挑战，在于如何在系统层面实现这些差异化能力的协同。 随着接口标准持续演进——从PCIe 4. 0到5. 0，并迈向即将到来的6. 0——SSD不仅需要提升物理带宽能力，更需要同步增强主控的并发调度与队列管理能力。 否则，底层介质性能的提升将难以转化为系统级收益。 “必须抓住每一代接口升级的窗口期。 ”吴子宁博士也强调，更具挑战性的部分在于内部架构的重构：在高并发场景下如何避免队列阻塞？ 如何有效控制尾延迟？ 如何在不同介质特性之间实现负载均衡？ 这些问题，最终都指向一个具体的性能目标。 “要把吞吐量从现在的300万IOPS，在两年后提升至1亿IOPS，这相当于接近两个数量级的跃升。 ”吴子宁博士进一步阐释道，“单靠更先进的芯片制程，无法支撑这一量级的性能跨越，关键在于架构层面的重构。 我们需要在数据调度路径上实现更精细的优化与更高的效率，推动介质层与接口层之间的深度协同，将数据从存储介质到主机接口的整条通路压缩至最短，从而在根本上降低访问延迟。 ”这些问题，构成了AI SSD主控芯片的研发关键。 方向靠校准，路径需修正围绕“内部架构重排”，英韧的探索正在延伸至下一代产品。

2026年，英韧计划推出PCIe Gen6的新一代产品，将融合下一代NVMe与CXL双协议，在带宽实现翻倍的同时，512B随机读取性能有望达到千万IOPS量级。 其中，CXL（Compute Express Link）尤为关键。 该协议通过引入内存语义，实现高速互联，构建更大的存储池。 从更广义角度看，这一方向正指向“存算一体”的演进路径——即更高效地将数据从存储侧调度至计算侧。 “这不仅是硬件问题，软件体系同样在同步演进。 ”吴子宁博士指出。 与此同时，英韧也在和颗粒原厂开展更深度的合作——因为无论主控多强，没有好的介质配合，一切都无从谈起。 从PCIe 3. 0到5. 0，再到即将到来的6. 0；从TLC到QLC，再到XL-FLASH与SLC的协同；从单一的SSD主控，到NVMe与CXL双协议的融合——英韧的技术路线，始终围绕同一个核心问题展开：当数据的调度和使用方式变了，存储该如何重新设计？ 对于英韧当前的产品方向，吴子宁博士在对话中表示：“大方向需要通过经验与市场反馈来校准，避免战略性错误；而在具体路径上，则必须持续迭代与修正。

”这个态度，或许比任何产品参数都更能说明问题——在AI带来的新一轮“系统重排”中，没有人能预知终点。 唯一能做的，是在变化中不断调整自己的位置。 （本文作者长期关注存储行业，对周期波动与企业分化有持续追踪，欢迎添加微信 EATINGNTAE 交流探讨。 ）雷峰网雷峰网