<mark id="oztn4"></mark>
0
| 本文作者： 朱可軒 | 2025-03-10 10:02 |
作者丨朱可軒
編輯丨陳彩嫻
近日，“源神”Deepseek 密集開源了一系列代碼庫，包括FlashMLA、DeepEP、DeepGEMM、DualPipe 等項目及 3FS 系統，幾乎實現了對 AI Infra 底層計算、網絡、存儲的全覆蓋式優化，這對于 AI Infra 而言也能提供許多有價值的參考。
當前，國內 AI Infra 領域公司圍繞 DeepSeek 帶來的一系列啟發，也正在思考下一步大模型訓推優化更好的解決方案，驛心科技便是其中之一。
上周 DeepSeek 開源 3FS 等一系列組件，充分說明了從存儲到網絡往 GPU 里面傳輸數據的能力是 AI 訓練和推理中最重要的問題，這也正是驛心科技想解決的核心技術問題。
據了解，驛心科技于 2023 年 9 月由前曠視科技創始合伙人吳文昊成立，致力于從基礎架構做研發，基于 GPU 服務器本地存儲與通用以太網絡，提供與傳統智算基于 RDMA 的存儲網絡、單獨部署商業訓練存儲同等的能力，大幅降低模型落地成本與加速部署，方便后續在 DeepSeek 等通用模型層面做優化，加速模型的運行效率。
值得注意的是，驛心所用的硬件完全是使用標準企業服務器以及標準網絡，不需要任何的定制硬件、網絡和軟件。相比之下，過去 AI Infra 部署使用的傳統高性能文件存儲往往需要使用定制硬件服務器，特定網絡交換，以及定制的操作系統內核和客戶端。
換言之，驛心所提出的 AI Infra 整體解決方案效率更高、性價比更高。
重構之下的新機會
在常規視野中，AI Infra 包含供應鏈和云兩層，但經過兩年的 AGI 技術躍進，大模型逐漸成為基礎設施的趨勢已然明朗，許多觀點認為模型甚至可能成為新的“OS”。
而在此之中，架構重構和供應鏈重構為 AI Infra 帶來了創業空間。
架構方面，HPC、云和 AI 所需要的 Infra 均存在差異。首先，云的計算、網絡和存儲并非專門為 AI 或者 HPC 設計優化的，當中的不匹配會帶來價值差：云圍繞網絡而生，通過 CPU、網絡、存儲資源的超賣解決利潤問題，不能超賣則沒有利潤來源。
隨著 AI Infra 的大規模興起，這個價值點已經被重構了，因為 AI Infra 以 GPU 為中心，基于此，云大廠很難提供最為優化的底層 Infra，因為其還需要照顧到自身云原生應用的 Infra 需求。
此外，AI 雖然從 HPC 孵化而來，二者也都追求千卡萬卡的規模，但從計算范式上看存在差距：本質在于 HPC 聚焦于做仿真、模擬世界的運行，追求確定性，需要高精度計算，而 AI 追求概率，需要的是 next token 夠準確。
除技術架構外，國內芯片供應鏈重構也正在催生巨大的 AI Infra 機會，DeepSeek 無疑進一步推動了重構的發生。
在重構發生的同時，算力設備、能耗、機房空間和資金四大瓶頸也限制了 AI 算力的發展。對此，驛心依托 GPU 服務器本地存儲與通用以太網絡，構建了一套獨具優勢的一體化解決方案：
Tier 0 ← Tier 1
首先是 AI 集群一體化方案技術創新：驛心的 Tier-0 存儲方案能有效利用 GPU 服務器內部存儲，在搭建AI基礎集群設施時，不需要再構建專屬的存儲集群以及存儲網絡，大幅削減了模型落地成本，顯著加速了部署進程。
這不僅為企業和科研機構減輕了經濟負擔，更讓先進的人工智能模型能夠以更快的速度從理論走向實踐，賦能千行百業。
其次在 AI 存儲層面，驛心科技能支持多云多數據中心的全局文件系統（Global Namespace），讓大模型的上載與更新完全無縫進行，提供統一的存儲管理，讓 AI 數據訪問更高效。
不僅能夠支持傳統的文件和對象存儲，也能利用好 DeepSeek 剛剛開源的 3FS 并行文件系統；具備智能的數據分層和緩存機制，可快速響應 AI 工作負載對數據的需求，提升訓練和推理速度；有強大的數據安全與保護功能，保障 AI 數據的完整性和機密性；還能靈活擴展，輕松應對 AI 項目中不斷增長的數據量需求。
在模型優化層面，驛心科技立足前沿，積極布局和擁抱開源生態。其解決方案為后續在 DeepSeek 等通用模型的優化工作提供了堅實基礎，能夠深度挖掘模型潛力，全方位加速模型運行效率，讓人工智能真正做到快而準，助力客戶在瞬息萬變的市場競爭中搶占先機，引領行業發展新潮流。
驛心的解決方案無疑精準解決了目前 AI 訓練與推理的主要痛點，這些痛點的洞察背后，實際上也與吳文昊橫跨 HPC、云計算和 AI 的經歷有一定關系：
從 1999 年清華本科畢業到美國，直到 2008 年去微軟，這期間吳文昊一直在做 HPC，博士期間他主要做矩陣計算高性能實現與并行計算 MPI 協議研發，2008 年到微軟之后負責微軟 HPC 及微軟云 Azure 產品管理，2011 年，吳文昊作為微軟云 Azure 存儲團隊的 PM 負責了 Mellanox 進微軟云 Azure 的項目。
隨后的 2013 年，吳文昊離開微軟，加入企業閃存市場“開拓者”Fusion-io，并于 2015 年回國加入曠視，此后一直聚集于 AI，一直到 2020 年正式離開曠視。
當前的驛心科技，已重點布局三個領域：
一是云和大模型，這部分客戶的痛點主要在于自研、交付及客戶服務成本高，繼而需要專業存儲、獨立網絡互聯互通、多云數據同步與遷移，以及輕量級客戶服務界面。
據吳文昊介紹，這方面驛心目前已經在國內頭部互聯網大廠完成了 技術驗證，并且后者在全球只評測了兩家，除驛心外還有一家美國存儲公司。
二是AI研發類客戶，涵蓋汽車、自動駕駛，乃至機器人等垂直行業，其對 AI 和 GPU 存儲能力需求不斷攀升。這類企業利用 AI 技術最快完成行業內 AI 閉環，如自動駕駛，通常通過物理產品與 VLA 模型服務（視覺 + 語言 + 行動）實現 AI 閉環。
對此，就需要驛心提供專業 AI Infra 解決方案以及 VLA 模型與數據能力，來幫助他們構建垂直行業解決方案。目前，驛心也正加深同比亞迪電子的合作，繼而提供針對AI研發類客戶的一體機聯合解決方案。
值得一提的是，吳文昊也將這部分客戶描述為“AI 工廠”。在他看來，“從第一性原理出發，DeepSeek 的出現正說明了中國是真正的‘AI 工廠’。先不論 GPU 在哪生產，如果要打造 AI 工廠，最終供應鏈仍將來自中國。”
第三類客戶為傳統客戶，包含半導體、制造、金融、能源等行業，它們需要安全、可擴展的存儲解決方案。與 AI 研發類企業相比，這類企業 AI 需求增長較快，也在向 AI 領域發力，逐步迭代，完成商業閉環后有望成為 AI 研發類企業。
就此，驛心也通過與 OEM 廠商的合作，提供了針對細分行業及整合核心行業應用的存算一體機方案。
寫在最后
開源和工程化的實現讓 DeepSeek 在 AGI 之路上往前邁進了一步，同時，也揭示了中美兩國在 AGI 軟硬一體上的兩種不同思路：
美國的 AGI 在 Infra 上追求平臺化發展，而中國的 AGI 如 DeepSeek 更強調通過算法驅動的軟硬一體優化來降低底層Infra 成本與提高效率。
驛心也是如此——在海外市場聯合 HammerSpace 提供的存儲方案更為水平化，而驛心則針對國內市場給出了更加垂直的一體化方案。吳文昊認為，正如 DeepSeek 從模型往下軟硬一體整體優化的方法論所展示的巨大市場影響力，整個AI Infra的軟硬一體優化與整合同樣會存在諸多市場空間。
對此，驛心和 DeepSeek 的做法有什么異同點呢？
驛心創始人吳文昊告訴 AI 科技評論，“Necessity is the mother of invention。對于 LLM 這樣的超級單一應用，對數據使用的 pattern 趨于簡化統一，更易于針對這些 pattern 做優化。“
他認為，“從存儲到網絡往 GPU 里面傳輸數據的能力在 LLM 時代才是關鍵。因此，我們的 AI Infra 能力聚焦在存儲與模型層面。”
再次，在存儲層面，針對大模型訓練和推理，通過 Tier-0 方案直接整合 GPU 服務器內部的存儲空間。如無必要，勿增實體，這樣直接整合不僅解決成本，機房空間，能耗等核心瓶頸問題，而且極大提升存儲性能與數據帶寬。
在模型優化層面，針對類似于 DeepSeek 這樣的主流模型，驛心結合算力、網絡、分布式 KV Cache 等能力，提高LLM集群的吞吐，同時通過可靠的 Tier-0/Tier-1 存儲方案保證模型與數據的可靠性，同時支持模型的后訓練與推理加速。
當前，驛心最新一輪融資即將 Close。之后在多模態和端側方面，驛心將尋求更多突破：“未來 AI Infra 特別是 AI 存儲將會迎來巨大增長，因為多模態的數據量較之語言模型要大幾十上百倍。”吳文昊告訴 AI 科技評論。
另外，“端側 AI 也需要經過兩三個周期才能達到如今語言模型的水平，所以未來在端側，數據生成、合成、存儲使用也存在許多值得關注的問題，這當中也蘊藏著新的機遇。”
總得來講，中國 AI 行業整體邁向 AGI，不僅需要算法人員的創新，也需要更多像驛心一樣有實力的 Infra 創業團隊加入。如此，整個行業才能攜手定義下一代 AI Infra 的發展，這才是核心關鍵點所在。雷峰網(公眾號：雷峰網)雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
