近日，焱融科技与英特尔联合发布《基于英特尔® 至强® 6 处理器的焱融 F9000X Turbo AI 存储解决方案》白皮书，系统呈现双方在 AI 存储领域软硬件协同优化的最新成果：以英特尔® 至强® 6 处理器结合焱融自研 YRCloudFile 分布式文件系统、PCIe 5.0 全闪介质与 400Gbps 高速网络，打造新一代全闪 AI 存储一体机 F9000X Turbo，为大规模 AI 工作负载提供持续、高速的数据供给。
三大 “IO 洪峰”，考验 AI 训练存储的真实能力
大模型训练的算力规划越来越精细，但一个事实被反复验证：GPU 利用率，最终取决于数据能不能按时到位。大规模分布式训练对存储的压力，集中体现为三类典型 IO 洪峰：
-
启动读洪峰：训练任务拉起时，上万计算进程并发加载数据集，瞬时 IO 冲击极强；
-
Checkpoint 写洪峰：训练周期性保存权重，大模型存档操作，要求短时间内完成全集群并发写入，写入瓶颈会直接造成训练任务停滞等待；
-
元数据洪峰：多模态业务催生百亿级海量小文件，高频目录遍历、文件打开、属性查询，将压力从带宽转向元数据处理能力。
三者叠加，存储要同时扛住数百 GB/s 乃至 TB/s 级的聚合吞吐、稳定的低时延和极高的元数据 IOPS。任何一环掉队，代价都很直接：GPU 空转，昂贵算力无法充分释放。
焱融 F9000X Turbo：软硬件双管齐下消解 IO 风暴
针对 AI 训练高吞吐、低时延、大规模并发访问需求，焱融科技与英特尔围绕计算、存储与网络之间的数据传输链路展开深度优化，推出新一代 F9000X Turbo 全闪 AI 存储解决方案。产品深度融合自研 AI 原生分布式文件系统 YRCloudFile、英特尔®至强® 6 平台强劲计算与 I/O 能力、PCIe 5.0 SSD 和 400Gbps 高速网络，系统性提升数据读取、并发 IO 调度与 Checkpoint 读写效率。
在软件层面，YRCloudFile 通过分布式元数据架构、高效数据路由与并行 I/O 设计，提升大规模 AI 训练中的数据访问效率：
-
以“算”取数：文件被切片后打散到多个 OSD 节点，客户端通过 file_id 直接计算数据位置，省去逐跳查询的中间环节，把寻址成本压到最低；
-
就近取用：Dentry-Hash 分布式元数据架构把子目录按哈希打散到不同 MDS 节点，配合客户端多级元数据缓存，百亿级小文件不再挤在同一张元数据表上；
-
多网共存：一套集群同时支持 InfiniBand、RoCE 与以太网，GPU 集群走高速 IB，CPU 业务走以太网，训练数据与业务数据在同一命名空间内互通；
-
数据分层：热数据跑全闪、冷数据下沉对象存储，用智能加载与冷热识别把 TCO 控制在合理区间。
在硬件层面，充分发挥软硬协同优势：
-
Multi-Channel 多网卡聚合，让带宽随网卡数量线性提升，并支持网卡故障透明切换；
-
NUMA 亲和绑定，把服务进程与对应存储盘锁定在同一颗 CPU 的本地内存上，规避跨 NUMA 拷贝损耗；
-
RDMA 单边操作，数据在网卡与内存之间直接搬运，减少内存拷贝、降低 CPU 开销。
从文件系统调度、处理器能力调用，到存储介质、高速网络的端到端调优，F9000X Turbo 可在持续高强度训练负载下高效稳定供给数据，为大规模 GPU 集群构建高性能存储支撑。
三节点打满高速网络，领跑 MLPerf Storage v3.0 全球榜单
MLPerf 是由图灵奖得主 David Patterson 牵头、全球顶尖学术与产业机构共建的最具权威和影响力的 AI 基准测试。在 MLPerf Storage v3.0 测试中，F9000X Turbo 交出亮眼答卷：
-
3D U-Net 模型训练场景：544 GiB/s 聚合读带宽
该项侧重验证持续数据集供给能力。焱融三节点集群跑出 544 GiB/s 聚合读带宽，逼近 600 GB/s 的网络理论上限，带宽利用率高达 97.4%，充分证明其在大规模训练并行读场景下的高吞吐能力，持续为 GPU 集群输送训练数据。
-
Llama 3-70B Checkpoint 场景：读写性能双第一
Checkpoint 性能决定训练任务的保存效率与故障恢复速度。本次测试实现聚合读带宽 539 GiB/s、聚合写带宽 314 GiB/s，两项指标全球领先。更快的写入可缩短权重存档耗时，更高的读取带宽加速故障恢复，最大限度减少训练任务因存储 IO 阻塞造成的算力浪费。
不靠机器堆叠，以高性能密度实现性能与成本双优
过去评价一套 AI 存储，习惯看峰值带宽——数字不够漂亮就加节点，这是最省事的做法。但这在算力密度快速上升的今天既不经济也不高效：GPU 算力快速增长，机房能给出的机位、供电和制冷却没有跟着翻，持续加节点会带来采购、机房、运维多重成本压力。
真正值得比较的，是单位空间里能产出多少有效带宽。3 台 2U F9000X Turbo 能够跑出 544 GiB/s 带宽，利用率高达 97.4%。这意味着：同样的带宽目标，机器数量用得更少、机柜占得更少、交换端口用得更省、上线时需要打通的调试环节也更短。
对企业来说，价值体现在全生命周期：
-
建设：节点精简，直接降低机柜、供电、交换机等配套基础设施投入；
-
运营：更少节点带来更低功耗与运维压力，持续降低训练周期内的运营成本；
-
扩容：高密度架构支持随算力增长平滑扩容，避免单纯依赖硬件规模堆叠实现性能增长。
以更少存储节点支撑更高的聚合吞吐，让存储全方位跟上 AI 算力增长，是焱融持续推动 AI 存储技术创新的重要方向。
深化技术生态合作，以先进存力驱动 AI 基础设施升级
此次联合白皮书的发布，是焱融科技与英特尔在高性能 AI 存储领域持续深化技术合作的重要成果。
作为专注于 AI 存储的独立厂商，焱融科技始终坚持以自主研发的存储软件架构为核心，围绕 AI 模型训练与推理的差异化需求，构建完整的 AI 存储产品体系。
在训练领域，以 YRCloudFile 分布式文件系统及 F9000X Turbo 全闪 AI 存储一体机提供高吞吐、低时延的数据供给能力；在推理领域，则由 YRCache 推理存储系统与 YRCache ContextBox 跨节点共享 KVCache 一体机专门承接 KVCache 卸载、共享复用与推理效率优化。在数据治理领域，依托 DataInsight 数据治理平台，实现海量非结构化数据的统一管理、智能分析与高效检索，提升数据管理效率与利用价值，为 AI 数据准备及应用提供支撑。
面向未来，焱融科技将与生态合作伙伴持续深化软硬件协同创新，以全栈 AI 存储技术创新，推动存力与算力高效协同，为 AI 产业规模化发展提供坚实的数据基础设施支撑。
下载焱融科技与英特尔联合发布的白皮书完整版，深入了解 F9000X Turbo 的技术架构、性能实测与部署细节。
也可前往英特尔官网获取完整版白皮书：https://www.intel.cn/content/www/cn/zh/cloud-computing/f9000x-turbo.html