導語：大模型之戰(zhàn)，誰能快速部署高性能大模型訓練平臺，快速訓練上線，誰就能搶占市場先機。“100+行業(yè)智能化轉型故事”第111期，我們走進知名人工智能企業(yè)科大訊飛，它如何打造存、算、網全棧自研的AI大模型解決方案和算力平臺?

2025上海WAIC大會的“翻譯合作伙伴”、智能語音和人工智能企業(yè)科大訊飛，擁有語音及語言國家工程實驗室和認知智能全國重點實驗室。面對業(yè)界百模大戰(zhàn)，如何快速部署高性能大模型訓練平臺，快速訓練上線，搶占市場有利位置?科大訊飛與華為聯合打造存、算、網全棧自研的AI大模型解決方案，共同建設國內首個支持萬億參數大模型訓練的算力平臺“飛星一號”。

大模型建設中遇到了哪些問題?

星火認知大模型從海量數據和大規(guī)模知識中持續(xù)進化，實現了從提出、規(guī)劃到解決問題的全流程閉環(huán)。人工智能技術從感知理解世界的專用領域向生成創(chuàng)造世界的通用領域進行跨越式演進，這一過程產生了對數據存儲的新挑戰(zhàn)：

• 集群可用度低：AI大模型訓練以多機多卡任務為主，故障頻率高，模型加載和斷點續(xù)訓CheckPoint讀寫時，對存儲系統IO和帶寬性能要求很高，千卡以上集群平均每天故障1次，斷點恢復時間高達15分鐘+，每次損失幾十萬。

• 集群分散不可靠：多家存儲“煙囪式”建設，總容量幾十PB，切分成幾十個PB級的分散小集群，極大地增加了管理復雜度，并采用軟硬分離的方式建設存儲集群，降低了存儲集群的可靠性同時也降低了帶寬能力。

• 數據治理困難：AI訓練集的文件數量有百億個，當前“煙囪式”存儲集群的建設模式，形成多個數據孤島，數據需要人工遷移，效率低。同時無全局數據可視能力，無法識別冷熱數據與高價值數據，數據難以治理。

大模型廠商對存儲的核心訴求是：

1、高性能的存儲底座，以支撐多機多卡的AI集群極致的訓練時長和盡可能快的斷點續(xù)訓能力，降低錯誤回滾率。

2、統一的AI存儲數據湖管理能力，高效可靠的數據治理能力。

優(yōu)質存儲成為大模型時代的“黃金門票”

華為與科大訊飛聯合打造中國首個超大規(guī)模算力平臺AI數據湖存儲底座，針對通用AI大模型訓練，科大訊飛采用算、存分離架構，計算側追求更加極致的算力釋放，存儲側部署多套華為OceanStor AI數據湖解決方案，提供可靠高效的幾十PB超大可得存儲容量。依托智能數據分級與多集群故障隔離、高效數據治理的高性能存儲，實現TB級帶寬，端到端加速AI模型開發(fā)。

15min→1min，斷點續(xù)訓恢復速度提升15倍，日節(jié)省幾十萬元

斷點續(xù)訓恢復速度提升15倍：集群最大提供TB級大帶寬，縮短CheckPoint讀寫耗時，斷點續(xù)訓恢復時長從15min縮短到1min，速度提升15倍。

統一集群管理，99.999%高可靠

存儲集群安全可靠：華為OceanStor AI存儲單集群多Storage Pool的方案，管理面合一，數據面分離，通過數據面隔離避免AI集群故障擴散;同時通過亞健康管理、大比例EC等進一步提升存儲可靠性，單集群可靠性達99.999%。

全生命周期管理TCO降低30%

數據治理成本低：統一數據湖管理，GFS全局文件系統，無損多協議互通，免除數據孤島，數據全局可視、可管，高效流動，跨域調度效率提升3倍，數據零拷貝，端到端加速AI模型開發(fā);千億元數據秒級檢索，智能識別數據熱度，精準分級，實現存儲系統性能與容量均衡。

面向未來更大規(guī)模算力集群，華為與科大訊飛聯合打造中國首個超大規(guī)模算力平臺AI數據湖存儲底座，借助海量數據和知識加速科大訊飛星火認知大模型持續(xù)進化，共建“讓機器能聽會說，能理解會思考，用AI建設美好世界”的美好愿景!

（來源：華為企業(yè)業(yè)務）