在FMS 2025上，Micron发布《Real-world AI workloads need fast, efficient storage》报告，揭示AI算力跃迁背后被忽视的关键瓶颈——存储性能滞后。随着GPU算力迅猛提升，传统存储架构已难以满足AI训练与推理的数据吞吐需求。
算力飞跃，存储跟不上，是AI基础设施真正的隐痛。
存储，正成为AI系统的新瓶颈
过去几年，GPU性能实现跨越式增长，从V100到B200算力提升达37.5倍。然而，支撑数据传输的PCIe带宽仅提升8倍，导致“算力增速远超数据供给能力”的结构性失衡。这一差距使得数据流通成为AI系统的制约因素，传统存储架构面临严峻挑战。
Micron的NVMe SSD组合：高性能、主流、超大容量
为应对多样化AI负载需求，Micron推出三大NVMe SSD产品线：
- 9000系列（高性能）：支持PCIe Gen6，适用于对延迟敏感的AI混合负载；
- 7000系列（主流）：面向通用AI推理与分析任务，强调能效比；
- 6000系列（高容量）：单盘最高可达245TB，聚焦海量数据存储密度。
三大系列分别对应AI存储的核心维度——速度、能效与容量，满足不同场景的差异化需求。
不同AI场景需要不同“泳道”的SSD，通吃策略已难以为继。
GPU主动发起存储访问：IO架构的范式转移
现代AI加速卡拥有上万个并行核心，可并发产生上亿IOPS请求，远超单个CPU核心约百万级IOPS的能力。传统以CPU为中心的存储路径已无法承载如此高强度的IO压力。
为此，NVIDIA与Micron共同推动GPU主导的新型存储访问架构：
- GDS（GPU Direct Storage）：数据直接从存储传至GPU内存，控制路径仍经由CPU；
- BAM（Big Accelerator Memory）：数据与控制流均绕过CPU，实现GPU直连存储；
- SCADA（未来模型）：引入客户端-服务器架构，进一步优化多节点协同效率。
上述架构的核心目标是打破CPU瓶颈，构建更高效、低延迟的存储-算力直通链路。
性能数据背后：Gen6已成刚需
Micron在H3平台上测试BAM架构下的表现：
- 使用20块Micron 9650 Gen6 SSD，实现高达8600万IOPS，预计可突破亿级；
- 单盘带宽线性扩展至107GB/s；
- 在NVIDIA SCADA架构下，小块随机读取接近理想线性扩展。
这些性能高度依赖PCIe Gen6提供的高带宽支持，印证了全链路升级的必要性。
GPU主导的存储访问，不仅需要更快的SSD，更需要全链路的带宽升级。
主流场景的能效战：Micron 7600的数据说话
在企业及边缘部署场景中，能效比至关重要。Micron 7600系列在典型AI负载中表现出色：
- ResNet50图像识别任务中，单位功耗带宽优于主要竞品；
- CosmoFlow和Unet3D等复杂模型任务中，实现更高吞吐与更低能耗。
主流SSD正在从“够用”向“高效”演进，成为降低AI落地成本的关键一环。
容量密度的极限突破：6600系列和122TB SSD
针对长期存储与大模型训练等高容量需求场景，Micron 6600系列采用E3.S规格实现122TB单盘容量：
- 相较传统U.2硬盘，容量提升67%；
- 36U机架内可部署高达88.5PB存储，密度为HDD方案的3倍以上。
更高的存储密度显著降低空间占用与总体拥有成本（TCO），尤其适用于视频分析、大模型预训练等数据密集型应用。
在AI时代，硬盘不是不够用，而是太占地方。
总结：AI时代的存储，不能再被低估
Micron通过9650、7600与6600三大系列产品，覆盖高性能、主流能效与超大容量三大AI存储需求，构建完整战略布局。
这份报告并非产品宣传，而是对AI基础设施的一次深刻提醒：
真正拖慢AI发展的，不是模型，不是算法，而是你还没升级的那一层存储架构。
