存算协同方案：以技术突破破解存储IO瓶颈

当前，人工智能技术正在千行百业中落地应用，从生物医药领域的蛋白质折叠模拟，到气象预测中的超大规模数值计算，再到自动驾驶系统的实时环境感知，AI应用对算力的需求呈现出指数级增长态势。然而，在算力基础设施快速扩张的同时，存储与计算的协同效率成为制约AI效能释放的关键。

传统IT架构中，计算与存储系统相对独立，数据在两者间的传输依赖于传统网络协议。在AI大模型训练场景下，这种架构的弊端暴露无遗：万亿级参数模型训练需要调用海量训练数据，传统存储系统的IO吞吐能力难以匹配算力集群的运算速度，导致大量计算资源因等待数据而闲置；在推理阶段，GPU显存空间有限，频繁的数据交互进一步加剧了存储IO瓶颈，不仅降低了推理响应速度，还推高了整体运营成本。

根据相关测算，当前AI计算中约有30%的算力资源被消耗在数据传输环节，而非核心的模型运算。这一数据背后，是存算协同效率不足带来的巨大资源浪费。因此，构建高效的存算协同体系，已成为AI时代算力基础设施升级的核心命题，也是突破AI技术落地瓶颈的关键所在。

技术突破：从芯片到应用的三层协同架构

为破解存储IO瓶颈，中科曙光、华为、浪潮等科技企业均提出了算存协同的技术路径，通过超级隧道、AI数据加速等创新设计，实现从芯片、系统到应用的三层传输协同，为AI计算打造高效的数据供给体系。

存算协同的底层支撑在于芯片级的硬件优化。在AI计算集群中，计算芯片与存储芯片的交互效率直接决定了整体系统性能。

以中科曙光为例，其通过自主研发的核心芯片，实现了计算与存储单元的紧密耦合。一方面，芯片内置的高速互联接口支持PCIe 5.0甚至更高级别的数据传输速率，大幅提升了芯片间的数据吞吐能力；另一方面，通过NUMA（非统一内存访问）亲和性优化，为不同数据域配置独享的硬件通道，避免了多任务并发时的资源冲突，确保数据传输的稳定性与高效性。

与此同时，针对AI计算对数据精度的多样化需求，自主可控核心芯片支持8/16/32/64位宽的全精度计算。在蛋白质折叠模拟等场景中，高精度计算能够保证分子结构预测的准确性；而在部分推理场景下，采用低精度计算则可在不影响结果可靠性的前提下，大幅提升数据处理速度。这种灵活的精度配置能力，为存算协同提供了更广阔的优化空间。

此外，华为以昇腾AI芯片为核心，实现