2008年的一场春运，掀起了高铁替换传统内燃机列车的大幕，这才有了海外游客为之惊叹的四通八达的高铁交通系统。事实上，基础设施的超前配置恰是中国经济、科技发展的一项核心动能。

具体到AI的发展轨迹，我们虽不能透过大模型研发的“黑箱”窥见这么一个确定的时刻，但可以确认的是，在算力焦虑开始演变成“算效”焦虑的当下，存储性能也是时候迎头赶上。而满足大模型时代的存储需求，也成为京东云云海“卡位战”的核心目标。

前文提到，从AI训练的需求来看，存储性能的考量主要集中在IOPS、时延与带宽上。

IOPS指的是每秒输入输出操作次数，作为衡量存储性能的重要指标，IOPS越高，设备检索或存储数据的速度越快。说白了，存储的并发吞吐量实际上决定了模型本身刚性的读取与写入速度。

另一方面，AI训练PB级数据规模下的随机访问好比人满为患的超市。不论超市增加多少售货员，只要售货员的效率不高，顾客便会在不同队列中往返等待，待训练框架吞吐的数据也是如此——空有IOPS而短于时延的性能没有任何意义。

带着这样的标准审视京东云云海的性能表现，不论是打底的千万级IOPS，还是基于RDMA调优，做到单个小文件访问时延平均100微秒，我们都能看出京东云云海卡位AI存储的底气所在。

更重要的是，其在数据传输的带宽利用率上也接近极致水准。在400GB的IB网络中，京东云云海存储的带宽利用率压榨到了84%左右，这一指标已然接近理论极限。

随着性能的“硬提升”，存储性能与GPU之间的“小马拉大车”关系迎刃而解，京东云云海亦借此于存储行业卡住了自己的身位。但紧随其后的是自内部业务场景走向更广阔的天地，在其极致性能走进实际场景的过程中，还少不了“软适配”。

作为不显于人前的底层基础设施，存储不涉及具体应用层产品，在理论上没有定制化的需要。实际上，不同行业的数据存储习惯与业务场景千差万别，存储产品本身亦需要因地制宜的调优。

例如当下正围绕智驾展开肉搏的车企，其存储需求便集中在路况或车机实时采集的数据存储，以及这些数据湖仓一体化清洗后，高效调用来训练智驾模型两方面。尤其是后者，“一旦高端GPU集群有闲置5%左右的时间，他的成本就相当于要重建一套分布式存储的集群。”

我们了解到，进入国内某智驾实力玩家L3与L4模型研发中的京东云云海，满足了该企业上百个GPU计算节点在模型训练过程中访问存储数据，并应对计算节点的高并发访问的需求。

云端之下，面对主要采用一体机为存储设施的医疗行业，京东云云海亦会在统一存储引擎的平台基础上，向集成商、ISV开放不同能力，共同结合具体的配置容量、盘的个数、规模与存储介质做深度定制。

自2023年正式步入外部市场的京东云云海，目前已开拓了包括汽车、银行、券商、零售等领域超100家大型企业。迄今为止，其未曾出现过任何服务中断的故障。