美光高管看2024年AI数据中心、AI PC的存储趋势

电子发烧友网报道（文/黄晶晶）生成式AI带来的产业技术革新不仅在于性能越来越强大的GPU，它同时正在推进存储产品的变化和技术的进步。近日，美光副总裁暨客户端存储事业部总经理Prasad Alluri在接受包括电子发烧友网在内的少数媒体采访时指出，与过往不同，闪存和内存曾各自为政，主要致力于提高密度。AI的兴起带来了两大转变，一是与系统架构的协同优化；二是将能效作为关键优化参数。为此，美光科技正积极优化存储产品、赋能AI在数据中心、PC、智能手机乃至汽车等各领域的应用与发展。
 

AI数据中心：两大存储池的不同存储策略

 
Prasad Alluri表示，在探讨AI基础设施对数据中心存储的具体影响时，我们可以将其视为两个独立的存储池来分析。
 
首先，存在一个庞大的数据池，用于存储供模型训练所需的数据。以GPT-4为例，据估算，其训练过程消耗了互联网上约四分之一的数据，这足以说明大模型所需数据的庞大规模。为了训练这类模型，必须具备存储海量数据的能力，我们可以形象地称之为“数据湖”，即所有待训练数据均汇聚于此。
 
对于这一存储场景，最关键的属性在于能够高效且经济地传输数据。将容量与经济性相结合，意味着需要摒弃主要依赖大容量硬盘驱动器的传统架构，转而采用大容量SSD。此举不仅能减少物理占用空间，还能降低能耗，从而提升整体能源经济性。在此方面，美光科技推出的6500 ION系列产品正是针对大容量存储需求而优化的理想解决方案。
 
另一方面是训练过程实际发生的存储池，即紧邻GPU的存储池。此时，需考虑的是如何将数据湖中的数据高效送入GPU内存以供训练。在此过程中，设备的读写性能至关重要，尤其是随机读取性能。对于这类靠近GPU训练集群的存储，美光9550 SSD从设计之初便旨在满足这些需求。9550 SSD随机读取性能领先业界，速率高达3,300 KIOPS，这正是训练集群所亟需的。
 
此外，美光9550 SSD提供业界领先的能效，并在支持各类AI工作负载方面表现出众，包括使用大规模存储加速器(BaM)进行图神经网络(GNN)训练（SSD平均功耗降低高达43%，整体系统能耗减少高达29%）、NVIDIA Magnum IO GPUDirect Storage（每传输1TB数据，SSD能耗降低高达81%）、MLPerf（SSD能耗降低高达35%，系统能耗降低高达13%）以及使用Microsoft DeepSpeed对Llama 大语言模型(LLM)训练进行微调（SSD能耗降低高达 21%）。
 
 

 

AI PC的存储需求，将远超微软的“基准要求”

 
微软为AI PC产品Copilot+设定了基准要求，其中NPU的算力起始于40 TOPS，内存方面则规定了至少16GB的容量，以及256GB的存储空间作为最低配置。不过，Prasad Alluri表示，这些仅是基础指导线，并未全面界定AI PC的真正内涵。
 
“要深入理解AI PC，我们需将焦点放在用户体验上。AI PC的核心在于通过诸如翻译或图像编辑等任务来提升生产力，且这些任务需在设备上高效完成。正是这种整体体验定义了AI PC，而非单纯的技术规格。为了满足用户的这些期望，我们认为所需的内存量远超最低指导线。事实上，当前多数OEM在打造AI PC时，已配备了24GB至32GB的DRAM。”
 
从存储角度来看，尽管OEM目前提供的最低容量为512GB，但我们认为对于AI工作负载而言，更理想的容量应接近1TB。
 
不过，这不仅仅关乎容量大小，功耗效率和性能同样至关重要。在存储领域，目标是以最高效的方式将AI模型从存储加载到内存中。为此，需要在不增加功耗的前提下，获得尽可能高的吞吐量。美光高性能客户端3500 SSD在相同功耗下提供了业界领先的性能。
 
针对于AI PC，美光科技加速了LPDDR5X在AI PC中的应用普及。与同类SODIMM产品相比，LPDDR5X的性能提升了约1.5倍。此外，还专为AI个人电脑设计了一种新型内存模块——LPCAMM2。与传统SODIMM产品相比，LPCAMM2不仅性能提升1.5倍，而且功耗降低高达58%，空间节省达64%。这款新产品于今年早些时候推出，主要围绕三大目标设计：提升性能、降低功耗以及减小体积。在标准PC中，通常需要两个SODIMM并排放置，占用主板大量空间。而LPCAMM2则将这些功能集成到一个DIMM中，从而显著提升了电源效率和性能。
 
在当前的PC环境中，以我们内部使用的Microsoft Copilot为例，它高度依赖云计算，将大部分复杂任务卸载到云端。然而，未来的AI个人电脑将能够在本地处理部分工作负载，减少对云端的依赖。这样，模型复杂性将降低，AI个人电脑能在保持高性能的同时，实现更高效的能源利用，提高数据处理的灵活性和速率。
 
在PC的本地存储中完全可以放置多个模型，并根据用户查询的上下文加载这些模型。例如，如果用户需要语音转文本服务，您可以加载相关模型；如果用户需要图像创建，您可以加载相应的模型。在此过程中，关键在于以节能方式从存储中加载数据，因此，SSD的性能至关重要，它需在最低功耗下实现最高吞吐量，即充分利用PCIe 4.0 的四通道。
 
为此，美光科技的3500 SSD不仅在最低功耗下提供行业领先的性能。同时，该SSD中内置了启发式算法。当检测到AI工作负载时，驱动器可以主动加载所需的正确模型或数据。这些就是为实现高效能和电源效率所做的优化。
 

QLC越发重要，闪存层数应从纵横向提升

 
当本网记者问及当前QLC对于AI存储越来越重要，美光的看法与规划，以及3D NAND闪存的层数将如何发展等问题时，Prasad Alluri也给出了详细的分析。
 
Prasad Alluri表示，从NAND技术的视角来看，最关键的因素在于每平方毫米的容量密度。也就是我们最终追求的是比特面密度（Bit Areal Density），因为这将有助于降低成本。
 
但是，有多种方法可以实现这一目的。其中一种是对单个物理单元提升容量。这正是四阶存储单元（QLC）技术大显身手的地方，而我们在这一领域始终保持领先地位，特别是在PC市场率先推出了这一技术。目前，美光科技在该领域的市场占有率位居前列。尽管我们尚未宣布针对数据中心的具体计划，但我们仍在持续投资QLC技术，并致力于提高容量密度，这是推动技术进步的重要途径之一。
 
另外，在NAND技术中可以通过堆叠更多层来增加单位面积内的容量。美光科技最近推出了第九代（G9）TLC NAND技术。虽然目前尚不清楚3D NAND的层数何时会达到极限，但在未来的几代产品中，美光的闪存层数将继续增加。
 

 
但他也强调，层数并非实现比特面密度提升的唯一关键因素，因为横向扩展同样至关重要。除了关注3D堆叠层的数量外，还需要考虑单元之间水平位置的接近程度。这种横向优化是美光提高比特面密度的另一个关键领域。