ITPub博客

导语 在“双碳”目标与算力需求同步膨胀的背景下，数据中心既是耗能大户，也被视为一座尚未充分开发的“城市热源”。余热回收从早期示范项目走向工程化讨论，核心问题已不再是“能不能做”，而是“在什么条件下值得做、由谁买单、如何稳定运行”。本文尝试从技术路径、热泵与区域供热、成本回收周期、南北差异、政策激励与落地难点等维度，梳理这一议题从概念到工程现实的真实距离。 一、余热从哪里来：数据中心的热量结构 数据中心的电能消耗，最终绝大部分以热能形式释放。按行业通识，IT设备用电中相当比例转化为热量，需通过冷却系统排出。可回收的热量通常来自几个环节： 风冷/液冷服务器排热 ：温度品位相对较低，但总量大、连续性强。 冷冻水系统回水 ：在集中冷却架构中，回水携带大量低品位热。 UPS、配电与照明等辅助系统 ：占比小，回收价值有限。

导语 过去十年，企业级 SSD 的单盘性能经历了数量级的跃升。NVMe 接口取代 SATA/SAS，PCIe 通道从 Gen3 一路推进到 Gen4、Gen5，随机读写 IOPS 从几万攀升到百万级，延迟从毫秒级压缩到微秒级。按常理推断，存储底座变快了，上层业务理应同步提速。 但现实往往并非如此。很多企业完成 SSD 升级后，数据库 QPS 没有明显变化，虚拟化平台的虚拟机密度没有提升，AI 训练的数据加载依然是瓶颈。盘快了，业务没快——这就是企业级 SSD 的“性能孤岛”现象。 本文尝试从盘、主控、PCIe 通道、RAID 卡、操作系统 IO 栈、文件系统到应用层，梳理这条全链路上可能存在的瓶颈，并讨论在木桶效应下，如何定位真正的短板。 一、性能孤岛是怎么形成的 “性能孤岛”的核心逻辑并不复杂：存储设备的性能

导语 企业 IT 基础设施的国产化替代，已经从“要不要做”进入“怎么做、做到哪一层、用什么节奏做”的阶段。芯片、服务器、存储、操作系统、数据库构成了一条很长的技术栈，任何一层的变化都会牵动上层应用、运维体系和采购周期。现实中的替代并不是一次性切换，而更像是在性能、生态、成本与业务连续性之间反复权衡的长期工程。 一、全栈替代的真实边界：不是一块芯片的事 谈国产化替代，最容易聚焦在芯片上。但企业基础设施是一条完整的栈：底层芯片决定算力与指令集生态，服务器承载整机与固件，存储负责数据持久化与性能，操作系统提供运行时与驱动支持，数据库则直接关系到业务数据的读写与事务一致性。 这条栈的特点是“木桶效应”明显。芯片性能再强，如果操作系统驱动适配不足、数据库迁移工具不成熟，整体替代体验依然会打折扣。反过来，某一层生态成熟，也

导语 当一座数据中心从几万台服务器扩张到几十万台、上百万台规模时，运维这件事的性质就变了。它不再只是“把机器管好”，而是要在一个持续膨胀、故障常态化、能耗与人力成本同时承压的系统里，维持可用性、效率和成本之间的平衡。也正因如此，超大规模数据中心的运维自动化，成了过去十年里最现实、也最不浪漫的一场工程演进。 一、从“人海巡检”到“机器巡检” 早期数据中心运维最典型的画面，是运维人员推着推车、拿着清单，在机柜间逐台检查指示灯、温度、线缆和风扇。这种模式在几千台服务器规模下尚可维持，但到了超大规模，人力巡检的边际成本会迅速失控：通道太长、设备太多、故障太碎，人眼和纸质流程都无法保证一致性。 机器人巡检是这几年最直观的变化之一。行业里已经出现轨道式、轮式或悬挂式的巡检机器人，搭载摄像头、红外热成像和传感器，沿着机房通道

导语 数据加密早已不是“要不要做”的问题，而是“在哪一层做、密钥交给谁管、性能代价能不能接受”的工程选择题。企业级存储的加密体系大致可以分为两条主线： 数据静态加密（Encryption at Rest） 与 数据传输加密（Encryption in Transit） 。前者保护落盘后的数据，后者保护网络链路中的数据。两条主线背后，又共同依赖一个更棘手的问题——密钥管理。本文从媒体视角梳理自加密盘、软件加密、密钥管理、合规要求与性能开销这几个关键切面，讨论企业落地时的真实取舍。 一、为什么“静态加密”成为企业存储的默认项 过去，静态加密常被视为金融、医疗等强监管行业的专属需求。如今它逐渐成为企业级存储的基线能力，原因主要有三： 合规驱动 ：等保、数据安全法、个人信息保护相关法规，以及 GDPR、PCI DSS、

导语：大模型从“能跑起来”走向“跑得起”，推理成本正在成为企业 AI 落地的核心约束。本文从算法层与基础设施层两条主线出发，梳理量化、蒸馏、批处理、KV Cache、推理芯片与服务器选型等关键手段，讨论单位 token 成本究竟从哪里降下来。 一、为什么“单位 token 成本”成为焦点 训练决定模型能力的上限，推理决定业务能否规模化。当大模型进入客服、编程助手、搜索问答、文档处理等高频场景后，成本结构会发生根本变化：训练是一次性的大额投入，推理则是持续发生的运营支出。用户每一次提问、每一次生成，都会消耗算力、显存带宽和电力。 因此，行业关注点正在从“模型有多大”转向“每个 token 要花多少钱”。单位 token 成本不是一个单点指标，它同时受模型结构、推理引擎、硬件利用率、并发调度和机房条件影响。降本也不

导语 在数据中心里，固件升级大概是运维团队最不愿意主动触碰的操作之一。它不像应用发布那样可以随时回滚，也不像配置变更那样影响面清晰可见。一次固件刷新，可能让一台服务器重启后彻底失联，也可能让整批机器的网卡、RAID 卡、BMC 出现难以复现的异常。更麻烦的是，固件往往横跨多个厂商、多个组件、多个管理通道，工具链彼此割裂，流程难以标准化。 这篇文章尝试从媒体视角梳理：服务器固件升级的风险究竟来自哪里，批量灰度与回滚为什么难做，带外管理在其中扮演什么角色，厂商工具差异又给企业带来了哪些现实困扰，以及企业可以如何建立一套相对安全的固件变更流程。 一、固件升级的风险，为什么比软件发布更难控 固件是运行在硬件底层、直接与芯片和板卡打交道的程序。它与普通应用最大的区别在于： 它一旦写入，往往没有“进程级”的退路 。 从运维

导语 过去二十年，企业网络的演进节奏始终慢于计算与存储。服务器早已完成从专有小型机到 x86 白盒、从封闭系统到开源操作系统的迁移，而网络设备仍然高度依赖厂商软硬件一体的交付模式。SONiC（Software for Open Networking in the Cloud）的出现，正在把"操作系统与硬件解耦"这一在计算领域被反复验证的路径，搬到交换机上。它能否在企业级网络中复制服务器领域的开放化进程，是当下值得认真讨论的问题。 一、SONiC 是什么，为什么它重要 SONiC 最初由微软在云数据中心场景中孵化，后捐赠给 Linux 基金会旗下的开放网络生态。它的核心思路并不复杂：把网络设备的软件拆成可独立演进的模块，运行在统一的 Linux 基础之上，并通过容器化方式组织各功能组件，再借助一套统一的抽象接口与

导语 过去十年，对象存储更多被视为“便宜、容量大、接口简单”的归档与备份介质。它擅长存放海量冷数据，却很少被当作高性能业务系统的主存储来讨论。但随着大模型训练、数据湖分析和云原生应用的普及，这一印象正在被快速改写。对象存储不再只是数据终点，而正在成为 AI 时代的数据底座。 依据现有素材判断，这一趋势的核心驱动力并不神秘：AI 需要海量数据、需要弹性扩展、需要高并发读取，也需要与计算生态无缝衔接。而对象存储的架构特性，恰好与这些需求高度契合。 从“归档层”到“数据底座” 传统企业存储体系通常分为块存储、文件存储和对象存储。块存储提供低延迟、高 IOPS 的裸设备能力，适合数据库和虚拟机；文件存储提供目录树和 POSIX 语义，适合共享文件与高性能计算；对象存储则以扁平命名空间、HTTP API 和近乎无限的扩展

导语：当大模型从实验室走向生产系统，GPU 采购从“买几张卡跑跑看”变成了一项牵动预算、机房、软件栈和长期运维的基础设施决策。算力和显存是最容易被写进采购清单的两个数字，但它们远不是全部。显存带宽、互联能力、软件栈成熟度、生态兼容性、功耗与散热，以及训练卡与推理卡的本质差异，往往才是决定项目能否落地、成本能否收敛的关键变量。 一、为什么“算力 + 显存”是最容易误导人的组合 在多数 GPU 规格页上，峰值算力（TFLOPS）和显存容量（GB）被放在最显眼的位置，这符合直觉：算力决定计算速度，显存决定能装下多大的模型。但企业级选型的复杂性恰恰在于，这两个数字都是“上限指标”，而不是“有效指标”。 依据现有素材判断，单纯比较峰值算力容易忽略几个现实约束： 算力能否被喂饱 ：GPU 的计算单元需要持续的数据供给，如果

导语 过去十几年，数据中心供电架构的演进相对温和：市电引入、UPS 保障、列头柜配电、机柜按 5～10kW 设计，这套体系支撑了云计算时代的稳定运行。但 AI 训练与推理集群的规模化落地，正在把单机柜功率密度推向一个传统架构难以从容应对的区间。供电链路不再是"配套工程"，而成为决定算力能否落地、何时落地、以多大成本落地的关键变量。 一、功率密度飙升：问题的起点 AI 集群对供电的第一个冲击来自功率密度本身。 传统通用计算机柜的功率通常在几千瓦量级，风冷即可覆盖，配电以列头柜加普通机柜 PDU 为主。而搭载高功耗加速卡的 AI 训练机柜，单柜功率已经进入数十千瓦乃至更高区间，且呈现几个新特征： 单柜功率台阶式上升 ：不是渐进增长，而是随加速卡代际更替出现明显跳变。 功率波动剧烈 ：训练任务的负载曲线与推理的潮汐特

“集中式存储不适合AI推理。”很多人认为，AI推理依赖本地NVMe盘的高性能，传统集中式存储由于协议栈厚重、延迟高，难以胜任。但事实真的如此吗？针对上述疑问，在2026年CCF全国信息存储技术学术会议上，中科曙光正式发布了全新迭代的AI推理原生存储FN Neo，用一套快、稳、开放的池化共享架构，对这一行业认知发起了强有力的挑战。

导语：在存储选型会上，厂商 PPT 上最醒目的数字往往是峰值 IOPS 和最大带宽。但真正决定业务体验的，常常不是那个“最好看”的瞬间，而是系统在压力、干扰和后台任务叠加时，能否把延迟稳定地控制在一个可预期的范围内。对企业级存储而言，性能一致性正在从“加分项”变成“必选项”。 一、峰值数字为什么容易误导人 峰值 IOPS 和峰值带宽，本质上是在特定条件下测得的“上限能力”。它们通常来自理想化的测试环境：队列深度拉满、访问模式规整、无后台任务干扰、无多租户争抢。这样的数字有意义，它能说明硬件的理论天花板，但它回答不了一个更关键的问题—— 在真实业务持续运行的过程中，性能会不会突然塌陷？ 企业业务很少以“峰值状态”长时间运行。数据库有事务提交的波峰波谷，虚拟化平台有成百上千台虚拟机此起彼伏的 IO，备份、快照、复制

导语 企业采购芯片时，习惯先看峰值性能、核心数、主频和显存带宽。但在真实数据中心里，决定这笔投资能否长期成立的，往往不是跑分榜上的名次，而是机柜里持续攀升的电流、空调系统不断加码的负荷，以及财务部门每月收到的电费单。当单颗 CPU、GPU 或加速卡的功耗从过去的百余瓦一路走向数百瓦甚至更高，企业级芯片的竞争逻辑正在发生变化：性能依然重要，但“每瓦性能”和“全生命周期 TCO”正在成为更冷静的选型尺度。 功耗墙不是单颗芯片的问题 讨论芯片功耗，容易把注意力集中在单颗处理器的 TDP 或板卡功耗上。但企业级部署中，功耗从来不是孤立指标。芯片功耗上升会沿着整条基础设施链路传导：主板供电模块需要更强的电流承载能力，服务器电源需要更高功率和更高转换效率，机柜配电需要重新核算上限，机房制冷系统需要处理更多热量，甚至楼宇供电

当企业把工作负载分散到多家云厂商时，计算资源可以按需调度，但数据往往被牢牢锁在各自的存储孤岛里。跨云数据迁移、一致性维护、访问延迟、出口费用与数据主权，正在成为多云策略中最难啃的骨头。 导语 多云已经成为许多企业架构演进中的默认选项。避免单一厂商锁定、满足不同区域的合规要求、按业务特性选择最合适的云服务，这些理由都足够充分。然而，当架构师真正开始设计跨云的数据层时，会发现一个尴尬的现实：计算可以多云，存储却很难多云。 数据不像容器那样可以随意调度。它有自己的体积、生命周期、访问模式和合规约束。每一次跨云流动，都要在成本、延迟、一致性和法律边界之间做权衡。本文从媒体视角梳理多云存储的核心难题，并讨论业界目前常见的折中方案。 一、跨云数据迁移：说起来容易，做起来贵 跨云数据迁移通常分为两类场景：一次性迁移和持续性同

导语 当企业安全团队把大量预算投向终端检测、云工作负载防护和身份治理时，有一层代码长期处在视野边缘：它在操作系统启动之前就已经运行，拥有比内核更高的权限，却往往不在资产管理系统的清单里，也不在漏洞扫描器的覆盖范围内。这就是固件与 BIOS。它既是服务器、笔记本和网络设备启动的第一环，也是整个供应链信任链条的起点。一旦这一层被攻破，上层的所有安全控制都可能建立在流沙之上。 一、为什么固件是供应链中最薄弱的一环 传统安全模型默认“硬件和固件是可信的”，威胁主要来自操作系统之上的软件层。这个假设在今天已经站不住脚。 固件位于软件与硬件之间，负责初始化平台、配置关键硬件、把控制权交给引导程序。它的特殊性在于三点： 权限极高 ：固件运行在比操作系统内核更底层的位置，能够绕过许多上层安全机制。 持久性强 ：固件存放在主板上

导语：过去十年，企业数据湖解决的是“把数据存下来”的问题；而随着湖仓一体、对象存储底座、元数据管理与计算存储分离等技术的成熟，以及 AI 训练对数据供给提出全新要求，数据湖正在被迫回答一个更难的问题——如何让数据真正被用起来。 一、从“数据沼泽”到“数据资产”的十年 企业数据湖的早期叙事并不复杂：用一套低成本、可扩展的存储系统，把来自业务系统、日志、传感器、外部接口的原始数据先集中收拢，等需要时再分析。这个思路在存储成本上极具吸引力，也让“先存后治”成为很多企业的默认路径。 但现实很快给出了反馈。当数据只进不出、缺少治理、缺少元数据描述、缺少统一权限时，数据湖很容易退化为“数据沼泽”——数据确实存下来了，却难以被找到、被信任、被复用。于是，过去几年行业的重心开始从“存”转向“管”和“用”：湖仓一体试图把数据仓库

导语 过去十几年，企业数据中心的主流叙事一直围绕“机架式服务器”展开：标准 19 英寸机柜、1U/2U 节点、以太网互联、按需采购、逐步扩容。刀片服务器曾在高密度与集中管理上掀起过一轮形态创新，但随后又在通用计算时代逐渐退潮。如今，随着 GPU 加速计算、LLM 训练与推理、整机柜交付、OCP 开放标准、供电与散热约束同时逼近，服务器形态再次发生变化。问题不再只是“买几台服务器”，而是“机房能不能接得住”。 一、从机架式到刀片：形态变化从来不是审美问题 机架式服务器的优势在于标准化与灵活性。1U、2U 节点可以独立采购、独立维护、独立替换，适合通用业务逐步扩容。它的局限也很明显：当计算密度上升，电源、风扇、交换、布线和管理开销会迅速侵蚀机柜空间。 刀片服务器试图解决这一问题。通过机箱集中供电、散热、网络和管理，

导语：当大模型从实验室走向生产系统，安全议题的重心正在从"模型本身是否对齐"扩展到"承载模型的整套基础设施是否可信"。模型窃取、数据投毒、推理攻击、GPU 资源滥用、AI 供应链安全——这些风险不再只是算法团队的问题，而是开始落到算力、存储、网络与调度层的工程责任上。 一、从"模型安全"到"基础设施安全"的视角迁移 过去两年，围绕 AI 安全的讨论大多集中在模型层面：对齐、越狱、幻觉、内容合规。但随着企业把 LLM 推理服务、微调流水线和向量数据库接入核心业务，一个更底层的问题浮出水面—— 攻击面正在从模型权重扩展到承载模型的整套基础设施 。 依据现有素材判断，这一迁移并非概念炒作，而是由三个现实变化共同推动的： 模型权重成为高价值资产，具备被窃取、被复现的商业动机； 训练与推理依赖的 GPU 集群成为稀缺资源

导语 在云计算、Kubernetes、大模型训练集群轮番占据技术头条的当下，企业级操作系统很少成为舆论焦点。它不像 CUDA 生态那样牵动 AI 算力叙事，也不像 HarmonyOS 那样自带消费市场热度。但几乎所有上层技术栈——数据库、中间件、容器运行时、可观测性组件——最终都要落在某个 Linux 发行版的内核与用户态之上。一旦这个底座出现生命周期断档、安全补丁延迟或生态适配缺口，代价往往不是一台机器的问题，而是整个生产体系的连续性问题。 本文尝试从媒体视角梳理 RHEL、Ubuntu、SUSE 以及国产操作系统在企业级场景中的差异维度：内核版本策略、生命周期、安全补丁机制、生态适配，以及迁移与长期维护成本。 一、企业级操作系统的“企业级”到底指什么 消费级操作系统关注的是开箱体验、硬件兼容和更新频率。企业