ITPub博客

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

导语 在讨论 AI 算力时，人们习惯把目光投向 GPU、HBM、先进制程和液冷机房。但在这些昂贵硬件之间，真正承担“搬运数据”任务的，往往是一枚枚并不起眼的光模块。它们插在交换机端口上，把电信号转换成光信号，再在光纤中完成高速传输。没有它们，再强的算力也只能困在单机柜内部。 光模块正在从数据中心的配套器件，变成决定网络带宽、时延、功耗和扩容节奏的关键环节。本文尝试从媒体视角梳理光模块在数据中心网络中的角色、速率演进、硅光与 CPO 方向、供应链格局，以及国产光模块的竞争力与瓶颈。 一、为什么说光模块是数据中心的“最后一公里” 数据中心网络通常分为几个层次：服务器接入、叶交换机、脊交换机，以及更上层的核心网络和 DCI（数据中心互联）。在这些层次之间，铜缆可以承担短距离、低速率连接，但一旦距离拉长、速率提升，铜缆

导语 在数据中心和高端计算的语境里，PCIe 一直是一条"沉默但关键"的总线。它不像 CPU 型号那样被频繁讨论，也不像 GPU 算力那样容易被量化，但几乎所有高带宽设备——SSD、GPU、网卡、加速卡——都要通过它才能与系统对话。如今一个略显尴尬的局面正在形成：PCIe 5.0 的生态尚未完全铺开，PCIe 6.0 的规范与产品路线已经提上日程。这种"代际叠加快于落地节奏"的现象，值得从技术演进和产业节奏两个层面拆开来看。 一、代际演进为什么越来越快 PCIe 的每一代升级，核心目标都是翻倍原始带宽。从 PCIe 3.0 到 4.0，再到 5.0，速率翻倍的节奏大致遵循行业惯例。但到了 5.0 之后，继续靠"提高时钟频率"来翻倍变得越来越困难：频率越高，信号在 PCB 走线和连接器上的衰减越严重，功耗和成本也

导语 过去十年，关于“HDD 将被 SSD 彻底取代”的判断几乎每隔一段时间就会重新出现一次。消费级市场确实已经完成了这场替换：笔记本、台式机、游戏主机里，机械硬盘的身影越来越少。但如果把视线转向超大规模数据中心、云服务商和企业的近线存储与归档系统，结论会完全不同——在那里，HDD 不仅没有退场，反而仍然是单位容量成本最低、被大量采购的主力介质。 这篇文章尝试从成本交叉点、HAMR/MAMR 技术路线、近线存储定位以及冷数据与归档场景几个角度，梳理一个核心问题：为什么在 SSD 性能全面领先的今天，超大规模数据中心依然在大量采购 HDD。 一、成本交叉点：HDD 与 SSD 的分界线在哪里 讨论 HDD 的“最后阵地”，绕不开一个核心变量：单位容量成本。 SSD 的优势在于随机读写性能、延迟、功耗和抗震性，但它

当模型参数从十亿级走向千亿级，当推理请求从每天几千次涨到几百万次，企业面对的第一个现实问题往往不是“用哪个模型”，而是“算力从哪来”。自建机房、采购 GPU、组建运维团队，还是直接租用云上算力、按需付费？这道选择题没有标准答案，但有一套可以拆解的算账逻辑。 一、先分清两笔账：CAPEX 与 OPEX 的本质差异 自建算力，本质是一次重资产投入。企业需要一次性支付 GPU 服务器、网络设备、存储、机房改造、电力扩容等费用，这些属于 CAPEX（资本性支出）。这笔钱花出去之后，折旧周期通常按三到五年计算，期间无论用不用，成本都已经沉没。 算力租赁，则把重资产变成了 OPEX（运营性支出）。企业按小时、按卡、按任务或按订阅周期付费，用多少付多少，不用不付。财务上，这笔支出直接进入当期成本，不需要大额前置资金，也不占用

在企业级存储系统中，SSD 的性能、寿命与稳定性往往被简单归因于闪存颗粒的品质。但在实际的数据中心场景中，真正决定一块企业级 SSD 能否长期稳定服役的，往往是那颗不起眼的主控芯片。它承担着闪存翻译、纠错、磨损均衡、性能调度等一系列核心任务，是 SSD 的“大脑”与“交通指挥中心”。 本文将从主控架构、FTL、纠错机制、磨损均衡、性能一致性以及国产主控进展等维度，梳理企业级 SSD 主控为何如此关键。 主控是 SSD 的中枢神经 一块 SSD 由闪存颗粒、DRAM 缓存（部分方案）、主控芯片和固件共同构成。其中，主控芯片负责与主机接口通信、管理闪存读写、执行纠错算法、维护逻辑到物理地址的映射，并调度后台任务。企业级 SSD 面对的是 7×24 小时不间断的混合读写负载，主控需要在延迟、吞吐、功耗和寿命之间持续做

导语 过去两年，企业谈 AI 落地，话题往往从“用哪个模型”开始，最后却卡在“算力放在哪、数据怎么流、延迟能不能压住”这些更底层的问题上。模型能力在快速拉平，真正拉开差距的，是支撑 AI 运行的那套架构。于是，“训练在云、推理在边、数据在端”这套分工，逐渐从一种技术设想，变成许多企业不得不面对的现实选择。 一、为什么是“云、边、端”三分工 企业 AI 的负载天然不是同一种形态。训练和推理对算力、延迟、数据位置的要求截然不同，把它们塞进同一层架构，往往两头不讨好。 训练在云。 大模型训练需要大规模 GPU 集群、高速互联和弹性调度能力，这类资源集中在云上最经济。云端的优势不只是算力规模，还有按需扩缩、任务编排和实验迭代的便利。对企业而言，把训练放在云上，本质是用资本开支换弹性。 推理在边。 推理是高频、持续、贴近

从带外管理到 Redfish，从固件自动化到 AIOps，企业基础设施运维体系正在经历一次底层逻辑的重构。 导语 过去十几年，服务器运维的核心矛盾几乎没有变过：机器越来越多，人却不可能同比例增加。早期靠 SSH 批量脚本、靠人工巡检、靠“老师傅经验”撑起来的运维模式，在规模上云、异构算力、混合部署的今天已经难以为继。行业正在从“人肉运维”向“自治运维”演进，而这条路径上，带外管理、Redfish、固件自动化、AIOps、预测性维护、批量部署与灰度升级，构成了几个关键的支点。 一、带外管理：自治运维的“神经末梢” 要谈服务器运维的自动化，绕不开带外管理（Out-of-Band Management）。它独立于操作系统运行，即使主机宕机、系统崩溃、网络配置错误，只要供电和带外通道还在，运维人员就能远程完成开关机、重

导语 过去二十年，数据中心选址的核心逻辑相对清晰：靠近用户、靠近网络骨干、靠近土地和人力成本洼地。延迟是硬指标，谁离用户更近，谁就更有竞争力。但 AI 训练与推理集群的爆发，正在把另一组变量推到决策桌的中央——电力。更准确地说，是电力的 可获得性、价格、稳定性与绿色属性 。当单座 AI 数据中心的用电规模逼近中小城市、当电力接入周期开始以年为单位计算，选址的第一性问题已经从“离用户多近”变成“电从哪里来、能不能拿到、拿得贵不贵”。 依据现有素材判断，这一转向并非短期波动，而是由 AI 负载的物理特性、能源基础设施的建设周期和区域政策差异共同驱动的结构性变化。本文从电价、绿电、气候、土地、政策与网络延迟六个维度，梳理选址权重的迁移，并给出一个可操作的决策框架。 一、AI 把“电力密度”变成了选址的第一约束 传统云

导语 存储是数字基础设施中最"沉默"的一层。它不像 CPU、GPU 那样频繁出现在聚光灯下，却直接决定了数据中心的成本结构、性能上限和供应链安全。过去几年，国产存储在政策牵引与真实业务需求的双重推动下，从单盘、主控芯片一路走到阵列和分布式系统，替代的深度和广度都在变化。但这条链条上各环节的成熟度并不一致，替代的节奏也远非齐头并进。本文尝试从媒体视角梳理这条链路的现状、差距与风险。 一、替代的三个层次，难度并不相同 把"国产存储替代"当成一件事来看，容易误判进度。更合理的拆法是三层： 介质与盘 ：SSD 整盘、NAND 闪存颗粒、主控芯片。 系统与阵列 ：传统集中式存储阵列、SAN/NAS 产品。 分布式与软件定义 ：分布式存储系统、软件定义存储、云原生存储接口。 这三层的替代逻辑完全不同。盘是标准化程度最高的硬

导语：算力采购清单上的 GPU 数量在涨，训练任务的 GPU 利用率却常常停在低位。真正的瓶颈往往不在芯片本身，而藏在数据加载、通信、调度、checkpoint、存储与网络的链路上。本文从媒体视角梳理这些“隐形瓶颈”的常见形态，以及企业做全链路定位与优化的思路。 一、GPU 利用率低，未必是 GPU 的问题 在不少企业的 AI 集群里，一个尴尬的现实是：卡买回来了，利用率却上不去。监控面板上 GPU 利用率忽高忽低，训练任务时快时慢，团队第一反应往往是“卡不够”或者“模型太大”，但真正的原因常常在 GPU 之外。 依据现有素材判断，GPU 利用率偏低通常不是单一环节造成的，而是数据、通信、调度、容错、存储、网络等多个环节叠加的结果。GPU 只是在链路末端“等饭吃”——等数据、等梯度、等调度、等 checkpoi