ITPub博客

导语：同一套数据库软件、同一份数据、同样的 SQL，换一块存储，QPS 可能差出数倍，尾延迟可能差出一个数量级。存储不是数据库的"背景板"，它往往才是决定性能上限的那块地板。本文从媒体视角梳理本地 NVMe、集中式全闪、分布式块存储、云盘四类主流选择对数据库延迟与吞吐的影响，并给出 OLTP 与 OLAP 的差异化选型与调优思路。 一、先厘清一件事：数据库性能的"地板"是存储 讨论数据库性能时，人们习惯先看 CPU 核数、内存容量、参数调优，最后才想起存储。但在真实生产环境里，存储常常是最先触顶的那一环。 原因很直接：数据库的很多关键操作最终都要落到持久化设备上——事务提交要写日志（WAL/redo），脏页要刷盘，检查点要批量落盘，排序和哈希连接可能溢出到临时文件，备份和恢复更是纯粹的 I/O 工程。CPU 和

导语 过去十年，超融合基础架构（HCI）曾是数据中心里最炙手可热的关键词之一。把计算、存储、网络与管理能力“收敛”进一套标准化节点，用软件定义的方式替代传统 SAN 存储和独立服务器堆叠，这套叙事一度被视为企业基础架构的终局形态。 但技术浪潮从不单向演进。当云原生、容器化、分布式存储和异构算力需求同时涌来，HCI 的边界开始被反复追问：它究竟是普适底座，还是特定阶段的过渡方案？在“收敛”与“解耦”之间，企业基础架构正在经历一轮新的路线摇摆。 一、HCI 的“香”，香在哪里 HCI 的核心吸引力，来自它对传统三层架构的简化。传统模式下，计算、存储、网络各自独立采购、独立扩展、独立运维，企业需要分别面对服务器、SAN 交换机、存储阵列和虚拟化平台，部署周期长、兼容性验证复杂、扩容往往意味着整层升级。 HCI 把这些

导语：过去两年，企业 IT 采购最直观的感受之一，是服务器内存报价不再“按部就班”。当 DDR5 加速替代 DDR4、HBM 又大量挤占先进产能时，内存市场正在从传统的周期波动，转向一场由 AI 基础设施驱动的结构性重估。 一、涨价不是单一因素，而是三条曲线叠加 讨论企业级内存价格，不能只看某一个季度的供需。更合理的框架，是把它放在三条同时发生的曲线里理解：DDR5 的渗透曲线、HBM 的产能挤占曲线，以及原厂资本开支的周期曲线。 这三条曲线叠加后，形成一个结果： 面向企业通用服务器的内存供给弹性在下降，而需求端却因为服务器配置升级和 AI 基础设施扩张而持续抬升。 价格上行，本质上是供需错配的外在表现。 需要说明的是，本文依据现有素材与公开行业逻辑展开分析，不引用具体未经验证的报价数字与厂商数据。凡涉及趋势判

导语：企业采购芯片时，真正决定成败的往往不是跑分榜上的峰值性能，而是这颗芯片背后有没有一整套能跑通业务的软件生态。x86、ARM、RISC-V 三条路线在指令集、编译器、操作系统、数据库与中间件上的差异，正在重塑企业 IT 的选型逻辑。 一、从“买芯片”到“买生态” 在企业级市场，芯片从来不是孤立存在的硬件。一颗 CPU 要真正承载业务，需要经过一条漫长的软件链路：指令集定义硬件与软件的契约，编译器把上层代码翻译成机器指令，操作系统管理资源与调度，数据库和中间件再在其上构建数据与服务能力。 这条链路上任何一环缺失或不够成熟，都会让芯片的实际可用性大打折扣。因此企业采购决策中常见的现象是：峰值性能领先的芯片，未必能拿下核心业务系统；而某些性能参数并不突出的平台，却因为生态完整而长期占据企业机房。 生态之所以比峰值

导语 大模型训练把单机柜功率密度推上了一个前所未有的台阶。过去十几年，数据中心散热的主旋律是风冷——用冷热通道隔离、地板下送风、行级空调把热量带走。但当 GPU 集群从单机几卡走向单柜数十卡、单柜功率从几千瓦迈向几十千瓦甚至更高时，风冷这套沿用多年的工程体系开始显得吃力。散热，正在从数据中心的"配套工程"变成决定算力能否落地的关键约束。 一、风冷的物理极限在哪里 风冷散热的本质，是靠空气作为中间介质，把芯片热量搬运到室外。它的能力受几个物理量约束：空气的比热容、密度、流速，以及芯片到空气之间的热阻。 空气的比热容和密度都偏低，这意味着要带走同样的热量，需要更大的风量或更低的进风温度。当单芯片功耗上升到数百瓦级别，芯片表面到散热器再到空气的热阻就成了瓶颈——热量堆在芯片里出不来，结温迅速逼近上限。 工程上常见的应

导语：几乎每家企业都声称自己有备份。但真正到了需要恢复的那一刻，能从容应对的却寥寥无几。备份、容灾、归档这三件事被长期混为一谈，3-2-1 原则被简化成一句口号，勒索软件把“有备份”变成了“备份是否可信”的新命题。本文从媒体视角梳理企业数据保护体系的常见误区与演进方向。 一、“有备份”和“能恢复”之间，隔着一条鸿沟 在很多企业的 IT 台账里，备份系统的覆盖率、成功率、作业数量都相当漂亮。但一旦发生真实故障——无论是误删除、硬件损坏还是勒索加密——团队往往会陷入慌乱：备份副本在哪？能不能挂载？恢复要多久？恢复出来的数据是不是干净的？ 这种“看起来有，用起来慌”的状态，根源在于把 备份的存在 等同于 恢复的能力 。备份只是手段，恢复才是目的。而恢复能力从来不是靠备份软件的控制台截图证明的，它只能靠一次次真实的演练

导语 过去十年，数据中心网络的代际更替大致遵循着一条相对温和的曲线：10G 到 25G，再到 100G，每一代的切换周期通常以三到五年计。但这一节奏正在被 AI 打破。大模型训练集群对网络带宽的需求，正在把 400G、800G 甚至更高速率的讨论，从"未来时"推到"现在进行时"。对于绝大多数企业而言，问题不再是"要不要关注 800G"，而是"什么时候跟、跟到什么程度、成本怎么算"。 一、为什么是现在：AI 集群把带宽需求顶到了天花板 要理解 800G 的紧迫性，得先理解 AI 训练集群的网络特征。 传统数据中心的东西向流量虽然庞大，但整体呈现"多对多、相对均匀"的分布。而 AI 训练，尤其是大模型的大规模并行训练，产生的是一种高度同步、突发性强、对延迟极度敏感的通信模式。数据并行、张量并行、流水线并行等策略，会

导语 当摩尔定律逐渐从“每两年翻一番”的节奏放缓为“每两年挤一点”，先进制程的物理极限与经济效益问题被同时摆上台面。晶体管越做越小，漏电、发热、量子隧穿等效应愈发难以驯服；与此同时，能负担得起最先进制程研发与建厂成本的厂商越来越少。在这样的背景下，Chiplet（芯粒）与先进封装被反复提及，甚至被部分从业者视为“后摩尔时代”的可行出路。但它究竟是权宜之计，还是半导体产业的结构性转向？本文尝试从技术、成本、标准与产业格局几个维度展开讨论。 一、先进制程的“物理墙”与“经济墙” 先进制程的推进，长期依赖两个引擎：一是晶体管结构的革新，例如从平面 MOSFET 到 FinFET，再到环绕栅极（GAA）结构；二是光刻技术的迭代，尤其是极紫外光刻（EUV）的引入。但这两条路径都在逼近各自的边界。 从物理层面看，晶体管沟道

在2026华为坤灵新品发布会上，找到了答案。华为公司副总裁、数据存储产品线总裁袁远发布了全新华为坤灵智能医疗解决方案，围绕数字诊疗IT平台、智慧诊室、智慧病房三大核心场景进行了全面升级。

导语 打开任何一家主流服务器 CPU 厂商的产品页，最先跳出来的数字往往是核数：64 核、96 核、128 核，甚至更高。核数几乎成了服务器处理器代际升级最直观的标尺，也成了采购清单上最容易被拿来比较的参数。 但把一颗 128 核的 CPU 塞进机架，业务就一定会更快吗？账单就一定会更划算吗？答案远没有参数表那么干脆。核数只是处理器设计中的一个维度，它和主频、单核性能、内存与 I/O 带宽、NUMA 拓扑、软件授权模型、实际业务负载形态纠缠在一起。脱离这些约束去追高核数，很容易掉进“参数内卷”的陷阱。 本文尝试从媒体视角梳理这条链路：核数为什么涨、涨到哪里会碰到天花板、哪些成本被核数悄悄放大、企业该如何按业务负载而不是按参数表做选择。 一、核数为什么一路走高 核数增长的直接驱动力，来自云计算与虚拟化对“密度”的

导语：当业务数据从 TB 级迈向 PB 级，当 Kubernetes 与云原生应用成为默认底座，企业存储选型这道题变得越来越难。分布式存储凭借扩展性和成本优势快速上位，集中式存储则依靠稳定性和运维便利守住核心阵地。两者并非替代关系，而更像是一场关于业务场景、成本结构与运维能力的综合权衡。 一、先厘清三种存储形态：块、文件、对象 讨论分布式与集中式之前，必须先回到存储的三种基本形态，因为形态决定了适用场景，也决定了分布式与集中式各自的发挥空间。 块存储 提供的是裸设备级别的访问能力，通常以卷的形式挂载给主机或虚拟机。它的特点是低延迟、高 IOPS，适合数据库、虚拟化平台、高性能交易系统等对随机读写敏感的场景。块存储本身不理解文件系统，数据组织交给上层操作系统。 文件存储 提供目录树和共享访问能力，多个客户端可以同

导语 过去几年，数据中心架构的演进几乎被“训练”主导：更大的集群、更高的互联带宽、更密集的加速卡，一切围绕把超大模型训出来。但当模型进入大规模落地阶段，真正持续消耗算力、持续产生成本、持续暴露架构矛盾的，正在从训练转向推理。推理对基础设施的要求与训练并不相同——它更在意延迟、更在意单位成本、更在意部署位置。这些差异正在反向传导到服务器形态、存储层和网络层的设计上。依据现有素材判断，这一轮“反向重塑”尚在早期，但方向已经清晰。 训练与推理：两种不同的基础设施逻辑 训练和推理虽然都跑在加速卡上，但它们对系统的诉求并不一致。 训练追求的是吞吐与规模。它通常是一次性、集中式、可容忍较长周期的大任务，对集群内部的互联带宽、并行效率、故障恢复能力要求极高。训练任务可以排队、可以重试、可以为了整体效率牺牲单次响应时间。 推理

导语 过去几年，DPU（Data Processing Unit）和 IPU（Infrastructure Processing Unit）几乎成了数据中心架构讨论中的“常驻嘉宾”。从云厂商到芯片公司，再到服务器与网络设备厂商，都在反复强调一个判断：随着 CPU 需要处理的任务越来越杂、网络带宽越来越高、存储与安全压力越来越大，必须有一类专用处理器来承接基础设施负载。 但一个更现实的问题也随之出现：讲了这么多年，企业到底用上了没有？ 如果只看云厂商和大型互联网平台，答案相对明确——它们不仅在用，而且已经走到自研或深度定制阶段。但如果把视角放到更广泛的企业市场，答案就没那么整齐。很多企业仍停留在评估、试点或特定场景验证阶段，距离大规模普及还有距离。 DPU/IPU 到底解决什么问题？ 理解 DPU/IPU 的落地

导语 过去很长时间里，RDMA（Remote Direct Memory Access，远程直接内存访问）几乎是高性能计算（HPC）领域的专属词汇。它和 InfiniBand 网络、超级计算机集群、科学计算任务紧密绑定，对大多数企业数据中心工程师而言，既遥远又昂贵。但最近几年，这一局面正在发生变化：AI 大模型训练、分布式存储、云原生高性能网络等场景，开始把 RDMA 推到通用数据中心的舞台中央。RDMA 不再只是“超算的玩具”，而正在成为新一代数据中心基础设施的关键能力之一。 一、RDMA 到底是什么，为什么它重要 RDMA 的核心思想，是让一台机器直接访问另一台机器的内存，而不需要经过对方操作系统的内核网络协议栈。传统 TCP/IP 通信中，数据从应用层到网卡要经历多次内存拷贝和 CPU 中断处理，延迟高、

近日，在华为全联接大会2026期间，华为公司董事、华为云CEO周跃峰发表了“共建Agentic Cloud，共赢行业智能体时代”主题演讲。题眼落在共建和行业两个词上，这恰恰点出了华为云对当前AI产业阶段的核心判断：智能体正在从技术概念走向行业落地，而落地的前提，是需要一个足够开放、足够扎实、足够懂行业的云底座。

过去两年，全球AI产业的关键词是“抢GPU”。从Meta、微软到xAI，动辄十万卡级别的集群建设不断刷新着人们对算力规模的想象。在这一背景下，笔者有幸采访到了Akamai云计算首席技术官Jay Jenkins，围绕AI算力的分配逻辑、推理场景的隐性成本、分布式架构的合规价值以及多智能体时代的基础设施挑战，进行了深入探讨。

导语 过去几年，企业面对业务增长和模型规模膨胀的第一反应往往是“加机器”。CPU 不够加 CPU，GPU 不够加 GPU，集群不够就再建一个集群。但当算力账单越来越长、资源闲置越来越普遍时，一个问题开始浮出水面：企业真正缺的，可能不是算力总量，而是把已有算力用起来的能力。 从虚拟化到容器，从单机调度到集群调度，从通用算力到异构算力，再到 FinOps 视角下的成本治理，算力利用率上不去并不是某一个技术点的问题，而是架构、组织、流程和度量方式共同作用的结果。 一、算力利用率的敌人，往往不是“不够用” 在不少企业里，算力紧张和算力闲置是同时存在的。 一边是业务团队抱怨排队太久、任务跑不起来、GPU 不够用；另一边是监控系统显示大量节点长期低负载，部分 GPU 在非高峰时段几乎空闲。这种矛盾说明，问题不只是总量不足，

导语 过去十年，云计算把算力集中到少数超大规模数据中心，用规模效应换来了成本与弹性的双重优势。但当业务场景从“人访问网页”转向“机器实时决策”，集中式架构的物理极限开始显现——光速不会因为资本开支增加而变快。边缘数据中心由此进入视野：它不追求替代云，而是试图解决云“够不着”的那一段距离。问题在于，这究竟是一个真实的基础设施投资周期，还是又一轮被概念包装的机房生意？依据现有素材判断，本文只能从技术逻辑与产业动因层面展开分析，不涉及具体市场规模数据与厂商投资金额。 一、低延迟不是营销词，而是物理约束 讨论边缘计算时，“低延迟”常被滥用。但它的底层逻辑非常硬：数据在光纤中的传播速度约为每公里 5 微秒（往返则翻倍），再加上网络设备转发、协议栈处理、应用层排队，端到端延迟会迅速累积。 对于以下几类场景，几十毫秒的差距不

导语 过去几年，企业级 SSD 市场最显著的变化之一，是 QLC 从“只能做读密集场景”的配角，逐渐走向容量层、温数据层甚至部分混合负载场景。与此同时，围绕 QLC 的争议从未停止：写入寿命够不够、写放大会不会失控、磨损均衡是否可靠、关键业务能不能托付。 这些疑问最终都会落到几个采购指标上：DWPD、TBW、写放大、磨损均衡，以及 QLC 与 TLC 的适用边界。问题不在于“QLC 能不能用”，而在于“在什么条件下、用什么指标判断它能不能用”。 一、寿命焦虑从何而来 企业级 SSD 的寿命焦虑，本质上来自 NAND 闪存的物理特性。闪存单元通过电荷状态表示数据，擦写次数有限。每经历一次编程/擦除循环，氧化层都会累积损伤，单元可靠性逐步下降。 QLC 每个单元存储 4 bit，TLC 每个单元存储 3 bit。单

导语：当算力竞赛从 GPU 核心转向内存墙，HBM（High Bandwidth Memory，高带宽内存）从一颗“配套芯片”变成了决定 AI 加速卡能否量产的关键变量。它既不是最贵的部件，也不是最显眼的部件，却常常是整条供应链上最难扩产、最难替代的一环。 一、从“内存墙”说起：算力越快，内存越拖后腿 过去十几年，处理器算力的增长速度长期快于内存带宽的增长速度，这一落差被业界称为“内存墙”。在传统 DDR 内存体系下，GPU 或 AI 加速器每做一次计算，都要等待数据从内存搬运过来；当模型参数从百万级膨胀到千亿级，数据搬运的能耗和时间甚至超过了计算本身。 HBM 的出现正是为了拆掉这堵墙。它通过硅通孔（TSV）把多层 DRAM 裸片垂直堆叠，再用硅中介层（Interposer）把内存与 GPU 封装在同一基板上