在AI概念沒有火熱之前，無論手機還是PC都已經悄然引入人工智能加速相關的硬件和技術，目的是在部分功能上獲得更好的體驗，比如手機相冊中的人臉智能識別和分類， PC和NAS在算力閑暇時對圖像、視頻的整理，以及視頻通話時的背景虛化等等都是很好的例子。
這個時期的AI計算我們通常稱為決策式AI，即在成熟的底層技術框架內，通過數據分類標簽和辨別的形式，通過CPU、GPU、NPU等處理器合力，它們的特點是，具備一套成熟的判斷機制，通過夜以繼日的訓練識別，不斷提升精度，并具有很強的針對性。
隨著大模型的火爆，另一種AI也推向了大眾視野，即被稱為生成式AI。無論是云端AI服務加速，還是近期能夠本地運行200億參數大語言模型的AI PC，它們的思維是發散且具有創造性的，同時對硬件也提出了更高的要求。
生成式AI背后的海量數據
生成式AI與決策式AI最大的不同在于模型的規模，大模型計算本身意味著高算力、高存儲需求。正因為如此，LLM大語言模型才會成為推向應用層面的首要選擇，原因很簡單，相對于圖像、視頻而言，抽象的文字已經是最好整理的了。
但即便如此，大語言模型本身占用的數據量仍然巨大，以GPT-3為例，光是訓練參數就達到了1750億個，訓練數據達到45TB，每天會產生45億字內容，每次訓練費用需要460萬美元。而進階到GPT-4之后，訓練參數從1750億個增加到1.8萬億個，訓練成本進一步提升到6300萬美元，訓練數據量信息雖然沒有公布，但可想而知增長也是指數級的。
有意思的是，大語言模型訓練在當下似乎已經變成了日常，頭部廠商已經將目光投向了圖像生成和視頻生成，近段時間火熱的文字生成視頻應用Sora，以及文生圖Midjourney都是很好的例子?，F在我們知道光是文字內容就可以占據海量的存儲空間，如果將訓練模型換成圖像、視頻，對內容存儲和讀寫性能需求也注定指數級攀升。
SSD很重要
隨著生成式AI深入到不同領域，能夠提供高速存儲性能的SSD變得至關重要。不僅如此，對于企業和數據中心而言，存儲的可靠性、能效、性價比，以及對前沿技術的支持都變得至關重要。比如，企業級用戶會考慮在有限的機房空間內獲得更多的容量，即提升單位存儲密度，并且還要考慮機架和機房的散熱能力和供電能力，這時候EDSFF規格似乎就成為了不錯的選擇。
EDSFF，即企業與數據中心標準外形規格，特點是由頭部企業引領并獲得行業認可，針對物理尺寸、散熱、性能、布局、安裝便捷性等特性優化，從而達到更好的效果。
比如鎧俠CD8P就配備了前瞻性的EDSFF E3.S版本，支持PCIe® 5.0和NVMe™ 2.0，可提供高達30.72TB的存儲容量，擁有可達12,000MB/s順序讀取性能，并具備2000K IOPS的4K隨機讀取能力，在能耗與應用性能表現之間做到很好的平衡，為數據中心和企業級用戶提供合理的擴容選擇。
如果希望性能更進一步，鎧俠CM7系列作為高性能企業級雙端口固態硬盤同樣值得參考，事實上CM7系列是較早提供PCIe® 5.0和NVMe™ 2.0支持，并已經充足釋放PCIe® 5.0性能的產品，最大容量同樣也達到了30.72TB。擁有高吞吐量和高密度存儲的性能表現，非常適合大模型計算，大數據，深度學習加速、AIGC等人工智能應用場景。
而隨著生成式AI的硬件需求越來越高，同時也不能忽視龐大的數據量需要高性能接口、大容量存儲支持，鎧俠企業級和數據中心級固態硬盤則早已為其做好了充足的準備。未來AI的發展路徑中，也注定少不了鎧俠SSD承擔起存儲與加速的重要角色。
*容量的定義：鎧俠定義1兆字節(MB)為1,000,000字節，1千兆字節(GB)為1,000,000,000字節，1兆兆字節(TB)為1,000,000,000,000字節。但是計算機操作系統記錄存儲容量時使用2的冪數進行表示，即定義1GB = 230 = 1,073,741,824字節，因此會出現存儲容量變小的情況?？捎么鎯θ萘?包括各種媒體文件的示例)將根據文件大小、格式、設置、軟件和操作系統(例如Microsoft®操作系統和/或預安裝的軟件應用程序)或媒體內容而異。實際格式化的容量可能有所不同。
*1千位字節 (KiB) 指 210, 或1,024字節，1兆字節(MiB) 指 220，或1,048,576 字節，1千兆字節(GiB)指230, 或1,073,741,824字節。
*IOPS：每秒輸入輸出(或每秒I/O操作數)
*讀寫速度可能因主機設備、讀寫條件和文件大小的不同而不同。
*信息隨時可能更改：雖然鎧俠在發布時已努力確保此處提供信息的準確性，但產品規格、配置、價格、系統/組件/選項等的可用性都可能發生更改，恕不另行通知。
*產品圖像可以代表設計模型。圖像僅用于說明目的。產品外觀可能與實際產品不同。閃存組件的實際數量因硬盤容量而不同。
（來源：鎧俠）
