不仅是“容器”，还是“加速器”
在传统观念里，存储等数据基础设施就像一个存储数据的“容器”；进入到AI时代，在各种AI应用场景中，存储则摇身一变，成为推动AI应用和推动AI产业化的“加速器”。
以此次MLPerf测试为例，通过运行一个分布式AI训练测试程序，模拟GPU计算过程，要求在GPU利用率高达90%或70%的条件下，以存储带宽和支持的模拟 GPU （模拟加速器）数量为关键性能指标，来评估AI训练场景下存储的性能表现，从而验证存储对GPU算力的加速能力。
如果把计算节点比作“数据工厂”，存储介质则相当于数据仓库。提升存储性能，意味着用户能够在同一时间内通过“存储高速”在“数据工厂”和“数据仓库”之间更高效地存取“数据物料”。

例如，人工智能的大模型训练数据加载、PB级检查点断点续训（其中，检查点相关开销平均可占训练总时间的12%，甚至高达43%）和高并发推理问答等场景下，存储系统的性能直接关乎整个训练与推理过程中GPU的有效利用率。尤其是在万卡集群规模下，相当于规模庞大“数据工厂”，“生产机器”GPU一旦开动，如果没有及时输送“数据物料”，约等于让GPU闲置。有数据显示，存储系统1小时的开销，在千卡集群中就意味着将浪费1000卡时，造成计算资源的损失和业务成本剧增。