【赛迪网讯】过去两年，AI 基础设施的评价坐标系正在悄悄位移。训练决定模型能力的上限，推理决定商业回报的下限——当大模型从"练出来"走向"用起来"，行业的注意力也从"模型训练得多快"转向"模型服务得多快、规模多大、成本多低、运行多稳"。这是一场从"以训练为中心"到"以推理为中心"的重心迁移。

而这场迁移，把一个沉寂多年的品类重新推到了台前：集中式存储。

在多数人的直觉里，集中式存储（传统 NAS、SAN）是结构化数据时代的产物，弹性扩展不足、协议与 IO 模式不匹配、面向"稳态"而非"实时"，天然与 AI 推理格格不入。这几乎是一种集体共识，也是一种"错觉"。与此同时，另一个更棘手的变化正在发生：随着智能体（Agent）把一次对话扩展成一连串自主执行的子任务，大模型推理伴生的 KV Cache 开始从"临时缓存"，演变为一种具备生成成本、复用价值、生命周期、需要跨节点共享和管理的"类数据资产"。它直接决定了 GPU 要不要重复计算，也就直接决定了推理的 Token 产出效率和单位成本。

于是问题变得尖锐：谁来做 KV Cache 的"共享仓库"？集中式存储这个老兵，究竟是被时代抛弃，还是被时代重新需要？围绕这些问题，赛迪网采访到中科曙光集中式存储产品部总经理郭照斌。FN Neo被官方定位为"专为 AI 推理设计的集中式全闪存储"，作为其操盘者，郭照斌给出了他的答案，也在多个问题上难得地坦率"泼了冷水"。

把错觉拆开看：后端是服务器还是双控阵列，用户或许并不关心

"集中式存储不适用于 AI 推理"——面对这个行业普遍的心智预设，郭照斌没有正面反驳，而是把问题拉回到硬件本身。

"大家关注点可能并没有落在它后端到底是服务器还是双控阵列上。"他坦言，无论是国外厂商的分布式全闪方案，还是国内头部厂商面向 AI 推理的存储产品，本质上很多都是"存储硬件 + 横向扩展 + 纵向扩展 + 多协议处理"的组合。换句话说，这些被视为 AI 时代"新贵"的存储系统，其架构更像是集中式与分布式设计思路的融合，而非单纯的某一类。

在他看来，服务器架构和双控阵列在 AI 数据中心里是"并行存在"的两种形态，各自占据一定比重，并不需要谁去"纠正用户的使用习惯"。集中式存储真正的价值锚点，是那套在金融、通信等关键行业核心业务里被验证了几十年的能力——池化共享：把分散的数据资源统一纳入存储资源池，为多台服务器提供可靠、高效的数据访问。

而 FN Neo 想做的，是把这套"共享数据池"，升级为 AI 推理需要的"共享 KV Cache 池"。这不是推翻集中式存储，而是给它换一个新的服务对象。

智能体是那只"看不见的手"：KV Cache 为什么突然值钱了

谈及 KV Cache 为何从幕后走到台前，郭照斌认为智能体起到了关键的推动作用。

"并不是存储本身的语义变化导致了它的核心价值提升，恰恰相反，是智能体产生了连续、持续的上下文，把 KV Cache 的卸载需求抬升到了核心数据资产这个点上。"他的逻辑链条很清晰：用户过去输入一条命令，得到一次回答；而智能体收到一个目标后，会自己拆解出一连串连续任务，对推理引擎而言这就是持续、不断增长的上下文。一旦上下文放不下、被丢弃，GPU 就得重复计算前面已经算过的部分——在 AI Coding 这类工程量大、上下文档位动辄上百兆的场景里，这种重复计算的成本高到难以忽视。

"即使整个算力再强，如果 KV Cache 不卸载出去，Token 的输出效率也会非常低。"郭照斌说。这是催生 FN Neo 的第一块基石。

第二块基石来自成本。他反复提到一个现实：近一年存储涨价明显，"存储本身已经一年时间涨了将近 3—5 倍不等的速度"。在同等算力、同等存储硬件的约束下，行业被迫用"极致性价比 + 融合"的思路去解决 AI 推理的全流程存储需求。于是 FN Neo 的出发点被凝练成两句话：一是提供原生的 KV Cache 语义，二是用一台设备、一套存储，覆盖中小规模算力集群从 KV Cache 卸载到文件、块访问的多种需求。

一台设备直出三种协议：FN Neo 的技术底牌

如果要用一句话概括 FN Neo 的技术主张，笔者认为那就是"原生三协议直出"——在同一台设备上，同时输出 KV 原生语义、SAN（块）和 NAS（文件）三种协议，共享同一个存储池。

郭照斌指出，市面上不少方案是在文件系统之上叠加块语义或 KV 语义，"叠加一层，协议路径就变长，变长意味着延时变高"。而直出协议栈最短，每种协议都能逼近阵列的极限性能。更微妙的是资源调度：池内所有硬盘、内存、网络、CPU 都是共享资源，文件删掉腾出的空间可以立刻给块协议或 KV 协议复用，用户全程无感。

支撑这种"既共享又不互相拖累"的，是中科曙光自研、积累了二十年的"超级隧道"技术。郭照斌把它拆解为解决两类竞争：一类是硬件竞争——若不做规划，海量并发请求会涌向某一个节点或某一张卡，形成热点和"木桶效应"；超级隧道以 CPU 核心为单位，围绕最近的内存、网络、硬盘编排成独立资源线，先做硬件隔离。另一类是软件竞争——传统操作系统为保证语义正确性必然加锁，带来排队和不可预测的时延；这里做法是 Bypass 掉不可控的操作系统内核，用自定义内存操作、协程、无锁语义和看板机制，叠加零拷贝，消除软件层的锁竞争。

参数层面，中科曙光给出的口径是：25 盘位双控阵列单阵列带宽可达 160GB/s，综合业务 IOPS 约 300 万，NAS 带宽 70GB/s，亚毫秒级延时；在 KV 定位上，基于 cache line 的检索加速可把一次 KV 定位压缩到 300ns 以内，使元数据"基本不进入检索热路径"。可靠性则沿用了 FN 全闪阵列的四重手段——应用全局镜像缓存（控制器故障下数据不丢、业务不断）、RAID-QC（盘级冗余容错）、自动缩列修复（重建期间性能不降级）、亚健康盘与慢盘自动隔离，官方标称 99.999% 高可靠。扩展方面，支持不带 CPU 的硬盘框做低成本纵向扩容，也支持叠加完整控制框做性能与容量同步的横向扩容，在全局统一命名空间下最高可扩展至 1024 个控制器。

郭照斌特别强调了"单卷即极致"这一体验："用户只需要定义一个卷，就能把整个阵列的性能发挥出来，不需要为了榨取性能去手工定义很多卷做并行操作。"

"开放"与"无感"：不碰客户现有的推理生态

对企业级买家而言，再漂亮的技术指标，都要先回答一个现实顾虑：上 AI 存储，是不是要重构现有业务架构？

郭照斌的回答是"无损切入"。他解释，FN Neo 不改内核态，而是提供一个纯用户态的轻量级客户端组件，把它加入原有计算集群，作为中间件与大模型对接，从而"打通存储和大模型之间这条鸿沟"，对计算节点上的应用基本无感。协议生态上，曙光称其原生 KV 能力既适配自家近期发布的 ParaCache 高效管理解决方案，也能对接 LMCache、HiCache，或作为 Mooncake 的 KV 后端；组网上适配 RoCE / IB / 国产 400G IB / FC / IPSAN，操作系统层面兼容多种主流系统。

关于分层，他给了一个相对清醒的定位：在 KV Cache 分层体系中，FN Neo 被放在集中式全闪新引入的 L3 层——相较本地 SSD（L2）它以共享和更薄的原生 KV 协议取胜，相较远端卸载（L4）它协议更薄、延时更低。三者不是替代，而是"并列、互补"的关系。

实测数据的边界：产品选型应按需择术

性能表现在不同场景下，展现出不同收益。

在官方材料中，FN Neo 的一组方案实测数字是：TTFT（首 Token 时延）缩减约 73%，Token 吞吐能力提升约 150%，在延迟、吞吐、并发上相比传统本地 NVMe 方案约有 2 倍提升。而在本次采访的现场表述中，郭照斌给出的则是另一组场景化数字：单节点 8 卡跑 DeepSeek R1，卸载与不卸载之间约有7-12倍的性能差异；两节点、每节点 8 卡跑千问 2.5，约为6-10倍；在上下文持续增长的 AI Coding 复杂场景，首token延时可提速12倍以上。

两组数字口径并不完全一致：前者偏向"对比本地 NVMe 方案"的相对提升，后者偏向"卸载与不卸载"在不同业务复杂度下的区间差异，且都来自厂商实验室或样机测试。真实生产环境里的收益，会高度依赖上下文长度、并发规模、模型结构和复用命中率——郭照斌自己也承认："使用它的场景是根据用户的诉求来定的"，收益最明显的恰恰是上下文足够长、迭代轮数足够多、对外置存储依赖最强的 AI Coding 类场景。这也意味着，越靠近这类"重上下文"业务，FN Neo 的价值越凸显；反之，收益会被摊薄。

"焕新"的真正含义：让存量品类在AI时代重获资格

当被追问"FN Neo 是否可能成为 AI 推理时代的新型基础设施标准"时，郭照斌认为："当前来看，存储还不具备颠覆算力行业、颠覆整个 AI 推理应用的能力。"他补充，存储能力的演进方向始终围绕计算和应用的变化而变化；FN Neo 能做的，是"很好地满足当前 AI 推理对存储的需求"，"成为用户一个比较好的选择方向"。

在一个普遍习惯用"全球首款""重新定义""范式革命"来叙事的行业里，这样的表态显得另类，却也诚实。它恰恰点破了存储在整个 AI 栈中的真实位置：它是效率与成本的放大器，而非算力的替代者。所谓"快、稳、开放、焕新"四大收益，本质是把集中式存储几十年的池化功底，向一块新数据（KV Cache）、一个新场景（推理）做的一次迁移复用；"焕新"的真正含义，或许就是让存量品类在 AI 时代重新获得一次被需要的资格。

冷思考：三个仍待时间回答的问题

第一，池化共享能否真正兑现"低成本"的承诺。一台设备直出三协议、覆盖中小规模集群，确实是性价比叙事的核心，但它成立的前提是"中小规模"这个边界足够宽。一旦客户算力超出单阵列的舒适区，横向扩展的边际成本和一致性复杂度会重新浮现，"一台搞定"会变成"一套起步"。

第二，原生 KV 语义与开源生态的赛跑。当前 KV Cache 卸载接口正在快速收敛为标准模式（vLLM V1 Connector API、SGLang HiCache、TensorRT-LLM KV Connector 等架构趋同）。对中科曙光而言，兼容是优势，但也意味着接口标准的主导权并不在自己手里——生态一旦再次转向，"无感接入"就要接受新一轮验证。

第三，也是最根本的：当推理框架自身的显存管理、稀疏与量化注意力、Cache 复用策略不断进化，KV Cache 对"外置共享存储"的依赖强度，是会持续上升，还是会被上游逐步消解？这决定了 FN Neo 赌的是一个正在长大的市场，还是一个可能被架构演进压缩的市场。

集中式存储没有被时代抛弃，它只是被重新问了一个问题。郭照斌和曙光给出的答案足够扎实，也足够清醒。而清醒本身，在今天的 AI 基础设施叙事里，或许比"颠覆"二字更值钱。（文/徐培炎）