如今，IT分析領(lǐng)域只有一個核心議題——大語言模型（LLM）機器學(xué)習(xí)和生成式AI（GAI）。去年11月底發(fā)布的ChatGPT聊天機器人在全球范圍內(nèi)引發(fā)巨大關(guān)注，一周內(nèi)用戶量突破100萬；谷歌Bard和亞馬遜Titan等類似的基礎(chǔ)模型也同樣掀起熱潮。

此類生成式AI能夠理解文本提示并輸出有效答案，在被引入商業(yè)和公共部門的IT領(lǐng)域之后，這項技術(shù)有望從根本上提高搜索和分析質(zhì)量。AI的普遍應(yīng)用有望在未來十年內(nèi)取代并/或提高各類知識工作者的生產(chǎn)力，包括客服中心、內(nèi)部銷售人員、會計師、律師和金融分析師。

生成式AI熱度的快速升溫將對IT行業(yè)產(chǎn)生影響，F(xiàn)orrester、Gartner等分析師和研究機構(gòu)也在預(yù)測后續(xù)沖擊。部分數(shù)據(jù)存儲行業(yè)將憑借生成式AI獲取巨大的潛在銷售收益，本文將嘗試對此做出分類。

William Blair發(fā)布的126頁《生成式AI：自動化的新前沿》報告提供了大量信息。

硬件

DRAM – 運行大語言模型訓(xùn)練和推理的CPU/GPU服務(wù)器將迎來強勁需求，其中包括用于GPU的高帶寬內(nèi)存HBM。

PCIe – PCIe 4和5.0組件供應(yīng)商應(yīng)該為需求激增做好準(zhǔn)備。

CXL – CXL 2.0內(nèi)存池也將從大語言模型的火熱中得到一劑強心針，包括CXL硬件供應(yīng)商。因此，三星、SK海力士等DRAM擴展器、CXL交換機和其他組件廠商都將獲得收益。

NAND與SSD – 需求必然越來越多，主要集中在NVMe、PCIe 4.0和5.0連接以及性能與容量的組合。因此QLC和高層數(shù)TLC NAND也將因此受益。所有NAND晶圓廠和SSD供應(yīng)商都應(yīng)關(guān)注這方面市場。

存儲陣列 – 市場需要高容量和高速IO。AI/機器學(xué)習(xí)集群將需要PB級別的容量。大語言模型訓(xùn)練的運行需要配合高速數(shù)據(jù)集讀取和檢查點寫入，這種并行訪問必然依賴于硬件和軟件。大語言模型的推理運行需要高讀取訪問率，以及到處理器的并行數(shù)據(jù)傳輸路徑。

考慮到現(xiàn)實需求，這波熱潮可能主要有利于使用NVMe協(xié)議和支持英偉達GPU服務(wù)器GPUDirect的文件訪問全閃存陣列。DDN、NetApp、Pure Storage（AIRI）和VAST Data等供應(yīng)商已經(jīng)做好了戰(zhàn)斗準(zhǔn)備。Panasas也不會錯過邊緣位置的AI業(yè)務(wù)機會。相比之下，對象存儲和塊存儲廠商的想象空間似乎就相對有限。

我們認為，尚不支持GPUDIrect的供應(yīng)商應(yīng)該抓緊補上這塊短板。

軟件

以CXL為重點的軟件 – MemVerge和Unifabrix等供應(yīng)商應(yīng)該會迎來一波持續(xù)性的業(yè)務(wù)高潮。

數(shù)據(jù)分析 – 供應(yīng)商需要抓緊時間引入大語言模型前端。

數(shù)據(jù)庫、數(shù)據(jù)倉庫和智能湖倉 – 供應(yīng)商必須能夠支持大語言模型所需要的向量嵌入。目前，為用戶提供聊天機器人前端的需求已經(jīng)非常強烈，這將使得非數(shù)據(jù)科學(xué)家和非資深SQL用戶也能運行復(fù)雜分析。這些廠商還有機會將新成果引入ETL（提取、轉(zhuǎn)換和加載）流程，將選定的數(shù)據(jù)快速輸出至大語言模型以進行訓(xùn)練和推理。

數(shù)據(jù)管理工具 – 可以應(yīng)用大語言模型技術(shù)分析自己的數(shù)據(jù)集，并為AI流程提供數(shù)據(jù)以擴大業(yè)務(wù)規(guī)模。

高速陣列 – 供應(yīng)商可以將自己的軟件移植到運行生成式AI模型的公有云，借此支持以本地/公有云混合的方式運行大語言模型的客戶。

橫向擴展并行文件系統(tǒng) – IBM（Storage Scale）和WEKA等供應(yīng)商在這方面處于有利地位，其現(xiàn)有客戶正在應(yīng)用生成式AI技術(shù)，新客戶則迫切需要快速、大容量的文件訪問軟件。這部分業(yè)務(wù)空間同樣相當(dāng)可觀。

間接受益方和不受影響方

云文件服務(wù)供應(yīng)商 – 這類廠商可以使用云端存儲的數(shù)據(jù)集為大語言模型提供數(shù)據(jù)，但數(shù)據(jù)需要從底層對象庫轉(zhuǎn)移至更快的訪問存儲介質(zhì)；換言之，類似于某種形式的ETL。但也不排除AWS、Azure和谷歌等云服務(wù)商會提供類似于GPUDirect的方式，將數(shù)據(jù)從S3/Azure Blob等直接傳遞至GPU實例。

數(shù)據(jù)編排工具 – 這類廠商可以幫助客戶編排大語言模型所需要的數(shù)據(jù)，借此獲取間接收益。

數(shù)據(jù)保護與安全 – 供應(yīng)商需要關(guān)注適用于管理設(shè)施的聊天機器人界面，借此更好地保護數(shù)據(jù)集并發(fā)現(xiàn)漏洞。特定領(lǐng)域的聊天機器人可以檢查組織的攻擊并確定相應(yīng)保護措施。數(shù)據(jù)保護備份數(shù)據(jù)集則可以為大語言模型提供給定的ETL過程。

磁盤驅(qū)動器陣列 – 這類產(chǎn)品速度太慢，只要作為主存儲閃存之外的次級存儲形式。

生命周期管理工具 – 這類廠商需要研究聊天機器人界面如何幫助用戶提高工作效率。

安全供應(yīng)商 – 聊天機器人和其他AI技術(shù)的發(fā)展成熟，將幫助這類廠商高效檢測、響應(yīng)惡意軟件和處理用戶交互。

軟件定義存儲 – 這類廠商有可能被生成式AI的浪潮甩在身后，必須找到某種方法滿足高性能訪問需求才有可能分得額外業(yè)務(wù)空間。

存儲管理員 – 聊天機器人能夠提高他們的工作效率，或者由技術(shù)水平較低的員工完成原本對技能要求較高的工作。

磁帶系統(tǒng) – 這類歸檔系統(tǒng)速度過慢，無法與大語言模型提供數(shù)據(jù)，但在市場上仍有生存空間。

Web3 – 此類存儲速度太慢，在大語言模型的世界中沒有任何發(fā)揮余地。