电博会上，我们看到了AI硬件的新变化

21世纪经济报道记者 林典驰 深圳报道

近日，第十三届中国电子信息博览会（简称“电博会”）在深圳会展中心举行，AI硬件相关展区尤为热闹。

回溯大模型发展历程，以ChatGPT为代表的大模型掀起训练热潮，算力需求集中于大规模数据训练阶段，依赖昂贵的GPU集群，推高行业门槛，形成“国与国算力竞赛、头部企业主导”的格局。

然而，随着DeepSeek等大模型通过算法优化与混合精度训练降低推理成本，AI算力需求正从“烧钱式”训练向高效能推理转变，这一趋势在电博会上成为焦点话题。

这一变化直接催生AI一体机需求井喷。神州数码展示的神州鲲泰问学一体机DeepSeek版、中昊芯英的刹那高性能TPU芯片等产品备受关注。

据参展商介绍，支持32B模型推理的一体机价格打到了十万元级，主打“开箱即用”全流程部署，满足企业数据本地化需求。

存储作为AI的“血液系统”，也在适应新需求。大模型训练需TB级带宽、百万级IOPS及毫秒级延时，数据采集阶段要支持多源实时接入，推理完成后需低成本归档。希捷科技高级架构师程津辉强调，机械硬盘与固态硬盘将长期共存，前者在成本与数据持久性上占优，后者胜在性能，二者协同满足不同场景需求。

电博会上，从一体机厂商到存储企业，折射出AI硬件产业链的深层变革：当算力从训练竞赛转向推理普惠，数据从大水漫灌变为精准处理，硬件设施正从“奢侈品”走向“必需品”。而这场始于电博会的技术展示，正是AI硬件迈向“深水区”的缩影。在算力需求结构变迁中，国产厂商迎来突破窗口，行业则在算存协同、场景适配中探寻新平衡。

AI的三大核心要素包括算法、算力、数据。数据是训练和优化模型的基础资源，算法决定了数据处理与问题解决的方式，而算力则为复杂计算提供硬件支持，三者共同推动人工智能技术的发展与应用。

AI时代需要怎样的算力？“计算机系统结构的教科书称‘Makethecommoncasefast’，也就是加快经常性事件。经常性事件的特点是耗时最多、频度最高的事件。在AI计算中，经常性的事件是巨大数量的矩阵计算。”中国计算机行业协会信息存储与安全专委会会长谢长生表示。

AI是算力的吞金猛兽，以GPU为代表的算力设施急剧增长，成为商业的最大赢家，全球范围内万卡、10万卡集群不断涌现，掀起了建设浪潮。

ChatGPT等大模型的出现，AI算力集中在训练，规模是以大数据和算力堆砌为主，需要GPU卡作为集群训练，费用非常昂贵。

其次，大模型对算力、存储性能要求高，造成大模型在国内的受众群体明显偏少，主要是国与国之间的算力竞赛，以及国内头部互联网厂家和大模型企业为主。

与此同时，数据的利用也比较粗糙，前期大模型是采用通用大数据大水漫灌的方式，把数据“堆”在一起进行计算，整体数据的清洗比较低。

曙光存储华南大区行业总监叶国烽谈到，DeepSeek的出现让AI普惠成为了可能。通过算法优化和混合精度训练，现在推理模型成本大幅度降低，用一张卡到数百张卡都可以实现集群的搭建，且费用可控，它的受众群众是全行业或是全民。

如今在训练过程中引入多阶段的动态数据生成，以及结合私有领域的算法，推理模型的精准化和高效性都得到了很大的提升。

这也给算力基础设带来了新的变化，原来都是单一大模型训练，算力以单精度为主，DeepSeek时代，多模态模型包含了训练、微调和推理，不同应用对算力的需求的关注点也更多，这也是国内的硬件厂家的机会。

DeepSeek等大模型的迭代推动了AI算力服务模式的更新升级，当前提供AI算力服务的模式有公有云算力服务、智算中心、私有云和AI一体机。

在本届电博会上，神州数码、西部数据、腾讯云、研祥高科等头部企业集体亮相，展示了最新的AI服务器、存储解决方案等产品。

其中，神州数码展示了神州鲲泰问学一体机DeepSeek版。中昊芯英带来的刹那高性能TPU人工智能芯片，这款芯片拥有自主可控的IP核、全自研指令集与计算平台，技术突破也正是数字经济“算力底座”的核心支撑。

大模型由通用转为专用，原来的数据都是公共的数据，如今结合企业自己的领域数据来做精准的推算推理，一体机的需求便应运而生。

值得注意的是，一体机的需求井喷会或对公有云市场造成一定程度的替代。

亿万克华南总监柳星向记者表示，在他接触的客户中，大多会希望自己的数据独有，不希望将数据放在公有云市场去进行推理训练。

记者在现场向AI一体机的参展商了解到，以支持32B模型推理Deepseek一体机为例，价格在十万元到十几万元不等，主要取决于算力卡的类型。

这家厂商告诉记者，公司主要采用的是英特尔的算力卡，性价比更高。如果选用英伟达的4090或者H系列显卡，价格肯定不止。“他们会针对下游客户的需求量身定制，主打全流程部署，满足开箱即用的需求。”

另一方面，针对部分政企客户要求国产算力的需求，这家厂商也对如沐曦、寒武纪等国产CPU进行了相应的测试。

叶国烽谈到，DeepSeek时代更关注的是算力要求的降低，给国产GPU算力发展提供了机会，“存算网紧耦合，推理应用强协同”，更加关注用户的体验。

如果说大模型是AI时代的大脑，存储是支撑运转的血液系统，DeepSeek时代存储需求正悄然发现变化。

这其中的关键在于算力、存力、运力必须平衡。“算得再快，数据跟不上就不行，而数据跟得上就要存力和运力同时来平衡。”谢长生谈到。

训练和推理过程中会涉及多种存储介质，如高带宽的内存，算力设施里的标准内存，机器里的固态硬盘，乃至外置连接的网络存储。

为适应AI的新需求，中科曙光旗下曙光存储发布了双引擎存储节点ParaStor F9000，这套产品使用于多模态大模型训练、企业级高并发推理以及自动驾驶和具身智能两个新型场景。

叶国烽谈到，大模型对存储的要求不一样。在数据采集和推理阶段，需要对多源数据采集，比如视频、文本、图片的实时采集。同时需要存储支持分层，避免资源浪费，在数据准备阶段也需要存储支持动态清洗、数据转换和自动化标签，提升前期数据准备的效率。

在训练与推理过程中，千亿级的参数模型训练，需要TB级的带宽以及百万级的IOPS，以及毫秒级的延时。同时，保证加载保存的时间从小时级压缩到分钟级的效率。数据推理完成后，需要把数据做归档，实现数据从高速数据盘到低速的数据介质归档，最终降低存储的成本。

在此背景下，机械硬盘速度明显不及固态硬盘，业界因此有了被固态硬盘替代的声音。

对此，希捷科技高级架构师程津辉表示，机械硬盘和固态硬盘应该是长期共同发展的技术路线。成本上，机械硬盘更占优。性能上，固态硬盘更占优。耐用性来看，机械硬盘的磁介质在不加电的情况下存放时间更长，假设数据硬盘有损坏，数据部分丢失，也能找回绝大多数数据。固态硬盘目前插写的次数和写入的容量，一点也不逊于机械硬盘，但是在保存的条件和时间与机械硬盘稍有差距。

大数据存储作为数字经济的核心基础设施，在数字经济潮涌与大模型井喷的时代，算力正如水、电一般，逐日成为现代社会赖以生存的稀缺资源。