让数据常青，为AI立基，撑起AI基础设施长期演进的底层逻辑

作者：王聪彬

“21世纪什么最重要？人才！”如今，21世纪已过半，人才依旧是推动产业前行的核心驱动力。但AI带来了同等重要的新力量：算力成为推动产业升级的新驱动力，存储则为AI和数字经济的持续发展提供坚实底座。

根据IDC预测，到2025年全球每年产生的数据量将达到约213ZB，并在2029年超过500ZB 级规模，中国市场年数据产量也有望从约52ZB增长至136ZB以上，年复合增长率接近27%。

数据的高速膨胀，正在倒逼存储架构的重构与升级。

XSKY用10年时间已经从一个初创团队，现在已经肩负起中国核心产业5500PB关键数据的安全重任。

回顾XSKY发展历程，2015-2017年，云时代开启，其用软硬件架构解耦，打破了集中式存储的硬件黑盒，把选择权交还给客户。

2017-2022年，面对大数据爆发，XSKY通过XEDP统一数据平台，打通了协议壁垒，实现了“一个数据中心，一套存储”。

2022年，XSKY就预判了AI对于极致性能和数据治理的重要性，投入研发并发布了XSEA全闪底座和EasyData数据管理平台。三年的技术积累，也为支撑当前大规模AI场景和高性能计算提供了基础。

2026年XSKY再次出发，通过架构创新，打造了全栈AI数据方案——AIMesh。

“有‘三堵墙’ 阻碍着AI进化：IO墙、重力墙、内存墙。”XSKY星辰天合CEO胥昕说道。既要守住数据安全的护城河，又要打破阻碍效率的三堵墙，解决之道既不能简单的修补，也不能推倒重来，而要持续演进。今天企业真正的差异化优势在于“专有数据”，XSKY的价值在于帮助企业在私有环境内，安全地将这些专有数据转化为智慧。构筑企业AI工厂的稳固、高效、灵活的数据底座，让企业在AI时代占据竞争制高点。

AIMesh织起三张网，撑起AI工厂的数据底座

AIMesh是面向AI工厂的一张数据与内存网。XSKY的目标只有一个：让每一张GPU都被数据和上下文喂满，而不是被I/O和内存拖慢。

AIMesh处在复杂的存储资源层和算力层之间，构建了一个统一的抽象平面，平面上编织了三张网，实现了训练、推理、数据湖，三网合一。第一张是训练数据网。专为解决IO墙而生，让数据像电流一样极速供给GPU；第二张是推理内存网。它作为KVCache的L3外部内存，让推理不再受限于显存的物理边界。第三张是全局对象网。它是AI全生命周期的数据总管，打破数据重力，实现EB级数据的自由流动。

MeshFS打破IO墙：化出专为AI训练设计的并行文件系统

在AI场景下，存储并不是“有没有方案”的问题，而是长期存在的结构性取舍：HPC存储足够快，却难以适配云原生和多协议生态；而通用NAS易用性更好，但一旦进入高并发、小文件训练场景，性能短板便迅速暴露。

这背后，本质是文件系统能力的断层。早在七年前，XSKY就发布了面向高性能NAS场景的 XGFS文件系统。不同于单点突破型产品，XGFS的演进路径，始终围绕“协议完整性”和“企业级稳定性”展开：从NFS、SMB、FTP、S3，到大数据的HDFS、云原生的CSI，以及最新支持SFTP，几乎覆盖了企业所有文件访问路径。

这套系统在工业质检、EDA 芯片设计、量化交易、金融营销与风控、基因测序、数字病理以及自动驾驶等高稳定性场景中长期运行，代表了文件存储的“稳态能力”。

但AI时代改变了规则。极端并发、全闪介质、分布式训练，让“稳”不再足够，“快”成为刚需。所以2023年发布的XSEA“星飞”全闪架构成为转折点，基于Shared-Everything底座，其块存储产品XEBS-XINFINI在200Gb ROCE网络下实现了单卷410万IOPS，刷新了行业纪录。

针对“稳”和“快”两个企业级AI场景的核心需求，XSKY选择将XGFS成熟的POSIX语义与 XSEA的全闪极速底座深度融合，由此诞生了专为AI训练的新一代并行文件系统——MeshFS。

MeshFS的设计逻辑非常明确：第一，全协议兼容。坚持提供标准的POSIX语义；第二，线性的极致性能。通过全分布式架构和元数据分片技术，MeshFS 的性能随节点数线性增长；第三，企业级管理与智能分层。数据可以在全闪存层和低成本层之间透明流动。

实测中，MeshFS在顺序读写、随机IO等关键指标上，均显著领先同类方案。其核心价值只有一句话：为计算让路，让训练不再等待数据。

MeshSpace推倒重力墙：一个支持EB级数据的全局非结构化数据平台

如果说训练数据网解决的是“快”，那么下一道难题就是“大”。

过去九年，XSKY的对象存储XEOS从V2.0演进到V6.4，长期位居中国对象存储软件市场份额第一。但真正值得关注的，是其在V6阶段做出的一个看似“超前”的工程决策，挑战单桶 1000亿对象规模。

在当时，大多数厂商还停留在“十亿级”对象的性能优化讨论中。XSKY在XScale引擎的全局元数据管理、小文件索引归并、以及海量数据下的追加写（Append-only）上，投入了长达三年的底层重构与打磨。

这一决定，在AI时代也被证明是对趋势的预判。当AI开启了对物理世界的全量数字化，数据规模从TB跃迁至PB、EB，单集群对象存储开始遇到无法回避的物理极限，当年的“单桶千亿”不再是天花板，而仅仅是AI数据湖的起跑线。

于是，架构需要一次从“有限”到“无限”的升维。XSKY将XScale架构进行了推出了MeshSpace，一个面向EB级数据的全局非结构化数据平台，其目标不再是“做大单集群”，而是打破集群边界。

MeshSpace具备了三大核心能力，第一，平滑演进能力，无需迁移，现有XEOS集群可直接接入；第二，全局控制面统一，通过统一的DNS，将多地集群抽象为一个逻辑存储；第三，数据治理全局化，跨全闪、HDD、磁带的智能调度。

XScale引擎最新版本已进入“百万 OPS 单桶时代”，并且分布式KV引擎进行了彻底的优化，让AI训练中关键的大块写性能提升了近50%，同时将延迟降低了30%。

从“单点极致”到“全局统筹”，MeshSpace 更像是为AI数据湖准备的一块“无限底座”。

MeshFusion击穿内存墙：面向KVCache的“持久化内存”方案

训练之后，真正决定AI成本结构的是推理。随着AI从简单的Chatbox变成复杂的AI Agent（智能体），从几句对话变成百万级（1M+）超长上下文。KVCache 成为新的性能与成本黑洞。KVCache是AI“短期记忆”，为了记住一百万字的上下文，显存被迅速填满，而用HBM 或DRAM扩容，代价更为昂贵。

XSKY的判断是在HBM（L1）和DRAM（L2）之外，构建一层极其廉价、但性能又要跟得上的L3级外部内存。这就是MeshFusion的定位，面向KVCache的“持久化内存”。

MeshFusion直接运行在GPU服务器内部，利用本地NVMe SSD构建高性能的资源池，拥有零拷贝、极致并发、协议自适应三大必杀技。

在多组实测中，MeshFusion与纯DRAM的性能差距被控制在 10% 以内；在高并发和内存溢出场景下，甚至实现了20%的性能反超。MeshFusion的意义不在于“替代内存”，而在于用1%的成本，换取近乎无限的上下文能力。

AI基础设施的长期命题，数据如何穿越算力周期

在AI时代，合作伙伴们也与XSKY建立起了更加密切的关系。云计算时代，“存算分离”“私有云建设”是企业私有云绕不开的命题，ZStack与XSKY也由此形成了高度稳定的合作关系。一方以极简、稳定的云平台降低企业用云门槛，一方以高性能软件定义存储夯实数据底座。“ZStack云平台+XSKY存储”，已经成为私有云建设中的成熟组合。

这种信任被延展到新的技术周期，随着大模型兴起，ZStack的战略重心从CPU管理转向以 GPU为核心的AI基础设施。依托AIOS 智塔，ZStack正在构建面向智算中心的平台体系，AIMesh中的MeshFS和MeshFusion，与ZStack的智算平台规划高度一致。

这一判断同样得到芯片与模型侧的验证。Intel从硬件视角看到，算力决定速度，存储决定供给效率，能够跟上硬件演进节奏的存储体系，是AI生态中不可或缺的底座。十年来，双方合作从底层技术共创、到方案级验证、再到新品首发协同，逐步形成成熟的软硬协同路径，这也直接体现在AIMesh针对I/O墙与内存墙的系统级设计中。

在模型侧，Minimax的实践进一步放大了这一价值。在多地域、多集群的混合云架构下，性能、稳定性与成本成为核心指标。PB级核心训练与推理数据的长期运行验证了系统稳定性，MeshSpace的统一命名空间有效缓解了数据孤岛问题；MeshFS在训练与推理阶段提供高吞吐、低延迟 I/O，为大规模模型与推理服务的快速上线提供了现实支撑。

未来算法快速迭代、架构持续演进，不确定性将成为AI时代的常态。面对这种不确定性，XSKY给出的答案是：坚持开放解耦，构建绝对中立的数据底座。不绑定任何算力路线，不预设任何硬件阵营，无论选择哪一种芯片架构、部署在私有云还是混合云，AIMesh都提供统一、标准的数据服务。

这种“中立”和“解耦”源于一个清晰判断：算力的摩尔定律正在放缓，而数据的价值定律正在生效。硬件平台的生命周期可能只有三到五年，但承载企业智慧的数据资产，往往需要十年甚至二十年的持续存续。用确定性的数据能力，对抗技术快速更替带来的不确定性，成为底层战略选择。

从这个意义上看，算力是不断轮换的“流水之兵”，而数据才是长期稳固的“营盘”。AIMesh的目标，正是构建这样一个长周期、可演进的数据底座，以不变的基础能力，支撑上层算力与模型的持续迭代。让数据常青，为AI立基，这也是AI基础设施走向成熟所必须具备的底层逻辑。