上海
界面新闻记者 | 肖芳
界面新闻编辑 | 文姝琪
大模型推理正在遇到新的瓶颈。
随着模型上下文越来越长、多轮对话和Agent被越来越广泛应用，推理过程中需要处理的数据量快速增加。过去主要依靠GPU算力解决问题的方式，开始暴露出了问题：算力足够了，显存却可能先被KV Cache（键值缓存）占满。
KV Cache原本是大模型推理的重要加速器，可以通俗地理解为“模型的短期记忆草稿本”。模型在处理上下文时，会将已经计算好的Key、Value向量缓存下来，后续生成新的Token时直接复用，从而避免重复计算。但当上下文越来越长，KV Cache本身又成为新的成本和性能瓶颈。
对此，中科曙光北京公司总裁助理、分布式存储产品部总经理石静在接受界面新闻采访时表示，目前行业已经形成“以存换算”的共识，把已经计算好的KV Cache保存下来，在后续请求中直接复用，从而减少重复计算。
传统KV Cache只能消除单对话、单节点内的重复计算，在跨对话、跨节点的大集群场景中，加速效用迅速衰减。AI智能体、知识库问答这类高频调用相同上下文的应用，大量基础Token被成千上万次重复计算，GPU算力被白白浪费。
8月28日，中科曙光发布ParaCache解决方案，试图来解决这一问题。该方案通过构建分布式共享KV Cache池，打通GPU HBM、CPU DRAM、SSD和分布式存储四级缓存，让不同温度的数据进入不同存储层，同时实现跨GPU、跨节点的KV Cache复用。
通俗地讲，中科曙光的思路是把大模型用完即弃的计算中间结果，变成全集群共享的长期记忆，即算一次、存下来，谁用谁取，不必重算。石静表示，ParaCache更适合长上下文占比较高、存在大量公共重复上下文，同时具有较大并发压力的场景；如果只是一次性的短请求，缓存复用价值就相对有限。
根据中科曙光披露的测试数据，在高并发场景下，其Token吞吐量最高可以提升27倍；在多轮会话场景中，首Token时延（TTFT）降低超过80%。而在真实的场景中，某银行信用卡中心智能客服场景，并发吞吐量提升约3倍；某教科研知识库问答场景，并发度可提升15至20倍。
石静对界面新闻表示，在长上下文、多轮对话、智能体等场景下，ParaCache可以帮助客户在内存与SSD配置上节省约三分之一的硬件采购。
据界面新闻了解，国内一家头部互联网厂商已和中科曙光完成在线推理业务的KV Cache管理优化。
这背后是AI基础设施建设逻辑的变化：大模型基础设施建设正在从“堆GPU”转向存算协同。石静表示，过去做AI建设的思路是遇到瓶颈就堆GPU，但GPU成本高、供给受限，数据路径上的无效计算和额外搬运也在制约GPU效率的发挥。“存算协同不是短期的技术改良，而是大规模训推生产的必然趋势。”
在石静看来，AI正在驱动数据基础设施的结构性变化，这给国内厂商带来更多机遇。
中科曙光想要抓住这一轮机遇，底气在于其在存储领域多年的积累。其ParaStor分布式存储与FlashNexus集中式存储是两大核心产品线，已广泛应用于大模型训练、自动驾驶、具身智能、智算中心等AI场景。今年7月，国内首个全国产十万卡AI超集群“曙光8000”落成并接入国家超算互联网，ParaCache正是在十万卡集群中完成验证。
更值得注意的是，ParaCache带来的不只是工程层面的优化，而是大模型推理架构的范式变化。
“以前GPU是整个架构里面的中心，KV Cache只是一个临时状态。”石静表示，在新的架构下，KV Cache正在成为一种数据资产，GPU则应该围绕这些数据提供Prefill（处理用户 Prompt）和Decode（逐字输出）计算能力。未来KV Cache管理能力甚至可能影响推理服务成本、响应速度以及Agent的扩展能力。
从行业的角度看，这一轮基础设施的结构性变化，带来的更深层次变化在于算力的建设思路。AI集群的规划正在从只看GPU算力，转向算力、存储、网络、缓存的一体化规划，并以总拥有成本（TCO）为标尺。存储的定位，也从被动的数据容器转向深度的数据调度、缓存复用与计算卸载。
可以说，管好记忆正在变得和提升算力同等重要。大模型竞争的下半场，不只是比谁的算力更强，还要比谁的数据存得更聪明。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
