浪潮存储发布国内首款大模型推理加速存储AS3000G7

2025年7月25日，浪潮存储有点猛——直接甩出了国内首款推理加速存储AS3000G7。在信通院主办的产融合作大会上，浪潮存储营销总监张业兴不仅做了主题演讲，还正式发布了这款产品。它的核心逻辑只有四个字：“以存代算”。听起来简简单单，但确实打中了当下大模型推理中最让人头疼的痛点——KV Cache的重复计算。

大模型推理效能瓶颈：吞吐量和时延

大模型已经不是什么新鲜的概念了，从写文案到搞科研，几乎各行各业都在琢磨怎么把它用起来。但一个很现实的问题是：大家的注意力，正在从“怎么把模型训出来”，转向“怎么让模型反赌、跑得省”。IDC的数据也印证了这一点——未来五年智能算力规模要翻1.7倍，而推理工作负载的占比，预计从2023年的40%一路冲到2027年的70%以上。

说白了，推理才是未来大模型真正大规模落地的战场。

但问题也恰恰出在这里。推理跑在GPU上，而GPU是整个大模型落地中最烧钱的硬件。对于大多数企业来说，能不能把GPU的利用率拉到极致，直接决定了这套方案是“高性价比落地”，还是“实验室秀肌肉”。

那么问题来了，推理效率的瓶颈到底卡在哪里？说白了，就是两块：吞吐量和时延。

• 吞吐量——系统单位时间内能处理的token数量。这个数值越高，意味着同样的GPU资源能服务更多用户，单位成本自然就更低。
• 时延——用户接收每个token的平均耗时。尤其是首字时延（TTFT），在长文本对话场景中，它直接决定了用户会不会觉得“这AI反应真慢”。

大模型的推理过程其实分两个阶段。第一阶段是预填充（Prefilling），任务是把输入的上下文处理成初始的KV Cache（键值对缓存），放在GPU的HBM显存里。第二阶段是解码（Decode），利用之前生成的KV Cache，一步步迭代生成输出token。

这里的关键在于：超过76%的对话都是多轮的。每一轮对话产生的KV Cache，都会被下一轮拿来用。但问题是什么？GPU HBM显存容量极其有限——以DeepSeek 70B模型为例，每10分钟产生的KV Cache就高达25TB，而一张GPU的HBM显存只有几十GB。结果就是：每次服务完一个请求，显存就得清空，KV Cache被强制丢弃。下一轮对话时，原本可以复用的缓存不得不重算一遍。重复计算直接导致首字响应变慢、GPU算力空转、吞吐量下降。

这才是真正卡脖子的地方——KV Cache的管理效率，直接决定了推理效率的上限。

存储产品托管KV Cache，实现“以存代算”

浪潮存储这次拿出的AS3000G7，思路非常直接：与其让GPU反复重算，不如把这些KV Cache“存起来”。

它的架构设计是这样的：KV Cache先从GPU写入本机内存，再通过高速网络缓存到AS3000G7。下一轮对话时，直接按需从存储里拉取缓存数据，GPU不再需要重新计算。这套“以存代算”的逻辑，本质上是用存储换算力——而且从实际效果来看，这个交换非常划算。

作为国内首款推理加速存储产品，AS3000G7的优势相当清晰，主要体现在四个维度：

• 降低响应延迟：历史Token的KV Cache直接存在AS3000G7的NVMe SSD里，下轮对话直接拉取，GPU不用再算一遍。实际效果：TTFT降低90%。
• 承载更多并发：在TTFT不超过400ms的前提下，系统可支持的吞吐量（Token/s）能达到原方案的5倍。同样一块GPU，能干更多的活。
• 降低GPU功耗：TTFT降低、并发提升，带来的直接结果是单Token平均功耗下降60%。承载同等规模token负载时，整机功耗明显降低，这可不是小数目。
• 生态兼容适配：不管是国产芯片还是海外芯片的异构算力平台，都能兼容。深度适配vLLM框架下的DeepSeek等主流大模型，部署起来没有额外成本。

在某头部客户的联合测试中，采用1台GPU服务器搭配1台AS3000G7的组合方案，结果相当亮眼：

• 稳定支撑500+并发对话，TTFT降低90%
• 同硬件配置下，吞吐量提升5倍，不增GPU资源，推理并发直接翻番
• 单token功耗降低70%，单位算力成本降低60%

回过头来看，大模型推理需求还在继续暴涨，AS3000G7这个时间点推出，时机拿捏得相当准。“以存代算”这套技术路线，虽然听起来简单，但确实捅破了KV Cache重计算这层窗户纸。随着多模态和实时交互场景越来越普及，存储与计算的协同优化只会越来越关键。可以确定的是，“以存代算”正在成为大模型降本增效的核心竞争力，也为智能时代的推理存储提供了新的基准线。