5篇同样主题投稿到Science，其中一篇来自西湖大学的论文脱颖而出，相应团队也顺势成为全球首个成功的团队！

这惊人的成绩背后，除了科研人员的硬实力，离不开强大的算力支撑。

所以，究竟是谁在背后支撑着这支团队，让他们卷赢了实力不容小觑的全球顶尖同行？

这就要从西湖大学的多年布局说起了。

在西湖大学，建立之初的学科布局，基本就是生物医学、物理、化学和工学这几个方向。

这些学科对科学计算的要求都极高。因此，从2019年，学校就开始大力投入引进计算资源。

要知道，科研是个讲究「又快又准」的地方，比如冷冻电镜这种研究，全球都在比拼同一个蛋白质结构，无论是哪个国家的哪个实验室，最终解出来的结构都是差不多的。

而这就演变为一场奥林匹克竞赛，追求的是谁能更快、更准。

为此，曙光存储对用户数据做了系统测试，最终发现，在少数几个存储技术上调整，就可以把整个计算过程加快大概30%。

要想建立一个集群，存储就处于重要地位。

这是因为，CPU和GPU的节点可以不断的去更新，用新的GPU节点代替老的CPU节点，用更新的更快的显卡代替旧的显卡，就能得到显存的扩容。

而底层的存储系统，就要跟上计算能力升级的节奏。

要知道，在一所高校中，光是生物医学方向就可能有十几个甚至二十几个课题组，能积累几十PB的数据。这种情况下，存储系统就很难轻易更新。

另外，很多应用其实跑在单个的CPU或GPU节点上都还好，但是一旦应用成了规模，整体性能就会下降了。

很大一部分原因就在于，存储的带宽对于小碎文件的操作能力不足，所以在高校的集群建设中，存储的地位相当重要。

为此，曙光存储为西湖大学的AI集群做了一次大升级，给出了十分硬核的存储方案：单节点带宽150GB/s，是美国某先进友商的4倍性能，单个设备仅仅占用了2U的机架空间。

在那一期的Science上，全球有5篇同主题的投稿，而西湖大学的这一篇，不仅是第一个投出，数据质量还是全场最高的！

现在，曙光存储已经为西湖大学打造出人工智能、科学计算等科研存储平台，以及冷数据归档的共享存储平台。

在不同科研领域，曙光存储都表现了超强的实践能力。

比如像冷冻电镜这种科研场景，对IOPS（每秒输入输出操作次数）的要求非常高。

另外还有一些跨业务场景数据的流转，比如先通过sum的协议写到存储集群里，然后再通过服务器对写进来的数据做一些解析和处理。因此对于存储系统是不小的挑战。

而曙光存储的性能水平在AI计算节点上的处理，可以实现单流极高的带宽水平。

在客户现场实测时，甚至能达到150GB/s。

而现在，这种带宽速度直接让科研数据跑得飞快，给科研速度开了挂。这种神速，也直接让客户当场震惊了。

具体来说，曙光存储在西湖大学的其中一类存储就是全闪存储。

作为人工智能集群的一线存储，它要承接最大的负载，压力极大，尤其是多节点训练的时候，这就要求存储有很高的IOPS。

同时，曙光也会有混闪存储来为用户提供一些空间的扩展，然后让他们来储存一些数据集，和值得保存的中间结果。

而且通用计算集群上，西湖大学也采用了曙光的存储来做软件目录。

虽然这个软件目录没有像人工智能集群那样有那么大的吞吐，但对于一个集群的稳定运行，也是不可或缺的。

此外，曙光存储还会做许多温数据之类的存储，比如科研归档数据，保存时间可以至少达到5年。

而西湖大学在选择一线存储的时候，过程十分慎重，因为需要满足一些特别的指标。

毕竟，用户还是最看重集群的性能。

不仅如此，曙光存储现在已大规模落地科研领域，除了西湖大学，还包括北京大学、中国农业大学、华南理工大学、良渚实验室、紫金山天文台等的AI4S场景。

如今的AI浪潮中，科研行业同样站在了风口。

而真正能撑起这阵AI东风的，绝不仅仅是算力，还有一个常被忽视却至关重要的一环——存储力！

总的来说，面向AI的科研存储方案之所以困难，主要有四个原因：

1. 数据极其复杂

2. AI模型训推对性能要求极高

3. 数据应用流通的挑战

4. 数据存储的成本过高

对此，曙光存储都有解决之道。

数据复杂性挑战

首先，AI应用设计的数据类型，大多十分复杂，包括非结构化数据（文本、图像、音视频等）、结构化数据（比如成绩、档案对应的表格、数据库记录等数据）。

而非结构化数据到增长迅猛，占比不断攀升，数据格式各异、处理方式不同，这就给存储带来了巨大挑战。

对此，曙光打造了分布式全闪存储ParaStor，充分发挥先进存力的融合属性，支持块、文件、对象、HDFS等多种存储访问协议，异构数据无需格式转换即可一路畅通，避免数据跨存储系统复制。

这样，就可以轻松处理PB级对象数据、百TB级文件数据。

AI训推性能挑战

第二点，AI模型训练和推理过程需要处理海量数据，这就对存储系统的性能提出了极高要求。

比如在模型训练阶段，数据读取和写入速度会直接影响训练周期。多数传统存储系统难以满足每秒 TB 级的数据读写需求，无法匹配GPU的高速运算能力，就会导致计算资源闲置，形成性能瓶颈。

同样，推理阶段，对存储的低延迟要求也极为严苛。

曙光的高性能全闪存储ParaStor，可以通过过190GB/s 带宽，500万 IOPS支撑具身智能模型训练，把模型训练周期从「月模」加速至「周模」。

数据应用流通挑战

因为数据共享机制不完善，区域、高校、院系间数据交易标准不明、确权困难，因此就急需打破数据壁垒，建立统一高效的平台。

为此，曙光打造了数据资产的统一视图，实现了跨域、跨站点、 跨厂家等复杂数据的全局可视、实时更新；还实现了数据目录的智能化；能够面对海量的文件，都能实现千亿级文件秒级检索的能力，以及数据的高效查找。

数据存储成本问题

AI大模型应用存储系统的构建成本是很高的，而曙光存储通过更高的单位存储密度、更少的空间占用、更优异的性能显著降低了成本，是百PB-EB级超大规模AI基础设施的极佳选择。

现在，根据赛迪顾问新发布的《中国分布式存储市场研究报告（2025）》，曙光存储在教育存储市场份额已经是妥妥的TOP 1。

而且自该报告开始发布以来，曙光存储已连续3年市场份额排名第一。

曙光存储用实打实的数据证实：懂科研的存储，才能真正服务科研。

而在未来，曙光团队必将用更强大的数字底座，让中国科研插上翅膀，更早一天抵达世界前沿。