作者：金鑫，IBM中國區(qū)存儲(chǔ)業(yè)務(wù)銷售總經(jīng)理

北京2026年5月19日 /美通社/ -- 最近，IBM研究院與英偉達(dá)（NVIDIA）、三星共同展示了一項(xiàng)內(nèi)容感知存儲(chǔ)系統(tǒng)（content awareness storage）^[1]。該系統(tǒng)在單臺(tái)服務(wù)器上成功支持千億級(jí)別向量的存儲(chǔ)與檢索，平均查詢延遲為694毫秒，召回精度達(dá)90%。系統(tǒng)硬件組合為IBM Storage Scale System 6000全閃存設(shè)備、六顆英偉達(dá)H200 GPU以及48塊三星30.72TB容量的PCIe Gen5 NVMe固態(tài)硬盤。IBM Storage Scale System 6000 全閃存設(shè)備將計(jì)算與存儲(chǔ)解耦，并通過英偉達(dá) H200 GPU 加速索引重建，將原本基于 CPU 需耗時(shí)數(shù)小時(shí)的索引構(gòu)建過程，縮短至 GPU 上的數(shù)分鐘。

打破 “1% 數(shù)據(jù)困局”，讓 AI 走向數(shù)據(jù)

我們一起來看看IBM是如何用單機(jī)實(shí)現(xiàn)了現(xiàn)在大集群才能實(shí)現(xiàn)的結(jié)果。

今天，大模型版本平均數(shù)天便迎來一次更新，RAG（檢索增強(qiáng)生成）已成為挖掘非結(jié)構(gòu)化數(shù)據(jù)價(jià)值的核心。企業(yè) CIO 普遍面臨核心課題：如何借助通用人工智能（AI）與 AI 智能體實(shí)現(xiàn)日常運(yùn)營提效？如何依托現(xiàn)有 IT 資源輸出精準(zhǔn)、高價(jià)值的業(yè)務(wù)決策？

高質(zhì)量 AI 應(yīng)答的核心前提，是模型可高效觸達(dá)原始可信數(shù)據(jù)，而檢索增強(qiáng)生成（RAG）正是優(yōu)化推理效果、提升應(yīng)答準(zhǔn)確性與時(shí)效性的關(guān)鍵技術(shù)。然而，當(dāng)向量數(shù)據(jù)量激增至數(shù)十億級(jí)別時(shí)，CIO們面臨到了傳統(tǒng)全內(nèi)存向量索引方案的容量與成本困境。飛漲的DRAM價(jià)格、不穩(wěn)定的貨期和數(shù)據(jù)在CPU與存儲(chǔ)間頻繁搬運(yùn)造成的"內(nèi)存墻"與"IO墻"瓶頸，正嚴(yán)重制約著AI應(yīng)用的規(guī)模化落地，企業(yè)在落地過程中普遍遭遇四大痛點(diǎn)：

• 非結(jié)構(gòu)化數(shù)據(jù)類型繁雜，僅1% 數(shù)據(jù)能被 AI 有效利用并創(chuàng)造價(jià)值；
• 數(shù)據(jù)失真與模型幻覺為企業(yè)帶來合規(guī)與決策風(fēng)險(xiǎn)；
• RAG 流程引發(fā)多副本冗余、數(shù)據(jù)反復(fù)傳輸，成本居高不下；
• 面向 PB 級(jí)海量數(shù)據(jù)時(shí)，傳統(tǒng)架構(gòu)性能瓶頸凸顯，難以規(guī)模化落地。

打破 "1% 數(shù)據(jù)困局"，讓 AI 走向數(shù)據(jù)

當(dāng)下企業(yè)被海量非結(jié)構(gòu)化數(shù)據(jù)包圍，PDF、郵件、音視頻、演示文稿、財(cái)務(wù)報(bào)表等數(shù)據(jù)持續(xù)增長，但能被大模型調(diào)用并產(chǎn)生價(jià)值的占比不足 1%。

RAG 技術(shù)通過數(shù)據(jù)向量化、優(yōu)化批量刷新周期、依托 GPU 集群實(shí)現(xiàn)分布式處理，可打破數(shù)據(jù)訪問限制，讓 AI 覆蓋更廣泛的數(shù)據(jù)來源。而 IBM Storage Scale 的核心突破，在于摒棄 "數(shù)據(jù)遷移至 AI" 的傳統(tǒng)模式，實(shí)現(xiàn) "AI 走向數(shù)據(jù)" 的全新范式。簡單的說，就是CAS技術(shù)直接在存儲(chǔ)層做文檔的提取和向量化（甚至集成了NVIDIA的微服務(wù)）實(shí)現(xiàn)了讓 AI 走向數(shù)據(jù)，即讓 AI 快速定位合規(guī)、潔凈的可用數(shù)據(jù)，從源頭降低模型幻覺風(fēng)險(xiǎn)，這一能力依托 IBM CAS 內(nèi)容感知存儲(chǔ)（Content-Aware Storage）技術(shù)實(shí)現(xiàn)。

AI 存儲(chǔ)新范式：CAS 將向量處理下沉至存儲(chǔ)層

CAS 的顛覆性創(chuàng)新，是讓存儲(chǔ)系統(tǒng)從被動(dòng) "數(shù)據(jù)倉庫" 轉(zhuǎn)變?yōu)橹鲃?dòng) "AI 參與單元"—— 存儲(chǔ)不再僅保存數(shù)據(jù)，而是對(duì)數(shù)據(jù)項(xiàng)進(jìn)行量化理解，將原本由向量數(shù)據(jù)庫承擔(dān)的文檔向量化流程，從應(yīng)用層直接下沉至存儲(chǔ)層。

IBM CAS

通俗來講，傳統(tǒng) RAG 需先將數(shù)據(jù)從存儲(chǔ)取出，在外部完成向量化后導(dǎo)入向量數(shù)據(jù)庫；而 CAS 可在存儲(chǔ)系統(tǒng)內(nèi)部完成全流程處理，數(shù)據(jù)無需遷移、無需拷貝。

該技術(shù)源于 IBM 研究院在自然語言處理、向量嵌入模型、硬件加速領(lǐng)域的長期技術(shù)積累。文檔數(shù)據(jù)提取流程深度整合基于 NVIDIA NIM 構(gòu)建的 NVIDIA NeMo Retriever 微服務(wù)（隸屬于 NVIDIA AI Enterprise），確保 AI 助手與 AI Agent 基于最新、最相關(guān)的上下文應(yīng)答，簡化 RAG 運(yùn)維、提升 AI 應(yīng)用業(yè)務(wù)價(jià)值。

IBM Storage Scale（原 GPFS）為企業(yè)構(gòu)建全局統(tǒng)一數(shù)據(jù)平臺(tái)，在多站點(diǎn)、多云、數(shù)據(jù)中心與邊緣環(huán)境間打造單一命名空間，兼容第三方存儲(chǔ)，打破數(shù)據(jù)孤島，實(shí)現(xiàn)全域數(shù)據(jù)統(tǒng)一訪問。CAS 作為 Storage Scale 的全新 AI 增強(qiáng)能力，助力企業(yè)從現(xiàn)有數(shù)據(jù)資產(chǎn)中挖掘更大價(jià)值，顯著提升 RAG 準(zhǔn)確性、減少模型幻覺，讓 AI 模型無需重新訓(xùn)練即可同步最新數(shù)據(jù)，適配科研、客戶服務(wù)、知識(shí)型應(yīng)用等企業(yè)級(jí)場(chǎng)景。

企業(yè)級(jí) RAG 規(guī)模化：打破性能瓶頸，加碼安全合規(guī)

市面主流向量數(shù)據(jù)庫支撐百億級(jí)向量，通常需要數(shù)十乃至上百臺(tái)服務(wù)器，節(jié)點(diǎn)規(guī)模擴(kuò)張后，分布式索引同步、故障恢復(fù)、擴(kuò)容遷移等問題頻發(fā)，運(yùn)維與成本壓力巨大。

IBM Storage Scale System

IBM Storage Scale 存儲(chǔ)方案實(shí)現(xiàn)單服務(wù)器承載 1000 億向量，按企業(yè)典型文檔場(chǎng)景測(cè)算，可全面覆蓋 PB 級(jí)至數(shù)十 PB 級(jí)非結(jié)構(gòu)化數(shù)據(jù)，為企業(yè) CIO 帶來四大核心價(jià)值：

1. 基礎(chǔ)設(shè)施成本指數(shù)級(jí)下降：無需部署數(shù)十乃至上百臺(tái)向量數(shù)據(jù)庫服務(wù)器；
2. 運(yùn)維復(fù)雜度大幅降低：單一存儲(chǔ)集群即可支撐全流程 RAG 需求；
3. 企業(yè)級(jí)實(shí)時(shí)性保障：端到端延遲低至694 毫秒，滿足核心業(yè)務(wù)實(shí)時(shí)要求；
4. 數(shù)據(jù)安全能力強(qiáng)化：繼承原始數(shù)據(jù)源權(quán)限管控體系，聊天機(jī)器人應(yīng)答等衍生數(shù)據(jù)統(tǒng)一遵循安全策略。

底層核心優(yōu)勢(shì)：數(shù)據(jù)就地處理、無需遷移，檢索與計(jì)算在數(shù)據(jù)存儲(chǔ)位置直接完成，天然契合數(shù)據(jù)合規(guī)與安全管控要求。

單服務(wù)器承載千億向量的技術(shù)底氣:核心依托IBM Storage Scale System 6000 全閃存存儲(chǔ)一體機(jī)：單節(jié)點(diǎn)配置 48 塊 NVMe 盤，搭載 PCIe Gen5 與 400Gb InfiniBand 高速互聯(lián)，結(jié)合 NVIDIA GPUDirect Storage 技術(shù)，實(shí)現(xiàn) GPU 直接訪問 SSD 數(shù)據(jù)，跳過 CPU 數(shù)據(jù)搬運(yùn)環(huán)節(jié)。

系統(tǒng)將超大規(guī)模索引拆分為多個(gè)獨(dú)立子索引，各子索引可獨(dú)立優(yōu)化、獨(dú)立重建、互不干擾，徹底解決傳統(tǒng)向量數(shù)據(jù)庫 "牽一發(fā)而動(dòng)全身" 的重構(gòu)痛點(diǎn)。

實(shí)測(cè)數(shù)據(jù)對(duì)比：純 CPU 環(huán)境下，千億級(jí)向量索引重建需 120 天；搭載 6 塊 NVIDIA H200 GPU 的 IBM Storage Scale System 6000，僅需4 天即可完成。

結(jié)語

人工智能時(shí)代，存儲(chǔ)的角色被重新定義。IBM 給出明確答案：存儲(chǔ)不應(yīng)成為 AI 瓶頸，而應(yīng)是 AI 基礎(chǔ)設(shè)施的核心加速器。

本次方案提供純軟件版與一體機(jī)版兩種交付形態(tài)，全面兼容 RHEL AI 開源數(shù)據(jù)流水線，深度集成 NVIDIA AI Data Platform，是可直接落地生產(chǎn)環(huán)境的企業(yè)級(jí)解決方案。

以 IBM Storage Scale 為核心的 AI 存儲(chǔ)方案，正在讓 PB 級(jí)企業(yè) RAG 從技術(shù)構(gòu)想變?yōu)楝F(xiàn)實(shí)。RAG 的規(guī)模上限，不再受限于向量數(shù)量與存儲(chǔ)性能，而取決于企業(yè)可觸達(dá)、可利用的數(shù)據(jù)邊界。

IBM Corporation logo.