在ai概念没有火热之前，无论手机还是pc都已经悄然引入人工智能加速相关的硬件和技术，目的是在部分功能上获得更好的体验，比如手机相册中的人脸智能识别和分类， pc和nas在算力闲暇时对图像、视频的整理，以及视频通话时的背景虚化等等都是很好的例子。
这个时期的ai计算我们通常称为决策式ai，即在成熟的底层技术框架内，通过数据分类标签和辨别的形式，通过cpu、gpu、npu等处理器合力，它们的特点是，具备一套成熟的判断机制，通过夜以继日的训练识别，不断提升精度，并具有很强的针对性。
随着大模型的火爆，另一种ai也推向了大众视野，即被称为生成式ai。无论是云端ai服务加速，还是近期能够本地运行200亿参数大语言模型的ai pc，它们的思维是发散且具有创造性的，同时对硬件也提出了更高的要求。
生成式ai背后的海量数据
生成式ai与决策式ai最大的不同在于模型的规模，大模型计算本身意味着高算力、高存储需求。正因为如此，llm大语言模型才会成为推向应用层面的首要选择，原因很简单，相对于图像、视频而言，抽象的文字已经是最好整理的了。
但即便如此，大语言模型本身占用的数据量仍然巨大，以gpt-3为例，光是训练参数就达到了1750亿个，训练数据达到45tb，每天会产生45亿字内容，每次训练费用需要460万美元。而进阶到gpt-4之后，训练参数从1750亿个增加到1.8万亿个，训练成本进一步提升到6300万美元，训练数据量信息虽然没有公布，但可想而知增长也是指数级的。
有意思的是，大语言模型训练在当下似乎已经变成了日常，头部厂商已经将目光投向了图像生成和视频生成，近段时间火热的文字生成视频应用sora，以及文生图midjourney都是很好的例子。现在我们知道光是文字内容就可以占据海量的存储空间，如果将训练模型换成图像、视频，对内容存储和读写性能需求也注定指数级攀升。
ssd很重要
随着生成式ai深入到不同领域，能够提供高速存储性能的ssd变得至关重要。不仅如此，对于企业和数据中心而言，存储的可靠性、能效、性价比，以及对前沿技术的支持都变得至关重要。比如，企业级用户会考虑在有限的机房空间内获得更多的容量，即提升单位存储密度，并且还要考虑机架和机房的散热能力和供电能力，这时候edsff规格似乎就成为了不错的选择。
edsff，即企业与数据中心标准外形规格，特点是由头部企业引领并获得行业认可，针对物理尺寸、散热、性能、布局、安装便捷性等特性优化，从而达到更好的效果。
比如铠侠cd8p就配备了前瞻性的edsff e3.s版本，支持pcie® 5.0和nvme™ 2.0，可提供高达30.72tb的存储容量，拥有可达12,000mb/s顺序读取性能，并具备2000k iops的4k随机读取能力，在能耗与应用性能表现之间做到很好的平衡，为数据中心和企业级用户提供合理的扩容选择。
如果希望性能更进一步，铠侠cm7系列作为高性能企业级双端口固态硬盘同样值得参考，事实上cm7系列是较早提供pcie® 5.0和nvme™ 2.0支持，并已经充足释放pcie® 5.0性能的产品，最大容量同样也达到了30.72tb。拥有高吞吐量和高密度存储的性能表现，非常适合大模型计算，大数据，深度学习加速、aigc等人工智能应用场景。
而随着生成式ai的硬件需求越来越高，同时也不能忽视庞大的数据量需要高性能接口、大容量存储支持，铠侠企业级和数据中心级固态硬盘则早已为其做好了充足的准备。未来ai的发展路径中，也注定少不了铠侠ssd承担起存储与加速的重要角色。
*容量的定义：铠侠定义1兆字节(mb)为1,000,000字节，1千兆字节(gb)为1,000,000,000字节，1兆兆字节(tb)为1,000,000,000,000字节。但是计算机操作系统记录存储容量时使用2的幂数进行表示，即定义1gb = 230 = 1,073,741,824字节，因此会出现存储容量变小的情况。可用存储容量(包括各种媒体文件的示例)将根据文件大小、格式、设置、软件和操作系统(例如microsoft®操作系统和/或预安装的软件应用程序)或媒体内容而异。实际格式化的容量可能有所不同。
*1千位字节 (kib) 指 210, 或1,024字节，1兆字节(mib) 指 220，或1,048,576 字节，1千兆字节(gib)指230, 或1,073,741,824字节。
*iops：每秒输入输出(或每秒i/o操作数)
*读写速度可能因主机设备、读写条件和文件大小的不同而不同。
*信息随时可能更改：虽然铠侠在发布时已努力确保此处提供信息的准确性，但产品规格、配置、价格、系统/组件/选项等的可用性都可能发生更改，恕不另行通知。
*产品图像可以代表设计模型。图像仅用于说明目的。产品外观可能与实际产品不同。闪存组件的实际数量因硬盘容量而不同。
（来源：铠侠）
以上是网络信息转载，信息真实性自行斟酌。
