28年的存储老店，怎么就成了AI圈的新晋网红

被朋友安利了DDN，说这家做了28年数据存储的公司，现在成了AI训练圈的香饽饽。我第一反应是，存储？那不是最没存在感的基础设施吗。结果他甩给我一个报道，说NASA的研究实验室用了快三十年，现在AI boom直接把它推上了火箭。行吧，我决定自己跑一趟。

先交代背景，DDN全称DataDirect Networks，做的是高性能存储，就是那种给超算中心、科研机构用的并行文件系统。AI训练这事，大家光盯着GPU算力，其实数据喂不进去，GPU再强也白搭。我之前用GPT和Claude调模型的时候，最烦的就是数据加载卡脖子，训练跑一半，存储IO成了瓶颈，GPU在那干等，我这边干着急。

这次朋友帮我搞了个测试环境，我把自己那套视觉检测的标注数据，大概几百GB，丢进去跑了一遍。上手第一步是配存储节点，界面比我预想的朴素，没有花里胡哨的仪表盘，就是一堆命令行和配置文件。我平时用终端习惯了，倒没觉得难，但要是纯小白估计得懵一阵。

真正让我意外的是性能。我这边测下来，小文件随机读写的吞吐量比我之前用的方案高了一个量级，训练时的数据加载延迟明显降下来了。之前跑一个批次的训练，光等数据就要几十秒，现在基本是秒级。这个提升对单卡跑实验可能体感不强，但要是多卡并行，差别就大了。

踩坑也有。一个是生态封闭，DDN的很多管理工具是自研的，跟开源社区的兼容性一般，我用Python写了个监控脚本想对接它的API，文档不够全，折腾了半天才跑通。另一个是价格，这东西不是个人玩家能碰的，我朋友说他们那套配置，够买好几台顶配工作站了。

所以结论是看情况。如果你是在做正经的AI训练，尤其是多卡集群，存储这块确实值得认真选型，DDN这种老牌厂商的稳定性和性能不是吹的。但如果你跟我一样，平时跑跑小规模实验，或者用现成的云服务，那没必要折腾这套，把钱花在GPU上更实在。

不过话说回来，一个28年的存储公司靠AI翻红，这事本身就挺有意思。AI圈天天喊颠覆，结果底层最值钱的还是那些扎实的老本行。我上周写过一篇关于让工具选工具的帖子，现在想想，存储这种不起眼的环节，才是真正决定训练效率的胜负手。

---

本文编译自 Hacker News，原文：AI's Data Dandy Is Now A Billionaire
版权归原作者所有，本文为基于公开报道的编译与独立分析。