中國科技股正在強勢反彈，跑贏納斯達克100指數，重新點燃全球投資者的興趣。

AI大模型應用的快速普及，以及AI基礎設施的大規模投入，宛如雙輪驅動著中國AI市場的迅猛增長。在今年“兩會”的政府工作報告提出，未來一年的首要任務之一是支持“人工智能大模型的廣泛應用”，努力提高AI算力和開發“開源模型”成為兩個重點。

3月5日，下一代數據周期架構領導者Hammerspace公司開啟了中國市場的戰略布局，旨在滿足中國本土超大規模計算企業對智能化數據調度日益增長的需求，以支持人工智能、高性能計算及其他GPU密集型應用場景。

同時，Hammerspace攜手驛心科技為中國用戶打造超大規模AI存儲解決方案，通過統一文件與對象存儲平臺，憑借跨數據中心和云端的無縫編排能力，為企業提供高效、經濟的AI數據管理方案。

Hammerspace的戰略舉措基于其過去一年創紀錄的業務增長，全球客戶采用率同比增長32%，多區域營收實現10倍躍升。對低成本和節能基礎設施的需求不斷增長，行業的關鍵變化正在推動 Hammerspace 和整個行業的增長，以支持大規模GPU計算，以及混合云和多數據中心架構的快速采用。

Hammerspace董事總經理Molly Presley

Hammerspace董事總經理Molly Presley接受數據猿采訪時說，Hammerspace有一個宏大的愿景，即讓所有數據，無論是存儲在邊緣或者異地的數據中心，還是云端，都能按需流動，實現實時訪問。Hammerspace正與中國眾多客戶積極接觸，期待與更多有AI、HPC存儲場景需求的企業攜手合作。

從以存儲為中心到以數據為中心

真正改變數據使用與保存的方式

在新一輪的數據革命浪潮中，AI訓練、GPU計算以及數據分析等數字化進程，促使數據的使用與存儲方式迎來根本性變革。

當下數據消費主體已從人類轉變為機器，傳統的“以存儲為中心”的架構暴露出諸多弊端：

非結構化數據快速增長，存儲中心化架構阻礙了海量非結構化數據發揮其應有的價值。

高性能計算集群、GPU集群、應用以及全球化用戶對實時數據的需求極為迫切，但現有存儲中心化架構難以滿足實時數據供給的需求。

泛濫的數據副本給數據治理和安全帶來嚴重威脅。傳統存儲在無縫對接云資源方面存在困難，現有IT架構無法滿足AI訓練、推理、分析中GPU集群的數據吞吐需求。其根源在于存儲系統與數據應用場景相互割裂，嚴重削弱了企業的數字競爭力。

而Hammerspace帶來了“以數據為中心”的顛覆性架構，通過軟件定義實現數據與硬件解耦，有效破解了存儲困局，諸多優勢開始顯現，如具備AI/HPC級別的性能與擴展能力，可無縫延伸至云端，能進行自動化數據編排等。

如此一來，數據孤島現象被徹底消除，無論計算集群、應用或者用戶位于何處，都能夠實時訪問所需的數據資源。

作為全球AI領導者及AI技術創新的堅定投入者，中國也有必要改變數據使用與保存的方式，建立以“數據為中心”的AI基礎設施。Hammerspace與驛心科技的合作，能夠為中國超大規模計算企業提供即時價值，完善現代化的數據基礎設施并加速AI戰略落地。

Hammerspace的突破性技術與中國技術生態及渠道伙伴的深度融合，將以前所未有的方式助力中國企業釋放運營效能、擴展AI應用邊界。

除服務中國超大規模AI客戶之外，Hammerspace 還在投資布局中國乃至整個亞洲的大規模AI、HPC和多云應用場景。

Hammerspace攜手驛心科技

為中國打造超大規模AI存儲解決方案

當前的 LLM 僅使用了人類生成的大約3%的數據，而占據當今互聯網流量的 97%的非結構化數據還沒有得到充分的利用。現在AI大模型正在越來越多地使用視頻、音頻和其他富媒體格式。

顯然傳統的存儲方法難以跟上非結構化數據的爆炸式增長，以及高效使用大型計算集群所需的性能，尤其是在AI模型激增的情況下。

Hammerspace與驛心科技達成戰略合作，旨在為中國打造超大規模AI存儲解決方案，助力企業應對AI時代的這些數據管理難題，開創高效、經濟的AI工廠新時代。

其中，驛心科技專注于讓超大規模AI基礎設施更易訪問且高效運作。面對AI產生的海量非結構化數據，驛心科技通過深度整合、優化軟硬件，打造出具有成本效益且擴展性高的AI存儲解決方案，解決傳統存儲方法難以應對非結構化數據爆炸式增長、無法滿足大型計算集群高性能要求等問題，助力支持下一代應用所需的海量、多樣化數據的全局訪問。

Hammerspace作為下一代數據周期架構領導者則提供成熟的高性能全局數據平臺（對象與文件存儲）。其數據平臺為大規模計算集群提供高性能數據通道，實現統一數據源的數據編排，并以標準化方法靈活支持客戶選用的計算、存儲及網絡基礎設施。

Hammerspace的全局數據平臺已在Meta管理的2.4萬個GPU集群的開源LLM部署中得到驗證，解決了數據在分布式環境下難以高效管理與輸送至GPU的難題，為下一代AI基礎設施奠定基礎。

雙方合作為從部門級AI項目到大規模生產部署提供了成熟架構，幫助企業在保持最佳成本效益的同時，消除數據瓶頸，最大化計算資源利用率，簡化操作流程。

恰逢Hammerspace加大在中國市場的投入，此次合作有望為中國AI基礎設施領域帶來革命性變革，如借助軟硬件優化、對象存儲與超大規模NAS架構，實現經濟高效的存儲擴展；為多模態AI工作負載提供自動化數據編排；利用先進的數據自動化技術，實現數據清理、組織與合成等數據處理革新；為自動駕駛、機器人等垂直行業應用提供無縫支持；高效利用資源，大幅降低資本支出等。

全局數據平臺

實現跨站點、云端、存儲設備的非結構化數據統一管理

大型語言模型（LLM）的最新發展翻開了AI經濟性的一頁，預示著AI模型越來越強大，不僅擴展了對推動AI所需的分布式數據集的訪問，而且減少了基礎設施的投入，并提供了滿足現代AI工作負載苛刻需求的高性能存儲。

Hammerspace全局數據平臺致力于打破數據壁壘，能夠為跨站點、跨云端、跨存儲的計算集群、應用以及用戶提供極致的并行性能。通過獨特的全局命名空間，該平臺將分散在各地、各云端以及各存儲系統中的非結構化數據統一整合，構建成并行全局文件系統，具備HPC級別的高速數據處理能力，成功消除了數據孤島現象，使得無論計算集群、應用或者用戶身處何方，數據資源都能夠實現實時訪問。

Hammerspace全局數據平臺重塑數據管理新格局。Hammerspace全局數據平臺提供真正意義上的全局基于標準并行文件系統，在多站點、多云環境下提供統一的全局命名空間，并且支持將數據存儲在所有主流廠商的新、舊存儲設備上。

通過“元數據就地同化”技術，平臺能夠將現有非結構化數據統一為單一數據集，使得數據在短短幾分鐘內就能對用戶可見并立即可用。

同時，Hammerspace全局數據平臺巧妙地融合了HPC文件系統的優勢與標準NFS協議，兼具HPC性能與企業NAS的易用性，有效加速了AI數據通路和GPU計算。

在數據編排方面，平臺實現了無感多站點數據編排，具備基于目標的數據策略與可編程元數據管理能力，用戶可以通過GUI、API或CLI定義簡明策略，以此控制數據的放置和保護。

同時，平臺還提供Advanced Cross - Platform Data Services跨平臺的先進數據服務，極大地簡化了跨多站點、多云和存儲系統的數據安全與治理工作 。

Hammerspace全局數據平臺的架構設計精巧且高效。其并行全局文件系統以單一全局命名空間的形式，跨越多個站點和云，允許從多個站點同時讀取和寫入文件。

元數據層或控制平面與數據層或數據平面相互分離，為平臺帶來了更快的性能、數據放置的靈活性以及獨立性。

在部署上，平臺展現出極大的靈活性，可以作為軟件部署在物理機、虛擬機，以及AWS、Azure和Google Cloud等云實例中。

在文件訪問協議方面，平臺支持NFS v4.2、NFS v3、SMB 2、SMB 3、S3和NVIDIA GPUDirect Storage、CSI等多種協議，確保文件系統中的所有數據都能夠通過任何一種協議進行訪問。

平臺利用NFS v4.2客戶端與并行NFS和NFS Flex Files（均為標準Linux內核的一部分），構建了帶有Flex Files的并行NFS，從而提供基于標準的并行文件系統架構。

該平臺具備強大的擴展能力，能夠從一個存儲節點線性擴展至數千個存儲節點，并且在擴展過程中不會出現性能下降的情況。

在存儲介質支持上，平臺可以在NVMe閃存、SSD、HDD和磁帶上存儲和分層數據，所有這些操作都在單個文件系統中完成。

此外，平臺支持任何供應商的任何存儲類型，包括服務器、NAS、塊設備、對象存儲、公有云和磁帶，能夠充分利用現有存儲系統，吸收來自這些系統的元數據，并且幾乎不會產生停機時間。

Hammerspace全局數據平臺的數據編排服務功能豐富且強大。它能夠實現數據就地同化，即吸收來自第三方存儲系統的元數據，與此同時將數據保留在原位置，使得文件能夠在幾分鐘內就對用戶可見，整個過程無中斷，停機時間極少。在數據策略制定上，平臺允許用戶定義基于目標的數據策略，用戶可以通過API、CLI或使用文件系統圖形界面進行設置，以此實現自動化數據放置和保護。

在數據服務的精細度上，平臺提供文件級顆粒度數據服務，任何策略或文件移動都可以在共享目錄甚至文件顆粒度級別應用。管理員還可以應用自定義元數據標識（Tags）和標簽（Labels），并且授權用戶能夠將自定義元數據標簽分配給文件系統層次結構中的任何文件夾，層次結構中以下的新文件和文件夾將自動繼承這些標簽，實現自動化元數據繼承。

此外，策略可以由元數據的任何組合觸發，包括文件系統元數據和自定義元數據，進而實現自動化數據服務。這些數據服務可以在所有存儲類型和位置的文件顆粒度級別進行全局自動化，涵蓋數據保護服務（如快照、克隆、復制等）和數據移動操作（如分層、遷移等），并且能夠根據策略自動跨NAS、對象存儲、云和磁帶進行跨平臺分層存儲。

在數據存儲與保護方面，Hammerspace全局數據平臺同樣表現出色。其多站點復制功能可以使用文件系統自身策略功能實現自動化，也可以通過用戶或應用按需進行，并且支持一對一和一對多方案。

在數據冗余與恢復方面，平臺通過部署多臺數據服務節點組成帶糾刪功能的存儲空間，采用糾刪編碼技術，具有高度的彈性和效率，速度比傳統的擦除編碼方案快兩倍。

在數據備份與副本管理上，平臺支持跨多種存儲類型的共享級快照，既可以是計劃的，也可以是即時的，并且在所有站點上都是一致的，還可以存儲在任何地方，包括云中。其中，快照適用于共享級別，而克隆適用于文件和目錄級別；快照具有只讀屬性，而克隆是可寫的并且可以移動。對于公有云存儲或對象存儲中的數據，平臺會自動進行重復數據刪除和壓縮，以實現更快的復制并降低帶寬和容量消耗。

在數據安全方面，平臺支持利用第三方密鑰管理服務器（KMS）以及密碼進行加密，同時支持在訪問文件時和后臺掃描文件時進行病毒檢測。平臺還可以啟用文件版本控制，將其作為文件顆粒度級別的聲明性目標自動發生，當指定了此類版本控制策略的文件或數據集發生更改時，會隨時觸發版本控制。此外，平臺具備防篡改（WORM）、誤刪除恢復等功能。

Molly Presley表示，Hammerspace是一個純軟件的解決方案，具備部署在物理機、虛擬機，包括云上的實例。所有的數據都會在客戶指定的設備或者系統中得到保護，符合審計的要求，在數據主權方面大家可以放心。

客戶成功故事

讓數據發揮應用的價值

在存儲技術革新的浪潮中，Hammerspace致力于用軟件定義存儲，從根本上改變數據的使用與保存方式。而Hammerspace分享的客戶成功故事，則全方位展示其技術實力與應用成效。

Meta作為行業先鋒，在人工智能領域不斷探索創新，尤其是在開源Llama系列大模型的開發上卓有成效。為了突破傳統存儲架構的限制，實現模型訓練效率的飛躍，Meta與 Hammerspace展開了深度合作。

在Llama 2和Llama 3模型訓練項目中，Meta面臨著極為復雜的挑戰：3000臺GPU服務器搭載著24000塊GPU，需要高效協同運作；同時，1000節點存儲集群要保障數據的快速讀寫，實現12.5TB /s的聚合吞吐量。

Hammerspace憑借其先進的技術架構，為Meta打造了基于標準協議的存儲解決方案，成功打破了數據訪問的壁壘。這一合作使得工程師能夠借助數千個GPU對作業執行交互式調試，實現了數據隨處可訪問，大幅提升了GPU的利用率，滿足了Meta對GPU近乎100%利用率的嚴苛要求，且以即插即用的方式融入Meta現有的技術架構，不破壞網絡與存儲的穩定性。

當進入Llama4的訓練場景并在追求極致性能和GPU使用率的宗旨不變的情況下，Meta開始著重考慮能源消耗問題。Hammerspace再次幫助Meta實現了在能源消耗率較低的地區進行大規模數據訓練，且無需將數據在不同站點間頻繁移動，不僅降低了能源成本，而且還在節省能源消耗和實現GPU 超高性能的前提下，加快了數據訓練任務的完成速度。

Meta首席工程師高度贊譽Hammerspace在Llama 2和Llama 3模型訓練中的表現，稱其基于標準協議的架構如同施展魔法，成為Meta在AI存儲領域的不二之選，也為其他AI訓練場景提供了極具價值的借鑒范例 。

Molly Presley表示Meta 在調研市場上所有主流存儲廠商后，最終選擇與 Hammerspace 合作，主要有幾個關鍵原因：其一，Hammerspace采用NFS原生協議，該協議早已內置在Linux 內核中，因此無需在Meta現有的計算集群上安裝任何客戶端程序。

其二，Hammerspace能夠提供線性增長的存儲性能，如目前其存儲節點規模已達到1000 +以上，充分滿足了Meta對存儲性能擴展的需求。

Blue Origin作為亞馬遜創始人Jeff Bezos旗下的火箭發射公司，在美國境內9個地點開展不同業務，如研究火箭圖紙、準備發射及分析飛行數據等，各地數據需求各異。

借助 Hammerspace技術，Blue Origin公司實現數據實時跨地點流轉，火箭發射后分析人員能立刻獲取詳細發射參數進行分析，結果也能即時反饋給火箭設置人員用于改進。Blue Origin數據訪問速度提升80%，通過分級存儲節省超100萬美元成本。

美國Los Alamos國家實驗室在1000臺英偉達SuperPOD部署項目中，采用Hammerspace軟件方案取代Lustre。Hammerspace憑借獨特的Tier 0解決方案，利用每臺GPU服務器閑置的本地硬盤構建Tier 0層存儲，打造全局命名空間的第0層，大幅提升讀寫性能與CheckPoint效率。

在大規模GPU服務器集群場景下，該方案無需額外開銷，還能依據指定策略，讓數據在生命周期內合理存于閃存到磁帶等不同存儲介質。方案實施效果顯著，為實驗室節省了大量硬件、能源投入，還減少了數據中心空間占用。

Molly Presley表示，Hammerspace的軟件方案能整合包括DeepSeek新的3FS存儲系統在內的現有存儲數據，輸送給GPU訓練芯片，提升GPU利用率，加速數據價值實現，降低存儲成本與能耗，消除數據孤島現象，切實達成AI場景下高性能存儲。