![]()
自 ChatGPT 以其惊艳的表现点燃市场热情，仅仅一年多的时间，生成式 AI 应用从技术概念走向落地实践，并与各行业加速融合，成为数字化转型的重要驱动力。
Gartner 在其一份报告中曾作出预测，到 2026 年，超过 80% 的企业将接入生成式 AI 应用或模型，而在 2023 年这一比例仅为 5%，这预示着该领域的未来发展潜力巨大。
从传统的机器学习、深度学习，到预训练模型，人工领域的每一个进步都驱动着云计算领域发生前所未有的变化。生成式 AI 及大模型的崛起和高速发展标志着产业已进入了计算密集时代，这对包括算力、存力和运力在内的云服务能力提出了更高的要求。
为了能在人工智能浪潮中占得先机，各大云厂商均在智算基础设施、资源管理及运维平台方面持续发力，金山云也不例外。
金山云严守“中立”定位，围绕算力、存力、运力、数据、平台等筑牢智算能力体系，全面助力大模型产业应用落地。
从概念到实践，生成式 AI 和大模型产业发展的每一步都离不开强大的算力支持。高效的算力能够迅速完成大模型训练中海量数据的采集、存储、清洗、分析到价值挖掘，帮助企业实现对复杂数据的智能处理。而在新时代，算力已经从通用计算转向异构算力融合发展，且更强调高性能和高效能。在此背景下，金山云持续提升公有云计算能力，既有面向企业级的性能保障型云服务器 X8，也有面向通用场景的第九代云服务器高效型 SE9。其中，基于英特尔® 至强® 6 能效核处理器的第九代云服务器高效型 SE9，最大套餐规格 256 核 512 G，全面支持企业级服务，兼具效能和性价比；第八代云服务器标配极速云盘 ESSD，最大套餐规格可达 128 核 512 G，最高可支持虚机内网吞吐 100 G，内置 AMX 专用硬件，加速深度学习负载。同时，金山云也打造了较为完备的智能计算集群，能满足客户在智算场景的需求。
大模型的场景具有数据量大、参数规模大、训练周期长等特点，对存力提出了更高的要求，且更加强调高吞吐、高带宽、低延时等高性能。针对 AIGC、存算分离、动漫渲染和高性能计算等场景，金山云推出了以闪存为介质的对象存储 KS3 极速型，最高可提供 1 Tbps/PB 的兑付带宽，相较基于机械硬盘（HDD）的对象存储性能提升了上百倍，能够应对云底座在存储容量利用、存力效率等方面面临的挑战。在打磨算力、存力的同时，金山云在网络技术升级中采用了高性能 RoCE 网络。针对大模型训练场景，金山云RoCE网络方案容器集群中的 pod 可以通过 RoCE 网络实现高性能互联。而在成本方面，同样的集群如果采用 IB 网络，网络本身的成本显著高于 RoCE，且随集群规模增长，这个差异会更大。如果说智能基础设施是生成式AI和大模型持续发展的底座基石，那么如何盘活产品矩阵，构建“实用”的解决方案，并从平台层面和服务能力方面赋能客户，才能通过持续交付和落地来为客户带来业务价值。一向重视技术落地价值的金山云正是以这种逻辑陪伴客户成长的。除了提供高性能智算基础设施，金山云还从客户实际业务场景需求出发，提供可视化的运营平台，为客户提供实际的便捷。例如，金山云自研的 RoCE 网络监控平台提供集群端侧和网侧的基础信息与指标、网络故障感知和告警、主动排障能力；在 GPU 自动化运维插件方面，通过整合资源管理、硬件监控和 Kubernetes 调度能力，实现秒级故障感知、分钟级完成故障自愈动作。面对大模型客户在数据层面的挑战，金山云整合星曜裸金属服务器EPC、大数据平台 KMR 和对象存储 KS3 推出了针对该场景的数据清洗解决方案，满足预训练数据集、微调数据集生成对于数据清洗的需求。提升数据清洗效率，无疑将为模型客户的研发和应用提供有力支持。在平台层面，从数据的管理、清洗，到标注，金山云瀚海平台能够帮助用户更好地处理和利用数据，从而提高模型训练效果。为了帮助大模型应用到业务场景，金山云瀚海平台提供了丰富的工具和接口，并协助用户进行业务系统的集成、模型的调优和适配等问题。这涉及到数据配方管理、SFT（Supervised Fine-Tuning，有监督微调）等技术，金山云有足够经验和能力帮助用户。除了公有云形态的输出外，金山云还将其对智算的理解通过公有云专区解决方案在智驾场景中进行探索和实践。这是一种创新的分布式云建设模式，能够满足客户对数据安全和合规性的高要求。金山云与客户私有云环境的身份验证系统进行集成，实现了统一的管理界面和API支持，为客户提供了便捷的使用体验。当前，生成式AI技术不断成熟，应用场景也在持续拓展。技术迭代升级与客户实践同频的金山云，将以其“实用派”的技术路线和不断增厚的服务能力实现更大的突破。
