在 SC26(Supercomputing 2026)超级电脑大会上,群联电子(Phison)展示了面向 AI 与高效能运算场景的新一代储存方案,其中一款运算式 SSD 在盘内集成 NPU(神经网络处理器)、64GB 内存和 130GB/s 内存带宽,支持 PyTorch、vLLM、OpenVINO、llama.cpp 等常见 AI 框架与推理工具,可以直接在硬盘上运行 AI 模型,不必把完整数据集先搬到主机 CPU 或 GPU 上再处理。这套设计的核心思路是 "把计算移到数据所在位置":SSD 并行扫描、处理存储的数据,只把分析结果回传给主机,在适用工作负载下有望把数据传输量减少 10 至 100 倍,同时释放主机 CPU 资源。需要说明的是,目前这些方案仍属于概念设计阶段,尚未公布产品定名、具体主控型号和送样时间;官方给出的 36,800 DMIPS 算力指标也可能指向盘上辅助处理核心,并非完整的 NPU 峰值算力,最终规格要以量产版本为准。
一、展示方案总览
| 技术方向 | 核心定位 | 关键要点 |
|---|---|---|
| 运算式储存(Computational Storage) | 让计算靠近数据 | 内置 NPU、64GB 内存、130GB/s 带宽,盘上运行 AI 框架 |
| 混合介质架构(Mixed Media) | 缓存与容量一体化 | pSLC 缓存 + QLC 闪存,单颗 16 通道主控统一管理 |
| PCIe Gen6 企业级主控 | 突破数据传输带宽瓶颈 | X3(PS5303)主控,顺序吞吐最高目标 28GB/s |
二、内置 NPU 的智能 SSD 规格与能力
1. 硬件配置
| 项目 | 披露参数 |
|---|---|
| 内置处理单元 | NPU(神经网络处理器) |
| 内存容量 | 64GB |
| 内存带宽 | 130GB/s |
| 披露算力指标 | 36,800 DMIPS(Dhrystone 百万指令 / 秒) |
| 部署形态 | 企业级 SSD,计算能力直接整合进硬盘 |
2. 软件与框架支持
- 支持 PyTorch:用于模型训练与研究开发。
- 支持 vLLM:面向大模型推理部署。
- 支持 OpenVINO:面向 Intel 生态的推理优化工具包。
- 支持 llama.cpp:本地大语言模型推理工具。
- 开发者无需使用特殊专用编程工具,即可基于该架构搭建 AI 应用。
3. 工作方式变化
| 对比项 | 传统储存架构 | 群联运算式储存方案 |
|---|---|---|
| 数据流向 | 数据集从 SSD 搬到内存、CPU/GPU 再处理 | 在数据所在的 SSD 内完成扫描和处理 |
| 回传内容 | 完整数据集 | 符合需求的分析结果 |
| CPU 负担 | 主机承担大量数据搬运与处理 | 部分任务下放到存储层,释放主机 CPU |
| 传输量 | 受数据集规模限制 | 适用负载下有望减少 10–100 倍 |
| 适用场景 | 通用计算 | 数据密集、可在近端完成筛选 / 推理的 AI 与 HPC 负载 |
三、另一款混合介质 SSD 设计
1. 介质组合
- 高耐久性 pSLC 缓存与大容量 QLC 闪存整合在同一块 SSD 内。
- 由一颗 16 通道主控统一管理两类存储区域。
- 部分 QLC 闪存可切换至 SLC 工作模式,以牺牲部分容量为代价换取写入性能和耐久性。
2. 命名空间与使用方式
- 两个存储区域分配独立命名空间。
- 主机按数据类型选择对应区域存放,无需额外安装专用缓存软件。
- 设计目标是减少对独立缓存盘的依赖,让每个盘位都能贡献可用容量。
3. 容错对比(官方示例)
| 方案 | 系统配置 | 单盘故障时缓存损失比例 |
|---|---|---|
| 传统独立缓存盘方案 | 4 块独立缓存盘 | 约 25% |
| 混合介质盘内缓存方案 | 24 块 SSD 组成的系统 | 约 4% |
四、方案要解决的行业痛点
- 数据搬运瓶颈:AI 与 HPC 任务需要在 SSD、内存、CPU 之间反复搬移大量数据,单靠提升处理器性能难以单独解决带宽问题。
- 主机资源占用:数据筛选、初步分析等前置任务占用主机算力,挤压核心模型计算资源。
- 缓存架构复杂:独立缓存盘增加盘位占用、系统复杂度和故障影响面。
- 闪存容量与耐久权衡:QLC 容量大但耐久与写入表现受限,pSLC 表现好但成本高,混合介质试图在单盘内平衡二者。
五、当前状态与待确认信息
- 两款 SSD 设计目前都没有正式产品名称、定名主控和送样时间表。
- 披露的 36,800 DMIPS 是指令性能指标,媒体分析指出它可能对应盘上辅助 CPU 核心,官方尚未公布 NPU 的 TOPS 级峰值算力。
- 数据传输量减少 10–100 倍、缓存损失比例等数据均为特定工作负载或示例配置下的官方测算,实际表现需结合部署环境验证。
- 支持的模型规模、并发推理能力、延迟表现和量产兼容性,公开材料中尚未给出完整指标。
六、小结
群联在 SC26 展示的 NPU 智能 SSD,把 AI 推理计算能力、64GB 内存和高速带宽直接集成到存储设备里,配合主流 AI 框架实现盘上运行模型,方向是让数据少搬运、让计算靠近数据;同期展示的混合介质方案则在单盘内平衡缓存性能与 QLC 大容量。这些设计反映出 AI 基础设施向 "存储层参与计算" 演进的趋势,但现阶段仍属概念展示,真正落地还要等待量产型号、完整规格和实际负载测试结果。
【相关 FAQ】
问题 1:群联展示的内置 NPU 智能 SSD 是如何运行 AI 模型的?
回答 1:这款智能 SSD 在盘内集成 NPU、64GB 内存和 130GB/s 内存带宽,支持 PyTorch、vLLM、OpenVINO、llama.cpp 等 AI 框架;模型和数据在硬盘所在位置完成扫描、推理等处理,只把结果回传主机,不需要把完整数据集搬到 CPU 或 GPU 上再计算。
问题 2:内置 NPU 与 64GB 内存的智能 SSD 能给 AI 服务器带来什么收益?
回答 2:在适用工作负载下,部分计算任务下放到 SSD 后,数据传输量有望减少 10 至 100 倍,主机 CPU 资源得到释放;同时数据在近端完成筛选和初步分析,减少服务器在 SSD、内存和处理器之间反复搬运大数据集的带宽压力。
问题 3:群联这款智能 SSD 和普通企业级 SSD 有什么区别?
回答 3:普通企业级 SSD 主要负责数据存储和读写传输,处理仍在主机侧完成;这款智能 SSD 属于运算式储存架构,盘内自带 NPU 和内存,具备近端计算能力,可以直接运行 AI 推理框架,把存储设备从 "数据仓库" 变成参与计算的节点。
问题 4:除了 NPU 智能 SSD,群联在 SC26 还展示了哪类 SSD 设计?
回答 4:另一款是 Mixed Media 混合介质 SSD,把高耐久 pSLC 缓存和大容量 QLC 闪存整合在同一颗 16 通道主控之下,设置独立命名空间,主机按数据类型分区存放;官方示例中 24 盘系统单盘故障时缓存损失约 4%,低于传统 4 块独立缓存盘方案约 25% 的损失比例。
问题 5:这款内置 NPU 的智能 SSD 现在可以买到了吗?
回答 5:还不能。群联在 SC26 展示的两款方案目前都处于概念设计阶段,尚未公布产品定名、具体主控型号和送样时间;披露的 DMIPS 指标也不等于完整 NPU 算力,最终支持的模型规模、性能表现和上市安排需要以后续量产发布信息为准。
【参考资料】
- [2026-11-22](群联展示内置 NPU 与 64GB 内存的智能固态硬盘,可直接运行 AI 模型)今日头条・IT 之家
- [2026-11-22](群联发布两款 AI 专用企业级 SSD,内置 NPU 可直接运行大模型)DoNews
- [2026-11-22](Phison shows an SSD design with an NPU and 64GB of memory that runs AI on the data it stores)TechSpot
- [2026-11-22](Phison presenta un SSD con NPU e 64 GB di memoria: l'AI si sposta nello storage)Hardware Upgrade
- [2026-11-22](Phison muestra un SSD con NPU y 64 GB de memoria para IA)HardwarePremium
- [2026-11-21](群联展示内置 NPU 和 64GB 内存的计算型 SSD 设计)网易・IT 时代网
- [2026-11-21](Phison presenta SSD con NPU y 64 GB de memoria para ejecutar IA desde la unidad)DiarioBitcoin
- [2026-11-20](Phison Pamer SSD NPU dan Mixed Media pSLC-QLC di SC26)Telset
- [2026-11-17](群联于超级电脑大会 SC26 展示三大新世代储存技术 突破 AI 与高效能运算的资料传输及储存瓶颈)群联电子官网
- [2026-11-17](SC26: Phison Unveils Three Next-Generation Storage Innovations for the New Compute Era)Phison Electronics Corp.
【免责声明】
本文内容基于厂商公开展示信息及媒体报道整理,文中性能、传输量减少比例、容错损失比例等数据均为官方在特定工作负载或示例配置下的测算结果;相关产品尚处概念设计阶段,最终规格、兼容性、算力指标与上市时间以群联官方量产发布为准,本文不构成采购或部署建议。
