🔐 登录 ✍️ 注册

博主头像

人工智慧不是算不動，而是記不夠！Kioxia AiSAQ技術讓SSD取代DRAM解鎖效能瓶頸！

外来客 • 2026-08-27 01:53:51

声明：本文为对公开内容的摘要整理，未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议；观点与版权归原作者及原平台所有。如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

🧠 核心观点与技术定位

技术本质：Kioxia 推出的 AiSAQ（All-Storage Approximate Nearest Neighbor Search）技术旨在解决 AI 推论阶段中向量数据库规模扩大导致的 DRAM 容量瓶颈。
核心策略：通过全存储近似最近邻搜索，将原本依赖 DRAM 的向量索引和量化向量完全卸载至 SSD，利用 SSD 的大容量和低单价特性取代部分 DRAM 需求。
效能目标：在大幅降低 DRAM 使用量的同时，保持与基于 DRAM 的记忆体内索引方案相近的查询效能（QPS）和准确率。

📊 关键事实与基准测试数据

DRAM 用量对比：
传统 HNSW（层级式可导航小世界图）方案：需使用 60GB DRAM。
AiSAQ 技术：仅需 155MB DRAM。
缩减比例：DRAM 使用量减少了约 400 倍。
效能表现：
每秒查询次数（QPS）：两种方案均超过 12,000。
准确率（召回率）：两种方案均超过 96%。
成本结构差异：
DRAM：速度快、容量小、单价高。
SSD（Flash）：速度相对慢、容量大、单价低。
AiSAQ 通过利用 SSD 的大容量优势，解决了向量索引规模超过实际资料大小时所需的 TB 级 DRAM 成本问题。

🏗️ 技术架构与实现机制

演进路径：

传统模式：检索和向量资料全部储存在 DRAM，由 CPU 执行 ANN 运算。
Disk ANN 模式：将大部分索引资料卸载至 SSD，仅保留量化向量在 DRAM。
AiSAQ 模式：将量化向量、索引及向量资料库全部搬移至 SSD，DRAM 仅用于其他即时数据。

核心优势：
高租户密度：在单一服务器上为不同客户执行 ANN 搜索，不受限于服务器 DRAM 容量，可通过 SSD 分区实现多租户隔离。
启动延迟缩短：处理器直接存取 SSD，无需先将索引资料从 SSD 载入 DRAM，大幅缩短服务启动时间。
硬件接口：该技术专为 Kioxia 设计的高速企业级和数据中心级 SSD 设计，支持 PCIe 或 NVMe 接口。

📉 行业背景与挑战

AI 发展五大趋势：

从训练为主转向推论重要性增加。
从 GPU 为主转向 AI 加速器重要性增加。
从云端运算转向终端/边缘运算。
记忆体从 DRAM/HBM 为主转向 Flash/SSD 重要性增加。
从电运算/电通讯转向光电整合（CPO）。

RAG 技术痛点：
检索增强生成（RAG）需引入外部资料以提升 LLM 准确性，避免“一本正经胡说八道”。
向量数据库规模随资料增加而膨胀，导致 DRAM 需求激增，成为推论成本的主要瓶颈。
现有解决方案（如减少索引表示大小、Disk ANN）仍受限于 DRAM 容量，无法彻底解决索引规模随数据集增长的问题。

✅ 结论与适用场景

核心价值：AiSAQ 技术通过整合向量搜寻引擎与 SSD，实现了在最小化 DRAM 需求的同时，提供可扩展的向量搜寻架构。
适用情境：
需要处理大规模向量数据库的 AI 推论场景。
对成本敏感且需要高租户密度的云服务环境。
需要快速启动服务且避免 DRAM 容量限制的企业级应用。
最终效果：为 AI 解决方案铺平道路，通过降低硬件成本（DRAM 替换为 SSD）支持未来更大规模的数据发展。

👤 同一博主

查看该博主全部 34 篇

🧭 类似博主

0 条评论

发表评论

请先登录后参与讨论。