长江存储：针对日益增长的AI存储需求，推出一系列商用存储解决方案

伴随着人工智能技术的发展迭代，数据计算的需求爆炸性增长，数据处理任务的复杂性加剧，一大批针对人工智能技术、应用和场景所开发的各种新“U”开始崭露头角，并在它们的助力下，推动着人工智能技术走向成熟。

今天，我们就来简单盘点下人工智能领域常见的那些“U”。

1、GPU图形处理单元

GPU，Graphics Processing Unit，图形处理单元，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上做图像和图形相关运算工作的微处理器。

其设计初衷便是为了应对批量同类任务的高并行执行;其工作原理是利用大量的并行流处理单元，加速处理图形的计算和渲染。

GPU具备高吞吐、高并行等特性，能够加速海量同质数据的计算、处理和归一，还能提升以大量矩阵和向量运算为核心的神经网络的训练和推理，进而加速各类AI大模型的生成。

AI行业中，常说的“算力”，某程度上便是指GPU的计算能力，由此可见GPU对于AI的不可替代作用。

2、NPU神经网络处理单元

NPU，Neural Processing Unit，神经网络处理单元，可在电路层模拟人类神经元和突触，通过大规模并行处理单元(类似于神经元)和高效的互联结构(类似于突触)，实现对深度神经网络中大规模矩阵运算、卷积运算等复杂计算的加速，将数据传输到模拟神经元的电路层中，并根据深度学习的经验对信息进行更细致化的处理。

相较于CPU和GPU的冯诺依曼结构，NPU的计算单元具有更高的计算效率和更低的能耗，能够更加高效地完成神经网络计算任务、执行深度学习模型的推理和训练，被广泛的应用于深度学习和机器学习等人工智能任务之中。

3、TPU张量处理单元

TPU，Tensor Processing Unit，张量处理单元，是Google开发的一种定制处理器。

它采用脉动阵列(Systolic Array)架构，优化了深度学习中的核心张量运算，实现了高性能和高能效的机器学习模型训练与推理。

TPU的设计专注于神经网络推断任务，和NPU类似，提供了比传统CPU和GPU更高的性能和效率，适合大规模数据中心和需要实时响应的AI应用场景。

4、DPU数据处理单元

DPU，Data Processing Unit，数据处理单元，是面向以数据为中心的新一代计算处理器。

它通过优化网络数据包处理、存储操作和安全协议等数据中心的“基础”任务，减轻CPU和GPU的负担，释放CPU和GPU的计算资源，以专注于更复杂的计算任务。

DPU通常集成在网络接口卡或专用硬件中，以提高诸如深度学习或大模型推理生成的AI任务中的数据流管理和优化效率，还能增强系统的安全性和降低整体的能耗。

DPU的出现，能与CPU和GPU优势互补，建立更加高效的算力平台，为数据中心赋能。

除了以上各种“U”，作为人工智能技术的基础要素，如何更好的存储和利用数据，也是人工智能技术发展的重要一环。

针对日益增长的AI存储需求，长江存储推出了一系列商用存储解决方案。

长江存储PE321企业级固态硬盘，采用其第三代三维闪存技术打造的企业级PCIe Gen4X4 NVMe固态硬盘，采用U.2接口，NVMe 1.4协议，具有高性能、低功耗、低延时、高可靠性等特性。同时，PE321提供读取密集型和读写混合型两种方案，应对不同工况，可广泛应用于企业IT、运营商、互联网、金融、智能制造等行业的高性能计算、人工智能、大数据、CDN等核心存储场景。

*免责声明：本文内容来源于长江存储商用存储方案，转载目的在于传递更多信息，不代表小猫芯城赞同或支持其观点，如有侵权或者不同意发布，敬请与我们联系2881671956@qq.com。