GPU越贵存储越值钱，阿里云在打AI算力的下半场

9月22日，2026云栖大会在杭州开幕。阿里云甩出一组数字，百TB/s级吞吐、亿级IOPS、单文件系统规模提升5倍到100PiB，为百万卡模型训练加速。实际训练中，模型启动平均耗时降低50%，峰值算力利用率提升30%，AI存储成本降低69%。

这是新一代全栈自研高性能存储CPFS。CPFS三个字母，Cloud Parallel File Storage，云上并行文件存储，干的活是把训练数据喂给GPU。

所有人都在盯着GPU。英伟达一卡难求，算力按小时计费，黄仁勋说销量翻倍。但很少有人问一句，GPU买回来了，真的都在干活吗？

01 GPU一半时间在等数据，存储才是隐形瓶颈

先讲一个行业里常被提起的现象。GPU算一次只要几毫秒，但从硬盘搬一次数据要几十毫秒。大模型训练要反复读同一批数据几百遍，每读一遍，GPU都要停下来等。业内人士有个说法，你花3万美元买的GPU，可能正被一块几百块的硬盘卡着脖子。

这不是夸张。有实测显示，存储跟不上，GPU利用率能从90%掉到50%以下，等于一半的算力在空转。有研究机构统计，八成早期算力集群的瓶颈不是算力，是存储。Uber的工程师甚至遇到过GPU利用率只有10%到15%的极端情况，几千张卡大部分时间在发呆等数据。

训练一个模型，GPU负责算，存储负责喂。算得再快，数据喂不进去，等于白算。过去几年AI军备竞赛的主题是买多少卡，万卡、十万卡集群一个接一个上马。但当集群从万卡走向百万卡，一个被忽略的问题浮出水面，数据搬运跟不上了。卡越多，存储压力越大，GPU等数据的时间越长。

02 阿里云这组数字，翻译成人话是什么

现在把CPFS的参数翻译一下。

模型启动平均耗时降低50%。大模型训练不是点开就跑，要从存储里把模型权重、训练数据、检查点全部加载进来。集群越大，加载越慢，GPU等得越久。启动时间砍半，等于每次训练的等待时间少一半，GPU空转少一半。

峰值算力利用率提升30%。同样一批GPU，能多干三成的活。放在一卡难求、按小时计费的背景下，这不是省成本，是变相增加供给。别人买一万张卡干一万张卡的活，你把利用率提上去，九千张卡能干出一万张卡的效果。

AI存储成本降低69%。存储一直是AI投入里不起眼的那一项，但百万卡集群的存储规模是100PiB级别，100PiB是什么概念，大约等于10万块20TB硬盘装满的数据量。这个量级的存储成本降下来，是真金白银。

还有一个细节值得注意，CPFS围绕Token生产和缓存调用做了极致优化，配套推出大模型KVCache管理和调度系统。翻译一下，过去的存储系统管的是文件，这套存储开始管Token了，管的是大模型推理时反复命中的缓存。存储的优化目标，已经从"装得下"变成"喂得快"。

03 算力竞赛的下半场，轮到存储上场

阿里云在这个节点发CPFS，时机很微妙。

上半场的主题是买GPU，英伟达的卡有多少买多少，谁买得多谁嗓门大。但GPU采购总有见顶的一天，当大家的卡都买得差不多了，比拼的指标就从"有多少算力"变成"算力用出了几成"。算力利用率，正在成为数据中心的新KPI。存储优化，就从成本项变成了收益项。

这也是阿里云Agentic Cloud战略的一部分。云栖大会上，阿里云把Model、Harness、Context作为核心构建场景，CPFS是算力底座的一块砖。逻辑很清楚，AI要从演示走向生产，从聊天走向干活，底层必须先把"数据喂给算力"这件事做扎实。Agent的决策链路长、并发高、对时延敏感，模型启动快不快，直接影响体验。千问AI平台已经把模型弹性启动时间从1200秒压到70秒，靠的正是这套底座。

GPU决定一家公司算力的上限，存储决定它能用出几成。这个道理朴素，但过去几年被GPU的光芒盖住了。当数据中心里最贵的资产开始空转，谁先让GPU不停转，谁就赢下下半场。

云栖大会上这组数字，翻译到最后就一句话，AI的钱不能全砸在芯片上，还得砸在让芯片不停转的地方。上半场比谁买得多，下半场比谁用得好，阿里云已经把牌打出来了。