先算密度账。一个 1U 托盘:最高 9.83PB 裸容量、390GB/s 写入、15M 4K 随机读 IOPS——Hammerspace 在 SC26(2026-11-16 至 2026-11-19,芝加哥)给出的 Open Flash Platform(OFP)标称值。放大到整柜:42U 全装 OFP 约 413PB、满载最高 75.6kW(按厂商规格推算),每 PB 裸容量约 183W。盘位密度对照:Hammerspace 称 OFP 为典型 2U 24 盘位 NVMe 服务器的 3.3 倍,4U 装 160 块 SSD 对 48 块。AI 存储的竞争指标正从"单阵列多快"变成"每 U 多快、每 PB 多省电"。

发布主体是 Hammerspace Data System:这家并行全局文件系统厂商首次把软件、元数据节点与存储硬件打包成整套系统销售并统一维保,按纳管容量订阅计费。软件-only 部署与 Dell/Supermicro/Hitachi Vantara Ready Nodes、AWS/Azure/Google Cloud/Oracle Cloud 镜像保留。OFP 为新硬件,即日起可询价,2027 H1 发货,价格未公布。

架构:x86 存储服务器消失,DPU 就是节点

开盖的 OFP sled:可见 DPU、散热风扇、NVMe 闪存模块与 400GbE 端口(官网渲染)
开盖的 OFP sled:可见 DPU、散热风扇、NVMe 闪存模块与 400GbE 端口(官网渲染)

OFP 基本单元是 sled:1/5 U 宽,8 块 U.2/U.3 NVMe SSD 分装两个可抽拉 4 盘位包,2 个 400GbE QSFP-DD 口,主板位置不是 x86,而是 64 核 Arm DPU——Xsight Labs E1。据 StorageReview 现场报道,E1 采用 TSMC 5nm、64 个 Arm Neoverse N2 核心、2 个 400G MAC、PCIe Gen5,典型功耗 70W,跑标准 Linux;每个 sled 在 Hammerspace 文件系统里即一台 NFS 服务器。Xsight 官方 E1 简报亦确认 64 个 N2 核心与 800Gbps 网络(官网受限,见文末注记)。

1U 托盘装 1 至 5 个 sled:满配 40 块 SSD、320 个 Arm 核心、10 个 400GbE 口。每 sled 最高 360W、整托盘 1800W,配双 2160W Titanium 电源;sled 与盘包免工具维护,IPMI/Redfish 管理。两个硬约束:托盘深 106.64cm,需 1200mm 机柜;风冷,海平面最高进风 40°C。

容量与性能口径(厂商标称,Gen5 TLC SSD、400GbE、NFSv4.2+pNFS over TCP):

项目每 sled每 1U 托盘(5 sled)
裸容量(8×245.76TB QLC,如 KIOXIA LC9 级别)1.97PB9.83PB
读带宽80GB/s400GB/s
写带宽(无镜像)78GB/s390GB/s
写带宽(2 副本镜像)39GB/s195GB/s
写带宽(3 副本镜像)26GB/s130GB/s
4K 随机读3M IOPS15M IOPS

保护靠按文件/目录策略的镜像,可在线切换:2 副本镜像把写带宽与可用容量同时减半(满配 QLC 托盘可用约 4.9PB),3 副本镜像写带宽只剩 130GB/s。可再生数据(如 KV cache)建议不镜像。读上限的逻辑:每 sled 80GB/s 恰好把 2 个 400GbE 口吃到接近线速(每口约 40GB/s,计及协议开销后基本饱和)——决定读天花板的是网络口,不是闪存。

口径差必须指出:官方新闻稿(2026-11-17)写的是每 U 250GB/s 读、350GB/s 写,并称读吞吐密度较所对比方案高 37%、写吞吐密度最高 4.4 倍、SSD 密度为所评估最密服务器配置的 2 倍;StorageReview 在 SC26 现场拿到的满配标称是 400GB/s 读、390GB/s 写,另称"较未具名最近竞品每 U 性能 2 至 5 倍"。两组数字基线与配置不同,引用须带口径,不能混用。

路线对照:GDS 管"最后一米",OFP 管"供应链"

1U OFP 托盘内并排安装的五块 sled(官网渲染)
1U OFP 托盘内并排安装的五块 sled(官网渲染)

NVIDIA GPUDirect Storage(GDS)解决节点内问题:NVMe 到 GPU 显存的直接 DMA,绕过 CPU 反弹缓冲,需配套驱动与受支持文件系统。Hammerspace 则坚持标准 NFSv4.2 客户端(Linux 发行版内置,无专有 agent),用 pNFS Flex Files 布局把数据路径摊到多个节点。两者是分工而非竞争:GDS 优化节点内"最后一米",OFP 与 Tier 0 优化集群级数据供给;DPU 存储节点把 x86 核解放出数据路径。

Tier 0 更值得琢磨:把 GPU 服务器里已有的本地 NVMe 通过 NFS 导出、聚合成集群共享层,计算节点不装任何客户端;检查点先写本地,再按策略沉到对象存储。Hammerspace 称 Tier 0 较外部共享存储有 4.4 倍顺序带宽、延迟低 56%(厂商口径,未公布测试配置)。推理侧同理:KV cache 放池化 Tier 0,推理软件的缓存管理器从共享 POSIX 存储重载已算上下文,省掉 GPU 重算;Hammerspace 不做缓存管理器。早期超大规模客户在每个 GPU 机架顶部放 1 至 2 个 OFP 托盘,图机架与性能密度而非省电;按 NVIDIA 的分层口径,GPU 机内 NVMe 是 G3,每机架一个 TLC 填充的 OFP 托盘是 G4。同路还有 NVIDIA 在 GTC 发布的 BlueField-4 STX 参考架构;Hammerspace 的差异是文件系统可脱离自家硬件运行。

真正的瓶颈:数据供给,不是容量

移除上盖的 OFP 托盘:五块 sled 的 DPU 与闪存布局(官网渲染)
移除上盖的 OFP 托盘:五块 sled 的 DPU 与闪存布局(官网渲染)

"单纯加存储不是答案。"创始人兼 CEO David Flynn 把发布类比为 AI 工厂整合算力——现在轮到数据。骨架仍是元数据与数据路径分离:每站点一对 Anvil 元数据节点(1U x86,M-Series,2 个 100GbE 口)跑控制平面,跨站点元数据持续复制、远端滞后约 1 秒,数据只在策略或访问请求触发时移动。

数据智能层做三件事:跨系统编目文件/对象元数据而不搬数据;DeepScan 按需或按计划打开文件,识别个人/金融/受保护健康信息并打成可检索标签;以客户自选 LLM 做自然语言查询,结果喂给策略引擎——如"30 天未访问即下沉""3 个站点各留 3 副本"等声明式规则;标签沿目录树继承、随文件跨系统/跨云跟随。

参考客户 kaiko(阿姆斯特丹/苏黎世临床 AI 公司)把 Azure、Nebul、Nebius 三朵云纳入同一命名空间,GPU 规模从约 128 张扩到 Nebius 上 1000+ 张,训练用 GPU 本地 NVMe 做 Tier 0,检查点按策略落 Azure Blob——注意该案例不含 OFP 硬件。另一匿名超大规模 AI 实验室用 30PB Hammerspace 集群替换了 AWS 上的 FSx for Lustre(此前一年 Lustre 是最大工单来源),大文件操作快约 3 倍(厂商口径),命名空间正向本地机房延伸。

对珠三角 AI 机房的选型启示

放进广州/深圳 AI 机房语境,三件事比标称带宽更早决定成败。其一机柜:106.64cm 深、1200mm 机柜的要求,直接排除大量浅柜,改造前先量。其二供电散热:单托盘 1800W 意味着每 U 1.8kW,整柜 75.6kW 远超多数存量机房单柜供电能力(推算对比);风冷 40°C 进风上限,广东夏季机房须实测冷通道温度再承诺。其三时间线:OFP 倡议 2025 年启动(Xsight Labs 与洛斯阿拉莫斯国家实验室参与),2025-10 曾承诺 2026 年初量产,如今改为 2027 H1,滑期约 1 年,排期留余量。

证据缺口:Hammerspace 未公布 OFP 延迟、客户端规模与 IO500/MLPerf Storage 成绩,StorageReview 亦未审计。规划 GPU 集群的团队值得书面追问:镜像策略下的实际写带宽、400GbE 网络在拥塞下的表现、与既有 NetApp/PowerScale/对象存储的接管方式,以及"每 PB 功耗"在实际负载下的复测值——别只看 390GB/s 一个数。

来源与核实注记(访问日期 2026-11-22)