NVIDIA开源cuFile白送“高速路”，AI SSD要凉？

2026 年 FMS 大会，NVIDIA 宣布开源 cuFile API 及相关软件栈。通俗地说，cuFile API 相当于给 GPU 和 SSD 之间修了一条"直达高速"。让 GPU 可以绕过内存和 CPU 的数据中转，直接从SSD 读取和写入数据，打破传统模式中 GPU 需要等待 CPU 调动数据的传输瓶颈。

为什么说cuFile相当于给GPU和SSD“修了一条直达高速”

过去，GPU读取SSD中的数据，通常要先经过 CPU 和 DRAM 中转：SSD → DRAM → GPU（更准确地说，数据进入的是GPU显存，再由GPU核心取用计算，为便于理解，简写为“到GPU”）就像货物从仓库送到工厂，中间还要先到一个中转站卸货、重新装车。双重拷贝会带来额外延迟和 CPU 开销。

如果 GPUDirect Storage（GDS）技术是“高速路”本身，而 cuFile 则是这条高速路的“入口关卡”，省去DRAM 中转拷贝，也减轻 CPU负担。cuFile 的开源，打破了原有的技术壁垒，让曾经只有少数厂商能获得授权的“专属通道”化作人人皆可驶入的“公共快车道”。

这件事正在改变 AI 存储的发展格局。

消息一出，一个很自然的问题随之而来：NVIDIA 把 cuFile 开源了，不再需要特定适配了，GPU 访问 SSD 这件事正在变得越来越开放。那是不是意味着以后买一块普通SSD就够了？那还有用必要专门为AI设计SSD吗？答案恰恰相反：cuFile做得越好、越快，AI-SSD价值反而越大。

“高速路”修好了，不等于交通自然高效

cuFile 解决的是 "GPU 能直接访问 SSD" 这个通路问题，它不决定：哪些数据该留在 显存、哪些该放 内存、哪些该下沉到 SSD、什么时候该提前调回来。就像高速公路不负责告诉你哪辆车该先走、什么货要运、什么时候运。如果没有合理管控，大量数据盲目跑上高速，就会造成拥堵。

AI 系统天然存在三级 “存放空间”，如果把 GPU 核心算作执行任务的“生产线”，那么：

GPU 显存（HBM/VRAM）就是工厂里的工具台——能马上送进生产线投入计算，但容量小、成本贵。

系统内存（DRAM）则是中转站 —— 离生产线近、补货快，但地方也有限。

而SSD（NAND Flash）是仓库—— 空间最大、成本最低，但地处偏僻、调货慢（但离GPU更远）。

过去的做法很简单：能塞进显存的尽量都塞进去。但大模型越来越大以后，全塞显存放不下，全丢回 SSD，GPU 又要等——算力在等数据，就是GPU空转。问题从来不只是“SSD 能不能被 GPU 读到”，更是 “怎样让有限的显存用得最聪明 。

若cuFile是高速公路，AILink就是智能调度中心

通路通了，但数据怎么排优先级？

过去，用户对 AI SSD 的认知大多停留在“扩容”——给显存和系统盘加空间。但实际上，AI SSD 还有一个更核心的能力：智能调度。这正是铨兴【添翼超显存融合方案】中AI Link算法的价值所在——它不只是“多装一点”，而是“用得聪明”。

可以把 GPU 显存想象成你面前的一张办公桌。桌面很方便，伸手就能拿到东西。但问题是：桌面太小。以前模型不大，几十本资料都可以放桌上。现在几百、几千本资料同时摆面前，全部堆在桌面上显然放不下。怎么办？更合理的方法是：正在看的（热数据）放桌上(GPU)；马上要看的（温数据）放旁边的文件柜(DRAM)；暂时不用的（冷数据）放仓库(SSD)需要时，再提前取出来。

而 AI Link，就是那个知道你下一步要用什么资料，并提前去帮你拿过来的智能助理。cuFile 搭了一条更快更宽的高速数据通路，而 AI Link 负责决定“搬什么、何时搬、搬到哪”的调度策略。——两者配合，才能真正缓解 GPU “等数据”的空转问题。cuFile 缩短搬运时间，AI Link 确保数据提前到位，让 GPU 尽可能少等待、多计算。

—— 路越宽，调度越重要，AI Link 的舞台反而越大。所以，cuFile 开源不是挑战，而是整个AI SSD 行业从 "卖硬件" 走向 "卖调度能力" 的升级机遇。

MoE 和 KV Cache，正让这种能力越来越重要

现在越来越多的大模型开始采用MoE架构。如果传统大模型是一位什么都要干的全能员工； MoE 就是一个专家小组。小组里有擅长编程、数学、写作、绘图等不同领域的专家，但每次只挑选 23 位对口专家干活，没必要让所有专家 24 小时都坐在你的办公桌旁。常用专家留在 GPU，次常用专家放 DRAM，其他专家则可以放到 AI SSD，需要时再调进来。

KV Cache 也是一样，一部分可以被保存到AI SSD，需要时再取回。因此，SSD 里未来保存的不只是 Word、PDF 和模型文件。还可能保存：MoE Expert（专家权重）、KV Cache，以及AI已经计算过的中间结果。——SSD 的角色正在从 Storage 演变为 AI Memory 的一部分。

竞争焦点从“连不连得上”转向“用不用得巧”

cuFile 开源后，"能连" 变成了行业标配，SSD 的角色也从单纯存储变成了 AI 内存延伸。真正的分水岭变成了调度能力：谁能更准确地判断数据冷热、谁能更精准地预取、谁能让 GPU 尽可能不等待数据。cuFile 把路修得越宽，能调度的数据范围就越大，调度的价值就越突出。对所有 AI SSD 厂商和客户来说，新赛道已经打开——比的不再是谁的 SSD 跑分更高，而是谁更懂 AI 工作负载。

这也是铨兴AI SSD 2.0想做的事情

我们认为，未来的 AI SSD 绝不应只是一块"速度更快的 SSD"，而是由AI SSD + AI Link + AI Runtime协同构成的新层次——一个面向AI的智能内存扩展层（AI Memory Layer）。如果第一阶段的 AI SSD 是"让 SSD 进入 AI 系统"，那AI SSD 2.0 更进一步：让 AI 知道什么时候、怎样使用 SSD。通过 AI Link，在 GPU 显存、DRAM 与 AI SSD 之间建立智能调度机制，让数据流动得更聪明。

cuFile开源，存储变局已来

NVIDIA 开放 cuFile，释放的信号远不止“ GPU 访问 SSD 更快”。伴随开源，NVIDIA 同步发起Storage-Next倡议，联合超过40家存储与闪存厂商，共同推动下一代AI存储标准化；并发布 SCADA 框架，让大规模并行 GPU 直接从存储中拉取数据，摆脱对 CPU 调度的被动等待。这些动作共同指向一个明确的方向：存储正在从AI系统的外围设备，走向AI数据路径的主动成员。

当 SSD 开始承载 MoE Expert、KV Cache、长上下文等大规模 AI 数据时，GPU、DRAM 和 SSD 三级存储体系之间就迫切需要一套智能调度机制。这正是AI Link 的核心价值所在。路越宽、车越多、标准越开放，智能调度便越不可或缺。铨兴AI SSD 2.0—— 让SSD Storage，不只存放 AI，更参与 AI。