AI 数据中心最贵的浪费：让 GPU 等数据

AI 数据中心最贵的浪费，不是电费，是让 GPU 空转。

过去两年，所有人都在为算力疯狂：买卡、上液冷、把机柜做得越来越密。但在 SiliconANGLE 最近关于 AI Data Pipeline Forum 的报道里，一个被冷落许久的角色重新回到了牌桌中央——喂饱这些加速器的数据管道。与此同时，GitHub 工程团队把一个 star history API 的数据库压力从 2500 次请求砍到 24 次。两件看似不相干的事，指向同一个判断：算力过剩、数据供给不足的时代，已经开始了。

🚀 液冷都上了，GPU 却在等数据

先看一组扎心的对比。

AI 数据中心这两年花的钱，几乎全砸在了「让算力更热地跑起来」这件事上：更快的加速器、更稠密的机柜、更贵的液冷系统。这些都是看得见的投入，采购清单上一行一行列得清清楚楚。

但 SiliconANGLE 的报道点出了一个尴尬的事实：给这些处理器喂数据的管道，并没有跟上。结果是昂贵的算力在内存和存储前面排队等待。液冷解决了散热问题，稠密机柜解决了密度问题，可如果数据到不了，再冷的条件也只是让 GPU 更体面地空转。

有位做存储架构的朋友私下半开玩笑地说：现在不少机房的状态是「冷静却饥饿」——温度控制得很漂亮，数据供给却跟不上。

这个缺口正在获得越来越多的关注。原因很简单：AI 基础设施瓶颈的焦点，正在从算力侧迁移到数据侧。

这条链路上，越靠近算力的环节越贵，越靠近存储的环节越被忽视。但任意一个环节掉链子，整条链路的贵价部分都要陪跑。这就是产业逻辑切换的起点：当算力不再是第一瓶颈，钱就会流向下一个瓶颈。

💡 ScaleFlux 押注主控芯片

💡 瓶颈在哪，赌注就在哪。

SiliconANGLE 报道的核心是：ScaleFlux 把宝押在了控制器芯片上，赌它能够打破 AI 的内存瓶颈。这是一家在存储行业里路线相当独特的公司——当大多数厂商在介质、接口和容量上卷的时候，它坚持在主控芯片这个「夹层」里做文章。

为什么是主控？回到上面那条链路：数据从存储介质到 GPU 之间，要经过控制器、主机内存、缓存多层中转。控制器是数据的必经之路。如果计算能力能下沉到这个位置，部分数据就地处理、就地压缩或整理，到达算力侧的数据量和带宽压力就可能被压下来。

推演一下这个赌注的产业含义：AI 数据中心的钱大量花在了加速器上，而加速器的实际效率取决于数据供给。存储控制器作为「最后一公里」的关卡，恰好是花小钱、办大事的位置——这正是稀缺的商业位置。

存储圈里流传的一种判断是：介质的价格战没有尽头，但靠近计算的位置永远有溢价。ScaleFlux 押的，本质上就是「近数据计算」在 AI 时代的二次爆发。

从定位看，ScaleFlux 处在高技术门槛、较高商业价值的象限，但头顶压着云大厂自研硬件的阴影。它的窗口期，取决于「专用主控 vs 通用方案」的成本差距能维持多久。

⚙️ GitHub 的账：2500 次请求砍到 24

⚙️ 便宜的请求，堆起来就是最贵的账单。

把镜头切到软件侧。GitHub 工程博客最近复盘了一次重构：新的仓库 star history API，目标是不返回个体身份、也不需要无界的数据库工作，就能提供趋势数据。标题里的数字很直白——从 2500 次请求降到 24 次。

这不是炫技，是一次教科书级的工程取舍。旧的查询模式意味着：要还原一段 star 历史，系统得做大量细粒度的数据库操作，查询规模随数据量无界增长。新的做法是把趋势数据预聚合好，查询边界被明确限定，同时刻意不暴露每一次 star 背后的个体身份。

这张表里的每一行，都是一次主动放弃：放弃了明细粒度、放弃了个体身份、放弃了「什么都能查」的灵活性。换来的是三个数量级的请求削减和一条可预测的成本曲线。

💡 这正是资深工程师和老手之间的分水岭：前者把问题跑通，后者把问题封顶。

📊 同一个病根：昂贵资源暴露在无界访问前

📊 硬件和软件，病的是同一种病。

把 ScaleFlux 和 GitHub 的案例放在一起看，病根是一样的：昂贵的计算资源，被暴露在无界的数据访问面前。

GPU 是贵的，但它面对的请求模式是无界的——数据什么时候到、到多少、什么形状，全都不受控。数据库是贵的，但 star history API 让每一次用户查询都能触发无界的扫描。两者的解法结构上完全同构：

三个解法，关键词分别是「下沉」「预聚合」「收边界」。翻译成数据平台的通用语言，就是近数据计算、物化和查询治理——这些都不是新概念，但在 AI 把算力价格推到历史高位之后，它们的 ROI 第一次变得如此醒目。

🧭 给数据平台从业者的启示很具体：盘点你的架构里，哪些昂贵资源正在接受无界访问？是每次查询都穿透到对象存储的 BI 报表，还是被全量扫描拖垮的训练数据加载？瓶颈迁移的方向已经明确，补课的优先级该重排了。

🔋 小结：数据管道会进采购清单

液冷用了两年时间，从「加分项」变成了 AI 数据中心采购清单的标配。下一个大概率重演这个剧本的，是数据管道和内存存储层——SiliconANGLE 报道里那个被忽视的缺口，正在变成下一个预算科目。

对 ScaleFlux 这样的公司，这是把主控芯片卖进 AI 预算的机会；对 GitHub 这样的平台，这是用软件工程换取基础设施账单的路径。殊途同归：AI 竞赛的下半场，比的不是谁算力多，而是谁的数据供给不拖后腿。 2027 年的采购清单上，如果你还没看到「数据管道」这一行，那说明瓶颈可能已经找上门了。