一句话看懂：Meta 在官方工程博客中披露了其面向 AI 训练优化的新型 BLOB 存储架构，旨在解决 GPU 因存储延迟而空转的问题，直接降低训练成本并加快模型迭代速度。
事件核心：发生了什么
7 月 1 日，Meta 工程团队在官方博客发表了其 AI 存储架构的演进方案。过去一年，前沿模型发布间隔从数月缩短到数周，训练数据集呈指数级增长。Meta 指出，计算性能约每两年翻三倍，但存储与互连性能增长更慢，导致 GPU 空转成为 AI 工作负载的主要瓶颈之一。为此，Meta 从原有的基于 Tectonic 块存储的文件系统方案，逐步向 BLOB 存储接口迁移。新架构要求存储系统支持突发且持续的高吞吐量、可预测的低尾延迟，并能在 GPU 之间高效同步数据，避免单点慢速拖慢整个训练集群。Meta 还提到，原有的 BLOB 存储为传统业务设计，多层元数据查询跨区域时延迟可达秒级，无法适应 AI 训练对毫秒级闪存访问的需求。
为什么重要
存储瓶颈是当前大规模 AI 训练中被低估的成本驱动因素。Meta 将存储比作 AI 的“记忆”，GPU 算力再强，若数据加载跟不上，投资回报率会大幅下降。此次架构调整说明两个趋势：一是存储与计算正从松耦合走向深度协同设计；二是行业正从文件系统接口统一向对象存储接口靠拢，以兼容更大的数据湖并简化数据流转。对于 Meta 而言，Llama 系列模型的训练速度与成本有望因此改善，而这一方案也可能影响其他拥有超大规模集群的公司（如 Google、微软、亚马逊）的存储建设方向。
对用户/开发者/创作者的影响
对使用 Meta 开源模型（如 Llama）的开发者而言，更快的训练迭代意味着更频繁的模型更新和更低的算力账单。对大模型应用开发者来说，存储接口的统一可能降低跨区域数据迁移的复杂度，减少研究组之间“等数据”的时间。对依赖云服务的 AI 创企，Meta 的架构公开信息虽不直接开放，但可视为技术风向标——未来云服务商可能提供更贴近 GPU 训练场景的存储优化选项，例如更低尾延迟的块存储或对象存储服务。目前公开信息显示，该方案仍在 Meta 内部迁移中，尚未直接对外提供服务。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，BLOB 存储方案是否会在未来 Meta 的云服务或开源组件中开放接口，供外部开发者参考或复用。第二，基于该架构训练的 Llama 新模型版本发布时间是否会因存储效率提升而缩短，从而影响开源大模型的竞争节奏。第三，其他存储厂商（如 Pure Storage、NetApp）是否会推出针对 GPU 集群尾延迟优化的硬件或软件方案，形成新的存储产品赛道。
