今天（11月14日），范式智能正式发布专为开源机器学习数据库OpenMLDB定制的高效存储扩展卡——Fusion-NAND。产品旨在以极具竞争力的成本，为AI实时特征计算与长窗口分析场景提供近似内存的体验，显著降低企业部署高性能机器学习应用的总拥有成本（TCO），标志着AI数据基础设施在性能与成本的平衡上迈出关键一步。范式智能联合创始人、首席科学家陈雨强出席发布活动，并对产品进行了介绍。

01 AI特征工程的“一致性”挑战与OpenMLDB的破局

OpenMLDB：是范式智能开源的一套面向机器学习场景的数据库系统

主要解决：“训练时用的特征”和“线上实时推理时用的特征”不一致的问题

核心目标：写一套特征逻辑，离线能跑，线上也能跑，结果要一致、也要快

AI模型的效能高度依赖高质量的特征数据。然而，业界长期面临一个核心痛点：离线训练与在线推理场景下的特征不一致。数据科学家在离线环境（如使用Python/Spark）开发的特征逻辑，往往难以直接、高效且一致地复用于要求毫秒级响应的线上服务。这导致了模型上线后效果打折、研发流程割裂以及沉重的工程重构负担。

OpenMLDB作为一套面向机器学习场景的开源数据库系统，精准地解决了这一难题。其核心价值在于“一次建模，多端复用”，通过统一的SQL定义，同时支持离线的批量特征计算用于模型训练，以及在线的实时特征抽取用于模型推理，确保线上线下特征的一致性，并满足实时业务的高性能要求。OpenMLDB已成为众多企业构建敏捷、可靠AI应用的核心“AI大脑”。

02 当“AI大脑”遭遇海量历史数据

内存成本成为不可承受之重

尽管OpenMLDB高效地统一了特征逻辑，但在处理长周期时间窗口（例如，分析用户过去数月的行为以进行信贷风险评估）时，需要快速扫描海量的历史数据。传统做法是将全部数据置于内存（DRAM）中以保证性能，但随着数据量的持续增长，内存容量告急，增加内存带来的成本增加，成为企业规模化应用AI的“拦路虎”。

03 Fusion-NAND

为OpenMLDB定制的“超级内存”

范式智能推出的Fusion-NAND，正是为解决上述成本与性能的矛盾而生。我们可以将其形象地理解为：为OpenMLDB这个“AI大脑”定制了一个超大号的“超级内存”。它并非通用存储设备，而是一款深度定制、软硬协同的高性能存储产品，其核心价值在于以极具竞争力的成本，实现近似内存的扩展能力与访问体验。

容量与成本革命：以最高4倍容量扩展，实现最高TCO降低80%

Fusion-NAND使系统有效存储容量最高可扩展至纯内存方案的4倍，轻松应对长窗口、海量历史特征数据的存储需求。在满足20-30毫秒P99延迟的业务场景下，能够将整体硬件成本最高直降约80%，打破海量数据实时分析的成本枷锁。

性能卓越：单节点12亿特征/秒落盘吞吐能力，P99延迟稳定在毫秒级

凭借PCIe 5.0接口与高效的用户态直通技术（SPDK/io_uring），Fusion-NAND可提供单节点≥10GB/s的特征落盘吞吐能力，约合每秒处理12亿个8字节特征。通过智能冷热数据分层，当查询命中内存中的热点数据时，其P99延迟可最优稳定在10毫秒以内，提供逼近内存的实时响应体验。

企业级可靠与安全：为核心业务保驾护航

产品提供从2TB至8TB的企业级容量梯度，采用3D TLC介质与顺序写友好策略，有效降低写放大（WAF）。全系支持AES-256即时加密、TCG Opal 2.0安全协议及安全擦除功能，保障数据安全。同时，其具备断电保护（PLP）、超过200万小时MTBF及宽温工作范围，确保在苛刻的生产环境中稳定运行，万无一失。

在AI落地的深水区，基础设施的精细化创新是释放业务价值的关键，Fusion-NAND与OpenMLDB的深度结合，破解了“既要海量历史数据，又要实时低延迟，还要控制成本”的不可能三角。我们相信，Fusion-NAND的推出，不仅强化了OpenMLDB在机器学习数据生态中的核心竞争力，也为广大面临AI计算成本压力的企业提供了切实可行的破局之道，这将成为推动AI技术在各行各业规模化普及的重要助推器。