2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。人工智能广泛的采用深度学习来实现，目前大部分的深度学习算法研究都基于GPU架构的超算平台。GPU+人工智能算法在很多领域都取得了很好的应用效果，如信号处理、物理模拟、几何计算、数据挖掘和图像处理等领域。HPC和AI正走的越来越近。

在超算平台的环境中，随着各种应用数据采集技术的不断进步，数据量也在急剧上升，迫使超算环境从以节点为中心转变成了以计算、存储的两个中心。同时数据的读取和操作方式也发生了改变，尤其是同一份数据需要满足多个计算节点的并发访问，对存储系统提出了前所未有的挑战。当前超算平台中一般都采用了并行文件系统作为数据高性能读写的文件存储平台，但是却有如下几个常见的问题：

当今各行各业每天都有海量的数据产生。据IDC预测达到2025年，全球将总共产生175ZB文件。接下去5年时间内产生的数据量将会比过去几十年人类产生数据量总和还多。这些数据中大部分都是非结构化数据，其中图片这种小文件因业务需要而迅速增长。

对于干细胞生物学家来说，他们一直以来怀疑猜测两个遗传物质上克隆的干细胞是否完全相同。近日，这一生物学领域的惊人多样性现象在西雅图得以进一步确认——6000多张荧光标记的诱导性多能干细胞（iPS）图片揭示了大量丰富的细胞生物学基础信息。

对于今天的NAS来说，迁移到NAS涉及数千TB和数十亿个文件并不少见，而且往往通常在异构、不同架构的存储系统之间。现在，NAS和并行文件系统中存储的数据是公司网络中最重要的数据之一，通常包括客户数据比如政府的审计、财务规定，或用于商业智能的研究信息。此类数据的任何丢失或业务系统的任何中断，它可能会造成无法形容的业务损失和费用。

动画制作和渲染节点多了以后，引起系统响应速度变慢，如何解决？素材多了以后系统响应速度变慢，对热点素材的读写总是较慢，如何解决？理想的操作平台或应用程序，却因为存储系统兼容性的问题不得不放弃使用，如何解决？存储系统的连续性和稳定性差，且关键数据得不到保护，如何解决？