FMS 2026 前瞻-6：计算型存储，当文件系统学会思考

• 把握 SNIA 标准化进程对计算型存储落地的推动作用，识别去重/压缩/加解密卸载到 SSD 主控的工程可行性边界，以及它与 DPU 的场景分工
• 关注存储产业链价值转移方向：从 CPU-centric 到 GPU-centric 的范式切换中，SSD-GPU 互联技术（如 CXL、NVLink）可能成为新的投资锚点
• 厘清 PIM（存内计算）、PNM（近存计算）、SSD 存内计算三个易混淆概念的层次差异，定位学术研究与产业落地之间的结合点——尤其是 ANN 索引的盘内加速方向

全文概览

过去两年，计算型存储（Computational Storage）始终是 FMS 峰会的焦点议题，但每年的关键词却在悄然位移：2024 年谈 CXL 和算子下推，2025 年聚焦 RAG 向量检索与 KV Cache 卸载，而即将到来的 FMS 26，IBM 抛出了一个更激进的概念——认知文件系统（Cognitive File System）。

文件系统不再只是组织数据的目录结构，而是开始"理解"数据中的模式和关系。当存储设备具备类似数据库的关联能力，一个根本性问题浮出水面：存储和数据库的边界，是否正在消失？

与此同时，计算范式也在发生不可逆的迁移。今年峰会的议程明确传递了一个信号：近存计算的主角已从 CPU 切换为 GPU。传统数据密集型计算向加速器转移，CPU 退守控制平面，SSD 与 GPU 之间的互联关系成为新的技术焦点。

本文基于 FMS 24–26 三年议程数据，梳理计算型存储的技术演进脉络，辨析 PIM、PNM 与存内计算的概念差异，并提炼四个关键洞察。当存储开始"思考"，整个数据基础设施的架构逻辑将如何被改写？

👉 划线高亮 观点批注

FMS 26 计算型存储/近存计算 议程安排

上表是 FMS 26 计算型存储&近存计算话题的演讲。一共有 8 场，主要在第一天开展（6 场），第三天有一场小组讨论（计 2 场）。

来看一下整体会议安排的关键指标。在这个话题中，参与的厂商有 33 家，主要包括：

1. 头部存储厂商
2. 主控设计厂商，如 Marvell、SMI 和 Phison
3. 标准化组织，如 SNIA以及 NVMe

上面表格中，值得关注的是：模块二，“计算型存储”子主题讨论。 这几个子主题相对恰当地诠释了：当下厂商在讨论计算机存储时，他们讨论的问题是什么？

1. IBM 提出“认知存储”：

本质上是文件系统的概念，基于 AI 增强的文件系统设计，是今年峰会上比较值得期待的技术话题。

1. 向量搜索（RAG ）：

基于 RAG 管道 的 ANN 算法硬件实现，封装在特定 ASIC 卡上，和SSD 主控封装在一起盘内加速。

1. 去重与数据压缩

历史上这些功能需要调用 CPU 来进行计算，进行数据多次搬运，会造成网卡带宽、CPU 时间片的浪费。 如何把去重、解压缩以及加解密等操作，卸载到主控设备上去做近数据处理，是存储器厂商一直以来比较关注的，随着计算越来越平民化，我觉得未来也必将能实现。

这一块的能力与 DPU（数据处理单元/智能网卡）处理场景有一些交叉，细分来看还是可以区分场景：

1. 加解密等场景：适合在 DPU 上去做处理。
2. 去重、解压缩等场景：可以卸载到 SSD 端的算力来执行。

峰会关于计算型存储的技术洞察，预览归纳为以下四点：

• 洞察 1： IBM Cognitive File System 认知文件系统

文件系统不再只组织数据，而是理解数据中的模式和关系。当文件系统具备类似于关系型数据库的关联能力，存储和数据库的边界就开始模糊起来。

• 洞察 2：向量搜索从内存迁移到存储

在过去的 2025 年，就有一些厂商提出在 SSD 内部做余弦相似度计算，将 ANN 计算模块化到 ASIC 加速卡上，同时和主控做封装，提高近 NVMe SSD 的加速检索。

• 洞察 3：计算型存储从证明可行性到标准化、规模化

过去做去重、压缩这些常规存储计算时，不同厂商有各自的算法方案。 今年 SNIA 提出了标准，计算型存储的常规功能从每个厂商自己做，走向一个可互相操作的标准生态。

• 洞察 4：关于近存的概念（主角从 CPU 切换为 GPU）

经典存储计算围绕 CPU 单元进行，在今年会议上，提出基于加速器（泛 GPU）做存储计算加速。意味着，数据中心重度计算的场景事实上已经从 CPU 迁移到 GPU 上来了，这个范式是不可逆转的（排除高精度场景的 HPC）。

未来，CPU 将依靠它特有的控制单元优势在 Agentic 任务中发挥更加积极作用；而传统数据密集型计算，将转移到 GPU 上来做处理。SSD（存储）和 GPU 之间的互联关系值得关注。

FMS 24-26 计算型存储/近存计算 关注点变化

过去两年 FMS 峰会关于计算型存储讨论热点的变化：

从 24 年材料来看，主要讨论基于 CXL 来实现近存数据处理，三星进一步强化了 CSD（Computer Storage Devices）概念。当时的背景是：基于计算型存储实现大数据场景的算子下推，减少数据管道中的复制（Data Gravity），从而加速数据处理。

时间转移到 25 年，去年对计算机存储的讨论相对是一个高峰期。其中， PNM（近存计算）和 PIM（存内计算）的讨论，都相应有厂商做技术方案讲演。 彼时业务场景是基于 KV Cache 的卸载场景，将 KV Cache 的索引直接在SSD内做索引和召回。在今天来看，也仍然是一个需要重点讨论的场景。

在即将到来的 26 年峰会上，IBM 作为存储系统老牌大哥，提出 Cognitive File System（认知文件系统），基于 模型的计算/泛化能力，使文件系统具备理解数据的能力。 这个概念其实相当于将经典存储系统改造为数据自感知的存储库。

总的来看，计算型存储本质是围绕数据存储中几个重度计算的场景做优化：去重、压缩，加解密以及现在比较热门的 ANN 索引。 KV Cache 是相关的，但原理上是带宽敏感的检索场景，卸载到 Scale-Out 网络的存储系统，有必要针对网络语义做优化，比如 CXL。 对计算型存储的理解，厂商们还是相对聚焦的，本质上围绕着经典存储数据流的管道来做优化。

从上面这张表格可以横向比较、理解：过去几年计算型存储底层关键词的变化。

值得强调的是，随着 AI 小模型在存储设备上的集成，“计算型存储”实质上得到了增强。

具体发展脉络如下：

1. 2024 年：当时业务场景是：计算型存储构建大数据管道中的底层基础设施
2. 2025 年：针对 RAG 和向量检索来做增强
3. 2026 年：构建自感知的存储文件系统。

上面这张表格总结了：在讨论“计算型存储”这个术语时，会涉及到几个混淆概念，它们是计算型存储大类下的不同子项。

从计算层次、数据访问时延的角度来看，可区分以下几种：

1. Processing-in-Memory (PIM)：

基于 DRAM 内部封装计算单元，优化数据从 DRAM 到 CPU 的计算通路，直接在 DRAM 中完成计算。

1. Processing-near-Memory (PNM)：

其经典范式是 CXL Type 2 的扩展卡方式。在扩展卡内部有大量 DRAM 模块，同时封装 FPGA 计算单元，从而实现 near-memory 的计算能力。

1. 存内计算（基于 SSD）：

过去两年，围绕着 SSD 控制器封装计算能力，例如：厂商讨论的通过“算子下推”来提高大数据处理效率，就属于存内计算的概念。

下面这张表格统计了主力厂商过去这几年关于计算型存储的一些热-点方案的变化。其中有 IBM、三星、SK hynix 和 Kioxia，这些都是经典的存储巨头；当然也有一些新的厂商，值得关注的是英伟达，它是如何定义这个基于 GPU 的新计算管道的。

延伸思考

这次分享的内容就到这里了，或许以下几个问题，能够启发你更多的思考，欢迎留言，说说你的想法~

1. 认知文件系统将存储与数据库的边界模糊化——如果文件系统内置了模式识别和关联查询能力，传统数据库（尤其是 OLAP 场景）是否会受到结构性冲击？还是说，两者将走向"存储-数据库连续体"的新分工模式？
2. 向量搜索从内存迁移到 SSD 盘内加速，本质上是在延迟与吞吐之间做权衡。在 RAG 管道中，哪些检索场景适合盘内 ANN 计算，哪些仍然必须依赖内存方案？这个边界由什么决定——数据集规模、召回率要求，还是成本约束？
3. SNIA 推动计算型存储标准化，意味着去重、压缩等常规功能将从厂商私有方案走向可互操作的生态。但硬件实现（ASIC 封装、主控集成方式）差异巨大——标准化在降低碎片化的同时，是否也可能抑制差异化创新？历史上存储行业的标准化与创新之间，有过怎样的博弈经验可以参照？ ---【本文完】---