AI向量搜索新范式：计算存储如何破局？

阅读收获

• 深入理解近似最近邻（ANN）搜索在现代AI/ML应用中的关键作用，并掌握基于图的索引算法为何成为主流。
• 清晰辨析当前高性能ANN方案（如NVIDIA CAGRA）与大规模低成本方案（如微软DiskANN）各自的优势与局限性，以及它们在性能、成本和容量上的权衡。
• 洞察SanDisk如何通过计算存储这一创新架构，将计算能力下沉至存储层，从而有效解决ANN搜索在磁盘I/O和距离计算上的两大性能瓶颈。

全文概览

在人工智能和机器学习飞速发展的今天，大模型（LLM）、推荐系统、语义搜索等应用已成为我们日常生活中不可或缺的一部分。然而，这些应用的背后，一项名为近似最近邻（ANN）搜索的核心技术正面临着前所未有的挑战。您是否曾困惑于，在处理海量高维向量数据时，如何在保证搜索效率和准确性的同时，有效控制高昂的硬件成本和有限的存储容量？传统的GPU加速方案性能卓越却成本高昂，而基于磁盘的方案虽然经济实惠却又牺牲了响应速度。面对这种性能与成本的“鱼与熊掌”困境，业界究竟有没有一种创新的解决方案，能够打破僵局，实现真正的平衡？本文将深入探讨这一核心问题，并为您揭示一种颠覆性的技术路径。

👉 划线高亮 观点批注

ANN搜索及其与AI/ML应用的相关性

ANN搜索及其与AI/ML应用的相关性

PPT的核心目的是强调近似最近邻（ANN）搜索是现代人工智能和机器学习应用的一项基础性、关键性技术。

它通过两个层面来阐述这一观点：

1. 清晰定义： 首先，它明确解释了ANN搜索是什么——一种高效的相似性搜索技术。
2. 展示价值： 其次，它列举了五个当前最重要、最流行的大规模AI应用场景（RAG、推荐系统、语义搜索等），并指出ANN搜索是实现这些应用的核心技术支撑。

几种主流的近似最近邻（ANN）搜索算法

几种主流的近似最近邻（ANN）搜索算法

在多种ANN搜索算法中，基于图的索引（Graph-Based Indexing）是当前综合表现最优异的主流技术。

1. 对比与排除: 它首先简要介绍了其他几种算法（线性搜索、空间分区、LSH），并明确指出了它们的致命弱点，暗示这些并非理想选择。
2. 重点推荐: 随后，它将焦点完全集中在“基于图的索引”上，详细阐述了其工作原理，并罗列了其在准确率、查询延迟、可扩展性和通用性四个关键维度上的显著优势。

===

经典ANN 算法及其局限性

ANN-图算法优势

• 在各种数据集上都能实现高准确率: 相比其他方法，图算法通常能达到最高的搜索精度。
• 低延迟的查询性能: 一旦图索引构建完成，查询过程非常快速。
• 可扩展以处理大规模数据集: 能够有效地处理包含数十亿向量的庞大数据集。
• 能够处理多种数据类型: 只要数据能被转换为向量（embedding），无论是文本、图像还是其他类型，都可以使用此方法。

业界顶尖的图实现方案——NVIDIA的CAGRA

业界顶尖的图实现方案——NVIDIA的CAGRA

CAGRA (CUDA-Accelerated Graph-based Nearest Neighbor Search) 是NVIDIA推出的一个基于GPU加速的图ANN搜索库。

• FEATURES (特性):
  • 采用优化的剪枝K-近邻图，降低复杂度，适合GPU高效存储和快速搜索。
  • 整个索引完全加载到GPU显存，实现极低延迟的内存内操作。
• WORKFLOW:
  • 利用GPU大规模并行计算，数千线程同时搜索和计算距离，实现高速搜索。
  • 支持批量查询，最大化GPU利用率，提供高吞吐量。
• PROVISIONS:
  • 借助GPU并行能力，实现快速、大规模近似最近邻搜索。
  • 适用于实时AI推理和LLM检索等低延迟场景。
• LIMITATIONS:
  • 索引必须完全放入有限且昂贵的GPU显存。
  • 超出显存会导致性能骤降，需使用昂贵的大显存GPU，成本高昂。

===

尽管以NVIDIA CAGRA为代表的纯GPU方案是当前ANN搜索的性能标杆，但它存在一个根本性的、与成本直接相关的架构缺陷——对昂贵且有限的GPU显存的强依赖。

微软基于Flash的DiskANN 方案

微软基于Flash的DiskANN 方案

微软的DiskANN方案通过创新的“内存+磁盘”混合架构，成功解决了ANN搜索的“大规模扩展性”和“成本”问题，但代价是牺牲了查询延迟。

• 优势： DiskANN是成本和容量方面的赢家。它使得在商用硬件上部署和扩展超大规模（十亿级甚至更高）的向量搜索引擎成为可能，极大地降低了TCO（总拥有成本）。
• 劣势： 它的性能瓶颈在于存储I/O，导致延迟较高，因此不适合那些对响应时间有极端要求的实时应用。

通过前后两张PPT（NVIDIA CAGRA vs. Microsoft DiskANN），当前业界的选型路线：

• 要极致性能（低延迟） -> 选GPU方案 -> 就要承受高昂成本和有限容量。
• 要海量容量和低成本 -> 选磁盘方案 -> 就要接受更高的延迟。

=== FEATURES (特性):

• NSG是一种图索引算法，通过剪枝构建稀疏图，减少节点连接数以提高搜索效率。
• 核心设计将全精度向量存于SSD，仅将压缩数据保留在DRAM中，降低成本。

WORKFLOW (工作流程):

• 搜索过程涉及磁盘读取，通过I/O调度和多线程遍历优化延迟与并行计算。
• 并行能力有限，远不及GPU方案（计算能力依靠CPU+DRAM实现，IO产生时延）。

PROVISIONS (提供/带来的好处):

• 使用廉价商用硬件即可处理十亿级向量数据集。
• 避免内存限制，提供高性价比的可扩展性。

LIMITATIONS (局限性):

• 磁盘访问导致延迟高于纯内存方案。
• 性能受I/O限制，搜索时需从磁盘读取完整向量数据，耗时较长。

DiskANN性能剖析与结论

DiskANN性能剖析与结论

通过对DiskANN的实际性能数据进行剖析，精确地定位了其两大性能瓶颈——磁盘I/O和距离计算，并由此推导出解决问题的根本方向。

1. 从定性到定量： 它不再是宏观地讨论DiskANN“延迟高”的缺点，而是用具体的数字（27% IO 时延+ 30% 搜索计算时延）来证明这个问题的严重性以及问题的根源所在。
2. 诊断问题，引出药方： 它明确指出了两个需要被解决的核心问题，并提出了对应的解决思路（“计算靠近数据”和“加速计算”）。
   • 将搜索过程更靠近数据：这一条直接针对“磁盘I/O”的瓶颈。其核心思想是，如果计算可以在数据存储的地方（即SSD内部）进行，就可以避免数据在存储设备和主机CPU之间来回传输所带来的延迟。这正是计算存储（Computational Storage） 的核心理念。
   • 加速距离计算：这一条直接针对“距离计算”的瓶颈。既然CPU处理这项任务耗时很长，那么就需要使用更高效的方式，例如专用的硬件加速器来执行这些计算。

SanDisk 的解决方案

SanDisk 的解决方案

SanDisk的解决方案：一款专为大规模ANN向量搜索设计的、软硬件一体的计算存储（Computational Storage）加速器。

这个方案的创新之处在于，它从根本上解决了之前讨论的行业痛点：

1. 解决了DiskANN的I/O瓶颈： 通过将计算（Compute Units）和存储（NAND）集成在同一个设备上，实现了“计算靠近数据”。向量数据无需通过PCIe总线长途跋涉到主机CPU，极大地降低了数据移动带来的延迟，从而解决了I/O-bound的问题。
2. 解决了DiskANN的计算瓶颈： 它使用专门的、并行的硬件计算单元来加速距离计算和Top-k筛选，其效率远高于通用CPU，从而解决了计算密集（compute-bound）的问题。
3. 解决了纯GPU方案的成本和容量瓶颈： 它以成本低廉且容量巨大的NAND闪存作为主存储介质，而不是昂贵且容量有限的GPU显存，因此能够以极高的性价比支持超大规模（十亿级以上）的向量数据集。

===

右侧：硬件架构图

这是一个计算存储设备（Computational Storage Device）的高度抽象示意图，可能是一个PCIe卡或U.2/E1.S等形态的SSD。其内部主要组件包括：

• NAND (黄色): 这是NAND闪存芯片，用于持久化存储海量的、完整的向量数据集。
• Orchestrator Unit (红色): 编排/协调单元。这就是左侧文字中提到的“中央CPU”，是整个设备的大脑，负责任务调度、协调各个计算单元，并管理数据流。
• Compute Unit (米色): 计算单元。图中有多个计算单元堆叠在一起，表明这是一个并行处理架构。这些是专门设计用来执行向量相似度计算的硬件加速器。
• Local Cache (计算单元内部): 每个计算单元都内嵌了本地缓存。这是高速内存，用于暂存正在被处理的数据，以减少访问延迟，提升吞吐量。
• Interconnect (浅绿色): 内部互联总线。它连接了NAND、编排单元、缓冲区和所有计算单元，是设备内部数据传输的高速公路。
• Buffers (灰色): 缓冲区。这是片上内存，用作从NAND读取数据到计算单元处理之间的中转站。

Note

计算型存储概念早就提出，Samsung 在该领域倡议的比较多，从减少数据移动、加解密增强、重删压缩等多个场景讨论过 在端侧存储设备上增强计算能力，来优化数据密集型场景的IO负担，试图在大数据和企业高性能存储场景拓宽市场。但一直没有规模化的市场推动，SanDisk 结合ANN在大容量索引场景计算型存储构想，拓宽了行业内对计算型存储的认知。

相比市场现有产品的优势

相比市场现有产品的优势

左侧区域：相比CPU方案的优势

右侧区域：相比GPU方案的优势

总结与展望

总结与展望

• ANN 最近邻搜索 在AI/ML 、大模型RAG应用、推荐算法和语义搜索领域非常重要
• 图搜索凭借其准确、稳定和高效在ANN众多算法中处于领先地位
  • Nvidia Cuda 增强的ANN 算法有最高效率，但对HBM要求高，落地成本高昂
  • 微软基于 DiskANN 的实践，能解决索引对存储容量的需求，但时延高
• SanDisk 提出一种结合上述两方案优势的计算性存储方案，用于增强图搜索过程的性能
  • 通过将索引从昂贵的内存（DRAM/VRAM）转移到NAND上存储，显著降低了单次搜索的总拥有成本
  • 通过专用的硬件加速器，实现了比通用CPU更高的并行度和吞吐量
  • 提供了更优的可扩展性（轻松支持更大规模数据集）和整体效率（更高的每瓦性能）
• 计划将硬件加速能力从当前的“索引搜索”阶段，进一步扩展到对“索引构建”算法的支持。索引构建本身也是一个计算和I/O密集型的过程，加速这一过程将为用户提供一个完整的端到端加速解决方案。

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. SanDisk的计算存储方案在向量搜索领域展现出巨大潜力，您认为这种“计算靠近数据”的理念，在其他AI/ML工作负载（如数据预处理、模型训练或推理）中，是否也能复制其成功，并带来类似的效率提升和成本优化？
2. 随着AI模型和数据规模的持续爆炸式增长，您认为未来ANN搜索技术还将面临哪些新的挑战？除了计算存储，还有哪些潜在的创新方向（例如量子计算、新型内存技术）值得我们关注和探索？
3. 在您实际负责的AI解决方案部署中，面对极致性能（如纯GPU方案）与成本/容量（如计算存储方案）之间的权衡，您会如何根据具体的业务场景和SLA要求，做出最优的技术选型和架构设计？

原文标题：Lowering TCO of Vector Search in Al With Flash-Driven Efficiency[1] by VISHWAS SAXENA,SENIOR TECHNOLOGIST, AABHA MISHRA,SENIOR ENGINEER

Notice：Human's prompt, Datasets by Gemini-2.5-Pro

#FMS25 #RAG和语义搜索

---【本文完】---

👇阅读原文，独立站提前更新🚀（测试中）🧪

1. https://files.futurememorystorage.com/proceedings/2025/01K736XZZXAK8Z82Z6PFD5CT20.pdf ↩