人工智能（AI）发展迅猛，在医疗保健、金融等诸多领域已不可或缺。AI成功的关键在于能妥善处理海量数据集，从而产生可靠结果。
不少企业希望应用AI或已付诸实践，不只着眼于AI的应用，更追求值得信赖的AI模型、流程与结果，即需要可信赖的 AI。 检查点是支持AI模型开发的关键环节。本文将阐释检查点的含义、其在AI工作负载中的应用，以及它为何对构建可信赖AI（也就是运用可靠输入、生成可靠见解的AI数据工作流）至关重要。
什么是检查点？
检查点是指在AI模型训练期间，按特定较短时间间隔保存模型状态的过程。AI模型依靠大型数据集，经迭代训练而成，耗时从几分钟到数月不等，具体取决于模型复杂程度、数据集规模与计算能力。训练时，向模型输入数据并调整参数，使其学会依据信息预测结果。
检查点如同在训练过程中的多个节点，为模型的当前状态数据、参数与设置拍摄快照，每隔一段时间就保存至存储设备。如此一来，开发人员既能留存模型进程记录，又能防止因意外中断而丢失重要成果。
检查点的作用有诸多方面：
电源保护：可使模型在系统故障等情况下从上次保存状态恢复，避免长周期训练资源浪费；
模型改进与优化：便于开发人员分析状态、跟踪进展、调整参数、比较运行以创建更优模型；
法律合规与知识产权保护：提供训练记录以证明合规并保护相关IP；
建立信任并确保透明度：通过记录模型训练各阶段状态，使决策可解释、可追溯、可说明，提升AI系统整体可信度。
AI应用拓展至传统数据中心之外，对高容量与高性能的需求日益增长。云端或本地的AI工作流均依赖大容量、高性能的存储方案，这是支持检查点的关键。
AI数据中心里，GPU、CPU、TPU等处理器与高性能内存、SSD紧密相连，构成强劲计算引擎，既能承担训练中的繁重数据负荷，又能在模型训练时快速保存检查点。 数据流经系统，检查点及其他关键信息留存于联网存储集群或对象存储中，其以大容量硬盘为核心构建，利于长期保存检查点，满足可扩展性与合规性要求，分层存储架构让检查点在快速存取与长期保存间达成平衡，高效运作。
检查点实际工作方式
检查点通常以固定的时间间隔发生，依训练作业的复杂程度与需求而定。常见的是约每分钟写入一次检查点，因SSD具备高速写入性能，可保障训练期间数据的快速存取。鉴于SSD在长期大容量存储时成本较高，新检查点会覆盖旧的以节省空间。
AI长时间训练会产生海量数据，所以大容量存储极为关键。机械硬盘对于长时间大量保存检查点数据意义重大。平均而言，机械硬盘与SSD每TB成本比超过6:1，故而机械硬盘是实现大规模数据保留、确保AI可信度的经济且具扩展性的优选方案。
此外，SSD频繁写入会因闪存单元损耗致性能下降，而传统机械硬盘的磁存储则能长期保持数据完整性与可靠性，使组织可无限期留存检查点，在模型部署后仍能回溯分析过往训练，有力支撑AI开发与合规需求。
AI数据无限循环
AI的运行可以理解为一个循环过程，通过数据获取、模型训练、内容创建、内容存储、数据保存和重用的持续循环交互，促使AI系统随持续迭优化。
这一过程从源数据开始，即采集原始数据并预处理。获得数据后投入训练模型，此时检查点开始发挥作用。如前文所述，检查点可作为模型训练期间的保障，使开发者可以保存进度，避免因中断而丢失工作并优化模型开发。模型训练完毕，可用于创建内容，输出结果存储备用、满足合规要求和质量保证，然后数据会最终保存下来并重复使用，为AI模型的下一次迭代提供数据。 在这一无限循环中，检查点是基本元素，尤其是在模型训练阶段。通过存储模型状态并在整个循环中保留数据，AI系统可以在每个循环中变得更加可靠、透明和值得信赖。
硬盘对AI训练检查点存储至关重要
随着AI系统模型变得更大、更复杂，对可扩展、经济高效的存储的需求也不断增长。在数据中心架构中，机械硬盘成为了AI检查点存储的支柱，原因如下：
可扩展性：
AI模型数据可达 PB 级，机械硬盘凭借磁密度技术突破，能够提供足够的容量长期存储大规模训练作业中的检查点。
成本效益：
与SSD相比，机械硬盘的每 TB 成本更低 (6:1)，用于存储海量数据集和检查点性价比更高。 能效和可持续性： 机械硬盘的每TB运行功耗仅为SSD的四分之一，每TB隐含碳是SSD的十分之一，在数据中心大规模 存储检查点时更具可持续性。 坚固耐用： 机械硬盘专为长期数据保留而设计，确保检查点数据随时可访问。对于AI模型的重新访问、验证和改进至关重要。 在某些AI工作负载中，检查点会每分钟写入SSD暂时存储，同时每次将第5个检查点长期保存至机械硬盘进。这一混合方法兼顾了速度和存储效率。SSD满足即时性能需求，而硬盘则长久保留数据以满足合规性、透明度和长期分析的需求。 检查点在可信赖 AI 中的作用 “可信赖的AI”指的是能够构建准确、高效、透明、可说明和可解释的系统。AI模型必须可靠并能够证明其输出的合理性。 检查点也是AI开发者展示AI系统运行机制时的有力保障。训练过程中模型的状态被多个检查点所保存，开发者可以通过这些检查点来跟踪决策的过程、验证模型数据和参数的完整性，并锁定需要优化的地方。 在针对AI系统的审核中，检查点也必不可少。当前的监管框架要求AI系统是可解释的、决策过程是可追踪的。检查点可保留模型训练过程、数据源和开发路径的详细记录，从而满足审核的需要。 检查点是AI工作负载关键工具，在保护训练、优化模型及确保透明可靠等方面作用突出。AI影响行业决策之际，对存储方案要求极高，机械硬盘则是支撑检查点的核心，使组织能够存储、访问与分析训练数据，从而助力开发者构建高效且值得信赖的AI模型。 检查点在可信赖 AI 中的作用 检在可信赖 AI 中的作用
检查点检查点在可信赖 AI 中的作用在可信赖 AI
