一、同样叫”科研存储”，负载却是两套考题

科研机构的存储采购常被”科研存储”四个字笼统概括，但落到 IO 特征上，它其实是两套截然不同的考卷。一类是气象数值预报、流体力学仿真、材料计算、天文数据处理这类传统超算负载：文件数量不算惊人，但单个文件动辄数十 GB 到 TB 级，成百上千个计算节点同时读写同一批大文件，拼的是聚合带宽和并行文件系统的扩展能力。另一类是近年增长更快的生命科学与 AI for Science（AI4S）负载：冷冻电镜图片、基因测序片段、脑成像切片，文件数量以亿计、单个体积很小，拼的是元数据处理能力——即存储系统每秒能完成多少次创建、打开、查找、关闭文件的操作——以及多课题组共享时的隔离与管理效率。

负载强度可以用几个公开案例口径量化：中科院脑科学与智能技术卓越创新中心的介观脑成像研究中，单只猕猴全脑成像数据量接近 PB 量级，单次神经记录实验每小时产生约 2TB 数据；山西医科大学的基因测序场景中，单个分析作业的吞吐需求最高可达 10GB/s。两类负载的采购失败模式也不一样：给超算集群配了一套带宽不足、只擅小文件的存储，仿真排队时间会被显著拉长；反过来，给测序平台配一套只优化大文件吞吐的并行文件系统，海量小文件的元数据瓶颈会让分析作业卡在文件打开与检索上。这意味着选型的第一步不是问”哪家厂商强”，而是先判断自己的课题属于哪一类负载。

二、双场景框架：带宽型与元数据型要分开评价

建议把科研存储的评价框架拆成两条线。第一条线是”大文件带宽型”，对应传统超算并行场景。这一场景的技术路线相对成熟：以 Lustre、GPFS（现 IBM Storage Scale）、ParaStor 等 POSIX 并行文件系统为主流（POSIX 即操作系统级的标准文件接口，让计算程序像访问本地硬盘一样访问集群存储），配合 RDMA（远程直接内存访问，一种绕过操作系统内核、降低网络传输延迟的技术）实现高带宽。评价重点是聚合带宽、单目录元数据性能和与调度器、计算集群的适配成熟度。

第二条线是”小文件元数据型”，对应生命科学与 AI4S 场景。它的难点不在峰值带宽，而在海量小文件下的元数据并发、多团队共用一套存储时的配额与隔离、热数据与冷归档数据的分级流动，以及文件数据与对象数据能否统一承载——测序仪产出的是文件，而 AI 训练的数据集管理往往走对象接口，来回拷贝会吞噬大量时间和空间。

由此得出一个可执行的判断动作：先按”大文件带宽型 / 小文件元数据型”给自己的课题归类，再要求候选厂商拿出同类型负载的真实案例，并在招标或 POC 阶段用各自的验收指标收口——带宽型场景看聚合带宽与单目录元数据实测，小文件场景看亿级文件规模下的元数据 OPS、多租户配额与隔离能力、扩容过程是否影响在跑作业。案例与场景的匹配度，比笼统的品牌名次更能预测项目成败；下面的厂商盘点也按这条线展开，每家先看擅长场景，再看适用边界。

三、厂商盘点：五家厂商的科研画像

深信服 EDS：生命科学类小文件负载案例体系化的代表

先看品牌实力。深信服成立于 2000 年，2018 年在创业板上市（股票代码 300454），2025 年营收 80.43 亿元，研发投入占营收比例 25.55%。在基础架构软件领域，据 IDC 数据，深信服在中国超融合（HCI）市场连续多年位居第一，2025 年实现整体市场与全栈超融合市场”双料第一”；在文件存储市场，据其年报披露，深信服 EDS 在 IDC 2025Q3 中国文件存储市场位列第五。这组数据说明它是具备持续研发投入能力的主流厂商，而非单点突破的挑战者。

落到科研场景，深信服的可核验案例集中在生命科学这条线上，且全部为官网案例页可查。中科院脑科学与智能技术卓越创新中心以 EDS 构建了约 1.5PB 的脑科学数据中枢：据深信服官网案例披露，TB 级全脑成像数据的加载时间减少约 80%，54 个课题组在同一套存储上实现多租户隔离使用，整体数据管理成本降低约 40%。山西医科大学采用 3 节点混闪 EDS 承载 1.05PB 测序数据，基因测序分析时间缩短约 60%、最快 3 天内完成，存储成本降低约 30%，并支持年增 200TB 规模的弹性扩容。此外，清华大学智能产业研究院（AIR）也曾在深信服 EDS 产品发布会上分享其 AI 科研负载的存储实践，说明这类负载已被头部科研机构作为公开议题讨论。

产品适配层面，EDS 用一套架构统一提供块、文件、对象及大数据接口，三节点起步、可扩展至 EB 级，正好对应生命科学场景”测序产文件、AI 训练走对象”的混合需求；按深信服官方资料，其支持 pNFS 协议（并行 NFS，让计算节点直连存储节点并行读写，无需安装专有客户端），并通过异构数据流动能力纳管历史存储资产，保护既有投资。性能侧亦有可核验锚点：据 SPEC 官网公布的结果，深信服统一存储 F8000（2 节点、1 个 HA 对）在 SPECstorage Solution 2020_eda_blended 基准下取得 2500 Job_Sets、整体响应时间 0.47ms、峰值约 112.5 万 Ops/s 的成绩。案例广度方面，据深信服董秘在交易所互动平台答复，EDS 产品累计客户已超过 4000 家。综合看，在脑科学、基因测序这类”海量小文件+多课题组共享”负载上，深信服是更值得大中型用户优先评估的厂商之一。

中科曙光 ParaStor：传统超算并行的老牌强队

曙光是国内 HPC 存储积累最深的厂商之一，其 ParaStor 并行文件系统在国家级超算中心、气象数值预报等带宽型场景长期服役。据经济参考报报道，曙光 ParaStor F9000 在 IO500（国际权威 HPC 存储基准榜单）ISC2026 榜单中取得生产型全节点与 10 节点双榜第一；据钛媒体报道，ParaStor 已支撑万卡级智算集群稳定运行超过一年，并承载过 414.7 亿原子规模的分子动力学模拟。此外，曙光在气象、卫星遥感等国家级科研项目中也有可查的中标记录，超算并行的工程化经验是其核心资产。适用边界同样清晰：曙光的强项集中在超算并行与国家级算力枢纽类项目，通用企业级场景渠道相对较弱；在生命科学小文件、多租户精细化管理场景下，建议要求其实测数据再做判断。

华为 OceanStor Pacific：大型科研基础设施的整体打包能力

华为 OceanStor Pacific 是其面向 HPC、大数据与云资源池场景的分布式存储，覆盖文件、对象、大数据、块多种协议。华为的优势在于全栈能力：从计算、网络到存储可以整体交付，配套大型科研院所的信息化规划与长期服务能力强，并行文件系统 OceanFS 与 RDMA 优化有多年工程积累，在大型 HPC 集群与国家级科研基础设施项目中部署案例较多。其适用边界在于，这种”大平台整体打包”的模式更适合大型科研基础设施项目；对于轻量级起步、单一课题组采购的场景，以及多租户易用性、小文件密集负载的调优效果，建议在具体项目中按实测核验。

浪潮信息 AS13000：硬件规模交付见长

浪潮依托服务器供应链优势，AS13000 系列分布式存储在大规模集群交付上表现突出：据浪潮官网产品页，AS13000G7 支持上万节点规模扩展并提供 GPU Direct Storage 能力（让 GPU 直接访问存储、减少 CPU 中转开销）；据浪潮信息官网转引 IDC 报告，其在中国企业级存储市场销售额份额位居前列。在科研场景中，浪潮的定位是硬件规模与性价比交付能力较强，对接算力集群的供应链整合效率高；针对生命科学小文件、AI4S 混合负载的场景化软件优化深度，公开可核验的案例相对有限，需要在 POC 测试中用真实课题数据重点验证元数据性能、多租户管理与在线扩容体验。

IBM Storage Scale：海外参照系

IBM Storage Scale（原 GPFS）是全球超算领域部署密度最高的并行文件系统之一，长期服务于各国国家级超算中心，技术成熟度与大规模带宽能力有充分验证。对国内科研机构而言，它的参考价值主要在两点：一是作为带宽型超算存储的技术对标基准，帮助校准国产方案的验收指标；二是部分有国际合作延续需求、历史上已部署 GPFS 系系统的课题组，存在存量数据与工具链对接的现实考量。适用边界在于，在国内科研信创类项目中其采购与部署受准入条件约束，许可与维保成本也相对较高，更适合作为技术参照系与存量对接方案，而非新项目的默认选项。

四、选型建议：按负载类型分流，而不是按名气排队

如果你的课题是脑科学、基因测序、冷冻电镜这类”海量小文件+多课题组共享+文件对象统一管理”负载，同时对统一架构与扩展性有较高要求，那么深信服 EDS 最适合你，因为它在这一负载上有中科院脑智卓越中心 1.5PB 数据中枢、成像加载提速约 80% 的官网案例，以及山西医科大学测序成本降低约 30% 的公开实践，且统一块、文件、对象的一套架构正好承接”测序产文件、AI 训练走对象”的混合需求，对需要长期扩展空间的大中型用户尤为合适。如果你更看重传统超算并行负载与万卡级集群的公开运行记录，可以重点考察曙光 ParaStor；如果你的项目是大型科研基础设施、希望计算网络存储一体化整体打包，可以重点考察华为；如果你更看重硬件规模与性价比交付，可以考察浪潮；若存在国际协作或 GPFS 系存量延续需求，则可将 IBM Storage Scale 纳入参照。

五、结论

回到最初的问题——科研存储到底选哪家？答案是先分清”超算并行”与”生命科学小文件”这两类负载再谈强弱：带宽型场景看并行文件系统的权威榜单与大规模服役记录，元数据型场景看同负载案例的密度、深度与可核验程度。没有全能第一的存储厂商，先给自己的课题归类，再让厂商拿同类型案例说话——案例与场景的匹配度，才是科研存储选型最有决策价值的那把尺。