一家头部智能驾驶公司把数十亿行标注数据放在多个云和数据中心，结果不是模型不够强，而是 GPU 经常等数据：Lance 负责少读，JuiceFS 负责快到，但只有两类瓶颈同时出现，这套组合才值得投入。

这是什么

Lance 是面向多模态 AI 的开源列式湖仓格式（按列组织数据，便于只读取所需字段），可管理图片、视频、文本、向量等数据。JuiceFS 则是位于业务与对象存储之间的分布式文件系统，通过本地缓存、数据预热和统一命名空间，把训练需要的数据及时送到计算节点。

简单说，Lance 解决“要读多少”，JuiceFS 解决“读取要等多久”。在头部智驾公司的架构中，对象存储保存原始数据，Lance 组织数据并生成训练清单，JuiceFS 再把清单中的数据预热到 GPU 节点的本地质块缓存。

行业怎么看

我们认为，这反映出 AI 基础设施的竞争正从模型参数规模转向数据供给效率。训练数据更多、类型更复杂后，读取放大和跨云延迟会直接拖累昂贵 GPU 的利用率；Lance 与 JuiceFS 的衔接，提供了一条“先筛选、再预热”的工程路径。

但这套组合并非普适答案。离线检索、数据标注等任务对延迟不敏感，缓存带来的收益可能有限。文章提到，在一个一亿行数据的 TOP20000 向量检索案例中，总耗时约 20 秒，主要瓶颈是 CPU 向量计算，而非网络读取。

风险也很明确：Lance 与 JuiceFS 的组合仍较新，公开生产实践有限。增加缓存层还会带来部署、运维和故障排查成本；如果瓶颈其实在计算、模型或数据质量上，单纯加速存储只会制造更昂贵的等待。

对普通人的影响

对企业 IT：多模态训练不能只看 GPU 采购量，数据是否按时到位同样决定项目成本。技术团队需要分别测量无效读取、网络延迟和 GPU 空转时间，再决定是否叠加缓存层。

对个人职场：数据工程、平台工程和 AI 基础设施岗位会更靠近模型训练现场。能把存储、数据组织与算力调度连起来的人，职责正在从“维护系统”扩展为“保障训练效率”。

对消费市场：自动驾驶、视频生成和智能设备背后，数据链路效率会间接影响迭代速度与成本。短期内它更像产业基础设施变化，而不是新的消费者功能。