Andy Warfield在UBC教书的那些年，亲眼见过基因组研究员把80%的时间耗在搬数据上。不是分析DNA，是复制文件、核对副本、确认哪份是最新版。这些科学家研究的是向日葵基因组——3.6亿个碱基对，个体间变异比人类高10倍——却被最原始的数据搬运问题困在原地。
这段经历后来成了S3 Files的起点。Andy现在是AWS副总裁兼杰出工程师，他带领团队花了数年重新思考：如果对象存储（Object Storage）和文件系统（File System）的边界被拆掉，云存储该长什么样？
「burst parallel」计算：云的原生场景
基因组分析有个特点：算力需求像心跳一样脉冲式波动。分析时需要同时启动几十万个并行任务，跑完就闲置。买本地服务器？峰值不够，平时浪费。这正是云计算该解决的事。
Andy当时的博士生JS Legare加入Loren Rieseberg的实验室，尝试把这套工作负载搬到S3上。但对象存储的API和文件系统的语义差距太大——生物信息学工具链假设你能像操作本地磁盘一样随机读写，而S3的设计哲学是「一次写入、多次读取」的批量模式。
团队最初的想法很直接：能不能让S3同时扮演两种角色？既保留对象存储的规模和成本优势，又提供文件系统的操作体验。这个念头在2018年前后萌芽，但真正落地花了六年。
命名灾难：差点叫「S3 Objects Plus」
产品化过程中有个插曲。团队早期想给新数据类型起个直观的名字，考虑过「S3 Objects Plus」「Enhanced Objects」之类。Andy在内部文档里吐槽：「听起来像打印机墨盒的命名逻辑。」
最终定名「S3 Files」反而是一种克制。它暗示这不是第二个产品，而是同一个S3的不同访问方式——就像同一条街既有高速公路也有自行车道，目的地一样，规则不同。
技术实现上，S3 Files在现有对象存储层之上增加了元数据索引和强一致性保证。关键设计是「无服务器化」的扩展：文件系统的命名空间操作（重命名、权限变更）不依赖固定容量的元数据服务器，而是和S3的存储桶（Bucket）一样按需伸缩。
为什么现在发布：训练集群的倒逼
生成式AI的爆发改变了时间线。2023年后，AWS观察到客户的大规模训练集群出现一个反复出现的模式：数据加载阶段成为瓶颈。模型参数膨胀到千亿级别，训练数据以PB计，但数据管道（Data Pipeline）还在用十年前设计的文件系统接口。
Andy提到一个具体案例：某客户用传统文件系统接口向数千个GPU节点分发训练数据，元数据服务器在启动阶段就被压垮。换成S3 Files后，同样的工作负载启动时间从小时级降到分钟级——不是带宽变了，是元数据操作的并发模型变了。
这个场景和当年UBC的基因组实验室形成有趣的对照。都是「burst parallel」：瞬间需要大量资源，然后释放。区别只在于，现在的「 burst」规模大了三个数量级。
遗留问题：边界在哪里
S3 Files的发布文档里有个细节容易被忽略：它不支持完整的POSIX语义。某些文件锁操作、硬链接（Hard Link）的特定行为被刻意省略。Andy的解释很直接——「我们优化的是云原生工作负载，不是把30年前的Unix程序无缝迁移过来。」
这个取舍引发了一些讨论。HPC（高性能计算）社区的部分用户想要更完整的兼容性，而云原生团队更关心吞吐量和弹性。S3 Files选择了后者，但留下了扩展接口的可能性。
定价模型也延续了S3的按用量计费，没有单独的「文件系统容量」费用。这意味着小规模使用时成本接近零，大规模时自动摊薄。对于预算敏感的学术研究机构，这个设计和当年吸引基因组实验室的逻辑一脉相承。
Andy在博客结尾提到，团队正在观察客户如何把S3 Files和S3 Tables（去年发布的查询加速层）组合使用。数据湖（Data Lake）的架构正在从「分层存储」转向「统一存储、多模式访问」——对象、文件、表格，同一套数据的不同视图。
如果这套模式跑通，当年UBC实验室里那个「复制文件 vs 做研究」的两难选择，可能会成为历史脚注。但另一个问题随之浮现：当存储层足够透明，计算层会不会成为下一个瓶颈？Andy没有给出答案，只说他「正在和另一支团队喝咖啡」。
热门跟贴