存储与 I/O
GPU 之外的一切慢环节，最终都会显形为存储与 I/O 问题：万卡训练的 checkpoint 轻松超过 10 TB，每几分钟就要写一次；数据管道喂不饱 GPU，再强的集群也在空转。本章讲训练与推理共同依赖的存储基础设施：模型状态怎么存、训练数据怎么流。
本章节内容：
- Checkpoint 存储与加载——safetensors/DCP 格式、TB 级状态的高效写入与加载、多节点一致性。
- 数据管道与存储选型——分布式文件系统选型、缓存策略、GPU 解码与数据分片。
与其他章节的分工：容错视角下"为什么要频繁 checkpoint"见容错与 Checkpoint篇，本章只管"怎么存得快、读得快"；数据管道的训练侧应用见训练 Infra篇。