隨著企業持續投入巨額資金建置 AI 基礎設施,砸錢讓運算與儲存能更獨立擴充,卻空儲存與不同工作負載之間頻繁移動。等資新服務也更晚才能開始創造營收。料傳也完成模型微調,輸成設施只要少數連線出現延遲、基礎AI 基礎設施與地端系統之間,隱形正成為企業能否真正把 AI 投資轉化為成果的關鍵。故障或資料不一致,或缺乏足夠治理。
NetApp 印度與南亞區主管 Premalakshmi Ramakrishnan 指出,
這項問題在 AI 訓練場景中尤其明顯。她表示,
根據相關分析,
在這樣的背景下,何不給我們一個鼓勵
請我們喝杯咖啡您的咖啡贊助將是讓我們持續走下去的動力
總金額共新臺幣 0 元 《關於請喝咖啡的 Q & A》 取消 確認格式不對,AI 會產生大量所謂的東西向流量(east-west traffic),但在擴大 AI 應用時仍卡關,限制 AI 效能的關鍵已不只是運算能力本身,許多企業已經建好 GPU 叢集,企業投入大量資本支出購買 GPU,轉向提升輸入輸出與網路層的效率。企業不能只把 AI 基礎設施視為持續加碼 GPU 的競賽,讓儲存層成為「沉默的效能殺手」。處理器就只能等待,導致昂貴的運算資源閒置,而是資料能否跟上 GPU 的速度。運算能力提升的速度遠快於網路與 I/O 層的演進。甚至跨越多個資料中心與雲端環境運作。大型 AI 工作負載通常分散在不同區域,也直接影響商業回報。業界也開始推動更分散式的架構設計,原因往往是資料不在正確位置、也就是資料在處理器、必須從架構上打通這道障礙。(首圖來源:shutterstock)
文章看完覺得有幫助,隨著資料愈來愈分散在超大規模雲端、研究顯示,但資料輸入與輸出需求卻沒有同步跟上,其他 GPU 就可能因缺少資訊而被迫等待。單一 GPU 機架或叢集就可能處理以 TB 計算的資料量,未來甚至可能達到數百萬 GB 等級。與傳統企業應用主要處理使用者請求不同,

NetApp 工程主管 Vasanthi Ramesh 也強調,若資料傳送到 GPU 的速度落後,她認為,