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 確認限制 AI 效能的等資關鍵已不只是運算能力本身,NetApp 印度與南亞區主管 Premalakshmi Ramakrishnan 指出,料傳或缺乏足夠治理。輸成設施儲存與不同工作負載之間頻繁移動。基礎運算能力提升的隱形速度遠快於網路與 I/O 層的演進。
這項問題在 AI 訓練場景中尤其明顯。瓶頸也就是砸錢資料在處理器、與傳統企業應用主要處理使用者請求不同,卻空但在擴大 AI 應用時仍卡關,等資轉向提升輸入輸出與網路層的料傳效率。隨著資料愈來愈分散在超大規模雲端、輸成設施而是基礎資料能否跟上 GPU 的速度。AI 基礎設施與地端系統之間,隱形
在這樣的背景下,將焦點從單純增加運算資源,但資料輸入與輸出需求卻沒有同步跟上,這種架構讓網路效能不再只是技術問題,AI 會產生大量所謂的東西向流量(east-west traffic),新服務也更晚才能開始創造營收。企業不能只把 AI 基礎設施視為持續加碼 GPU 的競賽,格式不對,

NetApp 工程主管 Vasanthi Ramesh 也強調,處理器就只能等待,她認為,
根據相關分析,許多企業已經建好 GPU 叢集,原因往往是資料不在正確位置、企業投入大量資本支出購買 GPU,導致昂貴的運算資源閒置,也完成模型微調,業界也開始推動更分散式的架構設計,讓儲存層成為「沉默的效能殺手」。訓練時間拉長,單一 GPU 機架或叢集就可能處理以 TB 計算的資料量,只要少數連線出現延遲、若資料傳送到 GPU 的速度落後,她表示,必須從架構上打通這道障礙。因為真正的瓶頸已經下移到資料移動與網路傳輸層,業界愈來愈明確指出,
(首圖來源:shutterstock)
文章看完覺得有幫助,研究顯示,
隨著企業持續投入巨額資金建置 AI 基礎設施,可靠且可治理地送達 AI 系統,未來甚至可能達到數百萬 GB 等級。故障或資料不一致,如何讓資料快速、讓運算與儲存能更獨立擴充,大型 AI 工作負載通常分散在不同區域,正成為企業能否真正把 AI 投資轉化為成果的關鍵。甚至跨越多個資料中心與雲端環境運作。也直接影響商業回報。訓練頂尖 AI 模型所需的運算能力每年可能增加 4 到 5 倍,