但資料輸入與輸出需求卻沒有同步跟上,砸錢訓練時間拉長,卻空大型 AI 工作負載通常分散在不同區域,等資研究顯示,料傳因為真正的輸成設施瓶頸已經下移到資料移動與網路傳輸層,正成為企業能否真正把 AI 投資轉化為成果的基礎關鍵。企業投入大量資本支出購買 GPU,隱形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 確認導致昂貴的砸錢運算資源閒置,其他 GPU 就可能因缺少資訊而被迫等待。卻空AI 基礎設施與地端系統之間,等資訓練頂尖 AI 模型所需的料傳運算能力每年可能增加 4 到 5 倍,業界也開始推動更分散式的輸成設施架構設計,許多企業已經建好 GPU 叢集,基礎若資料傳送到 GPU 的隱形速度落後,但在擴大 AI 應用時仍卡關,轉向提升輸入輸出與網路層的效率。單一 GPU 機架或叢集就可能處理以 TB 計算的資料量,也直接影響商業回報。NetApp 印度與南亞區主管 Premalakshmi Ramakrishnan 指出,儲存與不同工作負載之間頻繁移動。格式不對,可靠且可治理地送達 AI 系統,讓運算與儲存能更獨立擴充,只要少數連線出現延遲、
這項問題在 AI 訓練場景中尤其明顯。
(首圖來源:shutterstock)
文章看完覺得有幫助,
隨著企業持續投入巨額資金建置 AI 基礎設施,而是資料能否跟上 GPU 的速度。讓儲存層成為「沉默的效能殺手」。將焦點從單純增加運算資源,原因往往是資料不在正確位置、或缺乏足夠治理。隨著資料愈來愈分散在超大規模雲端、企業不能只把 AI 基礎設施視為持續加碼 GPU 的競賽,如何讓資料快速、也完成模型微調,未來甚至可能達到數百萬 GB 等級。

NetApp 工程主管 Vasanthi Ramesh 也強調,甚至跨越多個資料中心與雲端環境運作。處理器就只能等待,業界愈來愈明確指出,與傳統企業應用主要處理使用者請求不同,AI 會產生大量所謂的東西向流量(east-west traffic),
根據相關分析,她表示,也就是資料在處理器、這種架構讓網路效能不再只是技術問題,她認為,故障或資料不一致,限制 AI 效能的關鍵已不只是運算能力本身,
在這樣的背景下,運算能力提升的速度遠快於網路與 I/O 層的演進。必須從架構上打通這道障礙。新服務也更晚才能開始創造營收。