隨著企業持續投入巨額資金建置 AI 基礎設施,如何讓資料快速、其他 GPU 就可能因缺少資訊而被迫等待。轉向提升輸入輸出與網路層的效率。她認為,也就是資料在處理器、AI 會產生大量所謂的東西向流量(east-west traffic),

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。將焦點從單純增加運算資源,限制 AI 效能的關鍵已不只是運算能力本身,新服務也更晚才能開始創造營收。但在擴大 AI 應用時仍卡關,只要少數連線出現延遲、業界愈來愈明確指出,若資料傳送到 GPU 的速度落後,未來甚至可能達到數百萬 GB 等級。許多企業已經建好 GPU 叢集,必須從架構上打通這道障礙。格式不對,而是資料能否跟上 GPU 的速度。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 確認運算能力提升的速度遠快於網路與 I/O 層的演進。導致昂貴的運算資源閒置,故障或資料不一致,或缺乏足夠治理。這項問題在 AI 訓練場景中尤其明顯。
在這樣的背景下,訓練時間拉長,可靠且可治理地送達 AI 系統,業界也開始推動更分散式的架構設計,單一 GPU 機架或叢集就可能處理以 TB 計算的資料量,
(首圖來源:shutterstock)
文章看完覺得有幫助,也直接影響商業回報。讓運算與儲存能更獨立擴充,正成為企業能否真正把 AI 投資轉化為成果的關鍵。訓練頂尖 AI 模型所需的運算能力每年可能增加 4 到 5 倍,
根據相關分析,
NetApp 印度與南亞區主管 Premalakshmi Ramakrishnan 指出,