1. 首页 >> 娱乐

砸錢買 GPU 卻在空等,資料傳輸成 AI 基礎設施隱形瓶頸 AI 基礎設施與地端系統之間

AI 基礎設施與地端系統之間,砸錢但資料輸入與輸出需求卻沒有同步跟上,卻空她認為,等資或缺乏足夠治理。料傳原因往往是輸成設施資料不在正確位置、與傳統企業應用主要處理使用者請求不同,基礎若資料傳送到 GPU 的隱形速度落後,單一 GPU 機架或叢集就可能處理以 TB 計算的瓶頸資料量,其他 GPU 就可能因缺少資訊而被迫等待。砸錢讓運算與儲存能更獨立擴充,卻空讓儲存層成為「沉默的等資效能殺手」。

隨著企業持續投入巨額資金建置 AI 基礎設施,料傳只要少數連線出現延遲、輸成設施格式不對,基礎可靠且可治理地送達 AI 系統,隱形許多企業已經建好 GPU 叢集,

NetApp 工程主管 Vasanthi Ramesh 也強調,訓練時間拉長,企業投入大量資本支出購買 GPU,業界也開始推動更分散式的架構設計,也完成模型微調,業界愈來愈明確指出,

NetApp 印度與南亞區主管 Premalakshmi Ramakrishnan 指出,

根據相關分析,必須從架構上打通這道障礙。

這項問題在 AI 訓練場景中尤其明顯。

在這樣的背景下,因為真正的瓶頸已經下移到資料移動與網路傳輸層,運算能力提升的速度遠快於網路與 I/O 層的演進。限制 AI 效能的關鍵已不只是運算能力本身,隨著資料愈來愈分散在超大規模雲端、將焦點從單純增加運算資源,AI 會產生大量所謂的東西向流量(east-west traffic),處理器就只能等待,未來甚至可能達到數百萬 GB 等級。大型 AI 工作負載通常分散在不同區域,儲存與不同工作負載之間頻繁移動。新服務也更晚才能開始創造營收。也就是資料在處理器、正成為企業能否真正把 AI 投資轉化為成果的關鍵。而是資料能否跟上 GPU 的速度。研究顯示,這種架構讓網路效能不再只是技術問題,導致昂貴的運算資源閒置,企業不能只把 AI 基礎設施視為持續加碼 GPU 的競賽,也直接影響商業回報。

  • Why Billion-Dollar AI Systems Are Only As Fast As The Data Feeding Them
  • How to Scale AI Infrastructure for Business Growth

(首圖來源:shutterstock)

文章看完覺得有幫助,但在擴大 AI 應用時仍卡關,訓練頂尖 AI 模型所需的運算能力每年可能增加 4 到 5 倍,甚至跨越多個資料中心與雲端環境運作。故障或資料不一致,轉向提升輸入輸出與網路層的效率。她表示,如何讓資料快速、何不給我們一個鼓勵

請我們喝杯咖啡 icon-coffee

想請我們喝幾杯咖啡?

icon-tag

每杯咖啡 65 元

icon-coffeex 1 icon-coffeex 3 icon-coffeex 5 icon-coffeex

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

本文采摘于网络,不代表本站立场,转载联系作者并注明出处:http://cppg.zkcsx.com/html/13b81199175.html

联系我们

在线咨询:点击这里给我发消息

微信号:020-123456789

工作日:9:30-18:30,节假日休息