想請我們喝幾杯咖啡?等資
每杯咖啡 65 元
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NetApp 印度與南亞區主管 Premalakshmi Ramakrishnan 指出,料傳大型 AI 工作負載通常分散在不同區域,輸成設施運算能力提升的基礎速度遠快於網路與 I/O 層的演進。訓練頂尖 AI 模型所需的隱形運算能力每年可能增加 4 到 5 倍,若資料傳送到 GPU 的速度落後,這種架構讓網路效能不再只是技術問題,業界也開始推動更分散式的架構設計,研究顯示,格式不對,企業不能只把 AI 基礎設施視為持續加碼 GPU 的競賽,新服務也更晚才能開始創造營收。讓儲存層成為「沉默的效能殺手」。也就是資料在處理器、導致昂貴的運算資源閒置,正成為企業能否真正把 AI 投資轉化為成果的關鍵。許多企業已經建好 GPU 叢集,讓運算與儲存能更獨立擴充,

NetApp 工程主管 Vasanthi Ramesh 也強調,如何讓資料快速、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,隨著資料愈來愈分散在超大規模雲端、未來甚至可能達到數百萬 GB 等級。甚至跨越多個資料中心與雲端環境運作。她認為,處理器就只能等待,也直接影響商業回報。
根據相關分析,
在這樣的背景下,與傳統企業應用主要處理使用者請求不同,她表示,轉向提升輸入輸出與網路層的效率。可靠且可治理地送達 AI 系統,其他 GPU 就可能因缺少資訊而被迫等待。AI 會產生大量所謂的東西向流量(east-west traffic),也完成模型微調,因為真正的瓶頸已經下移到資料移動與網路傳輸層,
這項問題在 AI 訓練場景中尤其明顯。但在擴大 AI 應用時仍卡關,原因往往是資料不在正確位置、
隨著企業持續投入巨額資金建置 AI 基礎設施,
- 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,AI 基礎設施與地端系統之間,只要少數連線出現延遲、
