Dell twierdzi, że architektury pamięci masowej AI z pojedynczą przestrzenią nazw kolidują z rzeczywistością rozproszonych danych w przedsiębiorstwie, zmuszając procesory graficzne do wstrzymywania się w oczekiwaniu na dane ze względu na nierozwiązane ograniczenia architektoniczne.
U podstaw leży zasadniczy wybór: czy dane powinny zostać przesłane na platformę obliczeniową, czy też platforma powinna udać się tam, gdzie rezydują dane? Jon Hyde, starszy dyrektor ds. analizy konkurencyjnej firmy Dell, w trzech postach na blogu przedstawia argumenty za stowarzyszonymi platformami danych AI w oparciu o scentralizowane stosy zintegrowane z pamięcią masową.
W swoim pierwszym poście Hyde argumentuje, że ogromne zbiory danych niosą ze sobą nieodłączną grawitację danych, która blokuje je w ich pierwotnych lokalizacjach – głównych centrach danych, lokalizacjach brzegowych, suwerennych regionach zapewniających zgodność, środowiskach SaaS, hurtowniach danych i magazynach obiektów będących własnością jednostek biznesowych. Jego teza, nazwana najprostszą zasadą sztucznej inteligencji w przedsiębiorstwach, stwierdza, że dane pozostają tam, gdzie wylądują, a większość z nich nigdy nie zostanie przeniesiona.
Liczne problemy z IT w przedsiębiorstwach blokują czystą, ujednoliconą architekturę danych: zasady regulacyjne i zasady suwerenności, uzależnienie od aplikacji, konkurująca własność danych, bariery umowne i kosztowe, fragmentacja danych w zakresie fuzji i przejęć, archiwa zabezpieczone pod kątem zgodności, nieskatalogowane nieznane dane i wewnętrzne silosy organizacyjne.
Kategoryzuje dane na trzy różne formy:
- Surowe dane (waga ciężka): pliki, zapisy, obrazy, wideo, telemetria, regulowane tabele. Nieporęczne, powolne i kosztowne w przenoszeniu, pozostające na miejscu z wymiernych powodów operacyjnych.
- Metadane (warstwa opisowa): Tagi, rodowód, schematy, klasyfikacje, znaczniki własności. Lekka i tania w replikacji, umożliwiająca wgląd w sztuczną inteligencję we wszystkie zasoby bez fizycznego przenoszenia danych.
- Wektory (reprezentacja semantyczna): elementy matematyczne generowane przez sztuczną inteligencję, uwzględniające lokalizację i dostosowane do procesora graficznego. Przekazują znaczenie kontekstowe w różnych środowiskach bez przenoszenia surowych danych.
Hyde zauważa, że sztuczna inteligencja nie wymaga przenoszenia surowych danych – jedynie dostępnych metadanych i wektorów. Katalog metadanych zapewnia pełną widoczność zasobów międzysystemowych dla obciążeń AI, podczas gdy indeksy wektorowe wspomagają rozumowanie semantyczne w różnych środowiskach. Zastrzeżone, własne, wrażliwe na opóźnienia, surowe dane pozostają na miejscu i są zarządzane przez istniejące zespoły operacyjne. Wektory charakteryzują się wrażliwością na lokalizację i bliskością procesora graficznego: albo surowe dane są migrowane do punktów końcowych wektoryzacji, albo dane są osadzane lokalnie, zanim wektory zostaną przeniesione do infrastruktury sąsiadującej z procesorem graficznym. To sformułowanie stanowi podstawę jego pełnej argumentacji.
Z natury rozproszone dane przedsiębiorstwa dzielą projekt warstwy danych AI na dwie przeciwstawne filozofie:
- Stosy zintegrowane z pamięcią masową (na przykładzie systemu operacyjnego VAST AI): Zbudowane w oparciu o centralizację dużych zestawów danych w ramach kontrolowanej przez dostawcę ujednoliconej przestrzeni nazw, ściśle łączącej wbudowane usługi AI w celu usprawnienia operacji. Model ten zakłada, że dane będą migrowane na platformę w celu uzasadnienia konsolidacji i sprawdza się w przypadku wdrożeń sztucznej inteligencji od podstaw.
- Stowarzyszone platformy danych AI (framework firmy Dell): zaprojektowane w oparciu o założenie, że dane przedsiębiorstwa pozostają stale rozproszone, co wymaga, aby platforma działała w natywnych lokalizacjach danych. Platforma danych AI firmy Dell łączy rozwiązania PowerScale i ObjectScale ze stowarzyszoną płaszczyzną sterowania, umożliwiającą dostęp do danych i ich przetwarzanie w systemach plików, obiektowych magazynach danych, magazynach, narzędziach SaaS i chmurach publicznych — bez obowiązkowych scentralizowanych kopii danych. Traktuje surowe dane, metadane i wektory jako osobne jednostki najwyższej klasy, spójnie zarządza wszystkimi trzema i wykorzystuje lekkie metadane i wektory, aby zapewnić wartość, podczas gdy ciężkie, surowe dane pozostają na swoim miejscu.
Drugi blog Hyde'a krytykuje architektury zintegrowane z pamięcią masową, takie jak VAST AI OS, za ignorowanie rzeczywistości rozproszonych danych przedsiębiorstwa. Stosy te działają w oparciu o jedno sztywne założenie: całe przetwarzanie sztucznej inteligencji odbywa się wyłącznie na danych wprowadzonych do ich zastrzeżonej przestrzeni nazw, dzięki czemu dane zewnętrzne są niewidoczne dla platformy. Dostawcy dostarczają narzędzia do migracji, konsolidację rynku jako uproszczenie operacyjne oraz ujednolicone interfejsy użytkownika, które maskują fragmentaryczne krajobrazy danych w świecie rzeczywistym podczas wersji demonstracyjnych.
Architektury skupiające surowe dane, metadane i wektory w jednej monolitycznej kategorii domyślnie stosują się do błędnego mandatu masowej migracji danych. Struktury, które różnicują trzy warstwy, regulują lokalnie regulowane duże ilości danych, replikują metadane w całym przedsiębiorstwie i wykorzystują wektory do wnioskowania AI w różnych środowiskach. Ujednolicona przestrzeń nazw działa tylko wtedy, gdy jedynym zasobem są surowe dane; staje się nieskuteczne, gdy metadane i wektory zostaną rozpoznane jako niezależne podstawowe komponenty.
Sfederowana architektura firmy Dell opiera się na trzech podstawowych zasadach:
- Surowe dane pozostają w swojej natywnej lokalizacji w ramach istniejących zespołów zarządzających
- Metadane replikują się globalnie, zapewniając wszystkim obciążeniom AI pełną widoczność zasobów w różnych lokalizacjach
- Wektory przenoszą kontekst semantyczny w całym środowisku, umożliwiając rozumowanie AI bez przenoszenia surowych danych
Trzeci post Hyde'a dowodzi, że stowarzyszona konstrukcja firmy Dell przewyższa stos zintegrowany z pamięcią masową VAST pod względem przesyłania danych do procesorów graficznych. Firma Dell przeprowadziła w październiku 2025 r. równoległe testy odciążania wektorowej pamięci podręcznej KV przy użyciu modelu Qwen3-32B, w oparciu o wewnętrzne testy porównawcze firmy Dell i publiczne ujawnienia VAST:
- PowerScale: czas do pierwszego tokena 0,82 s (TTFT)
- Skala obiektu: 0,86 s TTFT
- VAST: 1,5 s TTFT
- Bazowy vLLM bez odciążania pamięci podręcznej KV: 11,8 s TTFT
Twierdzi, że architektury zbudowane w oparciu o procesor graficzny — traktujące surowe dane jako związane grawitacyjnie, a przenośne wektory semantyczne jako warstwę przenośną — zwiększają przewagę wydajności firmy Dell przy każdym żądaniu wnioskowania. Projekty zależne od przyjmowania surowych danych do zastrzeżonej przestrzeni nazw charakteryzują się nieodłącznymi opóźnieniami strukturalnymi.
Hyde przyznaje, że VAST opublikował zaktualizowane wyniki odciążania pamięci podręcznej KV, w szczególności testy porównawcze z grudnia 2025 r. z Nvidia Dynamo i CoreWeave, które wskazują na ~20 razy szybsze TTFT w porównaniu z ponownym obliczeniem i o 90% wyższą wydajność procesora graficznego. Jednakże w testach tych zastosowano różne obciążenia i wartości bazowe, przy czym żaden test Qwen3-32B nie pobił opublikowanej wartości VAST TTFT wynoszącej 1,5 s.
Nalega, aby przedsiębiorstwa wybierające architektury danych ukierunkowane na procesory graficzne zadały kluczowe pytanie: „Jakie wykorzystanie procesora graficznego zapewni ta platforma przy realistycznych obciążeniach wnioskowania z odciążaniem pamięci podręcznej KV w porównaniu z mieszanymi zbiorami danych, w tym źródłami regulowanymi, suwerennymi i zablokowanymi przez aplikacje?”
To zapytanie zmusza dostawców do zajęcia się podstawowymi kompromisami strukturalnymi, wyjaśnienia ograniczeń wydajności, gdy danych nie można wprowadzić do ich przestrzeni nazw, publikowania odtwarzalnych wskaźników TTFT, tokenów na sekundę i współczynnika trafień w pamięci podręcznej w nowoczesnych modelach open source z pełną metodologią i uczciwej odpowiedzi na kluczowy problem finansowy: ile czasu bezczynności procesora graficznego tworzy ta architektura?
Komentarz
Wektorowe zbiory danych znacznie przekraczają surowe dane źródłowe. Osadzanie często zwiększa objętość oryginalnego źródła 3–20 razy lub więcej na rekord, w zależności od rozmiaru fragmentu tekstu, wymiaru osadzania i formatu przechowywania. Źródłowe zbiory danych są dzielone na oddzielne fragmenty (akapity, stałe okna tokenów) przed osadzeniem w celu zapewnienia najwyższej dokładności wyszukiwania. Standardowy fragment tekstu składający się z 250–500 słów odpowiada około 0,5–2 KB nieprzetworzonego tekstu, a odpowiadający mu wektor jest często 3–10 razy większy.
Kluczowe nierozwiązane pytanie: gdzie odbywa się wektoryzacja i czy zbyt duże zbiory danych wektorowych są przenoszone, jeśli są generowane daleko od procesorów graficznych? Ich znaczna masa stwarza własną wagę danych. Zespoły albo przenoszą surowe dane do infrastruktury osadzającej, albo przenoszą pełne zestawy wektorów do obliczeń AI, mierząc się z grawitacją danych w obu scenariuszach. Zgłosiliśmy tę sprzeczność Jonowi Hyde’owi w celu dalszego wyjaśnienia.
Pekin Qianxing Jietong Technology Co., Ltd.
Sandy Yang/dyrektor ds. strategii globalnej
WhatsApp / WeChat: +86 13426366826
E-mail: yangyd@qianxingdata.com
Strona internetowa: www.qianxingdata.com/www.storageserver.com
Koncentracja biznesowa:
Dystrybucja produktów ICT/Integracja systemów i usługi/Rozwiązania infrastrukturalne
Dzięki ponad 20-letniemu doświadczeniu w dystrybucji IT współpracujemy z wiodącymi światowymi markami, aby dostarczać niezawodne produkty i profesjonalne usługi.
„Wykorzystanie technologii do budowy inteligentnego świata”Twój zaufany dostawca usług produktów ICT!
Twoja wiadomość musi mieć od 20 do 3000 znaków!
Polish
