معماری حافظه و ذخیره سازی در عصر AI

عصر استنتاج هوش مصنوعی رسیده است. تصور کنید که یک سیستم مراقبت های بهداشتی میلیون ها نقطه داده را در زمان واقعی تجزیه و تحلیل می کند تا تحقیقات پزشکی نجات بخش زندگی را تسریع کند یا یک دستیار هوشمند بلافاصله هزاران نیاز مشتری پیچیده را حل کند. این پیشرفت های دنیای واقعی متکی بر زیرساخت های پیشرفته هستند که به عنوان موتور هوش مداوم، قدرت دادن خدمات زمان واقعی و همچنین حمایت از لبه ای به طور فزاینده هوشمند از دستگاه های IoT و مصرف کننده عمل می کنند. با این حال، در این چشم انداز مبتنی بر استنتاج، هر تاخیر، تنگنا یا هدر رفتن وات به طور مستقیم بر نتایج انسانی و هزینه های عملیاتی تأثیر می گذارد.

این تغییر چه زیرساختی باید ارائه دهد. عملکرد، تاخیر، پهنای باند حافظه، ذخیره سازی از طریقput و شبکه را نمی توان در سیلو ها بهینه سازی کرد. حجم کار استنتاج مداوم، جغرافیایی توزیع شده و بسیار حساس به زمان پاسخ، نیاز به سیستم های طراحی شده برای مقیاس، انعطاف پذیری و بهره وری از ابتدا است.

ما تمایل داریم به هوش مصنوعی به عنوان یک کار واحد فکر کنیم و این طور نیست. این هزاران است، میلیون ها دلار است، میلیاردها کار مختلف است، می گوید جیم مک گرگور، بنیانگذار و تحلیلگر اصلی، Tirias Research. استنتاج هوش مصنوعی مشکل بهینه سازی را از یکی از محاسبات خام به زیرساخت های هماهنگ شده – حافظه، ذخیره سازی و شبکه تغییر می دهد.

برای رهبران کسب و کار، اولویت روشن است: تصمیمات زیرساخت های AI باید هزینه، انعطاف پذیری و آمادگی آینده را متعادل کنند. برنده ها سازمان هایی خواهند بود که عملکرد را در هر وات بهبود می بخشند، ردپای محیط زیست را کاهش می دهند و قبل از اینکه رشد را محدود کنند، تنگناهای حافظه و ذخیره سازی را حذف می کنند.

استنتاج هوش مصنوعی نیازمند یک رویکرد معماری جدید است

سیستم های AI باید عقب رانده شوند، زیرا سیستم های مدرن AI را به زیرساخت های میراث محدود می کند پتانسیل تحول آفرینی AI. معماری های هدف ساخته شده برای درک ارزش واقعی AI ضروری هستند، از تسریع کشف علمی برای ایجاد عوامل دیجیتالی واقعا مستقل.

شرکت های سنتی IT قادر به تکیه بر فرضیه های نسبتاً پایدار زیرساخت ها بوده است، اما Inference و Agentic AI خواسته های جدیدی را در مورد تاخیر، حرکت داده ها، مقیاس پذیری و استفاده که انتخاب های معماری را بسیار دقیق تر می کند، معرفی می کند.

"مرکز داده ها اکنون باید از خدمات مستمر، توزیع شده و به طور فزاینده ای در زمان واقعی AI پشتیبانی کنند – هیچ کدام از آنها یک کار واحد نیستند." همه آنها نیاز به نیازهای مختلف از دیدگاه سطح سیستم دارند.»

برای حمایت از AI در زمان واقعی، شرکت ها دیگر نمی توانند حافظه و ذخیره سازی را صرفا به عنوان پشتیبانی از سخت افزار، بلکه در قلب سیستم مشاهده کنند. سازمان ها نیاز به معماری یک خط لوله داده دارند که می تواند به سرعت مصرف، تمیز، تبدیل، ذخیره، حرکت و تحویل داده ها را انجام دهد. کارهای استنتاج فشار پایدار بر زیرساخت ها را به گونه ای قرار می دهند که بسیار متفاوت از استقرار های آموزش محور قبلی است و خواستار بازیابی اطلاعات مداوم و ذخیره سازی است که برنامه های سنتی هرگز لازم نیست.

بنابراین، عملکرد به خودی خود دیگر تنها معیاری نیست که اهمیت دارد. شرکت ها به طور فزاینده ای باید عملکرد را با کارایی، هزینه و مقیاس پذیری متعادل کنند، به ویژه هنگامی که سعی می کنند از سرویس های مختلف AI بدون ساخت زیرساخت برای شرایط اوج پشتیبانی کنند.

شما باید کل شبکه را بهینه سازی کنید و شامل حافظه و ذخیره سازی، در اطراف انواع کارهایی که در حال انجام آن هستید، می گوید مک گرگور. شما باید واقعاً درک دقیقی از این که چه کارهایی باید انجام دهند داشته باشید.»

هر استراتژی زیربنایی AI باید با آگاهی از حجم کار آغاز شود. Inference، Agentic AI و دیگر موارد استفاده از AI در حال ظهور نیاز به سازمان برای درمان مرکز داده به عنوان یک سیستم یکپارچه است.

حرکت داده ها تنگنا جدید و فرصتی برای مزیت رقابتی است

از آنجایی که شرکت ها سیستم های پیشرفته Inference و Agentic را پیاده سازی می کنند، حجم کامل داده هایی که در زمان واقعی مورد توجه قرار می گیرند، بیشترین محدودیت را در داده ها ایجاد کرده است. تکنیک های مدرن AI مانند نسل بازیابی (RAG) نیازمند سیستم هایی هستند که دائماً پایگاه های عظیم را اسکن می کنند تا پاسخ های دقیقی تولید کنند. این نیاز به قدرت محاسباتی عظیم دارد، اما مهمتر از همه، نیاز به دسترسی فوری به داده ها دارد.

مک گرگور می گوید که تغییر تمرکز به چگونگی انتقال داده های موثر، ذخیره سازی و تحویل در سراسر معماری گسترده تر، حافظه و ذخیره سازی از زیرساخت های پس زمینه به دارایی های استراتژیک را افزایش می دهد. بزرگترین کاری که ما در حال حاضر انجام می دهیم، انتقال داده ها از یک مکان به مکان دیگر و اطمینان از اینکه می توانیم به طور موثر از آن استفاده کنیم است.

از آنجا که AI یک دسته کاری نیست، به سادگی خرید سریع ترین پردازنده ها کافی نیست. Inference به شدت به پهنای باند حافظه، Caching، نزدیکی ذخیره سازی و توانایی بازیابی اطلاعات مربوطه به سرعت و به طور مداوم بستگی دارد. درک اینکه هر منبع در پشته قرار دارد و اینکه چگونه این لایه ها تحت شرایط عملیاتی واقعی به یک ضرورت تجاری تبدیل شده اند.

موثرترین زیرساخت AI به نظر می رسد کمتر شبیه به مجموعه ای از قطعات در سطح بهترین و بیشتر شبیه به یک سیستم متعادل از محاسبه، حافظه، ذخیره سازی و شبکه، مک گرگور می گوید، زیرا تنگناها تمایل به مهاجرت از یک لایه به لایه بعدی دارند. شما باید هر چهار را با هم بسازید تا کارآمد باشید و این چالش است.

وابستگی متقابل طراحی هواپیما و پهنای باند شبکه به این معنی است که برنامه ریزی زیرساخت های AI به یک تصمیم تجاری تبدیل شده است، همانطور که یک مهندسی است: تاخیر اکنون از ارزش جدا شده است. در رباتیک، خدمات مالی، مراقبت های بهداشتی و سیستم های هوش مصنوعی مشتری، تاخیر نه تنها نقص های فنی است؛ آنها می توانند ایمنی، پاسخگویی یا اعتماد را تضعیف کنند. عملکرد زیرساخت های AI به یک موضوع مدیریت شهرت تبدیل می شود.

سازمان هایی که بیشترین بهره را از AI به دست می آورند ممکن است کسانی نباشند که دارای بزرگترین خوشه ها هستند، اما کسانی که دارای واضح ترین درک چگونگی هماهنگ کردن هر عنصر زیربنایی برای اجرای موثر حجم کاری AI هستند.

ایجاد یک چارچوب تدارکات زیرساخت AI

برنامه ریزی زیرساخت های AI به سادگی در مورد انتخاب سریع ترین سخت افزار نیست. در مورد چگونگی مقیاس بدون قفل کردن سازمان به مفروضات است که ممکن است به سرعت منسوخ شود. شما باید انعطاف پذیر باشید زیرا تقاضاها به سرعت تغییر خواهند کرد و تکنولوژی به سرعت در حال تغییر است.»

زیرساخت های AI آینده نیاز به باز نگه داشتن گزینه های خود را به عنوان کار، اقتصاد و معماری ادامه می دهد:

کارهای AI را تعریف کنید که بهینه سازی شده اند. انتخاب های زیرساختی باید با نیازهای کسب و کار مطابقت داشته باشند نه آنچه که مک گرگوری آن را " آمادگی عمومی" می نامد، که در برخی از مناطق در حالی که ترک تنگناها در دیگران حل نشده است، خطر زیادی دارد.

ساخت یک معماری ماژولار برای محاسبه، حافظه، ذخیره سازی، قدرت و خنک سازی، بنابراین ظرفیت می تواند به جای انجام خیلی زود به یک معماری سفت و سخت تغییر کند.

کار با اکوسیستم کامل تامین کنندگان و نمایندگی کنندگان برای کاهش خطر عرضه و بهبود دسترسی به اجزای مناسب. مک گرگور می گوید خریداران دیگر نمی توانند فرض کنند که OEM یا ارائه دهنده ابر به تنهایی آنها را از محدودیت های عرضه یا پیچیدگی معماری دفع می کند.

استراتژی خرید خود را به طور مداوم ارزیابی کنید. الزامات AI، سخت افزار و مدل های کسب و کار به سرعت در حال تغییر برای یک طراحی بلند مدت ثابت است.

بهینه سازی برای بهره وری و ROI، نه فقط عملکرد اوج. قوی ترین راه اندازی ممکن است برای حفظ آن بسیار گران باشد. بهره وری همچنین یک متریک عمومی است – استفاده بهتر و طراحی سیستم آگاه تر از حجم کار می تواند به شرکت ها کمک کند تا به بررسی فزاینده در مورد مصرف برق و استفاده از آب پاسخ دهند.

هدف استراتژیک طراحی دقیق مرکز داده های هوش مصنوعی حداکثر عملکرد در هر هزینه نیست، بلکه یک معماری سازگار است که می تواند ارزش، جذب تغییر و توجیه ردپای آن را ارائه دهد.

زیرساخت های AI در حال حاضر یک استراتژی تجاری است

مراکز داده AI به سرعت از یک نگرانی فنی برای تبدیل شدن به سیستم های استراتژیک کسب و کار تکامل یافته اند که به تعیین اینکه چگونه یک سازمان می تواند AI را به درآمد تبدیل کند، نتایج انسانی را بهبود بخشد و یک مزیت رقابتی ایجاد کند.

در عصر استنتاج، حافظه و ذخیره سازی دیگر به صورت منفعل نیستند، مک گرگور را توضیح می دهند، آنها خون حیاتی هوش مصنوعی هستند. سازمان هایی که بیشترین بهره را از AI به دست می آورند، لزوما کسانی نخواهند بود که دارای بزرگترین ردپای محاسباتی هستند، اما آن هایی که سرمایه گذاری های زیربنایی را با نتایج کسب و کار هماهنگ می کنند، تنگناهای داده را کاهش می دهند و انعطاف پذیری را برای سازگاری با پیشرفت کار ایجاد می کنند. او پیش بینی می کند که مزیت رقابتی به طور فزاینده ای به شرکت هایی تعلق دارد که محاسبات، حافظه، ذخیره سازی و شبکه را به عنوان یک سیستم یکپارچه طراحی می کنند تا AI را به طور موثر، در مقیاس و با ROI قابل اندازه گیری ارائه دهند.

تدارکات در حال حاضر استراتژی و طراحی سیستم یک مسئله رهبری است، مک گرگور به پایان می رسد. یکی از بزرگترین سؤالاتی که هر مدیر اجرایی باید بپرسد این است که چگونه AI مدل کسب و کار من را تغییر خواهد داد؟»

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review تولید شد، نه کارکنان سرمقاله آن. تحقیق و نوشته شدن توسط انسان با هر ابزار AI که ممکن است محدود به فرآیندهای تولید تحت نظارت انسان باشد.