هذا سرّ غير نظيف حول بنية الذكاء الاصطناعي: بعض الأجهزة الأكثر تكلفة على كوكب الأرض تقضي كمية مفاجئة من الوقت وهي لا تفعل شيئًا على الإطلاق. فوحدات معالجة الرسوميات (GPUs)، التي تعدّ العمود الفقري لتدريب واستنتاج الذكاء الاصطناعي الحديث، غالبًا ما تبقى غير نشطة بينما تنتظر وصول البيانات من أنظمة التخزين. والآن، تتعاون DDN وNvidia لحل هذه المشكلة من خلال السماح لوحدات معالجة الرسوميات ببدء الوصول إلى البيانات مباشرة، مما يلغي الوسيط.
يركز الشراكة على منصة DDN Infinia للذكاء البيانات، والتي تتكامل مع مبادرة Nvidia Storage-Next لتمكين عمليات البيانات التي تُبدأ بواسطة وحدات معالجة الرسوميات. باللغة الإنجليزية: بدلاً من انتظار وحدات معالجة الرسوميات بادبٍ لوحدات المعالجة المركزية لجلب البيانات وتسليمها، يمكن الآن لوحدات معالجة الرسوميات أن تمتد وتستلم ما تحتاجه بنفسها.
ما الذي تفعله التقنية فعليًا
النتيجة هي تقليل التأخير، وتقليل الحمل على وحدة المعالجة المركزية، وتحسين كبير في استخدام وحدة معالجة الرسومات. بالنسبة للمنظمات التي تدير مصانع ذكاء اصطناعي واسعة النطاق، حيث تعمل آلاف وحدات معالجة الرسومات بالتوازي، حتى التحسينات الطفيفة في الاستخدام تترجم إلى توفيرات تكلفة ذات معنى.
وصف سفين أوهم، الرئيس التنفيذي للتقنية في DDN، التعاون من حيث المصطلحات الاقتصادية، مشيرًا إلى تحسينات في "اقتصاديات الذكاء الاصطناعي على نطاق واسع". وشدد جيسون هاردي، نائب رئيس نفيديا لتكنولوجيا التخزين، على التكامل السلس بين البنية التحتية للحوسبة والبيانات كميزة رئيسية.
تناسب هذه التقنية استراتيجية منصة Nvidia الأوسع لعام 2026، والتي تشمل منصة Nvidia Rubin ووحدات معالجة البيانات BlueField-4.
شراكة استغرقت عقدًا من الزمن
تعمل DDN وNvidia معًا منذ عام 2016، عندما أصبحت DDN أول مزود تخزين يُصدّق منصتها مع تقنية GPUDirect Storage من Nvidia.
سمح GPUDirect Storage بنقل البيانات مباشرة بين التخزين وذاكرة GPU دون المرور عبر ذاكرة النظام أولاً. إن الشراكة الجديدة مع Infinia تأخذ هذا المفهوم خطوة أبعد من خلال منح وحدات GPU القدرة على بدء هذه النقلات البيانات بشكل نشط بدلاً من تلقيها بشكل سلبي.
تخطط DDN لعرض هذه القدرات في قمة ذاكرة التخزين السريعة، حيث من المتوقع أن تشارك الشركة معايير الأداء وتفاصيل التوفر التشغيلي.
لماذا هذا مهم لسوق البنية التحتية للذكاء الاصطناعي
مع نمو النماذج وتوسع مجموعات بيانات التدريب، يتسع الفجوة بين قدرة الحوسبة وتوصيل البيانات. يمكن أن تتضمن عمليات تدريب الذكاء الاصطناعي الكبيرة بيتا بايت من البيانات موزعة على أنظمة تخزين موزعة. كل ميكروثانية تأخير في الوصول إلى البيانات تتراكم عبر آلاف وحدات معالجة الرسوميات وملايين دورات التدريب.
بدلاً من مجرد جعل التخزين أسرع، فإن DDN وNvidia تعيد التفكير في كيفية تدفق البيانات عبر النظام بالكامل. منح وحدات GPU سلطة مباشرة على عمليات البيانات يمثل تحولاً جوهرياً في طريقة عمل البنية التحتية للذكاء الاصطناعي.