Dell cho rằng kiến trúc lưu trữ AI không gian tên duy nhất va chạm với thực tế hấp dẫn dữ liệu phân tán của doanh nghiệp, buộc GPU phải chờ đợi dữ liệu do hạn chế kiến trúc không được giải quyết.
Tâm điểm của nó nằm ở một sự lựa chọn cơ bản: liệu dữ liệu nên đi đến nền tảng tính toán, hoặc nền tảng nên đi đến nơi dữ liệu cư trú?làm cho trường hợp cho các nền tảng dữ liệu AI liên bang trên các ngăn xếp tích hợp lưu trữ tập trung trên ba bài đăng trên blog.
Trong bài viết đầu tiên của mình, Hyde lập luận các bộ dữ liệu khổng lồ mang tính hấp dẫn dữ liệu vốn có khóa chúng ở vị trí ban đầu của chúng: trung tâm dữ liệu cốt lõi, các trang web cạnh, khu vực tuân thủ chủ quyền, môi trường SaaS,kho dữ liệuĐược gọi là quy tắc đơn giản nhất của AI doanh nghiệp, luận án của ông nói dữ liệu ở lại nơi nó rơi xuống, và hầu hết sẽ không bao giờ được di chuyển.
Nhiều ma sát IT doanh nghiệp ngăn chặn kiến trúc dữ liệu thống nhất sạch: các quy tắc quy định và chủ quyền, khóa ứng dụng, quyền sở hữu dữ liệu cạnh tranh, rào cản hợp đồng và chi phí,Phân mảnh dữ liệu M&A, hồ sơ tuân thủ khóa, dữ liệu không được liệt kê, và silo tổ chức nội bộ.
Ông phân loại dữ liệu thành ba hình thức khác nhau:
- Dữ liệu thô (trọng lượng lớn): Các tệp, hồ sơ, hình ảnh, video, đo từ xa, bảng điều chỉnh.
- Metadata (mảng mô tả): thẻ, dòng dõi, sơ đồ, phân loại, đánh dấu quyền sở hữu. Đèn và rẻ để sao chép, cho phép AI hiển thị vào tất cả các tài sản mà không cần chuyển dữ liệu vật lý.
- Vectors (semantic representation): Các bản nhúng toán học được tạo ra bởi AI, nhận thức về vị trí và phù hợp với GPU. Chúng truyền tải ý nghĩa theo ngữ cảnh qua các môi trường mà không cần vận chuyển dữ liệu thô.
Hyde lưu ý rằng AI không yêu cầu chuyển động dữ liệu thô, chỉ có thể truy cập siêu dữ liệu và vector.trong khi chỉ mục vector sức mạnh qua môi trường lý luận ngữ nghĩa. Dữ liệu thô nặng bị hạn chế, sở hữu, nhạy cảm với độ trễ, được quản lý bởi các nhóm hoạt động hiện tại của nó.hoặc dữ liệu thô di chuyển đến điểm cuối vectorization, hoặc dữ liệu được nhúng cục bộ trước khi các vector chuyển sang cơ sở hạ tầng lân cận GPU.
Dữ liệu doanh nghiệp được phân phối nội tại chia thiết kế lớp dữ liệu AI thành hai triết lý đối lập:
- Các ngăn xếp tích hợp lưu trữ (ví dụ như VAST AI OS): Được xây dựng xung quanh việc tập trung các bộ dữ liệu lớn trong một không gian tên thống nhất do nhà cung cấp kiểm soát,ghép chặt các dịch vụ AI nhúng để hoạt động hợp lýMô hình này giả định dữ liệu sẽ di chuyển đến nền tảng để biện minh cho việc hợp nhất, và hoạt động tốt cho việc triển khai AI xanh.
- Nền tảng dữ liệu AI liên bang (khung của Dell): Được thiết kế dựa trên tiền đề rằng dữ liệu doanh nghiệp vẫn được phân phối vĩnh viễn, yêu cầu nền tảng hoạt động cùng với các vị trí gốc của dữ liệu.Nền tảng dữ liệu AI của Dell kết hợp PowerScale và ObjectScale với một máy bay điều khiển liên bang để truy cập và xử lý dữ liệu trên các hệ thống tệp, lưu trữ đối tượng, kho, công cụ SaaS và đám mây công cộng không có bản sao dữ liệu tập trung bắt buộc. Nó xử lý dữ liệu thô, siêu dữ liệu và vector như các thực thể hạng nhất riêng biệt,điều hành cả ba liên tục, và tận dụng các siêu dữ liệu và vector nhẹ để cung cấp giá trị trong khi dữ liệu thô nặng vẫn còn.
Blog thứ hai của Hyde chỉ trích các kiến trúc tích hợp lưu trữ như VAST AI OS vì bỏ qua thực tế dữ liệu doanh nghiệp phân tán.tất cả các AI xử lý chạy độc quyền trên dữ liệu ăn vào tên riêng của họCác nhà cung cấp cung cấp các công cụ di chuyển, củng cố thị trường như một đơn giản hóa hoạt động,và UI thống nhất che giấu cảnh quan dữ liệu thực tế bị phân mảnh trong các bản demo.
Các kiến trúc tập hợp dữ liệu thô, siêu dữ liệu và vector vào một danh mục đơn nhất mặc định với nhiệm vụ sai lầm của di chuyển dữ liệu hàng loạt.Các khung phân biệt ba lớp để lại dữ liệu nặng được điều chỉnh được quản lý tại địa phươngMột không gian tên thống nhất chỉ hoạt động nếu dữ liệu thô là tài sản duy nhất được xem xét;nó trở nên không hiệu quả một khi siêu dữ liệu và vector được công nhận là các thành phần cốt lõi độc lập.
Kiến trúc liên bang của Dell hoạt động dựa trên ba nguyên tắc cốt lõi:
- Dữ liệu thô vẫn ở vị trí gốc của nó dưới các nhóm quản trị hiện có
- Metadata được sao chép trên toàn cầu, cho phép tất cả khối lượng công việc AI có khả năng hiển thị đầy đủ các tài sản xuyên vị trí
- Các vector mang bối cảnh ngữ nghĩa qua môi trường, cho phép lý luận AI mà không cần chuyển dữ liệu thô
Bài đăng thứ ba của Hyde chứng minh thiết kế liên bang của Dell vượt trội hơn VAST trong việc cung cấp dữ liệu cho GPU.Dell đã phát hành thử nghiệm cạnh nhau vào tháng 10 năm 2025 về tải công việc tải cache vector KV sử dụng mô hình Qwen3-32B, dựa trên các chỉ số tham khảo nội bộ của Dell và thông tin công khai của VAST:
- PowerScale: 0.82s Thời gian đến Token đầu tiên (TTFT)
- ObjectScale: 0.86s TTFT
- VAST: 1,5s TTFT
- VLLM cơ bản mà không cần tải cache KV: 11.8s TTFT
He states architectures built around GPU delivery—treating raw data as gravity-bound and portable semantic vectors as the transportable layer—amplify Dell’s performance edge with every inference requestCác thiết kế phụ thuộc vào việc tiêu thụ dữ liệu thô vào không gian tên độc quyền bị chậm trễ về cơ cấu.
Hyde thừa nhận VAST đã công bố kết quả tải cache KV cập nhật,đáng chú ý nhất là các điểm chuẩn tháng 12 năm 2025 với Nvidia Dynamo và CoreWeave trích dẫn ~ 20 lần nhanh hơn TTFT so với tái tính toán và hiệu suất GPU cao hơn 90%Tuy nhiên, các thử nghiệm này sử dụng khối lượng công việc và đường cơ sở khác nhau, không có kết hợp Qwen3-32B đánh bại con số TTFT VAST được xuất bản 1,5s.
Ông thúc giục các doanh nghiệp chọn kiến trúc dữ liệu nhắm mục tiêu GPU đặt ra một câu hỏi quan trọng: Sự sử dụng GPU của nền tảng này sẽ cung cấp tải công việc suy luận thực tế với việc tải cache KV,đối với các bộ dữ liệu hỗn hợp bao gồm cả các bộ dữ liệu được quy định, các nguồn chủ quyền và khóa ứng dụng?
Câu hỏi này buộc các nhà cung cấp phải giải quyết các sự đánh đổi cơ bản về cấu trúc, giải thích giới hạn hiệu suất khi dữ liệu không thể được nhập vào không gian tên của họ, xuất bản TTFT tái tạo,số liệu về tỷ lệ truy cập token mỗi giây và bộ nhớ cache trên các mô hình mã nguồn mở hiện đại với phương pháp đầy đủ, và trả lời một cách trung thực về mối quan tâm tài chính quan trọng: bao nhiêu thời gian không hoạt động của GPU do kiến trúc này tạo ra?
Lời bình luận
Các bộ dữ liệu vector hóa lớn hơn rất nhiều so với dữ liệu thô nguồn của chúng.Nhúng định dạng kích thước và lưu trữ. Các bộ dữ liệu nguồn được chia thành các đoạn riêng biệt (phần, cửa sổ token cố định) được nhúng trước để có độ chính xác truy xuất cao hơn. Một đoạn văn bản tiêu chuẩn có 250 500 từ tương đương với khoảng 0.5 ¢ 2KB văn bản thô, với vector tương ứng của nó thường lớn hơn 3×10 lần.
Câu hỏi không được giải quyết chính: Vectorization diễn ra ở đâu, và các bộ dữ liệu vector quá lớn được di chuyển nếu được tạo ra xa GPU?Các nhóm hoặc chuyển dữ liệu thô vào cơ sở hạ tầng nhúng hoặc di chuyển các tập hợp vector đầy đủ đến tính toán AIChúng tôi đã báo hiệu sự mâu thuẫn này cho Jon Hyde để làm rõ thêm.
Công ty công nghệ Bắc Kinh Qianxing Jietong Co., Ltd.
Sandy Yang - Giám đốc chiến lược toàn cầu
WhatsApp / WeChat: +86 13426366826
Email: yangyd@qianxingdata.com
Trang web: www.qianxingdata.com/www.storagesserver.com
Tập trung kinh doanh:
Phân phối sản phẩm ICT / tích hợp hệ thống & dịch vụ / giải pháp cơ sở hạ tầng
Với hơn 20 năm kinh nghiệm phân phối CNTT, chúng tôi hợp tác với các thương hiệu hàng đầu toàn cầu để cung cấp các sản phẩm đáng tin cậy và dịch vụ chuyên nghiệp.
Sử dụng công nghệ để xây dựng một thế giới thông minh Nhà cung cấp dịch vụ sản phẩm ICT đáng tin cậy của bạn!
Vietnamese
