Dell утверждает, что архитектуры хранения данных с единым пространством имен противоречат реальности гравитации распределенных корпоративных данных, вынуждая графические процессоры останавливаться в ожидании данных из-за неучтенных архитектурных ограничений.
В его основе лежит фундаментальный выбор: должны ли данные передаваться на вычислительную платформу или платформа должна отправляться туда, где находятся данные? Джон Хайд, старший директор Dell по конкурентной разведке, в трех сообщениях в блоге приводит доводы в пользу федеративных платформ данных искусственного интеллекта вместо централизованных стеков, интегрированных в системы хранения данных.
В своем первом посте Хайд утверждает, что массивные наборы данных несут в себе природную гравитацию данных, которая удерживает их в исходных местах — основных центрах обработки данных, периферийных площадках, регионах суверенного соответствия, средах SaaS, хранилищах данных и хранилищах объектов, принадлежащих бизнес-подразделениям. Его диссертация, названная простейшим правилом корпоративного ИИ, гласит, что данные остаются там, где они находятся, и большая их часть никогда не будет перемещена.
Многочисленные разногласия в сфере корпоративных ИТ блокируют чистую унифицированную архитектуру данных: нормативные правила и правила суверенитета, блокировка приложений, конкурирующее владение данными, договорные и ценовые барьеры, фрагментация данных слияний и поглощений, архивы с блокировкой соответствия, некаталогизированные неизвестные данные и внутренние организационные разрозненные структуры.
Он разделяет данные на три различные формы:
- Необработанные данные (тяжеловесные): файлы, записи, изображения, видео, телеметрия, регламентированные таблицы. Громоздкий, медленный и дорогостоящий в перемещении, остающийся на месте по реальным эксплуатационным причинам.
- Метаданные (описательный уровень): теги, происхождение, схемы, классификации, маркеры владения. Легкий и дешевый в репликации, обеспечивающий видимость ИИ всех активов без физического перемещения данных.
- Векторы (семантическое представление): математические встраивания, генерируемые ИИ, с учетом локальности и выравнивания по графическому процессору. Они передают контекстуальное значение в разных средах, не передавая исходные данные.
Хайд отмечает, что ИИ не требует перемещения необработанных данных — только доступные метаданные и векторы. Каталог метаданных обеспечивает полную межсистемную видимость активов для рабочих нагрузок ИИ, а векторные индексы обеспечивают семантическое рассуждение в разных средах. Ограниченные, принадлежащие, чувствительные к задержкам тяжелые необработанные данные остаются на месте и управляются существующими оперативными группами. Векторы обладают чувствительностью к местоположению и близости графического процессора: либо необработанные данные переносятся в конечные точки векторизации, либо данные внедряются локально, прежде чем векторы перейдут в инфраструктуру, прилегающую к графическому процессору. Эта формулировка подкрепляет его полную аргументацию.
Распределенные по своей сути корпоративные данные разделяют структуру уровня данных ИИ на две противоположные философии:
- Стеки, интегрированные с хранилищем (на примере ОС VAST AI): построены на централизации больших наборов данных в едином пространстве имен, контролируемом поставщиком, и тесно связаны со встроенными службами искусственного интеллекта для оптимизации операций. Эта модель предполагает, что данные будут перенесены на платформу для обоснования консолидации и хорошо работает для развертывания ИИ с нуля.
- Платформы федеративных данных искусственного интеллекта (структура Dell). Созданы на основе предпосылки, что корпоративные данные остаются постоянно распределенными, что требует, чтобы платформа работала вместе с исходными местоположениями данных. Платформа данных искусственного интеллекта Dell сочетает в себе PowerScale и ObjectScale с интегрированной плоскостью управления для доступа и обработки данных в файловых системах, объектных хранилищах, хранилищах, инструментах SaaS и общедоступных облаках — без обязательных централизованных копий данных. Он рассматривает необработанные данные, метаданные и векторы как отдельные первоклассные объекты, последовательно управляет всеми тремя и использует облегченные метаданные и векторы для обеспечения ценности, в то время как тяжелые необработанные данные остаются на месте.
Во втором блоге Хайда критикуются интегрированные в системы хранения данных архитектуры, такие как ОС VAST AI OS, за игнорирование реалий распределенных корпоративных данных. Эти стеки работают на одной жесткой предпосылке: вся обработка ИИ выполняется исключительно на данных, поступающих в их собственное пространство имен, делая внешние данные невидимыми для платформы. Поставщики предоставляют инструменты миграции, консолидацию рынка в качестве средства упрощения операций и унифицированные пользовательские интерфейсы, которые маскируют фрагментированные ландшафты реальных данных во время демонстраций.
Архитектуры, объединяющие необработанные данные, метаданные и векторы в одну монолитную категорию, по умолчанию следуют ошибочному мандату массовой миграции данных. Платформы, которые различают три уровня, оставляют регулируемые тяжелые данные управляемыми локально, реплицируют метаданные в масштабах всего предприятия и используют векторы для межсредового анализа ИИ. Единое пространство имен работает только в том случае, если необработанные данные являются единственным рассматриваемым активом; он становится неэффективным, как только метаданные и векторы признаются независимыми основными компонентами.
Интегрированная архитектура Dell работает на трех основных принципах:
- Необработанные данные остаются в исходном месте под управлением существующих групп управления.
- Метаданные реплицируются по всему миру, предоставляя всем рабочим нагрузкам ИИ полную видимость активов из разных мест.
- Векторы переносят семантический контекст по всей среде, позволяя ИИ рассуждать без перемещения необработанных данных.
Третий пост Хайда доказывает, что интегрированная конструкция Dell превосходит интегрированный стек хранения данных VAST при подаче данных на графические процессоры. В октябре 2025 года Dell выпустила параллельное тестирование рабочих нагрузок векторной разгрузки кэша KV с использованием модели Qwen3-32B, опираясь на внутренние тесты Dell и общедоступные раскрытия VAST:
- PowerScale: время появления первого токена 0,82 с (TTFT)
- Масштаб объекта: 0,86 с TTFT
- VAST: 1,5 с TTFT
- Базовый уровень vLLM без разгрузки кэша KV: 11,8 с TTFT
Он утверждает, что архитектуры, построенные на доставке графических процессоров, рассматривающие необработанные данные как гравитационные, а переносимые семантические векторы как переносимый уровень, увеличивают преимущество Dell в производительности при каждом запросе вывода. Проекты, зависящие от приема необработанных данных в собственное пространство имен, страдают от структурных задержек.
Хайд признает, что VAST опубликовал обновленные результаты разгрузки кэша KV, в первую очередь тесты за декабрь 2025 года с Nvidia Dynamo и CoreWeave, в которых указано, что TTFT примерно в 20 раз быстрее по сравнению с повторными вычислениями и на 90% выше эффективность графического процессора. Однако в этих тестах используются разные рабочие нагрузки и базовые показатели, и ни один из соответствующих Qwen3-32B не превосходит опубликованный показатель VAST TTFT 1,5 с.
Он призывает предприятия, выбирающие архитектуры данных, ориентированные на графические процессоры, задаться критическим вопросом: «Какое использование графического процессора будет обеспечивать эта платформа при реалистичных рабочих нагрузках вывода с разгрузкой KV-кэша в отношении смешанных наборов данных, включая регулируемые, суверенные и привязанные к приложениям источники?»
Этот запрос заставляет поставщиков искать фундаментальные структурные компромиссы, объяснять ограничения производительности, когда данные не могут быть приняты в их пространства имен, публиковать воспроизводимые показатели TTFT, количества токенов в секунду и скорости попадания в кэш на современных моделях с открытым исходным кодом с полной методологией и честно отвечать на ключевой финансовый вопрос: сколько времени простоя графического процессора создает эта архитектура?
Комментарий
Векторизованные наборы данных значительно превосходят исходные исходные данные. Вложения часто умножают объем исходного источника в 3–20 раз или более на запись, в зависимости от размера текстового фрагмента, размерности внедрения и форматов хранения. Наборы исходных данных разбиваются на отдельные фрагменты (абзацы, фиксированные окна токенов) с предварительным внедрением для обеспечения превосходной точности поиска. Стандартный фрагмент текста из 250–500 слов соответствует примерно 0,5–2 КБ необработанного текста, а соответствующий ему вектор часто в 3–10 раз больше.
Ключевой нерешенный вопрос: где происходит векторизация и перемещаются ли наборы векторных данных слишком большого размера, если они созданы вдали от графических процессоров? Их значительная масса создает собственную гравитацию данных. Команды либо переносят необработанные данные во встроенную инфраструктуру, либо перемещают полные наборы векторов в вычисления ИИ, борясь с гравитацией данных в обоих сценариях. Мы сообщили об этом противоречии Джону Хайду для дальнейшего разъяснения.
Пекинская компания Qianxing Jietong Technology Co., Ltd.
Сэнди Янг/Директор по глобальной стратегии
WhatsApp/WeChat: +86 13426366826
Электронная почта: yangyd@qianxingdata.com
Веб-сайт: www.qianxingdata.com/www.storagesserver.com.
Бизнес-направление:
Распространение продуктов ИКТ/Системная интеграция и услуги/Инфраструктурные решения
Имея более чем 20-летний опыт распространения ИТ-технологий, мы сотрудничаем с ведущими мировыми брендами, предоставляя надежные продукты и профессиональные услуги.
«Использование технологий для построения интеллектуального мира»Ваш надежный поставщик услуг в сфере ИКТ!
Ваше сообщение должно содержать от 20 до 3000 символов!
Russian
