فناوری ذخیره سازی در عصر هوش مصنوعی عامل ارتقا یافته است

سال 2026 را می توان به عنوان لحظه ای به یاد آورد که فناوری ذخیره سازی تبلیغات گسترده ای دریافت کرد.

دلیل آن این است که انتقال کنونی از چت ربات‌های ساده به سیستم‌های هوش مصنوعی مبتنی بر عامل خطرات مربوط به حافظه زمینه را افزایش داده است، اطلاعات مرتبطی که سیستم‌های مستقل برای درک و پردازش یک وظیفه معین به آن نیاز دارند. ارائه اطلاعات به عوامل برای حفظ حافظه کاری متنی نیازمند یک معماری ذخیره سازی با توان عملیاتی بیشتر و کارایی بهبود یافته است.

پشتیبانی کلاستر هوش مصنوعی ذخیره سازی به طور سنتی به سرورهای GPU یا از طریق شبکه در محیط های مشترک محدود می شود. به گفته Ace Stryker، مدیر بازاریابی هوش مصنوعی و اکوسیستم در Solidigm Inc، اکنون، بازی توپ به طور ناگهانی تغییر کرده است.

Stryker در طی مصاحبه اخیر با theCUBE، استودیوی پخش زنده SiliconANGLE Media گفت: «من احساس می‌کنم فضای ذخیره‌سازی ارتقا یافته است. “آنچه در حال حاضر جدید است، وظیفه سوم است. و وظیفه سوم، گره های اختصاصی جدید است که به طور خاص برای ذخیره سازی حافظه متنی یا حافظه نهان KV است. این یک سطح کاملاً جدید از ذخیره سازی در یک خوشه هوش مصنوعی است. ما باید با داده های بسیار بیشتری سروکار داشته باشیم و بتوانیم آن ها را با ترکیبی از سخت افزار و نرم افزار کلاس جهانی ذخیره کنیم.”

این ویژگی بخشی از کاوش SiliconANGLE Media در مورد تغییرات معماری است که هوش مصنوعی در کلاس تولید را تقویت می کند. حتماً پوشش گسترده SiliconANGLE از نشست RAISE در پاریس، 8 ژوئیه را بررسی کنید.–9، شامل مصاحبه با مدیران Solidigm و کارشناسان صنعت از d-Matrix، AMD، Neo4j، Tensordyne، هوش مصنوعی Argentum, Cerebras، DDN و Canva، در میان دیگران. (* افشای زیر.)

فناوری ذخیره سازی با CMX تقویت می شود

یکی از کاتالیزورهای بازار برای نامگذاری جدید ذخیره سازی، اعلام معماری ذخیره سازی BlueField-4 STX شرکت Nvidia بود. در ماه مارس این نسخه، Context Memory Storage یا CMX را معرفی کرد، یک لایه زمینه با کارایی بالا که حافظه GPU را در رک گسترش داد.

محرک اصلی معماری واحد پردازش داده BlueField-4 یا DPU است که انویدیا در ژانویه معرفی کرد. DPU ها بارگذاری وظایف مدیریت زیرساخت را از پردازنده سرور اصلی آسان تر می کنند و ظرفیت بیشتری را برای برنامه ها آزاد می کنند. BlueField-4 همچنین وظایفی مانند مدیریت ترافیک داده بین GPU و حافظه فلش را انجام می دهد.

پل نشاواتی، سرپرست عمل و تحلیلگر اصلی، توسعه برنامه در پژوهشکده CUBE، گفت: «از آنجایی که زیرساخت‌های هوش مصنوعی از اثبات مفهوم به تولید در مقیاس سازمانی حرکت می‌کنند، ذخیره‌سازی به جای یک مؤلفه پشتیبانی، به یک تمایز استراتژیک تبدیل می‌شود. “سازمان ها در حال کشف هستند که عملکرد GPU به تنهایی موفقیت هوش مصنوعی را تعیین نمی کند. توانایی تغذیه مدل ها با داده های با کیفیت بالا، پشتیبانی از توان عملیاتی در محیط های توزیع شده و بهینه سازی اقتصاد زیرساخت به همان اندازه مهم است.”

STX جدولی را برای شرکت‌ها تنظیم می‌کند تا از حافظه پنهان کلید-مقدار یا KV عظیمی که مدل‌های زبان بزرگ و استنتاج‌های عامل هوش مصنوعی می‌توانند تولید کنند، دوباره استفاده کنند. حجم کاری هوش مصنوعی از یک فرمان به جلسات عامل با پنجره‌های زمینه با میلیون‌ها توکن حرکت می‌کند و پتابایت‌های اطلاعاتی در حال افزایش است که بالاتر از سطح استاندارد GPU و حافظه DRAM است.

Stryker توضیح داد: “شما باید تمام آن داده ها را بردارید و آنها را به سرعت قابل جستجو و دسترسی به مدل های هوش مصنوعی کنید. هر چیزی که هزینه ذخیره سازی دارد باید در جایی زندگی کند.” “این الگوها با این پنجره‌های زمینه‌ای که فقط رشد می‌کنند و رشد می‌کنند و این چرخه‌های طولانی‌تر، تکرارهای بیشتر… همه این‌ها پیامدهای باورنکردنی برای ذخیره‌سازی دارند. به نظر نمی‌رسد این یک چیز چرخه‌ای باشد، که احتمالاً به زودی از بین می‌رود. این جایی است که در سال 2026 هستیم.”

نقشی نوظهور برای گرافیک زمینه

تلاش صنعت برای راه‌حل‌های ذخیره‌سازی که با تلاش هوش مصنوعی برای زمینه‌سازی مطابقت دارند، بر نیاز روزافزون به سیستم‌های Backend و پایگاه‌های داده‌ای تأکید می‌کند که واقعاً با فناوری مستقل کار می‌کنند. این امر مستلزم توانایی گروه بندی چیزها با هم به روش هایی است که هوش مصنوعی می تواند استفاده کند.

یکی از ابزارهای نوظهور که این امکان را فراهم می‌کند، نمودار زمینه است، یک ساختار پشته‌ای از ردیابی‌های تصمیم که در بین اشیاء و زمان در هم تنیده شده‌اند تا پیشینه قابل جستجو باشد. دو محقق در Foundation Capital اخیراً تحلیلی را منتشر کرده اند که نشان می دهد گرافیک متنی می تواند “فرصت تریلیون دلاری” هوش مصنوعی باشد.

یکی از شرکت‌هایی که به دنبال سرمایه‌گذاری بر روی این روند معماری است Neo4j Inc است. این شرکت یک ابزار رابط خط فرمان برای تولید برنامه‌های کاربردی تمام پشته با عوامل هوش مصنوعی با پشتیبانی پایگاه‌های داده گراف درون حافظه فراهم می‌کند.

استفن چین، معاون روابط توسعه دهندگان در Neo4j در مصاحبه ای با theCUBE گفت: در سال 2026، فکر می کنم لامپ بزرگ در جامعه VC خاموش شد. اساساً چیزی که آنها متوجه شدند این است که دلیل اینکه نمایندگان نمی توانند موفق باشند این است که آنها زمینه مناسبی ندارند، آنها از نظر منابع داده های مختلف، از این همه دانش قبیله ای بسیار پراکنده هستند. و اگر بتوانید آنها را گرد هم بیاورید و در واقع به ماموران اطلاعات کاملی از کل سیستم بدهید، تصمیمات بهتری می گیرید، نتایج بهتری می گیرید.”

روی نتیجه گیری تمرکز کنید

یکی از عوامل کلیدی که نیاز به حافظه متنی را تحریک می کند، استنتاج است، فرآیند استفاده از یک مدل هوش مصنوعی آموزش دیده برای پیش بینی ها یا تصمیم گیری های بلادرنگ روی داده ها. همانطور که CUBE Research اشاره می کند، این منطقه ای است که در آن تحول ذخیره سازی بسیار مهم شده است.

مدل‌های زبان بزرگ برای ذخیره داده‌های میانی و حفظ بافت به حافظه نهان KV متکی هستند، که آن را به یک عنصر ضروری در فرآیند استنتاج تبدیل می‌کند. این نیز یک سردرد بود زیرا گسترش پنجره‌های زمینه می‌تواند حافظه پنهان KV را گران کند و عملکرد را کاهش دهد.

دگرگونی معماری ذخیره‌سازی نیاز به داده‌ها را برای ماندن در حافظه گران‌قیمت GPU یا جابجایی از طریق پردازنده‌های کمتر کارآمد جدا می‌کند. به گفته Dave Velante از theCUBE Research، Storage به بخشی از خود موتور استنتاج تبدیل می‌شود و STX «بارهای کاری ذخیره‌سازی را با هوشمندی تخصصی القا می‌کند تا هوش مصنوعی بهتر کار کند».

پیامدهای بازار این امر قابل توجه است. یک پیش‌بینی Deloitte اشاره می‌کند که استنتاج تقریباً دو سوم محاسبات هوش مصنوعی را در سال 2026 تشکیل می‌دهد.

سید شث، بنیانگذار، رئیس و مدیر عامل شرکت d-Matrix Corp. در گفتگوی اخیر با theCUBE گفت: تأیید واضحی وجود دارد که موج بزرگ بعدی محاسبات هوش مصنوعی حول استنتاج خواهد بود. “و من فکر می‌کنم مردم فقط سعی می‌کنند بفهمند که واقعاً چه شکلی است، زیرا یک اندازه برای همه نیست. شما واقعا نمی‌توانید از یک پلت‌فرم محاسباتی برای همه استنتاج‌ها استفاده کنید، زیرا استنتاج در نقاط مختلف شبکه انجام می‌شود. شما این کار را در مراکز داده بزرگ، مراکز داده کوچک انجام می‌دهید. ما این کار را در برنامه‌های کاربردی نهایی انجام می‌دهیم. این کار واقعاً پراکنده خواهد بود.”

تغییر پویایی برای توسعه دهندگان

با تاکید فعلی بر استنتاج و تغییرات قابل توجهی که در زیرساخت های فناوری اطلاعات رخ می دهد، این موضوع توسعه دهنده امروزی را به کجا می کشد؟

یافته‌های تحقیقات CUBE نشان می‌دهد که تجربه توسعه‌دهندگان به طور مستقیم بر نتایج کسب‌وکار تأثیر می‌گذارد. سازمان‌هایی که تجربه توسعه‌دهنده با کیفیت بالایی دارند، 33 درصد بیشتر به اهداف تجاری خود دست می‌یابند و 31 درصد بیشتر احتمال دارد جریان تحویل نرم‌افزار خود را بهبود ببخشند.

با این حال، صنعت فناوری در دنیایی ناهمگون در حال حرکت است که در آن اشکال مختلف محاسبات و انواع مختلف راه حل های معماری با هم وجود خواهند داشت. در گذشته، توسعه دهندگان واقعاً نیازی به نگرانی در مورد ظاهر سخت افزار زیرین نداشتند. اکنون آنها انجام می دهند.

شیث خاطرنشان کرد: «در حال تغییر است، شما شاهد تغییرات بسیار سریع و پویا در زیرساخت زیربنایی، محاسبات زیربنایی هستید، که اساساً به این معنی است که اگر می‌خواهید برنامه‌هایی برای آن نوع زیرساخت بنویسید، واقعاً به توسعه‌دهندگان و برنامه‌نویسان برنامه‌ها نیاز دارید تا بفهمند زیرساخت زیربنایی چگونه به نظر می‌رسد و چگونه برای آن برنامه‌نویسی کنید.»

رشد سریع توانایی هوش مصنوعی برای نوشتن کد نیز معادله را تغییر می دهد. هنگامی که عوامل هوش مصنوعی تغییرات و اصلاحات را انجام می دهند، این امر تعریف مسئولیت توسعه دهنده را تغییر می دهد. به گفته چین، این چیزی است که جامعه توسعه دهندگان باید با آن کنار بیایند، و او معتقد است که پاسخ روشن است.

چین به theCUBE گفت: «این شخصی است که مسئول و پاسخگو است، اما آنها فردی با گزینه‌های بسیار بیشتر هستند، با ابزارهای بسیار بیشتری برای مشارکت و مشارکت مؤثر. ما مردم، ما جامعه هستیم. اما ما افراد توانمندتر و توانمندتری هستیم که عوامل و ابزارهای زیادی در اختیار داریم.”

(* افشا: TheCUBE یک شریک رسانه ای پولی برای پوشش RAISE Summit است. نه Solidigm، حامی اصلی پوشش رویداد theCUBE، و نه هیچ حامی دیگر، کنترل تحریریه ای بر محتوای theCUBE یا SiliconANGLE ندارند.)

تصویر: SiliconANGLE/ChatGPT