大学如何引领下一波人工智能创新浪潮

高等教育机构正成为大规模人工智能应用的试验场。它们能否取得最大的突破，将取决于能否高效地移动和管理海量数据。.

人工智能 人工智能曾经是超大规模科技巨头的专属领域。但如今，一股新的创新浪潮正在大学校园中涌现，计算机科学家、生物学家、气候学家和社会研究人员正并肩工作，将人工智能应用于应对世界面临的最大挑战。.

如今的学术数据中心与其说是传统的IT部门，不如说是人工智能创业孵化器。它们正在构建和训练模型，这些模型能够更快地解码DNA，更准确地模拟全球天气系统，甚至揭示经济和人类行为中隐藏的社会模式。.

与商业企业不同，大学追求的是开放合作，而非专有优势。但这种开放性也伴随着诸多限制，包括预算紧张、不断变化的合规要求，以及需要支持数百个研究团队之间千差万别的工作负载。事实上，许多大学现在都已成为人工智能优先的超级计算实验室，在资源有限的情况下，探索人工智能技术发展的无限可能。.

挑战在于，虽然大学在人工智能领域产生的创新比以往任何时候都多，但它们的存储和数据架构的发展速度并不总是与它们的计算雄心同步。.

三个研究领域对数据吞吐量有着极高的要求。

如今学术机构内部的数据激增现象显著、规模庞大，并且正在各个学科领域加速发展。无论是基因组测序、气候建模还是社会数据分析，每个领域都面临着同样的挑战：如何以足够快的速度传输数据，以确保研究成果的持续发现。.

基因组学——生命科学领域的数据洪流

一个人类基因组大约包含30亿个碱基对。即使对少量样本进行测序，也会产生PB级的原始数据，这些数据必须被写入、存储，并反复访问才能用于人工智能驱动的分析。.

顶尖大学的研究团队正在将基因组学与机器学习相结合，用于预测疾病风险、模拟蛋白质折叠并制定精准医疗方案。这些工作负载会引发数百万次的小型读写请求，给存储带来巨大压力，因此，即使是最快的GPU，如果数据管道无法高效地为其提供数据，也会闲置。.

数据传输过程中每延迟一毫秒，就意味着运行时间延长、计算成本增加，以及科研进展放缓。最终目标是提高吞吐量，使研究人员能够提前数周甚至数月发现医学新发现。.

气候建模——模拟整个星球

学术气候模型通常运行在拥有数千个计算核心的高性能计算 (HPC) 集群上，每个核心实时处理卫星图像、大气数据和海洋观测数据。单次运行每小时可产生数 TB 的时间序列数据，所有这些数据都必须进行写入、检索和可视化，以验证其准确性。.

当I/O吞吐量不足时，研究人员不得不简化模型，降低分辨率、省略变量或缩短模拟窗口，这会影响科学精度。高速存储使大学能够运行更深入、更复杂的模拟，从而改进长期预测和气候适应策略。.

社会科学巨型数据集——大数据的人文层面

在社会科学领域，“大数据”的概念已焕发出新的活力。经济学家和社会学家正利用数十年的人口统计、流动性和行为数据训练人工智能模型，以研究不平等、健康结果、政策有效性等问题。这些数据集可能结构化程度低、碎片化且包含敏感信息。.

性能在这里也至关重要。当分析师能够快速迭代时，他们就能检验更多假设，并近乎实时地可视化社会趋势。但大学必须在速度与隐私和主权之间取得平衡，尤其是在处理受严格合规规则约束的个人身份信息或跨境数据集时。.

阅读：改变人工智能的三大趋势

基础设施缺口：仅靠GPU是不够的

过去几年，许多大学竞相扩建其 GPU集群 为了实现人工智能加速，GPU 的蓬勃发展背后隐藏着一个棘手的问题：这些加速器无法加速它们无法快速访问的数据。.

人工智能工作负载对数据的需求量极大。它们读写数百万个小文件，在内存中频繁切换参数，并不断地在固态硬盘 (SSD)、动态内存 (DRAM) 和 GPU 内存之间移动数据。如果存储层无法跟上，即使是最强大的 GPU 也只能被动等待。这就像给性能和能源效率征收了一种隐形的税。.

这就是为什么许多学术集群尽管拥有令人印象深刻的硬件，性能却不尽如人意的原因。瓶颈往往出现在意想不到的地方：

• • • 传统 NAS 和速度较慢的对象存储会限制多节点 I/O 性能。.
    • 存储层分散，研究团队使用任何可用的硬件，造成数据不一致。.
    • 预算有限，优先考虑计算节点而非现代存储架构。.

其结果是数据流动与数据处理不匹配。大学不能仅仅通过增加GPU来解决这个问题。他们需要更智能的方法来控制数据在整个人工智能流程中的流动。.

阅读：更智能的边缘AI时代来临：AVerMedia和Phison携手合作，利用aiDAPTIV+为Jetson设备注入强大动力

利用群联电子优化存储并降低成本

其中一种更明智的方法是： 群联电子的先进技术 以及专为大学等数据密集型环境中的高吞吐量 AI 工作负载而构建的 aiDAPTIV+ 解决方案。.

群联电子的 SSD 控制器技术重新定义了计算与存储之间的关系。它不再将 SSD 视为被动的存储库，而是支持在存储层直接进行数据移动和预处理。通过将某些 AI 和 I/O 操作卸载到更靠近数据所在位置的层级，aiDAPTIV+ 显著降低了延迟和 GPU 空闲时间。.

它的工作原理是：

• • • GPU 卸载 – aiDAPTIV+ 智能地将数据管道的部分功能（例如预取、压缩或索引）从 GPU 转移到 SSD 层。.
    • 动态数据路径——它能够实时优化 I/O 流，确保每个数据集都能根据工作负载强度选择最快的路径进行传输。.
    • 本地化和控制——敏感的研究数据保留在本地或大学的私有云中，在保持合规性和数据主权的同时，还能实现接近超大规模的性能。.

Phison aiDAPTIV+ 是一款交钥匙解决方案，可帮助企业进行训练和推理。 大型语言模型（LLM） 以他们能够承受的价格，在本地部署。它通过整合组织自身的数据来增强基础逻辑学习模型（LLM），从而更好地进行决策和创新。机构可以在本地训练和推理任意规模的模型，并可以轻松地扩展或横向扩展节点，以增加训练规模、缩短训练时间并提高推理能力。.

借助群联电子的 SSD 控制器技术和 aiDAPTIV+，高等教育机构可以在不超支计算资源的情况下实现更快的模型训练和分析。.

查看：Phison aiDAPTIV+解决方案

aiDAPTIV+ 为学术研究带来实际益处

影响 爱DAPTIV+ aiDAPTIV+ 正在逐步改变大学处理数据密集型研究的方式。通过弥合存储和 GPU 性能之间的差距，大学可以加快获得洞见的速度，并更有效地利用研究预算。从基因组测序实验室到地球建模团队，aiDAPTIV+ 将更智能的数据传输转化为可衡量的成果。.

• • • 通过减少数据准备时间和最大限度地提高小文件工作负载的 IOPS，加速基因组学工作流程。.
    • 更高分辨率的气候模拟，具有可在多节点高性能计算环境中扩展的持续吞吐量。.
    • 通过优化非结构化数据集处理并确保人工智能管道中的数据一致性，加快社交数据处理速度。.
    • 由于性能提升来自于更智能的存储编排，而不是不断扩展 GPU，因此研究计算的总成本更低。.

aiDAPTIV+ 将存储转化为性能引擎，使大学能够利用现有资源开展更多科学研究。.

展望未来：从研究到实际影响

大学 从互联网和CRISPR技术到现代人工智能的基础，地球一直是变革性创新的摇篮。如今的变化在于规模。数据集更大，模型更复杂，对基础设施的需求也比以往任何时候都更加苛刻。.

随着人工智能成为各学科的标准工具，大学将在塑造其负责任和可持续的使用方式方面发挥日益重要的作用。这就需要兼顾性能、效率和数据控制的平台。.

aiDAPTIV+ 有助于弥合科研愿景与基础设施现状之间的差距。它使大学能够更快、更环保、更安全地运行人工智能工作负载，从而使研究人员能够减少等待数据的时间，将更多精力投入到科研发现中。.

基因组学、气候韧性和社会创新领域的下一个突破，将不再取决于谁拥有最大的GPU集群，而是取决于谁能以最智能的方式移动和管理数据。群联电子很荣幸能为这一未来提供动力，助力将数据转化为改变世界的突破性发现。.

常见问题 (FAQ)：