加速人工智能项目的默认方法是增加GPU集群的规模。然而，由于GPU供应日益紧张，成本也越来越高。很多人工智能公司将超过80%的筹集资本用于计算资源，这是可以理解的。GPU是人工智能基础设施的关键，应该尽可能多地投入预算。然而，在这些高昂的成本之外，还有其他提高GPU性能的方法需要考虑，而且越来越迫切
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
扩展GPU集群并非易事，特别是在生成式人工智能暴力扩张导致GPU短缺的情况下。NVIDIA A100 GPU是受到影响的首批GPU之一，而且现在非常稀缺，一些版本的交付周期长达一年。这些供应链挑战迫使许多人考虑将更高端的H100作为替代品，但很明显会付出更高的价格。对于那些投资于自己基础设施、为其行业创造下一个伟大的生成式人工智能解决方案的创业者来说，需要从现有GPU中榨取每一滴效率
让我们来看看企业如何通过提议修改人工智能基础设施的网络和存储设计，从中获得更多的计算投资
数据问题
优化现有计算基础设施的利用率是一个重要的方法。为了最大化GPU利用率，需要解决数据传输速度过慢的问题，以确保GPU保持高负载运行。有些用户的GPU利用率仅为20%，这是不可接受的。因此，人工智能团队正在寻找最佳途径，以最大化人工智能投资的回报
GPU是人工智能的引擎。就像汽车发动机需要汽油才能运行一样，GPU也需要数据来进行运算。如果限制了数据流，就会限制GPU的性能。如果GPU的工作效率只有50%，那么人工智能团队的生产力就会下降，一个项目完成所需的时间会增加一倍，投资回报率也会减半。因此，在基础设施设计中，必须确保GPU能够以最高效率运行，并提供预期的计算性能
需要注意的是，DGX A100和H100服务器都有高达30 TB的内部存储容量。然而，考虑到平均模型大小约为150 TB，这个容量对于大多数深度学习模型来说是不够的。因此，需要额外的外部数据存储器来为GPU提供数据
存储性能
AI存储通常由服务器、NVMe SSD和存储软件组成，它们通常封装在一个简单的设备中。就像GPU被优化为与数以万计的核心并行处理大量数据一样，存储也需要具备高性能。在人工智能中，存储的基本要求是能够存储整个数据集，并以线速（即网络允许的最快速度）将数据传输到GPU，以保持GPU的高效运行和饱和。任何不足都会导致对这些非常昂贵和有价值的GPU资源的浪费
通过交付数据与能够跟上10或15台GPU服务器集群全速运行的速度，有助于优化GPU资源并提高整个环境的性能，同时尽可能充分利用预算，从整个基础设施中获得最大收益
事实上，挑战在于，没有针对AI进行优化的存储供应商需要许多客户端计算节点来从存储中提取全部性能。如果从一个GPU服务器开始，则反过来需要许多存储节点才能达到该性能才能为单个GPU服务器供应。
重写后的内容：不要轻信所有的基准结果；当使用多个GPU服务器时，可以轻松获得更大的带宽，但是人工智能依赖于存储，无论何时需要，它都会将所有性能提供给单个GPU节点。坚持使用能够提供所需超高性能的存储，但它可以在单个存储节点中实现这一点，并且能够将此性能提供给单个GPU节点。这可能会限制市场范围，但在开始人工智能项目之旅时，这是一个优先考虑的事项
网络带宽
越来越强大的计算能力推动了对其他人工智能基础设施的需求不断增加。带宽要求已经达到了新的高度，能够管理每秒从存储设备通过网络发送并由GPU处理的大量数据。存储设备中的网络适配器（NIC）连接到网络中的交换机，这些交换机连接到GPU服务器内部的适配器。NIC可以在正确配置的情况下将存储直接连接到1或2个GPU服务器中的NIC，不会出现瓶颈，确保带宽足够高，可以将最大数据负载从存储传递到GPU，使其在持续的时间内保持饱和，这是关键，在许多情况下，未能做到这一点是我们看到GPU利用率较低的原因。
GPU编排
一旦基础设施就位，GPU编排和分配工具将极大地帮助团队更高效地集结和分配资源，了解GPU的使用情况，提供更高级别的资源控制，减少瓶颈并提高利用率。只有在底层基础设施能够确保数据正确流动的情况下，这些工具才能如预期地完成所有这些任务
在人工智能领域，数据是输入的关键。因此，传统企业闪存在用于企业关键任务应用程序（如库存控制数据库服务器、电子邮件服务器、备份服务器）时，并不与人工智能相关。这些解决方案是使用传统协议构建的，尽管它们已被重新用于人工智能，但这些传统基础限制了它们在GPU和AI工作负载方面的性能，推高了价格，并浪费了资金在过于昂贵和不必要的功能上
在当前全球GPU短缺的情况下，再加上人工智能行业的迅猛发展，寻找最大限度提高GPU性能的方法变得前所未有的重要——尤其是在短期内。随着深度学习项目的蓬勃发展，这些方法成为降低成本和提高产出的几个关键途径
