Volumez 已更新其面向容器化应用的云端块存储配置服务,通过其数据基础设施即服务 (DIaaS) 产品来支持生成式 AI。
该公司表示,其技术可以最大化 GPU 利用率并实现 AI 和机器学习 (ML) 流水线的自动化。现有的数据传输和 AI/ML 基础设施部署流程常常受到存储效率低下、GPU 利用率不足、资源过度配置、系统性能不平衡、成本增加、管理复杂以及工具集成度差等问题的影响,这些都会消耗 AI 团队的带宽并延迟项目进度。
Volumez 的首席产品和业务官 John Blumenthal 在 1 月份硅谷举行的 IT Press Tour 会议上指出,AI/生成式 AI 工作负载需要在密集的基础设施中集中计算和存储能力。这样可以在减少硬件扩张的同时实现可持续性、成本效益和能源优化。
Volumez DIaaS 建立在对云服务提供商基础设施即服务 (IaaS) 产品的深入理解之上,旨在为 AI 工作负载创建均衡的基础设施。这包括基于声明式和组合式 NVMe/TCP 实例的存储基础设施。它使用 Linux 内置服务,且数据路径中没有存储控制器。
背景是像 AWS 和 Azure 这样的公有云出租计算和存储资源,它们并不会主动优化客户如何高效均匀地使用这些资源。Volumez 通过在公有云优化自身资源与客户需求之间的区域运营来盈利,帮助客户从性能、成本和简单运维方面优化这些资源的使用效率。
如图表所示,Volumez 为其块存储提供了比 AWS 实例更好的性价比:
它可以从数据科学家的笔记本电脑上设置 AWS 或 Azure 数据基础设施,将 Volumez 作为 PyTorch 库导入并自动计算存储基础设施需求。
Volumez 表示,MLPerf Storage 基准测试显示其基础设施表现良好。
Blumenthal 表示,AI 工作负载需要在可承受的成本下平衡高容量、高带宽和高性能,他声称 Volumez 可以做到这一点。他表示这提高了 GPU 利用率 - 减少了数据等待时间 - 从而提升了基础设施的训练和推理效率。
好文章,需要你的鼓励
Mayo 诊所采用创新的反向 RAG 技术来解决 AI 模型在医疗领域出现幻觉的问题。该技术将 AI 生成的每个数据点都链接回原始数据源,有效消除了非诊断场景中的数据检索幻觉。这使 Mayo 诊所能够在临床实践中更广泛地应用 AI 模型,大大提高了工作效率,同时确保了信息的准确性和可信度。
微软公司据报道已开发出一系列大型语言模型,可与 OpenAI 和 Anthropic 的算法相媲美。这个名为 MAI 的 LLM 系列可能使用了微软内部开发的 AI 芯片 Maia 100。测试结果显示,MAI 在性能上具有竞争力,可能用于支持微软的 Copilot AI 助手系列。此举或将减少微软对 OpenAI 的依赖,同时公司也在开发专注于推理任务的第二个 LLM 系列。
中国初创公司Monica推出的Manus AI系统声称是目前最先进的自主AI之一,能够独立完成复杂任务而无需人工指令。它采用多个专业子代理协作,可异步运行并自动通知结果。Manus的出现挑战了美国在AI领域的领先地位,但也引发了对就业和监管的担忧。尽管存在一些初期问题,Manus仍引起广泛关注,预示着AI发展的新方向。