debunking 关于 AI、ML 和数据存储以实现有效运作的四大迷思

Panasas 的软件架构师兼 MLCommons 存储工作组联合主席 Curtis Anderson 最近阐明了数据存储在人工智能和机器学习（AI/ML）中的重要性。他强调，正确的存储基础设施对于 AI/ML 应用的有效运作至关重要。 

AI/ML 日益增长的影响力

AI/ML 的核心在于模式识别。它可以彻底改变业务流程、企业成果和人们的生活。IDC 预测，全球 AI 市场（包括软件、硬件和服务）到 2026 年将达到 9000 亿美元，2022 年至 2026 年的复合年增长率（CAGR）为 18.6%。 

随着 AI/ML 采用的增加，IT 团队必须专注于构建和管理能够支持这些能力并为未来增长提供扩展的基础设施。在这个过程中，一个经常被低估和误解的组件是这些新兴应用所需的数据存储基础设施。

打破四个常见的 AI/ML 存储迷思

迷思 1：AI/ML 仅关乎 GPU

虽然具有高计算能力的 GPU 在使 AI/ML 应用和神经网络成为现实方面发挥了重要作用，但它们并非唯一的關鍵组件。存储和网络对于确保加速器的数据可用性同样重要。存储和网络基础设施的选择应与 GPU 一样经过仔细考虑。 

迷思 2：AI/ML 需要高 IOPs 全闪存存储

与普遍看法相反，AI/ML 存储不仅仅是关于速度。高 IOPs 全闪存存储系统并不总是最佳选择。加速器和 AI/ML 应用的性能各不相同，在某些情况下，混合系统可能像全 NVMe 解决方案一样有效，但成本更低。独立的基准测试如 MLPerf 可以指导 IT 团队在计算加速器、AI/ML 工作负载和存储选项之间找到最佳平衡。

迷思 3：存储分层将降低 AI/ML 成本

虽然分层存储是优化存储资源并最小化成本的常见策略，但它不适用于 AI/ML 应用。在 AI/ML 中，所有训练数据在每次训练运行中都会使用，使所有数据都成为“热”数据。因此，AI/ML 存储解决方案必须确保所有数据始终可用。此外，AI/ML 工作负载的准确性随着训练数据量的增加而提高，这需要存储基础设施能够随着数据量的增长线性扩展。

迷思 4：AI/ML 可以利用专用的单次使用存储系统

当应用于组织的核心数据时，AI/ML 最有价值。对于许多企业来说，AI/ML 已经超越了实验性副项目的阶段，成为其运营不可或缺的一部分。因此，这些应用必须整合到组织的核心 IT 基础设施和存储解决方案中。

预计 AI/ML 创新将推动企业 across 的重大转型，影响组织的几乎各个方面。根据 Gartner 技术成熟度曲线，像边缘 AI、决策智能和深度学习等技术预计将在未来两到五年内实现主流采用。随着组织踏上 AI/ML 之旅，底层存储基础设施的选择将在最大化这些应用的潜力方面发挥关键作用。