🗾ITmedia AI+ (日本)•最新收集於 51m
NTT Docomo Business 推出基於 IOWN 的分散式 GPU 環境
💡高速分散式 GPU 網路可能會重新定義企業擴展大型 AI 模型訓練的方式。
⚡ 30-Second TL;DR
有什麼變化
整合全國八個據點的分散式 GPU 資源
為什麼重要
這使企業能夠構建大規模 AI 模型，而無需受限於本地數據中心的電力或硬體可用性。
下一步行動
如果您的分散式訓練任務受到網路延遲的限制，請評估 IOWN APN 的連接能力。
誰應關注：Enterprise & Security Teams
關鍵要點
- •整合全國八個據點的分散式 GPU 資源
- •利用 IOWN APN 實現高速數據傳輸（25GB 僅需 2 秒）
- •解決 AI 基礎設施的電力限制與數據主權問題
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •該環境採用了 NTT 的 IOWN（Innovative Optical and Wireless Network）架構中的全光網路（APN），實現了端到端的光傳輸，大幅降低了數據傳輸延遲與功耗。
- •此分散式 GPU 基礎設施特別針對生成式 AI 的訓練與推論需求進行優化，旨在解決單一資料中心電力供應不足的瓶頸。
- •NTT Docomo Business 透過此計畫推動「分散式運算」模式，允許企業在不需大規模擴建自有資料中心的情況下，靈活調度全國性的運算資源。
- •該技術整合了光電融合技術（Photonics-Electronics Convergence），在傳輸層面實現了極高的能源效率，相較於傳統電子傳輸技術，能耗顯著降低。
- •此試驗環境不僅限於單一企業使用，NTT 規劃將其作為一種雲端服務（GPU-as-a-Service），支援跨地域的協同運算與數據主權保護。
📊 競品分析▸ Show
| 競爭對手 | 核心技術/特色 | 資源分配方式 | 能源效率策略 |
|---|---|---|---|
| NTT Docomo (IOWN) | 全光網路 (APN) | 分散式全國節點整合 | 光電融合技術 (低功耗) |
| AWS (Elastic Fabric Adapter) | 高速互連技術 | 雲端集中式/邊緣運算 | 傳統資料中心節能優化 |
| Google Cloud (TPU Pods) | 專用 TPU 互連 | 集中式叢集運算 | 綠色能源採購與冷卻技術 |
🛠️ 技術深入
- 採用 IOWN APN (All-Photonics Network) 技術，實現波長路徑的動態配置，確保 GPU 叢集間的低延遲通訊。
- 整合光電融合技術 (Photonics-Electronics Convergence)，將光傳輸模組直接整合至運算板卡，減少電光轉換過程中的能量損耗。
- 支援 RDMA (Remote Direct Memory Access) over Converged Ethernet，實現跨節點 GPU 記憶體直接存取。
- 採用分散式排程器，根據各節點的即時電力負載與網路狀態，動態分配 AI 工作負載。
🔮 前景展望AI analysis grounded in cited sources
分散式 GPU 運算將成為大型企業 AI 基礎設施的主流架構。
隨著單一資料中心電力容量達到極限，跨地域整合閒置運算資源將成為擴展 AI 算力的唯一可行路徑。
光傳輸技術將取代傳統電傳輸，成為 AI 資料中心互連的標準。
IOWN 架構展現的低延遲與高能效特性，將迫使雲端服務供應商加速導入光電融合技術以降低營運成本。
⏳ 時間線
2022-03
NTT 成立 IOWN Global Forum，確立全光網路架構標準。
2023-05
NTT Docomo 開始進行 IOWN APN 的商用化測試。
2024-11
NTT 發表光電融合技術的最新進展，提升運算能效。
2026-06
NTT Docomo Business 正式推出基於 IOWN 的分散式 GPU 試驗環境。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ITmedia AI+ (日本) ↗