Dell berpendapat bahwa arsitektur penyimpanan AI ruang nama tunggal bertentangan dengan realitas gravitasi data terdistribusi perusahaan, memaksa GPU untuk menunda menunggu data karena keterbatasan arsitektur yang tidak teratasi.
Pada intinya terletak pada pilihan mendasar: apakah data harus pergi ke platform komputasi, atau apakah platform harus pergi ke tempat data berada?membuat kasus untuk platform data AI federasi atas tumpukan penyimpanan terintegrasi terpusat di tiga posting blog.
Dalam posting pertamanya, Hyde berpendapat dataset besar membawa gravitasi data yang melekat yang mengunci mereka di lokasi aslinya √ pusat data inti, situs tepi, wilayah kepatuhan berdaulat, lingkungan SaaS,gudang dataDisebut aturan paling sederhana dari AI perusahaan, tesisnya menyatakan data tinggal di mana itu mendarat, dan sebagian besar tidak akan pernah dipindahkan.
Banyak gesekan TI perusahaan menghalangi arsitektur data terpadu yang bersih: peraturan dan aturan kedaulatan, penguncian aplikasi, kepemilikan data yang bersaing, hambatan kontraktual dan biaya,Fragmentasi data M&A, arsip yang terkunci kepatuhan, data yang tidak terkatalog, dan silo organisasi internal.
Dia mengkategorikan data menjadi tiga bentuk yang berbeda:
- Data mentah (berat): File, catatan, citra, video, telemetri, tabel yang diatur.
- Metadata (lapisan deskriptif): Tag, garis keturunan, skema, klasifikasi, penanda kepemilikan. Ringan dan murah untuk direplikasi, memungkinkan visibilitas AI ke semua aset tanpa pergerakan data fisik.
- Vektor (representasi semantik): Embeddings matematika yang dihasilkan oleh AI, sadar lokasi dan selaras dengan GPU. Mereka mentransmisikan makna kontekstual di seluruh lingkungan tanpa mengangkut data mentah yang mendasarinya.
Hyde mencatat AI tidak memerlukan pergerakan data mentah hanya metadata dan vektor yang dapat diakses.sementara indeks vektor kekuatan lintas lingkungan penalaran semantikVektor memiliki sensitivitas lokasi dan kedekatan GPU:baik data mentah bermigrasi ke titik akhir vektorisasi, atau data tertanam secara lokal sebelum vektor bergeser ke infrastruktur yang berdekatan dengan GPU.
Data perusahaan yang didistribusikan secara inheren membagi desain lapisan data AI menjadi dua filosofi yang bertentangan:
- Storage-integrated stacks (dicontohkan oleh VAST AI OS): Dibangun di sekitar sentralisasi dataset besar dalam ruang nama terpadu yang dikendalikan vendor,menghubungkan layanan AI tertanam dengan erat untuk operasi yang efisienModel ini mengasumsikan data akan bermigrasi ke platform untuk membenarkan konsolidasi, dan bekerja dengan baik untuk penyebaran AI hijau.
- Platform data AI Federated (kerangka kerja Dell): Dirancang berdasarkan premis bahwa data perusahaan tetap didistribusikan secara permanen, yang mengharuskan platform beroperasi di samping lokasi asli data.Dell's AI Data Platform menggabungkan PowerScale dan ObjectScale dengan pesawat kontrol federasi untuk mengakses dan memproses data di seluruh sistem file, penyimpanan objek, gudang, alat SaaS dan awan publik tidak ada salinan data terpusat yang wajib.mengatur ketiga secara konsisten, dan memanfaatkan metadata ringan dan vektor untuk memberikan nilai sementara data mentah berat tetap ada.
Blog kedua Hyde mengkritik arsitektur penyimpanan terintegrasi seperti VAST AI OS karena mengabaikan realitas data perusahaan terdistribusi.semua pemrosesan AI berjalan secara eksklusif pada data yang dimasukkan ke dalam ruang nama milik mereka, membuat data eksternal tidak terlihat oleh platform. Vendor menyediakan alat migrasi, konsolidasi pasar sebagai penyederhana operasional,dan UI terpadu yang menutupi fragmentasi lanskap data dunia nyata selama demo.
Arsitektur mengelompokkan data mentah, metadata dan vektor ke dalam kategori monolitik tunggal default untuk mandat yang cacat dari migrasi data massal.Kerangka kerja yang membedakan tiga lapisan meninggalkan data berat diatur diatur secara lokal, mereplikasi metadata di seluruh perusahaan, dan menggunakan vektor untuk penalaran AI lintas lingkungan.menjadi tidak efektif setelah metadata dan vektor diakui sebagai komponen inti independen.
Arsitektur federasi Dell beroperasi pada tiga prinsip inti:
- Data mentah tetap berada di lokasi aslinya di bawah tim governance yang ada
- Metadata direplikasi secara global, memberikan semua beban kerja AI visibilitas aset lintas lokasi penuh
- Vektor membawa konteks semantik di seluruh lingkungan, memungkinkan penalaran AI tanpa relokasi data mentah
Pos ketiga Hyde membuktikan desain federasi Dell lebih baik daripada tumpukan penyimpanan terintegrasi VAST dalam memberi makan data ke GPU.Dell merilis tes side-by-side Oktober 2025 pada beban kerja offloading cache vektor KV menggunakan model Qwen3-32B, berdasarkan benchmark internal Dell dan pengungkapan publik VAST:
- PowerScale: 0.82s Waktu ke Token Pertama (TTFT)
- ObjectScale: 0.86s TTFT
- VAST: 1,5s TTFT
- VLLM garis dasar tanpa pengisian cache KV: 11,8s TTFT
He states architectures built around GPU delivery—treating raw data as gravity-bound and portable semantic vectors as the transportable layer—amplify Dell’s performance edge with every inference request. Desain yang bergantung pada mengonsumsi data mentah ke dalam ruang nama milik menderita keterlambatan inheren struktural.
Hyde mengakui VAST telah menerbitkan hasil pengisian cache KV yang diperbarui,terutama Desember 2025 patokan dengan Nvidia Dynamo dan CoreWeave mengutip ~ 20x lebih cepat TTFT vs recompute dan 90% efisiensi GPU yang lebih tinggiNamun, tes ini menggunakan beban kerja dan garis dasar yang berbeda, tanpa Qwen3-32B yang cocok mengalahkan angka VAST TTFT 1.5s yang diterbitkan.
Ia mendesak perusahaan yang memilih arsitektur data yang ditargetkan GPU untuk mengajukan pertanyaan penting: Apa penggunaan GPU akan platform ini memberikan pada beban kerja inferensi yang realistis dengan KV cache offloading,terhadap kumpulan data campuran termasuk diatur, sumber-sumber yang berdaulat dan aplikasi-dikunci?
Pertanyaan ini memaksa vendor untuk mengatasi kompromi struktural mendasar, menjelaskan keterbatasan kinerja ketika data tidak dapat ditelan ke ruang nama mereka, menerbitkan TTFT reproduksi,metrik token per detik dan cache hit rate pada model open source modern dengan metodologi lengkap, dan jujur menjawab masalah keuangan penting: berapa banyak waktu kosong GPU arsitektur ini menciptakan?
Komentar
Set data vektor jauh melebihi ukuran sumber data mentah mereka. Embedding sering kali mengalikan volume sumber asli 3 ¢ 20x atau lebih per catatan, bervariasi dengan ukuran bagian teks,menyematkan dimensi dan format penyimpanan. Kumpulan data sumber dibagi menjadi potongan-potongan diskrit (paragraf, jendela token tetap) yang tertanam sebelumnya untuk akurasi pengambilan yang superior.Teks mentah 5KB, dengan vektor yang sesuai sering 3 ∼ 10x lebih besar.
Pertanyaan kunci yang belum terpecahkan: Di mana vektorisasi terjadi, dan apakah set data vektor yang terlalu besar ditransfer jika dihasilkan jauh dari GPU?Tim baik memindahkan data mentah untuk menyematkan infrastruktur atau memindahkan set vektor penuh untuk AI komputasiKami telah menandai kontradiksi ini ke Jon Hyde untuk klarifikasi lebih lanjut.
Beijing Qianxing Jietong Technology Co., Ltd.
Sandy Yang/Direktur Strategi Global
WhatsApp / WeChat: +86 13426366826
Email: yangyd@qianxingdata.com
Situs web: www.qianxingdata.com/www.storagesserver.com
Fokus Bisnis:
Distribusi Produk ICT/Integrasi Sistem & Layanan/Solusi Infrastruktur
Dengan 20+ tahun pengalaman distribusi TI, kami bermitra dengan merek global terkemuka untuk memberikan produk yang dapat diandalkan dan layanan profesional.
¢Menggunakan Teknologi untuk Membangun Dunia yang Cerdas ¢Penyedia Layanan Produk ICT yang Anda Percayai!
Pesan Anda harus antara 20-3.000 karakter!
Indonesian
