NTT Global Data Centers: Τα οπτικά δίκτυα γίνονται κεντρικός πυλώνας της υποδομής AI
Στέλεχος της NTT Global Data Centers εξηγεί στο RCR Wireless News πώς η κίνηση της τεχνητής νοημοσύνης αλλάζει τον ρόλο των οπτικών δικτύων εντός και μεταξύ των data centers — και γιατί τα ταχύτερα οπτικά μόνα τους δεν αρκούν.
Η άνοδος των φορτίων εργασίας τεχνητής νοημοσύνης μεταβάλλει ριζικά τον ρόλο των οπτικών δικτύων, τόσο στο εσωτερικό των κέντρων δεδομένων όσο και στη διασύνδεση μεταξύ τους. Σύμφωνα με τον Bruno Berti, Senior Vice President global product management της NTT Global Data Centers, τα ταχύτερα οπτικά, η μεγαλύτερη πυκνότητα ινών και η στενότερη ενσωμάτωση μεταξύ δικτύωσης και φυσικής υποδομής αποκτούν ολοένα και μεγαλύτερη σημασία. Τα παραπάνω ανέφερε ο Berti σε δηλώσεις του στο RCR Wireless News.
Γιατί η κίνηση AI διαφέρει από την παραδοσιακή cloud
Όπως εξήγησε ο Berti, η παραδοσιακή cloud κίνηση είναι σχετικά προβλέψιμη: η ροή δεδομένων γίνεται μεταξύ χρηστών και εφαρμογών, με μέτρια ευαισθησία στην καθυστέρηση και σταθερή αύξηση του εύρους ζώνης. Τα φορτία AI λειτουργούν διαφορετικά. Η εκπαίδευση και η μεγάλης κλίμακας εξαγωγή συμπερασμάτων (inference) παράγουν τεράστιους όγκους κίνησης στο εσωτερικό των data centers, καθώς οι GPU επικοινωνούν μεταξύ τους. «Σε ορισμένες περιπτώσεις, τα microseconds έχουν σημασία», σημείωσε.
Αυτό αυξάνει τις απαιτήσεις που τίθενται στα δίκτυα, τα οποία —σύμφωνα με τον Berti— πρέπει να γίνουν «πιο επίπεδα (flatter), πιο ντετερμινιστικά και πολύ πιο ανθεκτικά». Επεσήμανε τα υψηλότερης χωρητικότητας fabrics και τις προηγμένες οπτικές διασυνδέσεις ως μέρος αυτής της μετατόπισης, μαζί με τη στενότερη ενσωμάτωση υπολογιστικής ισχύος, αποθήκευσης και δικτύωσης.
Το πρόβλημα δεν είναι μόνο δικτυακό
Από την οπτική του κέντρου δεδομένων, ο Berti τόνισε ότι η πρόκληση εκτείνεται πέρα από τη δικτύωση. Η πυκνότητα ισχύος, η ψύξη, η πυκνότητα και η δρομολόγηση των ινών, η αρχιτεκτονική του campus και η συνδεσιμότητα με οικοσυστήματα edge και cloud πρέπει να λειτουργούν αρμονικά μεταξύ τους.
Τα ταχύτερα οπτικά δεν καταργούν την ανάγκη για νέα ίνα
Τα ταχύτερα οπτικά μπορούν να παρατείνουν τη ζωή της υπάρχουσας ίνας, ιδίως σε επίπεδο data center και metro, ωστόσο —όπως υπογράμμισε ο Berti— η οπτική τεχνολογία από μόνη της δεν θα εξαλείψει την ανάγκη για επιπλέον ίνα καθώς κλιμακώνεται η κίνηση AI. Αναφέρθηκε ειδικά στις σύγχρονες τεχνολογίες υψηλής ταχύτητας, όπως 400G, 800G και 1.6T.
«Τα ταχύτερα οπτικά επεκτείνουν σημαντικά τη ζωή της υπάρχουσας ίνας, ειδικά σε επίπεδο data center και metro. Αλλά καθώς η κίνηση AI κλιμακώνεται, τα οπτικά από μόνα τους δεν θα εξαλείψουν την ανάγκη για νέα ίνα — το κερδοφόρο μοντέλο είναι εξυπνότερα οπτικά συν στοχευμένη, μελετημένη επέκταση ινών», ανέφερε.
Ο σχεδιασμός του δικτύου πρέπει να συμβαδίζει με την υπολογιστική ισχύ
Κατά τον Berti, η δικτυακή υποδομή σε μεγάλο βαθμό ακολουθεί τον ρυθμό επέκτασης της υπολογιστικής ισχύος, αλλά αυτό εξαρτάται από συνειδητό σχεδιασμό και κλιμάκωση παράλληλα με το compute. Σε περιβάλλοντα AI, τα ταχύτερα οπτικά, οι πιο επίπεδες αρχιτεκτονικές και η στενότερη ενσωμάτωση εντός των data centers βοηθούν τα δίκτυα να παραμείνουν στον ρυθμό.
Πρόσθεσε ότι προβλήματα δικτύου μπορούν να προκύψουν όταν ο σχεδιασμός του δικτύου υστερεί έναντι του σχεδιασμού της υπολογιστικής ισχύος, ιδίως επειδή τα φορτία AI είναι ευαίσθητα στην καθυστέρηση, στο εύρος ζώνης και στην απώλεια πακέτων εντός των GPU clusters και μεταξύ διασυνδεδεμένων εγκαταστάσεων.
«Αυτό που βλέπουμε είναι μια μετάβαση από την αντιμετώπιση των δικτύων ως "υδραυλικών" στην αντιμετώπισή τους ως κεντρικής υποδομής AI. Όταν υπολογιστική ισχύς, δικτύωση, ενέργεια, ψύξη και φυσική διάταξη σχεδιάζονται μαζί, η κλιμάκωση λειτουργεί. Όταν δεν συμβαίνει αυτό, εμφανίζονται σημεία συμφόρησης», ανέφερε το στέλεχος.
Από την εκπαίδευση στο inference και στο agentic AI
Ο Berti εκτίμησε ότι οι απαιτήσεις των δικτύων θα συνεχίσουν να εξελίσσονται καθώς τα φορτία μετατοπίζονται από την εκπαίδευση AI προς την εξαγωγή συμπερασμάτων και καθώς το agentic AI αναλαμβάνει μεγαλύτερο μερίδιο των υποδομικών απαιτήσεων.
Η αρχιτεκτονική εξελίσσεται προς πιο επίπεδα fabrics υψηλού εύρους ζώνης στο εσωτερικό των data centers. Όπως εξήγησε, η μεγάλης κλίμακας εκπαίδευση AI βασίζεται στη διαρκή, συγχρονισμένη επικοινωνία μεταξύ GPU, δημιουργώντας τεράστια «east-west» κίνηση και ευνοώντας αρχιτεκτονικές που ελαχιστοποιούν τα hops, μειώνουν την καθυστέρηση και προσφέρουν εξαιρετικά προβλέψιμη απόδοση.
Η οπτική δικτύωση αποκτά μεγαλύτερο ρόλο βαθύτερα εντός των εγκαταστάσεων AI και στο σύνολο των campus. Τα ταχύτερα οπτικά, σημείωσε ο Berti, βοηθούν στη μεταφορά δεδομένων μεταξύ clusters και data centers, διατηρώντας υπό έλεγχο την καθυστέρηση και την κατανάλωση ενέργειας.
Φωτονική και IOWN για το μέλλον
Κοιτάζοντας μακρύτερα, ο Berti ανέφερε ότι αναδυόμενες φωτονικές προσεγγίσεις, όπως πρωτοβουλίες τύπου IOWN, δείχνουν ένα μέλλον όπου οι οπτικές τεχνολογίες θα διαδραματίζουν ακόμη βαθύτερο ρόλο στη μείωση της καθυστέρησης και στη βελτίωση της ενεργειακής απόδοσης σε περιβάλλοντα AI μεγάλης κλίμακας. «Πρόκειται για καινοτομίες πιο μακροπρόθεσμου ορίζοντα, αλλά αντανακλούν την κατεύθυνση προς την οποία κινείται ο κλάδος καθώς η κίνηση AI συνεχίζει να κλιμακώνεται», είπε.
Στενότερη ενοποίηση με τη φυσική υποδομή και ανάγκη για modularity
Ο σχεδιασμός του δικτύου συνδέεται όλο και πιο στενά με το φυσικό περιβάλλον του data center. Η πυκνότητα ισχύος, η στρατηγική ψύξης, η διάταξη των rack και η δρομολόγηση των ινών πρέπει να σχεδιάζονται από κοινού, ενώ αφιερώνεται περισσότερος χώρος για την είσοδο πρόσθετων ινών και καναλιών (conduits) στα κέντρα δεδομένων.
Παράλληλα, ο Berti υπογράμμισε ότι η αρθρωτότητα (modularity) και η κλιμακωσιμότητα γίνονται πιο σημαντικές, καθώς οι απαιτήσεις της AI εξελίσσονται με ταχύτητα. Τα δίκτυα, κατέληξε, πρέπει να κλιμακώνονται από εκατοντάδες gigabits σε terabits χωρίς αναστατωτικούς επανασχεδιασμούς.
Πηγή: RCR Wireless News.
Πηγή: RCR Wireless