AI-Durchbruch: Überwindung von Speicherengpässen zur Steigerung der Edge-Inferenzleistung

Künstliche Intelligenz verändert die Arbeitsabläufe in Unternehmen - von der medizinischen Diagnostik mit modernster Bildgebung bis hin zu ausgeklügelten Systemen zur Betrugsbekämpfung und Umweltüberwachung - und stellt Unternehmen vor eine wachsende Infrastrukturherausforderung: die begrenzte Datenspeicherung.

Auf der Transform 2025-Konferenz von VentureBeat untersuchten die Branchenführer Greg Matson (Solidigm), Roger Cummings (PEAK:AIO) und Michael Stewart (M12), wie Speicherlösungen der nächsten Generation das Potenzial von KI für Anwendungen im Gesundheitswesen erschließen.

Die Übernahme des MONAI-Frameworks durch die medizinische Gemeinschaft ist ein Beispiel für diese technologische Symbiose. Diese Open-Source-Plattform beschleunigt die Entwicklung medizinischer Bildgebung durch verbesserte Sicherheit und Effizienz. Entscheidend für den Erfolg ist eine fortschrittliche Speicherinfrastruktur, die es Forschern ermöglicht, riesige Datensätze zu verwalten und zu verarbeiten - wie die zwei Millionen Ganzkörper-CT-Scans, die PEAK:AIO und Solidigm auf einem einzigen Speicherknoten ermöglicht haben.

Optimierung des Speichers für KI-Workflows

"Die KI-Infrastruktur erfordert spezielle Speicherlösungen für die gesamte Datenpipeline", erklärt Matson. "SSDs mit hoher Kapazität eignen sich hervorragend für Edge Computing und die Speicherung von Trainingsdaten, während Inferenzoperationen eine extrem hohe Leistung mit außergewöhnlichen E/A-Funktionen erfordern. Diese Spezialisierung verändert unsere Produktentwicklungs- und Softwareintegrationsstrategien, insbesondere für Retrieval-Augmented-Generation-Systeme."

Anforderungen an Edge Computing

Erfolgreiche Edge-KI-Implementierungen erfordern eine Minimierung des Hardware-Footprints bei gleichzeitiger Beseitigung von Speicherbeschränkungen. Durch die Integration von Speicher direkt in die Rechenarchitektur erreichen Unternehmen eine schnellere Verarbeitung, indem sie die Daten physisch näher an den Verarbeitungseinheiten halten.

"Große KI-Implementierungen entwerfen derzeit ganze Rechenzentren um GPU-nahe Speicherarchitekturen herum", so Matson. "Wir bringen jetzt dasselbe Prinzip - Hochgeschwindigkeits-Solid-State-Speicher im Petabyte-Bereich - in Edge-Umgebungen und Unternehmensrechenzentren in kleinerem Maßstab."

Unternehmen, die ihre KI-Investitionen maximieren wollen, verlangen zunehmend nach Solid-State-Lösungen, die eine enorme Speicherkapazität mit kompakten Formfaktoren kombinieren, die sich für verteilte Implementierungen eignen.

Speichertechnologie-Roadmap

"Unsere Aufgabe besteht darin, Lösungen mit offener Architektur und hoher Speichergeschwindigkeit im Petabyte-Maßstab zu liefern", so Cummings. "Die Branche wird weiterhin Speicherinnovationen sehen, die sowohl den technischen Anforderungen als auch den wirtschaftlichen Realitäten entsprechen.

Künftige Hardware muss unterschiedliche Anforderungen über den gesamten KI-Lebenszyklus hinweg erfüllen - von energieeffizienten Lösungen mit ultrahoher Kapazität bis hin zu Speichermodulen, die an die Leistung von Arbeitsspeichern heranreichen.

"Wir bewegen uns auf 1-PB-SSDs zu, die nur wenig Strom verbrauchen und gleichzeitig mehrere herkömmliche Laufwerke ersetzen", prognostizierte Matson. "Die Speicherarchitektur wird zunehmend GPU-Speicher mit hoher Bandbreite ergänzen und eher spezialisierte Lösungen als Allzweckgeräte hervorbringen - ein Trend, der sich im nächsten Jahrzehnt beschleunigen wird."