Auf der SC25 präsentierte WEKA die nächste Generation seiner WEKApod-Appliances. Diese richtet sich an Unternehmen, die KI und High-Performance-Computing skalieren und gleichzeitig Kosten, Energieverbrauch und Platzbedarf im Griff behalten müssen. Die neuen Plattformen WEKApod Prime und WEKApod Nitro sind darauf ausgelegt, der zunehmenden Krise der Infrastruktureffizienz zu begegnen, in der GPU-Investitionen häufig die benötigten Speicher- und Netzwerksysteme übersteigen, um deren volle Auslastung zu gewährleisten.
Das Designziel für diese Generation ist klar: den traditionellen Zielkonflikt zwischen Leistung und Kosten zu beseitigen und gleichzeitig Dichte und Effizienz zu erhöhen, sodass jede Rack-Einheit und jedes Kilowatt mehr nutzbare KI-Kapazität liefert.
Die Krise der Infrastruktureffizienz
Unternehmen und KI-Cloud-Anbieter stehen unter Druck, den Nutzen ihrer rasant wachsenden Investitionen in die KI-Infrastruktur nachzuweisen. Teure GPUs bleiben aufgrund von Speicherengpässen oft ungenutzt, verlängerte Trainingszyklen verzögern die Wertschöpfung, Inferenzkosten schmälern die Margen, und die Cloud-Ausgaben steigen mit zunehmenden Mengen unstrukturierter Daten.
Gleichzeitig stoßen Rechenzentren an ihre Grenzen hinsichtlich Rackplatz, Stromversorgung und Kühlleistung. Die bloße Erweiterung der Hardware ist keine nachhaltige Strategie. Speichersysteme, die eine Wahl zwischen extremer Leistung und überschaubaren Kosten erfordern, sind mit den wirtschaftlichen Anforderungen großflächiger KI-Implementierungen nicht mehr vereinbar. Jeder Knoten in einer KI-Infrastruktur muss zu einer höheren GPU-Auslastung und geringeren Kosten pro trainiertem und bereitgestelltem Modell beitragen.
Die WEKApod-Familie der nächsten Generation wurde entwickelt, um dieses Problem direkt anzugehen. Sie kombiniert dichte, energieeffiziente Hardware mit dem NeuralMesh-Software-Stack von WEKA, um die GPUs auszulasten und die Infrastrukturkosten im Rahmen zu halten.
WEKApod Prime: Gemischte Flash-Ökonomie ohne Leistungseinbußen
WEKApod Prime positioniert sich als primäre Lösung für Unternehmen, die ihre Speicherkosten optimieren möchten, ohne Kompromisse bei der Leistung einzugehen. Es bietet eine laut Berichten 65%ige Verbesserung des Preis-Leistungs-Verhältnisses durch intelligente Datenverteilung auf verschiedene Flash-Speichermedien und optimierte Schreibvorgänge basierend auf den Workload-Charakteristika.
Prime nutzt WEKAs AlloyFlash-Technologie, um verschiedene Laufwerksklassen in einer einzigen Konfiguration zu vereinen. Anstatt eine herkömmliche mehrstufige Cache-Hierarchie mit expliziter Datenverschiebung und den üblichen Schreibverlusten aufzubauen, bietet AlloyFlash eine konsistente Leistung über alle Operationen hinweg. Schreibvorgänge sind so ausgelegt, dass die volle Leistung erhalten bleibt und nicht unter Last gedrosselt wird. Dies ist entscheidend für Trainings-Checkpoints, Protokollierung und andere schreibintensive KI-Workflows.
Aus Sicht des Designs unterstützt der WEKApod Prime bis zu 20 Laufwerke in einem 1U-Server oder 40 Laufwerke in einem 2U-Gehäuse. Dies ermöglicht eine hohe Kapazitäts- und Leistungsdichte auf engstem Raum. WEKA gibt eine 4.6-fach höhere Kapazitätsdichte als die Vorgängergeneration sowie eine 5-fach höhere Schreib-IOPS pro Höheneinheit an. Auch die Energieeffizienz steht im Fokus: Mit einer 4-fach höheren Leistungsdichte von ca. 23,000 IOPS pro kW und rund 1.6 PB pro kW sowie einer Reduzierung des Stromverbrauchs pro Terabyte um 68 Prozent bietet der neue Server eine deutlich höhere Leistung.
Für Betreiber, die moderne KI-Cluster entwickeln, bedeutet dies eine Speicherschicht, die mit dem GPU-Durchsatz mithalten kann und gleichzeitig die bestehenden Leistungs- und Platzvorgaben erfüllt. Bei schreibintensiven Aufgaben wie Modelltraining, Checkpointing und Datenvorverarbeitung wird das Speichersystem seltener zum limitierenden Faktor, sodass die Beschleuniger weniger stark beansprucht werden.
Vorreiter wie das Danish Centre for AI Innovation (DCAI) nutzen WEKApod Prime, um – nach eigenen Angaben – Durchsatz und Effizienz auf Hyperscaler-Niveau bei kompakter Fläche zu erreichen. DCAI hebt die Möglichkeit hervor, die KI-Kapazität pro Kilowatt und Quadratmeter zu steigern, was direkt zur Wirtschaftlichkeit der Infrastruktur und zu einer schnelleren KI-Implementierung für Kunden beiträgt.
WEKApod Nitro: Leistungsdichte für KI-Fabriken
Während Prime den Fokus auf Preis-Leistung und Kapazitätseffizienz legt, WEKApod Nitro Nitro wurde für KI-Fabriken mit Hunderten oder Tausenden von GPUs entwickelt, die maximale Leistungsdichte benötigen. Es basiert auf aktualisierter Hardware, die im Vergleich zur Vorgängergeneration etwa die doppelte Leistung und ein um 60 % besseres Preis-Leistungs-Verhältnis bietet.
Die Nitro-Konfigurationen umfassen die NVIDIA ConnectX-8 SuperNIC, die einen Netzwerkdurchsatz von 800 Gbit/s in einem 1U-Gehäuse mit 20 TLC-SSDs bietet. Dieses Design mit hoher Bandbreite ist für Umgebungen konzipiert, in denen Netzwerk und Speicher die Skalierbarkeit von GPU-Clustern unterstützen müssen, um Engpässe bei umfangreichem Training und Inferenz mit hohem Durchsatz zu vermeiden.
Sowohl Prime als auch Nitro sind als schlüsselfertige, NVIDIA DGX SuperPOD- und NVIDIA Cloud Partner (NCP)-zertifizierte Appliances verfügbar. Für technische Vertriebsteams und Lösungsarchitekten ist dies von großer Bedeutung, da sich dadurch die Bereitstellungszeiten deutlich verkürzen lassen. Anstatt Wochen mit Integration, Optimierung und Validierung zu verbringen, können Kunden WEKApod als vorvalidierte Komponente in DGX-basierten und NCP-konformen Architekturen einsetzen. Dies reduziert die Produktionszeit und beschleunigt die Umsatzgenerierung für neue KI-Dienste.
NVIDIA positioniert seine Spectrum-X Ethernet- und ConnectX-8-Netzwerktechnologien als Kernbestandteil der WEKApod-Architektur. Aus Sicht des Systemdesigns unterstreicht dies den Fokus auf die Beseitigung von Datenengpässen zwischen Speicher-, Fabric- und GPU-Knoten, um die Gesamtleistung der KI zu optimieren.
NeuralMesh und softwaredefinierte Flexibilität
Die Hardwareplattform von WEKApod basiert auf NeuralMesh, dem laut WEKA ersten Speichersystem, das speziell für die Beschleunigung von KI im großen Maßstab entwickelt wurde. NeuralMesh stellt die softwaredefinierte Speicherschicht sowie die in modernen Umgebungen erwarteten Enterprise-Funktionen bereit.
WEKApod-Appliances stellen NeuralMesh-Funktionen durch sofort einsatzbereite, vorvalidierte Konfigurationen und ein optimiertes Setup-Tool bereit. Sie sind so konzipiert, dass sie eine einfache Plug-and-Play-Lösung anstelle eines komplexen Integrationsprojekts bieten. Unternehmen können mit nur acht Servern beginnen und bei steigendem Bedarf auf Hunderte skalieren, ohne die Speicherumgebung neu strukturieren zu müssen.
NeuralMesh umfasst zentrale Unternehmensfunktionen wie verteilten Datenschutz, sofortige Snapshots, Multiprotokollzugriff, automatisiertes Tiering, Verschlüsselung und Hybrid-Cloud-Unterstützung. Dadurch gehen KI-optimierte Leistung und Dichte nicht zulasten der Datenstabilität, der Governance oder der operativen Flexibilität.
Durch die Kombination dieser Softwarefunktionen mit hochdichter Hardware will WEKApod nicht nur als leistungsstarker Datei- oder Objektspeicher dienen, sondern auch als grundlegende Datenplattform für KI-Fabriken und groß angelegte Objektspeicher- und KI-Data-Lake-Implementierungen.
Berücksichtigung der Geschäftsergebnisse für verschiedene Kundensegmente
Die geschäftlichen Auswirkungen der WEKApod-Familie der nächsten Generation werden für jede Zielgruppe unterschiedlich dargestellt, im Mittelpunkt stehen jedoch ein besserer ROI der Infrastruktur und eine höhere Auslastung der bestehenden Investitionen.
Für KI-Cloud-Anbieter und aufstrebende Neoclouds soll die 65%ige Verbesserung des Preis-Leistungs-Verhältnisses direkt zu höheren Margen bei GPU-as-a-Service-Angeboten führen. Die Möglichkeit, mehr Kunden auf derselben Infrastruktur zu unterstützen und gleichzeitig die Leistungs-SLAs einzuhalten, verbessert die Rentabilität und optimiert die Kapazitätsplanung. Die schlüsselfertige Implementierung von WEKApod verkürzt zudem die Einarbeitungszeit für Neukunden und ermöglicht so eine schnellere Umsatzgenerierung.
Für Unternehmen, die interne KI-Fabriken betreiben, bietet WEKApod eine Lösung, um die Bereitstellungszyklen von Monaten auf Tage zu verkürzen. Dank schlüsselfertiger Integration, Vorvalidierung und Enterprise-Funktionen können IT-Teams Speicherlösungen für KI-Workloads bereitstellen, ohne tiefgreifende Fachkenntnisse in parallelen Dateisystemen oder Leistungsoptimierung zu benötigen. Gleichzeitig können höhere Dichte und Effizienz den Stromverbrauch pro Terabyte um bis zu 68 % senken und eine proportionale Skalierung der Rechenzentrumsinfrastruktur bei wachsenden KI-Funktionen vermeiden.
Für KI-Entwickler und -Forscher liegt der entscheidende Vorteil in der höheren GPU-Auslastung und den kürzeren Trainingszyklen. Das Design von WEKApod zielt darauf ab, GPU-Auslastungsraten von über 90 Prozent zu unterstützen, indem sichergestellt wird, dass Speicherschicht und Netzwerk keine Engpässe darstellen. Schnelleres Modelltraining und reduzierte Iterationszeiten bieten einen Wettbewerbsvorteil in Umgebungen, in denen die Geschwindigkeit von Experimenten den Geschäftserfolg bestimmt. Geringere Inferenzkosten, unterstützt durch effiziente Speicherung und Vernetzung, können zudem neue KI-Anwendungen wirtschaftlich rentabel machen, die andernfalls in großem Umfang zu kostspielig wären.
Ajay Singh, Chief Product Officer bei WEKA, bezeichnet diese Aktualisierungen als entscheidend für den Erfolg von KI-Investitionen. Seiner Ansicht nach bietet WEKApod Prime ein deutlich besseres Preis-Leistungs-Verhältnis ohne Einbußen beim Durchsatz, während WEKApod Nitro die Leistungsdichte erhöht und so die GPUs besser ausnutzt. Insgesamt ermöglicht dies eine schnellere Modellentwicklung, einen höheren Inferenzdurchsatz und einen verbesserten ROI der Recheninfrastruktur.
Die neuen WEKApod Prime- und Nitro-Systeme positionieren WEKA fest im Markt für KI- und HPC-Speicherlösungen und zielen auf die Schnittstelle von hoher Leistung, Speicherdichte und Effizienz ab. Prime überwindet die traditionelle Verbindung zwischen Leistung und Kosten durch intelligentes Mixed-Flash-Management und AlloyFlash. Nitro hingegen richtet sich mit seinen leistungsstarken Netzwerken und kompakten Formfaktoren an KI-Systeme mit hohem GPU-Anteil.
Zusammen mit der NeuralMesh-Software-Suite und sofort einsatzbereiten, NVIDIA-zertifizierten Konfigurationen zielt WEKApod darauf ab, sowohl technische als auch geschäftliche Herausforderungen zu lösen: die GPU-Auslastung zu optimieren, den Stromverbrauch und die Platznutzung im Rechenzentrum zu verwalten und die Markteinführungszeit KI-gestützter Dienste zu verkürzen. Für technische Vertriebsteams und Lösungsarchitekten liegt der Nutzen in höherer Auslastung, besseren Margen und schnellerer Bereitstellung, unterstützt durch messbare Verbesserungen bei Dichte, Effizienz und Preis-Leistungs-Verhältnis.
Amazon