Kiedy w listopadzie ubiegłego roku opublikowaliśmy artykuł o badaniach nad obrazowaniem planktonu na Oregon State University , nagłówek brzmiał naukowo: infrastruktura przyspieszona przez sztuczną inteligencję na pokładach statków badawczych, przetwarzająca terabajty danych oceanicznych w czasie niemal rzeczywistym, zanim statek w ogóle dopłynął do portu. Ale w kolejnych tygodniach po cichu wydarzyło się coś jeszcze. Wieść rozeszła się po kampusie o tym, co może faktycznie osiągnąć jeden komputer Dell PowerEdge XE7745 z ośmioma dyskami SSD Solidigm D5-P5336 E3.S i kartami graficznymi NVIDIA RTX PRO 6000. Inne wydziały zaczęły zadawać pytania. Potem zaczęły dzwonić. Christopher Sullivan, dyrektor ds. badań i informatyki akademickiej w College of Earth, Ocean, and Atmospheric Sciences na Oregon State University, chce teraz zainstalować w szafie takie serwery, aby sprostać rosnącemu zapotrzebowaniu na sztuczną inteligencję na uniwersytecie, a historia napędzająca te ambicje wykracza daleko poza plankton.
Oregon State University ugruntował swoją pozycję jako jeden z najbardziej nowatorskich uniwersytetów w kraju, wdrażając sztuczną inteligencję zarówno do celów badawczych, jak i akademickich. Decyzje infrastrukturalne podejmowane obecnie na kampusie, a także nawiązywanie partnerstw z firmami takimi jak Metrum AI, Dell, NVIDIA i Solidigm, to nie tylko eksperymenty akademickie. Stanowią one podwaliny pod nowy sposób kształcenia, oceny postępów w nauce i ochrony studentów na uniwersytetach. Oto historia rozwoju tego modelu.
Problem, który pogłębiła sztuczna inteligencja generatywna
Przez dekady prace pisemne były kluczowe w ocenie akademickiej. Złóż pracę, wykaż się zrozumieniem i otrzymaj ocenę. Generatywna sztuczna inteligencja fundamentalnie zmieniła ten system. Teraz student może napisać dopracowany, dobrze ustrukturyzowany esej, nie angażując się zbytnio w materiał, a nawet doświadczeni wykładowcy nie są w stanie wiarygodnie ocenić, czy jest to autentyczna praca. Dowody na autentyczne zrozumienie, na których uniwersytety polegały przez pokolenia, osłabły.
Oczywistą alternatywą jest ocena ustna. Poproś studentów o głośne wyjaśnienie swojego rozumowania, omówienie analizy i obronę wniosków. Trudno to podrobić. Problemem jest skala. Profesor prowadzący zajęcia z 200 studentami nie może usiąść naprzeciwko każdego z nich i przeprowadzić merytorycznego egzaminu ustnego. Na współczesnym uniwersytecie to ograniczenie skutecznie odsunęło ocenę ustną na dalszy plan jako podstawowe narzędzie oceny. Metrum AI został stworzony, aby zmienić to proporcje.
Co zbudowała Metrum AI
Firma Metrum AI , której współzałożycielami są prezes Steen Graham i dyrektor techniczny Chetan Gadgil, powstała w oparciu o proste przekonanie: sztuczna inteligencja powinna wykonywać rzeczywistą pracę operacyjną, a nie tylko demonstrować potencjał. Firma wdraża multimodalnych agentów AI, którzy analizują dane wideo, audio, dokumenty i ustrukturyzowane dane dla klientów z branż od ubezpieczeniowej po przemysłową. Metrum nawiązało bliską współpracę z Dell Technologies, weryfikując swoje platformy pod kątem infrastruktury serwerów korporacyjnych Dell w różnych konfiguracjach GPU. System oceny akademickiej na Oregon State nie jest dla Metrum punktem zwrotnym; to ta sama podstawowa funkcjonalność zastosowana do nowej dziedziny problemowej, z tą samą lokalną filozofią projektowania z uwzględnieniem człowieka, która jest obecna we wszystkim, co tworzy firma.
Zastosowana w ocenie akademickiej platforma przetwarza nagrane prezentacje wideo studentów za pomocą multimodalnej sztucznej inteligencji i zwraca projekty ocen zgodne z kryteriami oceny do wglądu wykładowców. Cel jest konkretny: zapewnić wykładowcom partnera w dziedzinie sztucznej inteligencji, który zajmie się powtarzalną, czasochłonną pracą nad ekstrakcją, aby mogli skupić się na decyzjach, które rzeczywiście wymagają ludzkiej oceny.
Na poziomie funkcjonalnym platforma wykonuje trzy operacje. Wyodrębnia artefakty multimodalne z przesłanych filmów, generuje transkrypty audio ze znacznikami czasu za pomocą OpenAI Whisper i przechwytuje zawartość slajdów za pomocą analizy wizualnej opartej na Qwen3-VL-30B. Następnie stosuje do wyodrębnionej zawartości opracowane przez instruktora rubryki, wykorzystując modele rozumowania Qwen3-30B-A3B, działające na platformie vLLM. Na koniec prezentuje wersje robocze ocen wraz ze wskazówkami dotyczącymi dowodów, łącząc każdą ocenę z konkretnym znacznikiem czasu transkryptu lub identyfikatorem slajdu, co umożliwia kadrze dydaktycznej weryfikację i zatwierdzenie, zanim cokolwiek dotrze do studenta.
Ten ostatni krok jest kluczowy. Żadna ocena, komentarz ani informacja zwrotna nie są widoczne dla studentów, dopóki instruktor ich nie przejrzy, nie wprowadzi niezbędnych modyfikacji i nie wyrazi na nie wyraźnej zgody. System opiera się na autorytecie wykładowców. Ponadto platforma działa w całości lokalnie. Ta decyzja wpływa na wszystkie aspekty funkcjonowania systemu, na to, kto mu ufa i jakiego sprzętu wymaga.
Od projektu pobocznego profesora do mandatu prorektora
Jonathan Kalodimos jest profesorem nadzwyczajnym finansów i stypendystą Harley and Brigitte Smith w College of Business na Oregon State University. Jego doświadczenie nie jest tym, czego można by oczekiwać od osoby, która jest w centrum zainteresowania w dziedzinie infrastruktury sztucznej inteligencji. Zanim dołączył do OSU, był ekonomistą finansowym w Komisji Papierów Wartościowych i Giełd Stanów Zjednoczonych, gdzie pełnił funkcję głównego ekonomisty ds. sekcji 954 ustawy Dodda-Franka, która ustanowiła zasady dotyczące zwrotów wynagrodzeń kadry kierowniczej. Jego badania nad ładem korporacyjnym i regulacjami finansowymi były cytowane w „The Wall Street Journal”, „The New York Times”, „Bloomberg” i „Harvard Business Review”. Okazuje się również, że ma on instynkt fizyka do precyzyjnych pomiarów.
Około rok temu Kalodimos zakodował proste narzędzie dla swoich zajęć MBA: agenta AI do oceny ustnej części prezentacji studium przypadku. Studenci byli pod wrażeniem jakości informacji zwrotnej. Zaprezentował projekt podczas Tygodnia AI na Oregon State. Dell to zauważył, połączył go z Metrum AI, a eksperyment klasowy przerodził się w coś znacznie większego.
„Gdy już masz to narzędzie, możesz udoskonalić swój styl i metody nauczania, aby wykorzystać potencjał narzędzia i zapewnić uczniom lepsze doświadczenia edukacyjne”.
— Jonathan Kalodimos, profesor nadzwyczajny finansów i stypendysta Harley & Brigitte Smith, Oregon State University
Kalodimos dąży do tego, co nazywa ekstrakcją opartą na dowodach, opartą na tym, co określa mianem inżynierii rubryk. Obejmuje to określanie, które cechy można wyodrębnić z prezentacji studenta, agregowanie tych cech w efekty kształcenia oraz dostarczanie wykładowcom ustrukturyzowanego obrazu tego, w jaki sposób każdy student wykazał się zrozumieniem, a w jakich obszarach zawiódł. „Wyjaśniam to sceptycznym studentom” – powiedział – „w ten sposób, że gdybym miał bardzo szczegółową listę kontrolną i przejrzał prezentację, zaznaczając wykonane przez niego czynności, system właśnie to robił. Oczywiście jest to o wiele bardziej zaawansowane, ale pozwala mi to dostrzec wszystkie możliwości, jakie daje studentowi, aby zademonstrował znajomość materiału”.
Podał dwa przykłady ilustrujące, jak system zmienia się w praktyce. W pierwszym student skondensował dziesięciominutową prezentację do pięciu minut, mówił monotonnym głosem i w tempie, jakby angielski był jego drugim językiem. Sposób, w jaki przekazywał materiał, całkowicie utrudniał mu zrozumienie. „Mimo że słuchałem uważnie” – powiedział Kalodimos – „po prostu nie potrafiłem, albo nie chciałem, rozbić tego na tak szczegółowy poziom, aby ominąć element przekazu i skupić się na faktycznych dowodach”. Kiedy później, w piętnastosekundowych odstępach, omawiał wygenerowany przez sztuczną inteligencję podział dowodów, stało się jasne, że student zrozumiał materiał. Oceniono sposób przekazu, a nie wiedzę.
Drugi przypadek dotyczył studenta, który budował prezentację powoli, z pozornie chaotycznymi slajdami, i dopiero na ostatnim slajdzie scalił argumenty. Oglądając prezentację na żywo, Kalodimos miał już wyrobioną złą opinię o niej. System ocenił pracę jako całość i przyznał jej wysoką ocenę. „Nawet nie sądziłem, że będzie to zaletą tego typu oceny” – powiedział. „To odejście od aspektu czasowego w ocenie”.
Christopher Sullivan, Dyrektor ds. Badań i Informatyki Akademickiej, jest odpowiedzialny za infrastrukturę wdrożenia. Jego zaangażowanie wzrosło, gdy w pierwotnym projekcie Metrum i Dell pojawiła się krytyczna luka w zgodności.
FERPA, suwerenność danych i dlaczego chmura nie jest rozwiązaniem
Kiedy Sullivan zabrał się za wdrożenie platformy Metrum na miejscu w OSU, pierwszą rzeczą, jaką dostrzegł, był problem, którego nikt do końca nie rozwiązał: ustawa o prawach edukacyjnych rodziny i prywatności (FERPA).
FERPA to federalna ustawa regulująca dokumentację edukacyjną uczniów. Ustanawia ona surowe wymagania dotyczące tego, kto może uzyskać dostęp do danych uczniów, na jakich warunkach i jak należy je chronić. W przypadku systemu takiego jak Metrum, który przetwarza nagrania wideo uczniów, generuje transkrypcje, tworzy oceny i przechowuje pełną historię wszystkich decyzji dotyczących oceniania, zgodność z FERPA nie jest kwestią wyboru, lecz ograniczeniem architektonicznym.
„Musieliśmy mieć możliwość wdrożenia na miejscu rozwiązania, które spełniałoby wszystkie moje wymogi FERPA” – powiedział Sullivan – „ale jednocześnie dysponowało dużą ilością miejsca na dysku”. Przetwarzanie w chmurze nie było zgodne z tym wymogiem. Przesyłanie plików wideo studentów, transkrypcji audio i zapisów ocen przez zewnętrzne interfejsy API oparte na sztucznej inteligencji oznaczałoby przesyłanie danych osobowych studentów do systemów zewnętrznych, pozostających poza bezpośrednią kontrolą uczelni. Złożoność umowna i techniczna związana z utrzymaniem zgodności z FERPA w tym środowisku, u każdego dostawcy w łańcuchu dostaw, uniemożliwiła realizację tego celu.
Istnieje również praktyczny wymiar doświadczenia studenckiego. Studenci przesyłający nagrane prezentacje oferują coś osobistego: swój głos, swoją twarz, swoje rozumowanie pod presją, czasami w języku obcym. Kiedy zdają sobie sprawę, że ich wideo jest przechowywane na serwerze OSU, przetwarzane przez model działający na sprzęcie OSU i podlegające własnym zasadom dotyczącym danych, dynamika ulega zmianie. Kalodimos widział to na własne oczy podczas pilotażu. „Pomysł, że to lokalny model z lokalną pamięcią masową i że OSU wspiera studentów” – powiedział – „był namacalny. Naprawdę musimy wykorzystać zaufanie instytucjonalne, jakie OSU zbudowało, chroniąc naszych studentów i wykorzystując te lokalne rozwiązania”.
Platformy AI w chmurze są łatwe i szybkie we wdrożeniu, ale wymagają od instytucji zaufania do umowy, a nie do architektury. Dla studentów, którzy mają już wątpliwości co do sposobu zarządzania danymi, to rozróżnienie może znacząco wpłynąć na ich gotowość do wdrożenia. Wdrożenie lokalne nie ogranicza się jedynie do zapewnienia zgodności; buduje ono fundament zaufania.
Pilot, prorektor i co dalej na OSU
Program pilotażowy jest w toku. Około 500 studentów z różnych sekcji składa projekty końcowe pod koniec tygodnia egzaminacyjnego. Ocenione ewaluacje muszą zostać zwrócone w ciągu 4 dni od daty ostatniego złożenia. Raporty generowane przez sztuczną inteligencję muszą być gotowe, zanim wykładowcy rozpoczną ocenianie. „Równolegle działa czynnik ludzki” – zauważył Kalodimos – „ale najpierw potrzebują raportu. Jeśli przetworzenie wszystkich tych dokumentów zajmuje dwa dni, czynnik ludzki jest jeszcze bardziej skompresowany”. Presja jest realna, termin jest ustalony, a infrastruktura spełnia swoje zadanie.
Program pilotażowy ujawnił jeszcze jedną wartą odnotowania rzecz. Kiedy profesor został niedawno awansowany na stanowisko administracyjne w trakcie semestru, instruktor musiał w krótkim czasie wkroczyć do akcji i dokończyć kurs. Posiadanie spójnego systemu oceny AI, z określonymi kryteriami i ustalonym procesem recenzowania, zapewniło instruktorowi nić ciągłości, która w innym przypadku by nie istniała. „Spójny system oceny AI” – powiedział Kalodimos – „zdecydowanie poprawi doświadczenia studentów” właśnie w tych sytuacjach, gdy nie można zagwarantować ciągłości nauczania prowadzonego przez człowieka.
Historia w końcu dotarła do rektora Uniwersytetu Stanowego Ohio. Kalodimos przedstawił cały pakiet: system Dell, wydajność pamięci masowej Solidigm, możliwości programistyczne i testy porównawcze infrastruktury, podczas spotkania, które miało trwać dziesięć minut. Trwało ono czterdzieści minut. Rektor wysłał e-mail do dyrektora ds. informatyki, dyrektora ds. technologii i Sullivana. Uniwersytet Stanowy Ohio planuje obecnie wdrożenie w całym uniwersytecie, aby udostępnić zasoby wykładowcom od semestru wiosennego. Zasoby te będą zarządzane przez nowo utworzone Biuro ds. Badań nad Informatyką, podlegające rektorowi i biuru ds. badań.
Sullivan rozważa to wdrożenie w kontekście infrastruktury w skali rack. Ta sama platforma XE7745, która stanowiła podstawę prac nad obrazowaniem planktonu i obecnie napędza proces ewaluacji sztucznej inteligencji w Metrum, stanowi fundament, który chce skalować. Celem jest stworzenie szafy serwerów, które będą mogły przepływać między obciążeniami obliczeniowymi w środowisku akademickim a obciążeniami obliczeniowymi w badaniach naukowych w miarę zmian zapotrzebowania. Idealnie byłoby, gdyby serwery były dedykowane procesowi ewaluacji w Metrum w okresach wzmożonej liczby zgłoszeń w połowie semestru i na koniec semestru, a następnie przenoszone do obciążeń badawczych w okresach przestoju w kalendarzu akademickim. „Możemy wziąć maszyny z tego zestawu i przesunąć je na środowisko akademickie na jakiś czas, a następnie przywrócić je i wykorzystać do obliczeń badawczych” – powiedział Sullivan. „Chcemy móc je ponownie wdrażać na bieżąco”.
Wdrażanie platformy ekologicznej jest już w toku. Wykładowcy z Wydziału Zdrowia i Wydziału Inżynierii niezależnie skontaktowali się z Kalodimos po tym, jak dowiedzieli się o projekcie nieformalnymi kanałami. Platforma nie została oficjalnie ogłoszona poza pilotażem. I tak znalazła swoich odbiorców.
Problem pojemności leżący u podstaw problemu oceniania
Istnieje wersja tej historii, która dotyczy jedynie przyspieszenia oceniania. To niepełna wizja.
Większa wersja dotyczy pojemności klas. Sullivan opisał kurs geologii dla 100 studentów, który OSU traktuje jako część swojej podstawowej misji edukacyjnej i który powinien odbyć każdy student. Obecnie prowadzone są dwie sekcje po 300 studentów każda, co daje łącznie 600 osób na kwartał. Instruktorzy są u kresu swoich możliwości. Dodawanie sekcji nie jest możliwe przy obecnym obciążeniu dydaktycznym. „Nie mogę pozwolić nauczycielom na więcej pracy” – powiedział Sullivan. „Muszę stworzyć dla nas ścieżki, abyśmy albo stworzyli więcej sekcji, zmniejszając obciążenie, albo przydzielili więcej studentów do tych, które mamy”.
Kalodimos w podobny sposób ujął wymiar Wydziału Biznesu. Profesorowie, których sekcje są ograniczone do 45 studentów ze względu na przepisy przeciwpożarowe, będą mogli korzystać z formatów wykładów w dużych grupach z możliwością pracy w mniejszych salach, gdy tylko indywidualna ocena będzie skalowalna. „Nie chodzi tylko o obsadę stanowisk” – powiedział. „Chodzi o utrzymanie jakości przy jednoczesnym badaniu różnych metod prowadzenia zajęć”. Warstwa ewaluacji opartej na sztucznej inteligencji umożliwia operacyjnie indywidualną ocenę w skali sali wykładowej.
„Sztuczna inteligencja pomaga nam zwiększać liczby bez zmiany oddziaływania, przekazu lub tego, czego się uczymy”.
— Christopher Sullivan, dyrektor ds. badań i informatyki akademickiej, Oregon State University
Brakującym elementem była pamięć masowa
Kiedy Sullivan oceniał, co będzie potrzebne do wdrożenia systemu Metrum w siedzibie Uniwersytetu Stanowego Ohio (OSU) z pełną zgodnością z FERPA, aspekt GPU był już ustalony. Architektura referencyjna Metrum i Della wykazała, że XE7745 z procesorami graficznymi NVIDIA RTX PRO 6000 może obsłużyć obciążenie wnioskowania na dużą skalę. Nierozwiązana pozostała kwestia pamięci masowej.
XE7745 to chłodzona powietrzem platforma 4U zoptymalizowana pod kątem gęstości GPU. Ta konstrukcja jest jej mocną stroną, ale wiąże się z realnym ograniczeniem: liczba kieszeni na dyski jest ograniczona. „Musiałem zmieścić dużo miejsca w jednym urządzeniu bez utraty szybkości” – powiedział Sullivan – „ponieważ nie chciałem tracić całej wartości GPU i wszystkiego, co oferuje XE7745. A na rynku nie było zbyt wielu rozwiązań SSD o dużej pojemności, które oferowałyby to w wersji pudełkowej”.
Warstwa pamięci masowej w takim systemie to coś więcej niż tylko obciążenie pracą sztucznej inteligencji. Pliki wideo docierają z portalu studenckiego i wymagają natychmiastowego buforowania. Wyodrębnione ścieżki audio i transkrypty ze znacznikami czasu są przechowywane jako oddzielne artefakty do przeglądu przez kadrę dydaktyczną. Obrazy slajdów i dane wyjściowe OCR zajmują osobną warstwę. Baza danych Supabase, śledząca metadane zgłoszeń, oceny wersji roboczych, edycje dokonywane przez kadrę dydaktyczną i rekordy zatwierdzeń, działa w sposób ciągły. Wagi modeli dla Whisper, Qwen3-VL i modelu wnioskowania muszą ładować się wystarczająco szybko, aby uniknąć wąskich gardeł wnioskowania. Pełny ślad audytu dla każdego projektu wygenerowanego przez sztuczną inteligencję, każdego obejścia przez kadrę dydaktyczną i każdej czynności zatwierdzającej musi być przechowywany jako rekord z możliwością zapytania do celów przeglądów akredytacyjnych, dochodzeń w zakresie uczciwości akademickiej i raportowania administracyjnego.
Każde z tych zadań jest przechowywane w pamięci masowej. Za wyniki sztucznej inteligencji odpowiada GPU. Pamięć masowa zapewnia zasilanie GPU i ciągłą pracę.
Zespół Sullivana wybrał dysk Solidigm D5-P5336 w formacie E3.S. Model XE7745 mieści osiem takich dysków. Przy pojemności 30.72 TB na dysk, oznacza to ponad 245 TB pamięci flash w pojedynczej obudowie 4U. Model D5-P5336 wykorzystuje pamięć QLC NAND z oprogramowaniem sprzętowym klasy korporacyjnej, zoptymalizowanym pod kątem stałej wydajności zapisu i integralności danych, co ma tutaj duże znaczenie, ponieważ system nie radzi sobie ze sporadycznymi skokami obciążenia. W szczytowych okresach zgłoszeń, w okolicach egzaminów, system jednocześnie pobiera filmy, zapisuje transkrypcje, rejestruje wyniki oceny i aktualizuje bazę danych.
Jak udokumentowaliśmy w naszym raporcie z badań oceanicznych, obejmującym tę samą konfigurację sprzętową, dyski Solidigm w macierzy RAID 10 zapewniały stałą wydajność odczytu i zapisu bez opóźnień w przetwarzaniu. Pamięć masowa nie stanowiła wąskiego gardła. Architektura ujawniła rzeczywiste ograniczenia obciążenia, dzięki czemu zespół mógł je dostosować tam, gdzie było to istotne. Ten potwierdzony wniosek ma bezpośrednie przełożenie na wdrożenie w ramach oceny akademickiej.
OSU jako wzór dla szkolnictwa wyższego gotowego na sztuczną inteligencję
Podejście Oregon State do infrastruktury AI jest przemyślane i warte rozważenia jako wzór dla innych instytucji edukacyjnych. Zamiast wdrażać narzędzia AI w sposób oportunistyczny za pośrednictwem interfejsów API w chmurze, uniwersytet podjął szereg decyzji architektonicznych, traktując AI jako trwałą funkcjonalność instytucjonalną, a nie usługę dostawcy. Sprzęt jest standaryzowany wokół platform obejmujących obciążenia obliczeniowe zarówno badawcze, jak i akademickie. Pamięć masowa jest lokalna, charakteryzuje się wysoką gęstością i jest zgodna z przepisami. Wykładowcy zachowują ostateczną kontrolę nad każdą oceną generowaną przez system.
Kalodimos jasno wyraził chęć, aby platforma dotarła poza granice Uniwersytetu Stanowego Ohio (OSU). „Nie każda uczelnia będzie dysponowała tak dużymi zasobami jak my” – powiedział. „Chcę mieć pewność, że ta technologia będzie dostępna dla wszystkich uczelni”. To właśnie ten fundament sprawia, że szerszy argument za równością edukacyjną jest wiarygodny. Wykładowca w mniejszej instytucji, z większym obciążeniem dydaktycznym i mniejszymi zasobami, prawdopodobnie najbardziej potrzebuje tego narzędzia.
„Potrzebuję pamięci masowej i musi być ona szybka. Sztuczna inteligencja to martwa technologia bez pamięci masowej. To system oparty na danych. Mieliśmy algorytmy już w latach 1960. i 70. Nie mieliśmy żadnych danych, żeby to zrobić, ponieważ nie mieliśmy żadnej pamięci masowej, która mogłaby te dane faktycznie przechowywać”.
— Christopher Sullivan, dyrektor ds. badań i informatyki akademickiej, Oregon State University
Sullivan formułuje kwestię planowania sprzętu w taki sam sposób, w jaki formułuje każdą decyzję dotyczącą infrastruktury na Uniwersytecie Stanowym Ohio. Modele będą się zmieniać. Rodzaje danych wejściowych przesyłanych przez studentów będą ewoluować. Techniki ewaluacji, które chcą stosować wykładowcy, będą stawać się coraz bardziej wyrafinowane. „Zamierzam kupić większy widelec, większy nóż lub większą łyżkę” – powiedział – „ale po stronie sprzętu nadal chodzi o widelec, nóż i łyżkę. W nadchodzących latach będę radykalnie zmieniał modele i dane wejściowe, a teraz ważniejsze jest dla mnie, aby sprzęt wyprzedzał to, cokolwiek to będzie”.
Każdy przetworzony transkrypt, każdy wyodrębniony slajd, każdy projekt oceny, każda zatwierdzona ocena i każdy zapis audytu muszą gdzieś się znajdować. W tym systemie znajduje się 245 TB pamięci flash Solidigm QLC w infrastrukturze OSU, która wykonuje cichą pracę, umożliwiając widoczną sztuczną inteligencję. Szafa, którą planuje Sullivan, nie będzie ostatnią. Uniwersytet obserwuje, co przyniesie ten projekt pilotażowy, a inne instytucje będą obserwować działania OSU. Właśnie to oznacza być liderem w dziedzinie sztucznej inteligencji.
Amazon