Everpure 正在將其 FlashBlade//EXA 平台與 NVIDIA 不斷發展的 AI Factory 架構進行整合，同時預覽名為 Everpure Data Stream 的全新自動化層。此次發布將 Evergreen//One 的支援擴展到 EXA，並推出了一項旨在簡化 AI 管線中資料傳輸的服務，以應對企業 AI 領域最常見的挑戰之一：那些在試點環境中運作良好，但在達到生產規模之前卻停滯不前的專案。
FlashBlade//EXA 定位為這些部署的高效能資料骨幹，支援大規模訓練和高並發推理工作負載。即將推出的資料流服務專注於自動化資料攝取、準備和交付到 GPU 基礎設施，從而降低運維複雜性，避免 AI 程式從實驗環境過渡到生產環境時因運維複雜性而導致的效能下降。
EG1 for AI 現已擴展至 FlashBlade//EXA，可提供更大規模訓練和高並發推理所需的效能、擴展性和吞吐量。 Everpure Data Stream 將於 2026 年稍後進入 Beta 測試階段，旨在實現從資料攝取到模型執行的自動化資料移動，從而減少通常會拖慢 AI 專案進度的手動管道工作和運維延遲。
Everpure人工智慧副總裁Kaycee Lai指出，問題在於將人工智慧視為“另一種工作負載”，而不是以資料為中心、持續運作的系統。她強調，Everpure的技術棧旨在打破資料孤島，並透過可預測的效能和營運靈活性，將人工智慧程式從實驗階段轉化為可重複的生產成果。
經過基準測試驗證的 AI 儲存和資料路徑
對於人工智慧部署而言，儲存和資料基礎架構必須確保高價值的GPU始終保持接近滿載運作。 Everpure正在為此進行調整。 FlashBlade//EXA 採用 NVIDIA 模組化 STX 參考架構，支援基於 Vera Rubin 平台建置的新一代 AI Factory 設計。
此組合架構將 EXA 可擴展的檔案和物件效能與 STX 元件（例如支援 BlueField 的儲存控制器和上下文記憶體架構）結合。其目標是優化整個 AI 資料管道：資料準備、特徵和嵌入創建以及長上下文推理。上下文記憶體尤其重要，因為大規模、智能體、多步驟推理系統依賴對大量上下文視窗和歷史記錄的快速存取。 EXA/STX 設計可透過提供持續頻寬和最大限度地減少尾延遲來滿足這些千兆推理需求。
近期產業基準測試驗證了該平台在實際高並發 AI 工作負載下的效能。這些基準測試包括：
- SPEC儲存解決方案2020 AI_Image： FlashBlade//EXA 在 SPEC Storage AI_Image 基準測試中取得了最高分，同時支援 6,300 個 AI 作業。這項結果表明，該系統能夠以全效能支援大量並發的訓練和預處理任務，這在多租戶和多團隊的 AI 環境中日益普遍。
- 與 MLPerf 對齊的 GPU 利用率和吞吐量： 內部基於模型驅動的工作負載測試（與 MLPerf 測試一致）表明，FlashBlade//EXA 的資料傳輸速度幾乎是其最接近的競爭對手的兩倍，而儲存空間佔用卻不到其一半。在測試中，該平台在大型 H100 叢集上保持了 90% 以上的 GPU 利用率。這表明儲存系統不太可能成為瓶頸，從而使昂貴的加速器能夠在資料集和模型不斷增長的情況下保持高負載運行。 EXA 的設計具有線性擴展性，即使增加運算和儲存資源，也能維持這種利用率。
Everpure 也將 NVIDIA 認證儲存 (NVCS) 的驗證範圍擴展至 FlashBlade//EXA。此舉為相容性和效能提供了更清晰的基準，並為達到與 NVIDIA 雲端合作夥伴參考架構一致的 NVCS “NCP” 認證等級奠定了基礎。對於採用 NVIDIA AI 解決方案的企業而言，此類儲存認證有助於降低整合風險，並簡化參考設計的採用流程。
自動化人工智慧資料編排
如果通往 AI 堆疊的資料管道仍然分散且需要人工操作，那麼僅靠高儲存效能並不能保證 AI 的成功。 Everpure Data Stream 作為編排層，能夠自動執行從資料擷取、準備到交付到 GPU 基礎設施的關鍵步驟。
該服務專注於整理和協調「AI就緒」數據，以便訓練和推理系統能夠持續獲得最新數據集，而無需大量的運維幹預。其目的是透過減少臨時腳本編寫、手動資料準備以及為資料集刷新而重複進行的工程變通方案，縮短從初始實驗到穩定生產運行的時間。
由 Supermicro 共同開發的 Everpure Data Stream 人工智慧資料平台 (AIDP) 為尋求更小初始部署空間的企業提供了一個緊湊的參考設計。該平台將 Supermicro 的伺服器和加速器硬體與 Everpure 的軟體定義儲存層整合在一起，為部署支援訓練和推理管線的資料平面提供了一套即用型解決方案。
作為AIDP策略的一部分，Everpure也支援加速平台，包括NVIDIA RTX PRO 6000 Blackwell伺服器版，並計畫將支援範圍擴展到RTX PRO 4500 Blackwell伺服器版。這些配置旨在滿足那些需要強大的推理能力以及邊緣或部門級訓練能力，但又不想立即投資大型資料中心GPU叢集的客戶的需求。
持續數據優化
Everpure 的平台建構理念是：人工智慧基礎設施並非一次性投資，而是持續改善數據和進行效能測試的過程。在這種理念下，人工智慧就緒不僅僅是部署技術，而是一個不斷循環的過程，包括收集新資料、重新訓練或調整模型，以及隨著工作負載的變化驗證效能。
透過整合 FlashBlade//EXA、Evergreen//One 的消費模式、資料流自動化以及與 NVIDIA STX 和 NVCS 認證的一致性，Everpure 旨在幫助組織從孤立的 AI 試點計畫過渡到可重複的生產級 AI 工廠，同時保持對 GPU 利用率和營運效率的關注。
內部 MLPerf 元件測量結果支持了部分上述說法，儘管這些結果並未作為官方 MLPerf 結果提交。從技術角度來看，關鍵點在於：SPECstorage AI_Image 下展現的並發性、H100 環境下報告的 GPU 利用率，以及向完全驗證的 NVIDIA 對齊參考架構的過渡。
Amazon