MinIO 推出了 ExaPOD，這是一個用於開發和管理百億億次級 AI 基礎設施的模組化參考架構。該架構由 MinIO 與 Intel、Solidigm 和 Supermicro 合作開發。 ExaPOD 運行於 MinIO AIStor 之上，後者是 MinIO 為 AI 企業開發的百億億次級資料儲存系統。它將現有的 DataPOD 概念從 100PB 的儲存單元擴展到 1EB 的儲存區塊。
ExaPOD 為企業和新型雲端服務供應商提供了一個可重複使用的藍圖。它有助於在他們可控的基礎設施上，以極高的規模實現可持續、可預測且經濟高效的 AI 性能。
解決人工智慧的真正瓶頸
隨著人工智慧代理、長上下文模型和多模態管線的日益普及，資料量正從PB級成長到EB級。在許多情況下，主要的限制因素並非GPU的可用性，而是資料傳輸。 GPU經常處於閒置狀態，並非因為運算能力不足，而是因為儲存和資料路徑無法足夠快速地提供資料。
ExaPOD 的設計初衷正是為了消除這一瓶頸。它能夠降低並穩定百億億次級運算的延遲，確保資料路徑保持暢通且穩定。 MinIO 旨在利用 ExaPOD 建立一個儲存和資料層，支援對訓練、推理和檢索資料集進行高吞吐量、低延遲的存取。這確保了 AI 工作負載能夠持續接收數據，而無需等待 I/O 操作。
除了效能之外，ExaPOD 還滿足了大規模人工智慧的實際需求：
- 可預測的總擁有成本： 此參考設計採用廣泛理解的行業標準組件和軟體定義存儲，從而可以隨著容量的增加進行可預測的成本建模。
- 自主部署，本地部署： ExaPOD旨在運行於企業或新雲端供應商控制的硬體上。這最大限度地降低了意外成本，避免了雲端鎖定，並簡化了對資料駐留和主權規則的合規性。
換句話說，ExaPOD 不僅僅是速度的問題；它使 AI 資料基礎設施在 EB 級規模下更易於管理、可預測和可持續。
人工智慧的核心在於資料架構，而不僅僅是模型。
MinIO聯合創始人兼聯合執行長AB Periasamy認為，現代人工智慧的發展對資料基礎設施提出了挑戰，而不僅僅是模型或硬體問題。他相信，能夠在人工智慧領域取得成功的組織，將是那些重新思考如何大規模儲存、傳輸和存取數據，同時保持超大規模資料中心層級的成本效益的組織。
有鑑於此，ExaPOD 為企業提供了一種清晰、模組化的方式來建立 AI 就緒的基礎設施，同時又不犧牲控制力、靈活性或成本透明度。 ExaPOD 拋棄了不透明的、一刀切的解決方案，提供了一系列相同且可重複的模組，這些模組可以從機架擴展到完整的資料中心，從而保持效能和可靠性。
合作夥伴硬體
Supermicro SYS-212H-TN 2U 機架式伺服器，配備 24 個 NVMe 硬碟位元： SYS-212H-TN 為機架級部署提供了一個高密度且均衡的建置模組。其 24 個 U.2 NVMe 硬碟位最大限度地提高了每個機架的儲存密度，同時又不影響氣流、電源效率或可維護性，並支援液冷和高效電源供應。
英特爾至強 6781P（80 核，136 條 PCIe Gen5 通道）：選擇至強 6781P 是因為它能夠同時充分利用高密度 NVMe 和 400/800 GbE 網路。憑藉 136 條 PCIe Gen5 通道，它支援 24 個 NVMe 驅動器和雙 400 GbE 網路卡之間的完全並行傳輸，而不會出現超額分配。
Solidigm D5-P5336 SSD（122.88 TB QLC NVMe）：每塊硬碟容量高達 122.88 TB ， Solidigm D5-P5336提供極高的儲存密度，使 ExaPOD 能夠在業界最小、最高效的資料中心空間內實現數艾位元組的可用容量。
ExaPOD 的一個關鍵方面是其對密度和能源效率的關注——這是多拍位元組和艾字節規模的關鍵因素。
ExaPOD提供：
- 每個機架單元提供 36 PiB 的可用容量，採用緊湊的一體化設計，顯著減少了 AI 資料基礎設施所需的佔地面積。這種高密度對於受電力和物理空間限制的設施至關重要。
- 平均而言，每 PiB 可用容量的功耗為 900 瓦（含散熱）。透過降低資料層的功耗，ExaPOD 可以釋放資料中心更多的電力容量，供 GPU 和加速器使用。
請在 SC25 上觀看
MinIO 將於 11 月 16 日至 21 日在聖路易斯舉行的 SuperComputing '25 大會上展示 ExaPOD。
Amazon