Na globální technologické akci Computex 2026, která se konala v Tchaj-peji na Tchaj-wanu, se zaměření diskusí v polovodičovém a počítačovém průmyslu výrazně přesunulo z „Cloudové umělé inteligence“ na „Edge AI“. Hardwarový průmysl prochází restrukturalizací, jelikož výpočetní výkon na úrovni datových center je integrován do osobních zařízení umístěných přímo v pracovním prostoru.
Přechod od responzivní umělé inteligence k autonomním agentům (AI agentů)
V raných fázích vlny umělé inteligence běžný operační proces zahrnoval odesílání datových požadavků uživateli na cloudové servery, jako jsou OpenAI, Google nebo Microsoft, a přijímání odpovědí. Tato architektura však odhalila mnoho omezení týkajících se latence přenosu, nákladů na šířku pásma a zabezpečení zdrojových dat.
Nvidia DGX Spark je řada osobních počítačů speciálně navržených pro umělou inteligenci a bude distribuována ve Vietnamu.
Fotografie: Anh Quân
Vývoj Agentic AI – generace autonomních softwarových agentů schopných plánovat, uvažovat a přímo interagovat s lokálními souborovými systémy – klade nové nároky na hardwarovou infrastrukturu. Místo pasivní reakce tito agenti fungují jako digitální lidské zdroje a zpracovávají nepřetržitý proud informací v reálném čase. Pro zajištění integrity a zabezpečení dat se stalo nezbytným technickým řešením, aby modely AI fungovaly offline na uživatelských zařízeních.
Ukázkovým příkladem tohoto trendu je osobní počítač DGX Spark s umělou inteligencí, představený na veletrhu Computex 2026. Zařízení se pyšní kompaktním stolním designem, ale díky jedinému superčipu Nvidia GB10 Grace Blackwell poskytuje výkon miniaturního superpočítačového systému.
Nezávislý provoz zařízení se opírá o 128GB LPDDR5X Unified Memory systém s vysokorychlostní propustností. V architektuře umělé inteligence určují kapacita a rychlost paměti schopnost zpracovávat modely s velkými jazyky programování (LLM). To umožňuje datovým inženýrům přímo spouštět modely s až 200 miliardami parametrů na samotném zařízení, namísto jejich nasazování na cloudové servery.
Co se týče specifikací, grafický procesor s architekturou Blackwell integruje jádra Tensor 5. generace (formát FP4 precision) a poskytuje výpočetní výkon 1 petaFLOP. Dvacetijádrový procesor ARM je zodpovědný za koordinaci dat mezi lokálním souborovým systémem a modelem umělé inteligence.
Pracovní stanice, které slouží potřebám umělé inteligence na okraji podniku, se nyní dodávají v kompaktních velikostech, což usnadňuje jejich nasazení v různých měřítcích.
Fotografie: Anh Quân
Na výstavních stáncích byla infrastrukturní řešení pro tento trend jasně odlišena synchronizovanými systémy od původních výrobců a specializovaných poskytovatelů řešení pro integraci hardwaru. Ukázkovým příkladem je společnost Leadtek, která představila řadu pracovních stanic a serverů ze svých systémů certifikovaných Nvidia. Pracovní stanice WinFast WS950 s umělou inteligencí, zaměřená na on-premise (interní) provozní potřeby malých a středních podniků, podporuje konfigurace s více grafickými kartami se dvěma profesionálními grafickými kartami Nvidia RTX PRO 6000 Blackwell Workstation Edition a poskytuje celkem až 192 GB paměti GDDR7 GPU. Ve větším měřítku umožňuje jejich serverový systém WinFast GS5855T integraci až osmi grafických karet s architekturou RTX PRO Blackwell, aby splňoval požadavky na intenzivní úlohy inference a trénování umělé inteligence.
Optimalizace bezpečnostních a provozních nákladů.
Provozování umělé inteligence na okraji sítě prostřednictvím lokálního hardwarového systému řeší tři klíčové výzvy dnešní technologické infrastruktury. První je zabezpečení dat. Veškeré obchodní informace, interní zdrojový kód a osobní údaje jsou uloženy a zpracovávány v sandboxovém prostředí izolovaném od internetu, což omezuje riziko úniku dat třetím stranám.
Nová řešení Edge AI představená na veletrhu Computex 2026
Dalším problémem jsou fixní výpočetní náklady. Pronájem cloudové infrastruktury, který je účtován na základě množství tokenů, s sebou nese značné variabilní náklady s ohledem na její škálování. Provoz na offline hardwaru transformuje tyto náklady na investici do fixních aktiv, což optimalizuje dlouhodobý provoz. A konečně je tu otázka lokální škálovatelnosti: Prostřednictvím vysokorychlostních protokolů pro připojení mohou uživatelé propojit systémy edge computingu a sdílet tak zdroje, čímž se schopnosti modelování edge computingu škálují do obrovských rozměrů.
Zdroj: https://thanhnien.vn/ai-roi-dam-may-ve-ban-lam-viec-185260605224532968.htm
