Podczas globalnego wydarzenia technologicznego Computex 2026, które odbyło się w Tajpej na Tajwanie, uwaga przedstawicieli branży półprzewodników i komputerów znacząco przesunęła się z „sztucznej inteligencji w chmurze” na „sztuczną inteligencję brzegową”. Branża sprzętowa przechodzi restrukturyzację, ponieważ moc obliczeniowa na poziomie centrów danych jest integrowana z urządzeniami osobistymi umieszczonymi bezpośrednio w miejscu pracy.
Przejście od responsywnej sztucznej inteligencji do autonomicznych agentów (Agent AI)
Na wczesnych etapach rozwoju sztucznej inteligencji, typowy proces operacyjny polegał na przesyłaniu przez użytkowników żądań danych do serwerów w chmurze, takich jak OpenAI, Google czy Microsoft, i otrzymywaniu odpowiedzi. Jednak architektura ta ujawniła wiele ograniczeń dotyczących opóźnień transmisji, kosztów przepustowości i bezpieczeństwa danych źródłowych.
Nvidia DGX Spark to linia komputerów osobistych zaprojektowanych specjalnie z myślą o sztucznej inteligencji, która będzie dystrybuowana w Wietnamie.
Zdjęcie: Anh Quân
Rozwój sztucznej inteligencji agentowej (Agentic AI) – generacji autonomicznych agentów programowych zdolnych do planowania, wnioskowania i bezpośredniej interakcji z lokalnymi systemami plików – stawia nowe wymagania infrastrukturze sprzętowej. Zamiast biernie reagować, agenci ci działają jak cyfrowe zasoby ludzkie, przetwarzając ciągły strumień informacji w czasie rzeczywistym. Aby zapewnić integralność i bezpieczeństwo danych, umożliwienie modelom sztucznej inteligencji działania w trybie offline na urządzeniach użytkowników stało się niezbędnym rozwiązaniem technicznym.
Doskonałym przykładem tego trendu jest komputer osobisty DGX Spark AI, zaprezentowany na targach Computex 2026. Urządzenie charakteryzuje się kompaktową obudową komputera stacjonarnego, ale dzięki pojedynczemu układowi Nvidia GB10 Grace Blackwell Superchip zapewnia wydajność miniaturowego systemu superkomputerowego.
Niezależne działanie urządzenia opiera się na 128-gigabajtowej pamięci LPDDR5X Unified Memory o wysokiej przepustowości. W architekturze sztucznej inteligencji pojemność i prędkość pamięci decydują o możliwości przetwarzania dużych modeli językowych (LLM). Dzięki temu inżynierowie danych mogą bezpośrednio uruchamiać modele zawierające nawet 200 miliardów parametrów na samym urządzeniu, zamiast wdrażać je na serwerach w chmurze.
Pod względem specyfikacji, GPU z architekturą Blackwell integruje rdzenie Tensor piątej generacji (format precyzji FP4), zapewniając moc obliczeniową 1 petaflopa. 20-rdzeniowy procesor ARM odpowiada za koordynację danych między lokalnym systemem plików a modelem sztucznej inteligencji.
Stacje robocze zaspokajające potrzeby w zakresie sztucznej inteligencji na brzegu sieci przedsiębiorstwa są teraz dostępne w kompaktowych rozmiarach, co ułatwia ich wdrażanie na różną skalę.
Zdjęcie: Anh Quân
Na stoiskach wystawowych rozwiązania infrastrukturalne dla tego trendu były wyraźnie zróżnicowane dzięki zsynchronizowanym systemom od oryginalnych producentów i wyspecjalizowanych dostawców rozwiązań integracji sprzętu. Doskonałym przykładem jest firma Leadtek, prezentująca gamę stacji roboczych i serwerów z certyfikowanych przez Nvidia systemów. Stacja robocza WinFast WS950 AI, ukierunkowana na lokalne (wewnętrzne) potrzeby operacyjne małych i średnich przedsiębiorstw, obsługuje konfiguracje z wieloma procesorami graficznymi (GPU) z dwiema profesjonalnymi kartami graficznymi Nvidia RTX PRO 6000 Blackwell Workstation Edition, zapewniając łącznie do 192 GB pamięci GDDR7 GPU. W szerszej skali, system serwerowy WinFast GS5855T umożliwia integrację do ośmiu procesorów graficznych RTX PRO Blackwell, aby sprostać wymaganiom intensywnych zadań wnioskowania i trenowania AI.
Optymalizacja bezpieczeństwa i kosztów operacyjnych.
Wykorzystanie sztucznej inteligencji na brzegu sieci za pośrednictwem lokalnego systemu sprzętowego rozwiązuje trzy podstawowe problemy stojące przed dzisiejszą infrastrukturą technologiczną. Po pierwsze, bezpieczeństwo danych. Wszystkie informacje biznesowe, wewnętrzny kod źródłowy i dane osobowe są przechowywane i przetwarzane w środowisku sandbox odizolowanym od internetu, co ogranicza ryzyko wycieku danych do osób trzecich.
Nowe rozwiązania Edge AI zaprezentowane na targach Computex 2026
Kolejnym problemem są stałe koszty obliczeniowe. Wynajem infrastruktury chmurowej, za którą pobierane są opłaty w oparciu o wartość tokenów, generuje znaczne koszty zmienne w miarę jej skalowania. Praca na sprzęcie offline przekształca te koszty w inwestycję w aktywa trwałe, optymalizując długoterminową działalność. Wreszcie, pojawia się problem lokalnej skalowalności: dzięki szybkim protokołom łączności użytkownicy mogą łączyć systemy przetwarzania brzegowego, aby współdzielić zasoby, skalując możliwości przetwarzania modelowania brzegowego do ogromnych rozmiarów.
Źródło: https://thanhnien.vn/ai-roi-dam-may-ve-ban-lam-viec-185260605224532968.htm
