Dell beweert dat AI-opslagarchitecturen met een enkele namenruimte botsen met de distributie van data-gravitatie in bedrijven, waardoor GPU's moeten wachten op data vanwege niet-opgeloste architecturale beperkingen.
De kern ervan ligt in een fundamentele keuze: moeten de gegevens naar het computerplatform reizen, of moet het platform naar waar de gegevens zich bevinden?maakt het geval voor gefederateerde AI-dataplatforms over gecentraliseerde opslag-geïntegreerde stapels over drie blogberichten.
In zijn eerste bericht, Hyde betoogt massieve datasets dragen inherente gegevens zwaartekracht die hen opsluit op hun oorspronkelijke locaties core datacenters, rand sites, soevereine compliance regio's, SaaS omgevingen,gegevensopslagplaatsenZijn proefschrift stelt dat data blijft waar ze belanden en dat de meeste nooit worden verplaatst.
Talrijke IT-fricties in het bedrijfsleven blokkeren schone, verenigde dataarchitecturen: regelgeving en soevereiniteitsregels, applicatie-lock-in, concurrerende eigendom van gegevens, contractuele en kostenbelemmeringen,Fragmentatie van de gegevens van fusies en overnames, archieven met compliance-vergrendeling, niet-gecatalogiseerde onbekende gegevens en interne organisatie silo's.
Hij classificeert gegevens in drie verschillende vormen:
- Ruwe gegevens: bestanden, gegevens, beelden, video, telemetrie, gereglementeerde tabellen.
- Metadata (descriptieve laag): tags, afstamming, schema's, classificaties, eigendomsmarkeringen.
- Vectoren (semantische representatie): door AI gegenereerde wiskundige embeddings, die zich bewust zijn van de locatie en zijn afgestemd op de GPU.
Hyde merkt op dat AI geen beweging van ruwe gegevens vereist, alleen toegankelijke metadata en vectoren.terwijl vector indexen kracht cross-omgeving semantische redenering. Beperkte, eigendom, latency-gevoelige zware ruwe data blijft geplaatst, geregeerd door zijn bestaande operationele teams. Vectoren hebben lokale gevoeligheid en GPU-nabijheid:hetzij de ruwe gegevens worden gemigreerd naar de vectorisatie-endpointsDeze framing onderbouwt zijn volledige argument.
Inherent gedistribueerde bedrijfsgegevens splitsen AI-gegevenslaagontwerp in twee tegengestelde filosofieën:
- Storage-integrated stacks (bijvoorbeeld VAST AI OS): Gebouwd rond het centraliseren van grote datasets binnen een door de leverancier gecontroleerde unified namespace,nauw aansluiten van ingebedde AI-diensten voor gestroomlijnde activiteitenDit model veronderstelt dat gegevens naar het platform zullen migreren om consolidatie te rechtvaardigen, en werkt goed voor greenfield AI-implementaties.
- Federated AI data platforms (Dell's framework): ontworpen op basis van het principe dat bedrijfsdata permanent gedistribueerd blijven, waardoor het platform moet werken naast de native locaties van de data.Dell's AI Data Platform combineert PowerScale en ObjectScale met een gefederateerd besturingsvlak om toegang te krijgen tot en gegevens te verwerken in bestandssystemenHet systeem is gebaseerd op de oplossingen voor het opslaan van data, opslag van objecten, warehouses, SaaS-tools en publieke clouds, zonder verplichte gecentraliseerde gegevenskopieën.regeert alle drie consequent, en maakt gebruik van lichtgewicht metadata en vectoren om waarde te leveren terwijl zware ruwe gegevens op hun plaats blijven.
Hyde's tweede blog bekritiseert opslag-geïntegreerde architecturen zoals VAST AI OS omdat ze gedistribueerde bedrijfsdata-realiteiten negeren.Alle AI-verwerking draait uitsluitend op gegevens die in hun eigen naamruimte worden ingevoerd., waardoor externe gegevens onzichtbaar zijn voor het platform.en unified UI's die tijdens demo's gefragmenteerde real-world data landschappen maskeren.
Architecturen die ruwe gegevens, metadata en vectoren in één enkele monolithische categorie bundelen, voldoen standaard aan het gebrekkige mandaat van massale gegevensmigratie.Rames die de drie lagen onderscheiden, laten gereguleerde, lokaal geregeerde data achterEen unified namespace werkt alleen als ruwe data de enige beschouwelijke asset is.het wordt niet meer effectief wanneer metagegevens en vectoren als onafhankelijke kerncomponenten worden erkend.
Dell's federated architecture werkt op drie kernprincipes:
- Ruwe gegevens blijven op hun oorspronkelijke locatie onder bestaande governance teams
- Metagegevens worden wereldwijd gerepliceerd, waardoor alle AI-werklasten een volledige zichtbaarheid van de activa op verschillende locaties krijgen
- Vectoren dragen een semantische context over de omgeving, waardoor AI-redenering mogelijk is zonder verhuizing van ruwe gegevens
Hyde's derde bericht bewijst dat Dell's federated design beter presteert dan VAST's storage-integrated stack bij het toevoegen van data aan GPU's.Dell bracht in oktober 2025 side-by-side testen uit op vector KV-cache-afladen van werklasten met behulp van het Qwen3-32B-model, gebaseerd op interne Dell-benchmarks en openbare openbaarmakingen van VAST:
- PowerScale: 0.82s Time to First Token (TTFT)
- ObjectScale: 0.86s TTFT
- VAST: 1,5s TTFT
- VLLM op basis zonder KV-cache-afladen: 11,8 s TTFT
He states architectures built around GPU delivery—treating raw data as gravity-bound and portable semantic vectors as the transportable layer—amplify Dell’s performance edge with every inference request. Ontwerpen die afhankelijk zijn van het opnemen van ruwe gegevens in een eigen naamruimte lijden aan structurele inherente vertragingen.
Hyde bevestigt dat VAST de resultaten van de KV cache heeft gepubliceerd.met name december 2025 benchmarks met Nvidia Dynamo en CoreWeave citeren ~ 20x sneller TTFT versus recompute en 90% hogere GPU efficiëntieDeze tests maken echter gebruik van verschillende werkbelastingen en basislijnen, waarbij geen enkele overeenkomstige Qwen3-32B head-to-head de gepubliceerde 1.5s VAST TTFT-cijfer overtreft.
Hij dringt er bij bedrijven die GPU-gerichte dataarchitecturen selecteren op aan om zich een cruciale vraag te stellen:In het kader van het onderzoek van de, soevereine en toepassingsgebonden bronnen?
Deze query dwingt leveranciers om fundamentele structurele compromissen aan te pakken, prestatiebeperkingen uit te leggen wanneer gegevens niet in hun naamruimten kunnen worden opgenomen, reproduceerbare TTFT publiceren,metingen van de hitrate van tokens per seconde en cache op moderne open source-modellen met volledige methodologie, en eerlijk antwoord op de centrale financiële zorg: hoeveel GPU-loze tijd creëert deze architectuur?
Commentaar
Geïntegreerde datasets vermenigvuldigen vaak het oorspronkelijke bronvolume met 3×20x of meer per record, afhankelijk van de grootte van het tekstgedeelte.integratie van dimensionaliteit en opslagformaten. Bron datasets zijn verdeeld in discrete stukjes (paragrafen, vaste token vensters) voor-inbedden voor superieure retrieval nauwkeurigheid. Een standaard tekst stuk van 250 500 woorden is gelijk aan ongeveer 0.5 ¢ 2 KB ruwe tekst, met de overeenkomstige vector vaak 3 ∼10x groter.
Belangrijke onopgeloste vraag: waar vindt vectorisatie plaats en worden overgrote vectorgegevensreeksen verplaatst als ze ver van GPU's worden gegenereerd?Teams verplaatsen de ruwe gegevens naar de ingebedde infrastructuur of verplaatsen volledige vectoren naar AI-computingWe hebben deze tegenstrijdigheid gemarkeerd aan Jon Hyde voor verdere verduidelijking.
Beijing Qianxing Jietong Technology Co., Ltd.
Sandy Yang, directeur Global Strategy
WhatsApp / WeChat: +86 13426366826
Email: yangyd@qianxingdata.com
Website: www.qianxingdata.com/www.storagesserver.com
Zaken:
Distributie van ICT-producten/Systeemintegratie en diensten/Infrastructuuroplossingen
Met meer dan 20 jaar IT-distributie-ervaring werken we samen met toonaangevende wereldwijde merken om betrouwbare producten en professionele diensten te leveren.
Technologie gebruiken om een intelligente wereld te bouwenUw betrouwbare ICT-productdienstverlener!
Uw bericht moet tussen de 20-3.000 tekens bevatten!
Dutch
