Отвечая на вопрос «что меняется в ИТ-инфраструктуре при внедрении ИИ», ...

Дата публикации: 03-10-2026 15:30:59

Отвечая на вопрос «что меняется в ИТ-инфраструктуре при внедрении ИИ», напрашивается короткий ответ — «всё». Но давайте детализируем.
Меняются целевые метрики. Раньше ЦОД оценивали по пиковой производительности в FLOPS, ёмкости хранения в терабайтах, энергоэффективности PUE и стоимости вычислений. Теперь этого недостаточно. Ключевыми становятся количество токенов, которые модель генерирует в секунду, скорость первого ответа (time-to-first-token), темп выдачи следующих токенов (time-per-output-token), эффективность обработки токенов на ватт мощности и стоимость генерации одного токена. Важна не абстрактная мощность вычислителя, а эффективность работы конкретной модели на конкретной инфраструктуре.
Меняются процессоры. После десятилетий доминирования x64 мы наблюдаем взрыв инженерного творчества. На рынке пока лидирует Nvidia, которая удачно оказалась в нужном месте: игровые GPU сначала подошли для майнинга, а затем — для ИИ. Но активно развиваются альтернативы: китайские Huawei Ascend, Cambricon MLU, Biren, американские Google TPU, Amazon Trainium и Inferentia, Microsoft Maia, Meta MTIA. Есть и необычные решения: Cerebras делает из целой кремниевой пластины один гигантский процессор, превратив wafer-scale computing в коммерческий продукт. Архитектурный ажиотаж привёл к тому, что ИТ-компании переманивают университетских профессоров математики для улучшения алгоритмов, реализуемых в кремнии.
Большим моделям нужно хранить сотни гигабайт и терабайты весов и кэшей, постоянно передавая эти данные вычислительным устройствам. Возникает новая иерархия памяти и интерконнектов. Чиплеты внутри микросборки связывает интерфейс UCIe, рядом с GPU расположена сверхбыстрая HBM-память. Новые PCIe 6.0/7.0 обеспечивают обмен с ускорителями и накопителями, а CXL позволяет объединять память в общие пулы. Когерентные интерконнекты вроде NVLink-C2C и AMD Infinity Fabric превращают память в общий ресурс системы — такие архитектуры были популярны в суперкомпьютерах сорок лет назад, но на скоростях в тысячи раз меньших. NVLink/NVSwitch и UALink связывают десятки ускорителей, а InfiniBand и Ultra Ethernet — серверы и стойки. Технология RDMA позволяет обращаться к памяти удалённых узлов напрямую, без лишнего копирования через CPU. Граница между памятью и сетью размывается: производительность системы всё сильнее зависит от скорости перемещения данных между вычислителями.
Постепенно меняется само понятие компьютера. Раньше естественной единицей был сервер. Теперь десятки CPU и GPU внутри стойки соединяются такими быстрыми интерконнектами, что работают как единая машина. Следующий уровень — группа стоек, а в пределе — весь ЦОД. Поэтому процессоры, память, сеть, хранилища, питание и охлаждение нельзя проектировать независимо. Современные ЦОДы создаются не из россыпи commodity-компонентов, а из сбалансированных программно-аппаратных комплексов.
Меняется характер нагрузки. Ещё год назад огромный кластер был нужен прежде всего для обучения модели, а использование обученной модели казалось дешёвой задачей. С распространением reasoning-моделей и AI-агентов всё иначе. Модель при каждом запросе может выполнять множество промежуточных циклов, обращаться к другим моделям, инструментам и базам данных. Именно массовый inference — повседневная эксплуатация обученных моделей — становится главным потребителем вычислительных ресурсов. ИИ-агенты в ближайшее время станут основными заказчиками мощностей ЦОДов.
Глубина изменений особенно заметна в электропитании и охлаждении. Мощность современной ИИ-стойки превышает 100 кВт, в перспективе обсуждается мегаватт на стойку. Вся энергия превращается в тепло, воздушное охлаждение невозможно, поэтому жидкостное direct-to-chip cooling становится частью архитектуры вычислительной системы. Схема электропитания меняется: большие токи и потери при многочисленных преобразованиях напряжения слишком дороги. В 2026 году Google, Microsoft и NVIDIA через Open Compute Project начали стандартизировать новую схему питания 800 В постоянного тока для следующего поколения ИИ-ЦОДов.
Меняется география ЦОДов. Раньше место выбирали по стоимости земли, связи и близости к пользователям. Теперь главное ограничение — доступная электрическая мощность. ЦОДы размещают рядом с крупными источниками генерации, дополняют накопителями энергии и собственными энергосистемами. Проекты вывода ИИ-ЦОДов в космос выглядят эффектно, но остаются проблемными: одна стойка на мегаватт на солнечной орбите потребовала бы 5,6 тыс. м² солнечных батарей и 2,5 тыс. м² радиаторов. Для сравнения, на МКС шесть радиаторов весом в тонну отводят около 70 кВт тепла. Подводные ЦОДы нравятся больше: надёжность хорошо спроектированного контейнера оказывается в разы выше обычного ЦОД, вероятно, потому что его никто не беспокоит. Но энергоснабжение решается сложно, и обновлять их дорого. Реалистичнее выглядят ИИ-ЦОДы около крупных ГЭС с бесплатным охлаждением, с компактными ядерными реакторами нового поколения и собственными микрогридами на газотурбинных и газопоршневых генераторах.
Резко растут требования к данным. Ещё недавно казалось, что с Big Data уже разобрались. Оказалось, что прежние большие данные — маленькие. Для промышленных ИИ-решений нужно куда больше: обучающие корпуса, изображения и видео, векторные представления документов, история запросов и ответов, данные ИИ-агентов, телеметрия, разнообразные кэши. Теперь у корпораций нет «мусорных данных» — ИИ способен сделать ценные выводы из любой информации. Хранилища, data lake и lakehouse, потоковые системы вроде Kafka, объектные хранилища и NVMe-кэши становятся обязательным компонентом инфраструктуры и складываются в единую многоуровневую систему данных. Без такой высоконагруженной системы управления данными лучшие GPU-ускорители бесполезны.
Усложняется программное управление инфраструктурой. Недостаточно найти свободный сервер и запустить приложение. Нужно учитывать, где хранится или запущена нужная модель, сколько свободной памяти у ускорителя, какую долю GPU выделить под задачу инференса и на какой квант времени, каким интерконнектом соединены GPU, где расположен нужный кэш и какую задержку ответа необходимо обеспечить, где лежат данные и как оптимизировать их извлечение. Поэтому рядом с традиционными средствами управления ЦОДом появляются специализированные планировщики и системы управления распределённым выполнением ИИ-нагрузок.
ИИ превращает ЦОД из помещения с множеством относительно независимых серверов в один огромный распределённый компьютер. Его процессоры, память, сеть, хранилища, питание, охлаждение и ПО проектируются совместно. Естественной формой поставки такой инфраструктуры становятся программно-аппаратные комплексы — от Nvidia, Dell, Huawei за рубежом и от российских вендоров. Самостоятельно собрать сбалансированную ИИ-систему даже из лучших компонентов становится всё труднее.
А вы уже задумывались, готова ли ваша инфраструктура к переходу от «серверов в стойке» к единому распределённому компьютеру?

Схожие новости

#	Наименование новости	Тональность	Информативность	Дата публикации
1	The AI Inference Revolution Is Here	0	15.2	15-09-2026
2	ИИ-агенты в продуктиве: решает не количество ускорителей, а архитектура вокруг них	1	14.55	25-09-2026
3	Про ИИ и нейросети... Я очень часто встречаюсь с заблуждениями ...	0	5.44	01-10-2026
4	«Гигант — Компьютерные системы»: GPU-серверы становятся дефицитом из-за спроса на ИИ	0	22.13	01-10-2026
5	«Гигант — Компьютерные системы»: GPU-серверы становятся дефицитом из-за спроса на ИИ	0	22.13	01-10-2026
6	Облачные провайдеры берут плату не за железо, а за лень ...	0	14.96	28-09-2026
7	Облачные провайдеры берут плату не за железо, а за лень ...	0	11.1	27-09-2026
8	Облачные провайдеры берут плату не за железо, а за лень ...	0	9.49	29-09-2026
9	Пятая колонна существует не первый день. Это они визжат о ...	0	15.34	02-10-2026

Классификация: . Схожих патентов: 0. Схожих новостей: 9. Тональность: 0. Информативность: 9.18. Источник: vk.com.