Supermicro Open Storage Summit ’26

AI推理存储需要在性能和成本之间进行权衡。要在预算成本范围内实现目标性能，需要精心设计并为每项任务选择最佳存储技术。将采用全闪存介质的高性能并行文件系统与主要基于硬盘驱动器的对象存储层相结合，可以同时实现高性能和优化。 TCO本次会议汇聚了来自 WEKA、Scality、三星半导体、西部数据等公司的文件和对象存储、闪存介质、硬盘驱动器和 CPU 领域的领导者。 Supermicro 描述所有这些要素如何在工程解决方案中结合起来。

虽然各垂直行业通常使用通用的AI硬件和软件，但金融服务、生命科学/制药和制造业等行业却有着独特的需求，包括响应时间、数据和工作流程。本次小组讨论将探讨…… DDN铠侠、WD 和Supermicro 演讲者以金融市场交易和基因组学工作流程为例，探讨了该软件如何发挥作用。 SSD 和HDD 本文探讨了存储介质和系统要求，并分析了它们的共同点和差异。

与所有IT项目一样，人工智能项目也需要用户验收测试、集成测试和部署。然而，在正式投入生产之前，它们还面临着额外的挑战，包括成本和代币经济效益、可扩展基础设施的选择、数据准备、访问和治理以及用户引导。本次小组讨论将邀请Nutanix、MinIO、PEAK:AIO等公司参与。 Supermicro 探讨了这些挑战，并根据以往的部署经验提供了最佳实践。

专注于大规模人工智能工作负载的新型云平台，既拥有超大规模云的规模，又保持了对人工智能的专属关注。本次会议将重点探讨新型云平台如何提供差异化​​的服务、规模和存储，以支持客户的人工智能工作负载。Crusoe 的代表将与合作伙伴一起，探讨新型云平台如何实现其特性和功能的差异化。 Supermicro ， VAST 数据和铠侠。

大规模推理需要优化计算、存储和网络性能。在本环节中，演讲者将探讨 IBM 如何应对这一挑战。 Supermicro Kioxia 可以提供高度可扩展的 AI 推理解决方案。本次会议还将阐述 KV Cache 和 AI 数据平台 (AIDP) 对于提升推理响应时间和优化 AI 工厂设计至关重要的原因，以及该组合解决方案在缩短首次令牌响应时间、优化 AIDP 的数据和计算设计方面所带来的优势。 Supermicro 全闪存存储系统。

企业通常拥有各种各自独立的传统存储系统。增加容量需要扩展这些传统系统或部署全新的基础设施。人工智能对整合现有存储系统和数据，同时增加专用容量提出了新的要求。本次会议将重点介绍 Hammerspace、Sandisk 等公司。 Supermicro 探讨如何将现有和新增能力与新兴人工智能工作流程相结合。

大规模智能体人工智能需要高容量、低延迟的上下文内存来存储和检索推理工作流中使用的键值（KV）缓存数据。为了解决这个问题，人们提出了新的存储层和架构，通过平衡推理查询的重新处理和先前计算的标记的检索来实现。这个位于本地GPU系统固态硬盘（SSD）和网络存储之间的新层被称为“上下文内存”，它允许将长上下文标记持久存储在大规模存储阵列中。本次会议将…… VAST 数据、Solidigitm 和Supermicro 描述了上下文内存层的实现、用途和权衡。

数据湖和数据湖屋在人工智能领域找到了新的用途，超越了传统的分析和数据仓库。现代数据湖构建于对象存储基础设施之上，并采用行业标准数据格式以确保互操作性。数据湖屋的事务处理能力也原生支持人工智能工作流，包括数据管道处理、推理工作负载和上下文内存服务。来自 MinIO 的演讲者们， AMD 和Supermicro 探讨数据湖和湖屋角色的转变。

AI 数据平台代表了一种新型的 AI 基础设施，它负责企业数据的预处理，包括数据摄取、规范化、向量化以及将数据移交给企业 AI 工厂。这些可扩展的系统集成了数据管理和 GPU 基础设施，可以从小规模起步，满足工作组的需求，并随着需求的增长而扩展。预集成的软硬件能够加快现场部署和运行准备速度。内置的 RAG（红绿灯）、视觉搜索和文档处理等工作流程，为 AI 提供了一个便捷的起点。来自……的专家DDN Solidigm 和Supermicro 探讨人工智能数据平台的应用案例。

下一代云存储融合了本地边缘服务，提供低延迟的本地存储节点，可由云服务提供商 (CSP) 集中管理。在本次会议中，CSP Iron Mountain 将介绍 Iron Cloud 的下一阶段，其中包括用于本地备份和检索的本地解决方案，该方案还能将数据迁移到 Iron Cloud 后端进行长期保留。此解决方案集成了 Scality 对象存储并使用Supermicro 后端和边缘系统。

非结构化数据占企业独特数据的 80%-90%。由于成本以及人工智能工作流程、物联网传感器和其他机器生成数据的快速扩展，大多数企业仅保留其生成数据的 5%。这些数据中的大部分对于未来的训练、合规性审计、调试和理解人工智能输出都极具价值。聚合、规范化和处理这些数据是企业人工智能实施的基础。来自 Cloudian、Hammerspace、Seagate 等公司的领导者们正在积极探索如何利用这些数据来构建企业级人工智能。 Supermicro 探讨管理和保留这些数据的最佳实践。

企业级人工智能，尤其是智能体人工智能，带来了新的IT挑战，包括数据准备和治理、硬件和软件基础设施、部署模型、扩展性和经济性以及运维。本次与Nutanix的会议， AMD 和Supermicro 汇聚人工智能基础设施领域的专家，从解决方案、芯片和系统角度探讨本地部署和混合部署模型、解决方案集成等话题。