如果你有100万美元AI预算：来看看Pure和Nvidia联手打造的AIRI系统

　　Pure Storage和Nvidia打造了一个融合的机器学习系统，以使用数百万个数据点训练人工智能模型。

　　这个被称为AIRI（AIRI-AI-Ready Infrastructure）的系统将Pure FlashBlade全闪存阵列与4个Nvidia DGX-1 GPU加速系统以及一对100GbitE交换机结合在一起。

　　该系统由Pure和Nvidia共同设计，据说在购买、部署和操作方面要比单独购买和集成组件更容易更简单，是标准化的融合基础设施。

　　AIRI是你数据中心所需要的

　　FlashBlade是Pure Storage的全固态存储阵列，可快速访问非结构化数据，这个4U系统包含15个垂直安装的刀片或对象节点服务器，每个刀片都有一个多核英特尔至强CPU和17TB闪存，总共255TB容量，或者数据缩减后523TB有效容量。每个刀片还包含一对ARM核心、一个FPGA、NVRAM和基于PCIe的网络。这绝对不是基于SSD的商用系统。

　　这是一个强大的并行访问闪存阵列，在AIRI中必须配置超过160,000个GPU核心。

　　AIRI将数据提供给4台基于英特尔至强处理器、配有8个Tesla V100 GPU（与NVlink相连）的DGX-1系统。这些都是性能强大的GPU，每个配有5,120个CUDA核心，640个Tensor核心，16MB缓存和带宽为900GB/s的16GB HBM2内存组。V100使用64位浮点运算的最大输出功率为7.5TFLOPS，32位浮点运算为15TFLOPS。

　　除了32个V100之外，AIRI还有163,840个CUDA核心和20,480个Tensor核心。我们得知，AIRI提供了4个Tensor PFLOPS，一个方面是应用（机器学习任务）必须在容器中运行。

　　为了连接到外部世界，采用了若干个支持GPUDirect RDMA的Arista 100GbE交换机，这为使用PCIe的GPU和FlashBlades之间数据传输提供了直接快速的路径。FlashBlade和DGX-1之间的接口是基于文件的：NFS over ROCE (RDMA Over Converged Ethernet)。

　　这里使用了具体哪款Arista产品并未对外透露。

　　有两个包含的软件项目：

　　- Nvidia的GPU Cloud Deep Learning Stack。

　　- AIRI扩展工具包，它是一个配置验证器和多节点训练管理系统。

　　Pure表示，这款软件将可以帮助数据科学家在几个小时内——而不是数天或数周——启动并运行机器学习项目。

　　在机器学习领域，AIRI的竞争对手包括HPE的Apollo 6500 gen-10系统和增强采用GPU的IBM AC922服务器，AIRI看起来更强大一些。

　　HPE的Apollo 6500 gen-10使用单精度浮点数学运算的性能高达125 TFLOPS。同样条件下单个V100大约可以达到15 TFLOPS，这意味着一个DGX-1的性能就可以达到大约120 TFLOPS，而AIRI则可以达到480 TFLOPS，不是一个量级的。

　　IBM的AC922支持多达6个Tesla V100 GPU，比单个DGX-1少2个，而AIRI有4个DGX-1，同样地，和IBM系统不是一个量级的。

　　Pure表示，多个训练任务可以并行运行，并且在AIRI上比其他系统完成地更快，运行时间减少到原来的1/4。

　　价格怎么样？ Pure没有提供价格信息，称这取决于渠道供应商，但会一定程度上反映组件的成本。

　　计算一下，4个DGX-1大约是60万美元。Arista交换机的成本在3,000美元以上，而FlashBlade的成本低于1美元/ GB，这意味着523TB的有效容量的成本将低于523,000美元。

　　所以这可能是一个百万美元量级的系统，适合大型企业或专有客户购买。该系统支持4个DGX-1，但可以从1个-2个DGX-1开始部署，降低前期成本。

　　目标客户是那些需要运行大量大型机器学习任务、对数百万数据项目进行模型训练的组织。

　　每个DGX-1的功耗为3.2kW，因此在考虑存储和网络以及英特尔计算芯片等因素之前，你的功耗已经接近13kW。

　　目前Pure已经通过特定经销商合作伙伴提供AIRI，包括ePlus Technology、FusionStorm、GroupWare Technology、PNY、Trace3、World Wide Technology和Xenon等。

　　举报/反馈