איך גורמים לכמה דאטה סנטרים לעבוד כקלאסטר AI אחד?

10 ספטמבר, 2026

טור אורח: שי חיים, מנהל שיווק מוצר ב-DriveNets, מסביר מדוע מגבלות החשמל והשטח הופכות את הרשת המחברת בין דאטה סנטרים לחלק ממערכת המחשוב עצמה

תעשיית ה-AI מתנהלת במספרים גדולים: יותר GPUs, יותר שרתים ויותר זיכרון. אבל ככל שהמודלים גדלים, המשאבים הזמינים בדאטה סנטר יחיד הופכים למגבלה משמעותית. מודלים גדולים דורשים אלפי GPUs, ובמקרים מסוימים אף יותר. כל המעבדים האלה זקוקים לחשמל, לקירור, לשטח ולתשתיות תקשורת. בשלב מסוים, גם אתר ענק מגיע למגבלותיו הפיזיות.

תמיד אפשר לרכוש עוד GPUs, אבל בניית תחנת כוח חדשה היא עניין מורכב בהרבה. מכאן נולד הצורך לפצל את כוח המחשוב בין כמה אתרים.

ברגע שזה קורה, האתגר משתנה. כדי ש-GPUs המפוזרים בין כמה אתרים יתפקדו מבחינה לוגית כקלאסטר AI אחד, הם צריכים להעביר ביניהם כמויות אדירות של מידע ברמת ביצועים גבוהה. יישומי AI רגישים מאוד לעיכובים ולאובדן מידע, וגם תקלה קטנה בתעבורה עלולה לגרור שליחה חוזרת של נתונים, להאריך את זמן האימון ולבזבז זמן GPU יקר.

במצב כזה, התקשורת בין האתרים אינה משמשת רק צינור להעברת מידע, אלא הופכת לחלק ממערכת המחשוב עצמה. איכות החיבור, היכולת להתמודד עם עומסים ואופן ניהול התעבורה משפיעים ישירות על מידת הניצול של כוח המחשוב הקיים.

גם למרחק יש משמעות רבה. במרחק של כ-100 קילומטר, זמן ההלוך והשוב של המידע עומד על כאלפית השנייה. ברוב היישומים מדובר בפרק זמן זניח, אבל בסביבת AI, שבה אלפי מעבדים מחליפים ביניהם מידע ללא הפסקה, כל עיכוב עלול להיות משמעותי.

האתגר הזה משנה גם את הדרך שבה ארגונים צריכים לתכנן תשתיות AI. בעבר אפשר היה להתייחס לכל דאטה סנטר כיחידה כמעט עצמאית. כיום, ככל שהיקפי המחשוב גדלים, התכנון צריך להביא בחשבון גם את החיבור בין האתרים: מה המרחק ביניהם, כמה תעבורה עוברת ביניהם וכיצד מונעים מהרשת עצמה להאט את המערכת כולה.

הפריסה בין כמה אתרים פותחת גם אפשרויות שאינן קיימות בדאטה סנטר יחיד. ארגונים הבונים קלאסטר AI יכולים לנצל מקורות חשמל ושטח באזורים שונים, לקרב חלק מעומסי המחשוב למשתמשים ולשמור מידע בגבולות גיאוגרפיים מסוימים בהתאם לדרישות רגולטוריות. פיזור המשאבים עשוי גם לשפר את השרידות: תקלה באתר אחד אינה חייבת להשבית את סביבת המחשוב כולה, כל עוד ניתן להמשיך להפעיל את השירות באמצעות משאבים באתרים אחרים.

מכאן שגם תכנון הקישור בין האתרים צריך להשתנות. רשתות WAN מסורתיות לא נבנו לעומסי AI, המתאפיינים בקפיצות חדות בתעבורה ודורשים זמן תגובה צפוי ואובדן מידע מזערי. חיבור קלאסטרים של AI בין אתרים מרוחקים מחייב קיבולת גבוהה ויציבה, לצד יכולת לספוג עומסים רגעיים בלי לאבד מידע. אחרת, גם ה-GPUs היקרים ביותר עלולים להישאר בהמתנה בגלל התקשורת.

כבר היום אפשר לראות כיצד הגישה הזו עוברת לשטח. חברת WhiteFiber האמריקאית חיברה שני דאטה סנטרים המרוחקים כ-84 קילומטר זה מזה, כדי שיוכלו לפעול כחלק מקלאסטר משותף. בבדיקות נמדדה תעבורה של 111.2 טרה-ביט בשנייה, לצד זמן השהיה של 0.9 אלפיות השנייה.

המקרה הזה מעניין לא רק בגלל המספרים, אלא גם בגלל מה שהוא מלמד על השלב הבא בהתפתחות תשתיות ה-AI. אם אפשר לגרום למשאבי מחשוב הנמצאים בעשרות קילומטרים זה מזה לעבוד יחד ברמת ביצועים הקרובה לזו של אתר יחיד, המשאבים בדאטה סנטר בודד כבר אינם מגדירים בהכרח את גבולות הקלאסטר.

המרוץ הבא לא יתנהל רק סביב השאלה מי מחזיק ביותר GPUs, אלא גם סביב היכולת לנצל אותם טוב יותר, אפילו כשהם אינם נמצאים באותו אתר. ככל שקלאסטרי ה-AI ימשיכו לגדול, היכולת לגרום לכמה דאטה סנטרים לעבוד יחד תהפוך מפתרון נקודתי ליכולת בסיסית. ארגונים שימשיכו להתייחס לכל דאטה סנטר כיחידה נפרדת עלולים לגלות שהמגבלה האמיתית שלהם כבר אינה כוח המחשוב, אלא התקשורת.

פורסם בקטגוריות: חדשות