de.wedoany.com-Bericht: Die chinesische Sugon Information Industry Co., Ltd. hat kürzlich drei Pläne zur Aufrüstung der KIInfrastruktur bekannt gegeben. Die Bauvorhaben umfassen fortschrittliche Rechencluster-Systeme für Künstliche Intelligenz, die nächste Generation von Hochleistungs-KI-Trainings- und Inferenzsystemen sowie lokalisierte Hochleistungsspeichersysteme. Alle drei Projekte werden von Sugon durchgeführt, auf bestehenden Firmengeländen realisiert und benötigen keine zusätzlichen Bauflächen. Der Schwerpunkt liegt auf der technologischen Verknüpfung von Superknoten, Hochgeschwindigkeitsverbindungen, heterogenem Rechenmanagement, Trainings- und Inferenzgeräten für große Modelle sowie Hochleistungsspeichern.
Es handelt sich hierbei nicht um eine einfache Servererweiterung. Die Bauzeit für das fortschrittliche Rechencluster-System beträgt vier Jahre. Die Kernaufgaben umfassen die Entwicklung der nächsten Generation von Hardware-Systemen für Rechen-Superknoten, Hochgeschwindigkeits-Verbindungssystemen, systemnahen Basis-Software-Stacks sowie einer Management- und Betriebsplattform für heterogene Rechenressourcen. Sugon plant, die Rechendichte und -effizienz einzelner Superknoten weiter zu erhöhen und den Verbindungsumfang zwischen den Beschleunigerkarten zu vergrößern. Gleichzeitig werden Schnittstellen für zukünftige Hochleistungschips und neue Hardware-Architekturen reserviert, damit der Cluster kontinuierlich für das Training großer Modelle, Inferenz und wissenschaftliche Rechenaufgaben erweitert werden kann.
Die Hochgeschwindigkeitsverbindung wird dabei zum Schlüsselfaktor für die Skalierbarkeit des Gesamtsystems. Gemäß dem Projektplan wird sich das neue Verbindungssystem auf Szenarien mit hoher Kommunikationslast wie verteiltes Training, paralleles Rechnen und massiven Datenaustausch konzentrieren. Das Ziel ist die Fähigkeit zur linearen Skalierung auf Knotenebene im Zehntausend-Beschleunigerkarten-Maßstab und die Schaffung technologischer Reserven für Cluster mit über einer Million Karten. Mit zunehmender Anzahl von Beschleunigerkarten hängt die Rechenleistung nicht mehr nur von der Einzelkartenleistung ab; die Kommunikationslatenz zwischen den Karten, die Datenaustauscheffizienz und die Fähigkeit zur knotenübergreifenden Zusammenarbeit beeinflussen direkt die Gesamtauslastung der Rechenleistung. Daher wird in diesem Projekt das Verbindungsnetzwerk zusammen mit der Superknoten-Hardware in einem einheitlichen System entwickelt, anstatt verschiedene Geräte einfach zu einem Cluster zusammenzufügen.
Der Softwareteil wird parallel modernisiert. Sugon beabsichtigt, durch eine einheitliche Basissoftware-Umgebung die Unterschiede der zugrunde liegenden Hardware zu überbrücken, das Speichermanagement, Ein-/Ausgabe und parallele Kommunikation zu optimieren und verschiedene Rechenhardware-Typen wie CPUs, GPUs und NPUs einheitlich zu verwalten. Nach der Systemfertigstellung soll eine dynamische Zuweisung für Aufgaben wie das Training großer Modelle, Inferenz, wissenschaftliches Rechnen und Cloud-Dienste erfolgen, um den Anpassungsaufwand zwischen verschiedenen Chips, Servern und Softwareplattformen zu reduzieren. Das Projekt gibt an, dass durch die gemeinsame Optimierung von Hard- und Software die Gesamtnutzungskosten pro Karte um über 30% im Vergleich zu bestehenden Lösungen gesenkt werden können und der Energieverbrauch pro Token bei der Verarbeitung von Modellen mit hundert Milliarden Parametern um 50% reduziert wird. Diese Indikatoren müssen jedoch noch in der anschließenden Entwicklung, Erprobung und großflächigen Bereitstellung verifiziert werden.
Während die Rechencluster das Problem der Organisation großer Ressourcen lösen, richten sich die Trainings- und Inferenzsysteme an Unternehmensrechenzentren und Einzelanwendungsszenarien. Die Bauzeit für dieses Projekt beträgt drei Jahre. Die Produktpalette wird 8-Karten-KI-Systeme, 16-Karten-KI-Systeme und Desktop-Flüssigkeitskühlungs-Workstations umfassen. Die 8- und 16-Karten-Geräte können als grundlegende Recheneinheiten in Rechenzentren oder Rechenzentren eingesetzt werden, während die Desktop-Flüssigkeitskühlungs-Workstations für kleinere, dezentralere Modellanwendungen gedacht sind. Die Hardware wird auf nationalen CPUs und nationalen KI-Beschleunigerkarten basieren und durch ein einheitliches Rechenframework die Koordinationseffizienz zwischen Prozessoren und Beschleunigerkarten verbessern.
Die Art der Geräteauslieferung wird sich ebenfalls ändern. Derzeit werden einige KI-Server hauptsächlich als separate Hardware ausgeliefert, mit begrenzter Integration von Modellen und Softwaretools. Die nächste Produktgeneration wird Hardware-Plattform, Systemsoftware, Trainings- und Inferenz-Engines, Modellentwicklungs-Kits, Leistungsoptimierungstools und Betriebs- und Überwachungsfunktionen in einem einzigen Gerät integrieren. Dazu gehören eine One-Stop-Bereitstellungs- und Managementplattform für große Modelle, eine Toolchain zur Beschleunigung von Training und Inferenz sowie eine Serviceplattform für die integrierten Systeme. Ziel ist es, den Modellimport, die Anpassung, das Debugging, die Bereitstellung und das Laufzeitmanagement in einem einzigen System zu bündeln und so die technischen Hürden für Unternehmen beim Aufbau privater Umgebungen für große Modelle zu senken.
Die lokalisierte Speicherung ist die dritte Hauptlinie der drei Projekte. Die Bauzeit für dieses Projekt beträgt ebenfalls drei Jahre. Es wird auf Basis nationaler CPUs, Ein-/Ausgabe-Controller und Netzwerk-Controller die Entwicklung lokalisierter All-Flash-Arrays vorantreiben und nicht-nationale PCIe-Switches durch nationale ersetzen. Das Hardware-System wird auch die PCIe-Topologie anpassen, Prozessoren der nächsten Generation einführen und so die Speichererweiterungsfähigkeit verbessern, während gleichzeitig der Stromverbrauch des Gesamtsystems gesenkt wird. Für das Training großer Modelle und die Verarbeitung multimodaler Daten müssen Speichersysteme nicht nur riesige Datenmengen speichern, sondern auch kontinuierlich eine hohe Bandbreite und geringe Latenz für den Datenabruf durch die Rechenknoten bereitstellen, da sonst Beschleunigerkarten aufgrund von Datenwartezeiten ungenutzt bleiben könnten.
Die Speichersoftware wird sich nicht nur um traditionelle Datei-Lese-/Schreib-Upgrades drehen. Das Projekt wird die Unterstützung für SMB, NFS und proprietäre KI-Protokolle erweitern, die Technologien „Super-Tunnel" und effizientes Indexmanagement aufrüsten und gleichzeitig die Zuverlässigkeit von Dateisystemen, persistenten Daten, Anwendungsdaten und Cache-Daten verstärken. Zukünftige Produkte werden neue Generationen von verteiltem Speicher, Hochgeschwindigkeits-Parallel-Dateispeicher, intelligentem Speicher und Cloud-nativem Speicher umfassen, um den häufigen Datenzugriff, die Verarbeitung unstrukturierter Massendaten und den gleichzeitigen Zugriff mehrerer Knoten während des Trainings großer Modelle zu bewältigen.
Die drei Projekte wurden bereits registriert (Aktenzeichen: Jin Gao Xin Shen Tou Bei [2026] Nr. 124, 125 und 126) und werden alle auf bestehenden Geländen von Sugon durchgeführt. Nach der aktuellen Planung hat das Rechencluster-System eine längere Bauzeit, während die Projekte für die Trainings-/Inferenzsysteme und die lokalisierte Speicherung zeitlich konzentrierter sind. Die nächsten Schritte werden sich hauptsächlich auf die Entwicklung der Kernhardware, die Softwareplattformentwicklung, Prototypentests, Systemintegration und die Validierung im großflächigen Einsatz konzentrieren.
Aus technischer Sicht integriert Sugon derzeit Superknoten, Hochgeschwindigkeitsverbindungen, Rechenmanagement, integrierte Systeme und Speichersysteme in eine einheitliche KI-Infrastruktur. Rechenknoten führen Aufgaben aus, das Verbindungsnetzwerk übernimmt den massiven Datenaustausch, eine einheitliche Softwareplattform verwaltet heterogene Ressourcen, die integrierten Systeme übernehmen die Modellbereitstellung auf Unternehmensseite, und die lokalisierte Speicherung versorgt Training und Inferenz kontinuierlich mit Daten. Nur wenn all diese Komponenten gleichzeitig aufgerüstet werden, kann die Rechenleistung eines Zehntausend-Karten-Clusters in tatsächlich nutzbare, verwaltbare und langfristig betreibbare Rechenleistung umgewandelt werden.
