Искусственный интеллект быстро переходит от экспериментов к рабочим задачам: компании используют чат-боты и ассистентов, запускают собственные модели на корпоративных данных. Но традиционная ИТ-инфраструктура не рассчитана на обучение и работу больших языковых моделей — и узкие места обнаруживаются уже после закупки оборудования.
На конференции «ИТ-Решения 2026» технический директор Netland Владимир Пластов рассказал, какие требования задачи AI предъявляют к инфраструктуре, какие архитектуры и технологии применяются и где разворачивать AI — в собственном ЦОД, в облаке или в гибридном варианте. В этой статье — главное из доклада.
Начинать любой AI-проект стоит с оценки текущей инфраструктуры ЦОД: готова ли она к новой нагрузке.
Основа вычислительного узла для AI — графические ускорители (GPU). Ещё год назад один ускоритель потреблял около 300 Вт, сегодня — 700 Вт и более. Когда в узел устанавливают несколько таких ускорителей, растут и энергопотребление, и тепловыделение.
В типовом ЦОД на стойку подают 5–10 кВт. Одного-двух серверов для AI достаточно, чтобы полностью занять этот ресурс, — и остальному оборудованию в стойке питания уже не хватит. Всё выделяемое тепло нужно отводить: возможно, понадобится жидкостное охлаждение или более производительная схема холодного и горячего коридоров. Эти вопросы нужно просчитать до закупки, а не после.

Есть два основных подхода.
Вертикальное масштабирование — наращивание мощности одного сервера: добавить графические ускорители, заменить процессоры, увеличить оперативную память, перейти на NVMe-диски. Подходит, пока задачи помещаются в рамки одного узла.
Горизонтальное масштабирование — добавление новых узлов той же или другой конфигурации. Нужно, когда задач и моделей становится больше и одного сервера недостаточно.

Из горизонтального масштабирования вырастает дезагрегация ресурсов: вычислители, процессорные мощности и память объединяются в общие пулы, из которых ресурсы выделяются под конкретные задачи. Принцип тот же, что у серверной виртуализации: вместо «один сервер — одна задача» ресурсы гибко распределяются и используются полностью.
Графические ускорители обмениваются данными с остальными компонентами сервера по шине PCI Express — её пропускная способность около 128 ГБ/с. При этом современный ускоритель, например NVIDIA H200, внутри себя работает на скорости 4,8 ТБ/с. Шина не успевает — поэтому производители наращивают память прямо в графических чипах, а ускорители соединяют напрямую.

Для связи между серверами строят сетевые фабрики на одной из двух технологий:

Ещё одно узкое место — передача данных от системы хранения к ускорителю. При классической схеме данные проходят через центральный процессор и оперативную память сервера. Технология NVIDIA GPUDirect Storage на базе RDMA передаёт их напрямую из системы хранения данных в память GPU — быстрее и с минимальными задержками.

Fibre Channel для этого не подходит: он построен на блочном доступе и SCSI-командах, которые обрабатывает центральный процессор. Для некритичных задач его можно использовать, но если вы строите большой ЦОД под AI, такие технологии стоит заложить сразу — чтобы не перестраивать инфраструктуру позже.

Собственная инфраструктура (on-premise). Самый распространённый вариант у белорусских заказчиков: компания покупает вычислительные узлы с процессорами и графическими ускорителями, системы хранения данных и сетевое оборудование, задачи выполняются в её ЦОД. Netland поставляет для таких проектов серверы Cisco, Lenovo, Dell и Supermicro — привычные заказчикам решения enterprise-класса, с системами мониторинга и управления, которыми они уже пользуются.
Облако. В Беларуси появился новый формат: облачная AI-инфраструктура внутри страны. Партнёр Netland hoster.by предоставляет оборудование и готовые LLM-модели в своих ЦОД. Важно, что инфраструктура находится в контуре безопасности, аттестованном Оперативно-аналитическим центром, — заказчику не нужно аттестовывать собственный ЦОД под задачи AI. Доступны bare-metal и облачные серверы, а оплата возможна по модели pay-as-you-go — только за использованные токены. Модели построены на open source, поэтому нет привязки к вендору.
Гибридный вариант. Вычислительный узел устанавливается в собственном ЦОД, а часть задач выполняется в облаке. Конфиденциальные данные остаются внутри компании, а облачные мощности подключаются там, где они нужны, — это помогает сократить расходы на токены облачной модели.
Подбор оборудования зависит от модели, которую вы будете использовать. Требования к ресурсам обычно формулируют разработчики: они тестируют модель и понимают, сколько и каких графических ускорителей и процессоров нужно. Если объёмы пока неясны, начните с облака: загрузите проект, оцените нагрузку и уже затем решайте, расти в собственном ЦОД или остаться у облачного провайдера.
Если решение будет расти внутри компании, можно начать с минимальной конфигурации — нескольких ускорителей среднего уровня — и наращивать её по мере роста. Флагманские модели вроде NVIDIA H100 или H200 нужны далеко не для каждой задачи. Также важно учитывать, что не всё оборудование сегодня доступно к поставке в Беларусь.
Отдельная тема — безопасность AI-инфраструктуры. Подробнее о рисках корпоративного AI рассказал на конференции Семён Лапко, Axoft: видео доклада.
Netland поможет оценить готовность инфраструктуры к задачам AI: рассчитать энергопотребление и охлаждение, подобрать серверы, системы хранения и сетевое оборудование, спроектировать ЦОД или гибридную схему с облаком. Оставьте заявку — обсудим вашу задачу.
На сайте netland.by используются cookie для обеспечения удобства пользователей, предоставления персонализированных рекомендаций, сбора аналитической статистики.
Нажимая "Продолжить", вы даете согласие на обработку персональных данных.