Centrum wiedzy

Poznaj certyfikowane i zgodne z IEC 62443-4-2 urządzenia Moxa dla cyberbezpieczeństwa OT: routery, switche, serwery portów szeregowych, komputery przemysłowe i bramy komunikacyjne.

Rozwiązanie problemu, gdy system Polyscope nie uruchamia się poprawnie

Czas złożyć wszystko w jedną decyzję. W ostatniej części prowadzimy Cię ścieżką doboru stacji pod lokalne AI: od wzoru na rozmiar, przez gotowe scenariusze sprzętowe, po pełny stos. Pokazujemy też, dlaczego chmura ma swoje problemy, czyli nieprzewidywalne ceny, zależność od dostawcy i prywatność danych, i kiedy rachunek wychodzi po stronie rozwiązania lokalnego.

Każdy wat, który wchodzi do GPU, wychodzi jako ciepło, a to ciepło wyznacza realne granice projektu. W tej części omawiamy pobór mocy nowoczesnych akceleratorów, gęstość mocy w szafie rack i progi przejścia z chłodzenia powietrznego na ciecz oraz immersję, a także dobór form factoru: od bezwentylatorowego BoxPC na brzegu sieci po serwer w racku.

Najszybsze GPU stoi bezczynnie, jeśli dane nie docierają na czas. W tej części pokazujemy, jak dobrać pamięć masową i sieć pod lokalne AI: od dysków NVMe Gen5 i GPUDirect Storage, przez InfiniBand i Ethernet ze Spectrum-X, po pełny zestaw układów komunikacyjnych NVIDIA, czyli DPU BlueField, SuperNIC ConnectX i NVLink Switch.

Liczy GPU, ale to procesor, pamięć operacyjna i platforma decydują, czy karta dostanie dane na czas. W tej części, prowadzonej w duchu Intel-first, tłumaczymy, ile rdzeni i kanałów pamięci naprawdę potrzeba, czym jest akcelerator AMX do inferencji na CPU i jak dobrać platformę: od Core Ultra, przez Xeon w, po Xeon 6 i NVIDIA Grace.

GPU to serce stacji do AI i zwykle jej najdroższy element, a zarazem wybór, w którym najłatwiej przepłacić albo kupić kartę, która nie udźwignie modelu. W tej części pokazujemy, jak czytać specyfikację akceleratora pod inferencję i agentów: typy pamięci, architektury, formaty precyzji i pełną mapę układów NVIDIA, od stacji roboczych po centrum danych.

Dobra odpowiedź na pytanie „jaki sprzęt pod lokalne AI?" nie zaczyna się od nazwy karty graficznej. Zaczyna się od zrozumienia, co obciąża sprzęt podczas pracy modelu. W pierwszej części serii rozkładamy lokalne AI na trzy liczby: pojemność pamięci (VRAM), jej przepustowość i moc obliczeniową, oraz pokazujemy, jak kwantyzacja i KV cache decydują o doborze stacji.

Prosta instrukcja konfiguracji symulatora Universal Robots dla CB3, e-Series i PolyScopeX

Zobacz, jak włączyć usługę SSH, użyć PuTTY i zalogować się do terminala robota