مقالات

در زیرساخت IT، هر دو اشتباه می‌توانند پرهزینه باشند. گاهی یک تجهیز فقط به این دلیل که چند سال از عمرش گذشته، در لیست Replacement قرار می‌گیرد؛ در حالی که هنوز کاملاً نیاز سازمان را پاسخ می‌دهد. از طرف دیگر، تجهیزاتی را هم می‌بینیم که سال‌ها بعد از پایان عمر منطقی‌شان در شبکه یا دیتاسنتر […]

فکر نکنیم نمی‌شود تجهیزات خاص را تعمیر کرد.من هنوز سازمان‌هایی را می‌بینم که وقتی یکی از تجهیزات تخصصی زیرساخت، مخصوصاً Storage یا Tape Library، دچار مشکل می‌شود، خیلی سریع به این نتیجه می‌رسند که دستگاه دیگر قابل استفاده نیست و باید برای خرید جایگزین درخواست بدهند.در حالی که در خیلی از موارد، مشکل واقعاً آن‌قدر

اگر برای خرید تجهیزاتی مثل سرور، تجهیزات شبکه، استوریج یا Tape Media استعلام گرفته باشید، احتمالاً با قیمت‌هایی روبه‌رو شده‌اید که اختلافشان فقط چند درصد نیست. این اختلاف همیشه به معنی گران‌فروشی یا ارزان‌فروشی نیست. چند عامل می‌تواند قیمت نهایی را تغییر دهد: • مدل و مشخصات دقیق: گاهی دو کالا از نظر ظاهری مشابه‌اند،

برای کارتریج ذخیره‌سازی از نظر کیفیت برند محصولات، می‌توانیم بازار را به چهار گروه تقسیم کنیم. البته وقتی درباره LTO صحبت می‌کنیم، صرفاً اسم روی جعبه مهم نیست. اصالت کالا، شرایط نگهداری، عمر کارتریج و نحوه تأمین هم می‌توانند مستقیماً روی اطمینان‌پذیری Media اثر بگذارند. اما اگر بخواهیم از نظر برند و برای استفاده سازمانی

اگر بخواهم این سؤال را برای بازار ایران جواب بدهم، پاسخ من این است:بله؛ Supermicro می‌تواند انتخاب خیلی خوبی باشد، اما نه برای هر پروژه و مهم‌تر از آن، نه از هر فروشنده‌ای.Supermicro یک تفاوت جدی با خیلی از برندهای سنتی Enterprise دارد:فلسفه طراحی آن بر پایه Building Block و تنوع بسیار زیاد Configuration است.

در زیرساخت‌های جدید AI، دیگر فقط این سؤال مهم نیست که «چه GPUای داریم؟» یک سؤال مهم‌تر هم کنار آن قرار گرفته است:داده با چه سرعتی بین GPUها جابه‌جا می‌شود؟ اگر شبکه و Fabric نتوانند هم‌پای پردازنده‌ها کار کنند، حتی قدرتمندترین GPUها هم بخشی از زمان خود را منتظر می‌مانند. این یعنی بخشی از سرمایه‌گذاری

وقتی درباره زیرساخت هوش مصنوعی صحبت می‌کنیم، معمولاً اولین توجه به قدرت GPU است. اما یک محدودیت مهم‌تر گاهی دیر دیده می‌شود: حافظه. اگر مدل در حافظه جا نشود یا داده با سرعت کافی به پردازنده نرسد، حتی GPU قدرتمند هم نمی‌تواند از تمام ظرفیت خود استفاده کند. به نظرم مسیر چند نسل اخیر NVIDIA

وقتی مشخصات نسل جدید پردازنده‌ها و شتاب‌دهنده‌های AMD را می‌بینیم، عددهای مربوط به توان مصرفی خیلی زود جلب توجه می‌کنند. مثلاً در بعضی مدل‌های EPYC 9005، توان طراحی‌شده به 500 وات رسیده و در خانواده Instinct هم اعداد بسیار بالاتری دیده می‌شود. در نگاه اول شاید نتیجه ساده باشد: هرچه وات بالاتر، مصرف بیشتر و

در بسیاری از پروژه‌های هوش مصنوعی، اولین سؤال این است: چه GPUای بخریم؟ اما به‌نظر من، این سؤال فقط بخشی از مسئله را پوشش می‌دهد. NVIDIA امروز دیگر فقط یک تولیدکننده GPU نیست. مجموعه‌ای از فناوری‌های پردازشی، شبکه‌ای، ارتباطی و نرم‌افزاری را کنار هم قرار داده که عملاً روی معماری کامل زیرساخت AI تأثیر می‌گذارد.

اگر چند سال پیش می‌خواستیم درباره GPU حرف بزنیم، معمولاً بحث خیلی ساده‌تر بود: کدام مدل سریع‌تر است و چقدر حافظه دارد؟ اما الان قضیه کاملاً فرق کرده. NVIDIA، AMD و Intel هرکدام دارند GPU را به یک مسیر متفاوت می‌برند؛ از لپ‌تاپ و کامپیوتر شخصی گرفته تا ورک‌استیشن، سرور و دیتاسنترهای بزرگ هوش مصنوعی.