Akamai propose une approche distribuée pour les besoins de calcul IA
Akamai préconise un modèle distribué pour le calcul IA, défiant la tendance des centres de données massifs et centralisés. L'entreprise soutient que l'inférence IA nécessite la proximité et une faible latence.
Akamai, connu pour son réseau de diffusion de contenu, propose une nouvelle approche pour répondre aux besoins de puissance de calcul en intelligence artificielle (IA). Au lieu de s'appuyer sur des centres de données de plus en plus grands et centralisés, le PDG Tom Leighton préconise un modèle distribué qui exploite l'infrastructure existante.
L'entreprise suggère qu'au-delà de l'entraînement intensif des grands modèles d'IA, leur "pensée" ou inférence nécessite également de l'efficacité. Les centres de données massifs et centralisés, qui font souvent face à l'opposition des communautés en raison de leur consommation d'énergie et de leur impact environnemental, ne sont peut-être pas optimaux pour toutes les applications d'IA. Leighton souligne que l'IA agentique, en particulier, exige une faible latence et des performances élevées, ce que les solutions centralisées et massives peuvent avoir du mal à fournir.
La stratégie d'Akamai consiste à utiliser son vaste réseau et à développer une couche d'orchestration appelée AI Grid, en collaboration avec Nvidia. Cette plateforme détermine si une charge de travail d'inférence doit être exécutée dans une usine d'IA centralisée, dans un cloud régional ou dans l'un des emplacements périphériques d'Akamai, en fonction des exigences de latence, des coûts d'exploitation et des besoins de performance.
L'approche de Leighton rappelle la stratégie originale d'Akamai à la fin des années 1990, lorsqu'elle a contribué à résoudre les problèmes de croissance d'Internet en distribuant le contenu plus près des utilisateurs. Aujourd'hui, l'entreprise vise à appliquer une architecture similaire aux défis de l'infrastructure IA, où la performance, la fiabilité et l'économie sont essentielles.
L'effort d'Akamai vise à offrir une alternative moins perturbatrice et potentiellement plus efficace pour l'infrastructure IA, par rapport à la construction continue de centres de données plus grands. L'entreprise soutient que le succès des applications d'IA à grande échelle dépend davantage de la conception de l'infrastructure et de la localisation des données que du simple volume de puissance de calcul.