Meta、AI学習効率向上に向け専用ストレージ基盤を再構築

Metaは2026年8月7日、超大規模AIモデルの学習処理を極限まで効率化するため、自社データセンターのストレージインフラを根本から再構築した技術詳細を公開した。

GPUアイドル時間の削減とDisaggregated Storageの導入

数万個規模のGPUクラスタを用いたAI学習では、データの読み込み待ち（I/Oボトルネック）によってGPUが待機状態になる時間が大きな損失となっていた。

Metaは、計算リソースとストレージリソースを完全に分離して高速ネットワークで結合する「Disaggregated Storage（計算資源と記憶資源を独立して拡張・接続するデータセンター設計手法）」アーキテクチャを導入した。これにより、GPUへのデータ供給を切れ目なく行い、チェックポイント作成時の書き込み遅延を劇的に削減した。

日本のインフラエンジニア・研究者への示唆

超巨大モデルの学習環境構築における標準的なリファレンス設計として、日本のデータセンター事業者や大規模AI開発チームにとっても極めて有益な技術知見となる。

AIインフラにおけるソフトウェア・ハードウェア統合設計

GPUの購入数だけでなく、ストレージやネットワークを含めたデータセンター全体の統合設計がAI開発の勝敗を分ける要因となっている。

引用元：そうこ | ギズモード・ジャパン