利用「IOWN APN」進行東京至福岡間遠端分散式AI基礎設施驗證，確認依據工作負載特性之實用效能

利用 IOWN APN 技術，成功驗證東京至福岡間遠端分散式 AI 基礎設施的實用性。
NQ 50/100

GMO 網際網路集團旗下的 GMO Internet, Inc.（總部：東京都澀谷區，代表取締役社長執行役員：伊藤 正，以下簡稱 GMO Internet）、NTT 東日本（總部：東京都新宿區，代表取締役社長：澁谷直樹，以下簡稱 NTT 東日本）、NTT 西日本（總部：大阪府大阪市，代表取締役社長：北村亮太，以下簡稱 NTT 西日本）以及 QTnet（總部：福岡縣福岡市，代表取締役社長：小倉 良夫，以下簡稱 QTnet）已完成利用「IOWN (Innovative Optical and Wireless Network)」之「APN (All-Photonics Network)」進行東京至福岡間遠端分散式 AI 基礎設施的技術驗證。

本驗證於 2025 年 11 月至 2026 年 2 月期間，在東京（儲存設備）與福岡（GPU）之間鋪設 IOWN APN 實際線路，並針對連接「GMO GPU Cloud」之 GPU 與大容量儲存設備的 AI 開發平台進行了 AI 工作負載效能的測量與評估。結果顯示，在大型語言模型（LLM）訓練方面，與本地環境相比，效能下降幅度僅約 0.5%，影響極為有限。針對涉及資料讀取的影像分類任務，透過訓練資料最佳化等手段，亦確認在遠端環境下可達到實用處理水準。此驗證證實，透過針對工作負載特性進行設計，在遠端分散環境下進行實用的 AI 開發是可行的。

此外，在本次驗證之前，四家公司曾於 2025 年 7 月進行了預備驗證（Phase 1），在模擬東京至福岡間（約 1,000 公里）的遠端環境下進行了效能測試，並已將詳細內容作為技術報告公開。

新聞稿：https://internet.gmo/news/article/88/

技術報告：https://internet.gmo/news/article/87/

四家公司今後將基於本次驗證成果，持續推動符合客戶需求的遠端分散式 AI 基礎設施之實用化。

【背景與目的】

隨著近年生成式 AI 與大型語言模型（LLM）的普及，AI 開發平台的市場需求急劇擴大。過去，GPU 與大容量儲存設備必須物理性地鄰近配置，但為了因應資料中心的空間限制以及企業希望在自有據點管理資料的需求，實現跨越地理限制的分散式 AI 開發平台成為迫切需求。四家公司利用 IOWN APN 高速大容量且低延遲的特性，探討了連接遠端 GPU 與儲存設備的技術可行性。

【預備驗證（Phase 1）概要與結果】

2025 年 7 月，於福岡資料中心內設置延遲調整裝置「OTN Anywhere」，並利用 GMO GPU Cloud 執行影像辨識（ResNet）與語言學習（Llama2 70B）兩項測試任務。在模擬東京至福岡間（15 毫秒）的延遲條件下，確認 ResNet 的基準測試分數下降約 12%，判斷已達商用可行範圍，進而推動本次驗證。

【本次驗證（Phase 2）概要與結果】

本次驗證中，作為實際的據點間網路，利用 IOWN APN (100GbE) 連接了 GMO 網際網路集團第二總部（東京澀谷區）與 QTnet 資料中心（福岡市）。在福岡端配置 GPU 伺服器「NVIDIA HGX H100」，在澀谷端配置高速儲存設備「DDN AI400X2」，測量使用遠端儲存設備時的 AI 訓練效能。

  • 驗證期間：2025 年 11 月至 2026 年 2 月
  • 連接區間：東京都澀谷區（GMO Internet）至福岡縣福岡市（QTnet）
  • 驗證內容：影像分類任務（ResNet）及大型語言模型處理任務（Llama2 70B）的訓練時間測量

【驗證結果】

實驗結果確認，即使在透過 IOWN APN 的遠端分散環境下，也能發揮與本地環境（同一資料中心內連接）相當的效能。

◾️ 大型語言模型（Llama2 70B）訓練任務
・本地環境：24.87 分鐘
・遠端環境（經由 IOWN APN）：24.99 分鐘
證實以運算處理為主的 LLM 訓練中，延遲影響極為有限（差異約 0.5%）。

◾️ 影像分類（ResNet）任務
・本地環境：13.72 分鐘
・遠端環境（經由 IOWN APN）：14.38 分鐘
確認即使在涉及資料讀取的任務中，透過適當的資料整理，在遠端環境下也能達到實用處理水準。

【本驗證帶來的變革】

本次驗證的成功，是解決因物理距離導致「計算資源與資料分離」問題的重要轉捩點。過去 AI 訓練資料通常需傳輸至雲端業者的資料中心，而本次驗證展示了「資料不動，計算資源從遠端存取資料」的模式，為資料主權與安全性要求嚴格的領域提供了新選擇。這有助於減少資料傳輸的時間與成本，消除重複管理，並擴大結合地端與雲端的計算資源選擇。特別是此模式允許企業在資料保持於自有設施管理下的同時，利用國內雲端的 GPU 資源，預計將對金融、醫療、國防、行政等內部控制與資料跨境規範嚴格的領域實現「主權雲（Sovereign Cloud）」做出重大貢獻。

【預期應用案例】

  • 在保持大規模訓練資料或機密資料的狀態下進行 AI 訓練。
  • 與既有地端環境混合使用：在利用自有儲存與 GPU 資源的同時，從雲端調度不足的 GPU 資源。
  • 透過分散配置實現 BCP（業務連續性計畫）應對：地理分散計算資源與儲存設備，確保災害發生時的 AI 處理連續性。

Copyright (C) 2026 GMO Internet, Inc. All Rights Reserved.

返回 Newsroom (236)