運用 IOWN APN 實現東京至福岡遠端分散式 AI 基礎設施的實用性能驗證，依據工作負載特性
運用 IOWN APN，確認東京至福岡遠端分散式 AI 基礎設施的實用性能。
📋 文章處理履歷
- 📰 發表: 2026年3月30日 19:30
- 🔍 收集: 2026年3月30日 22:56（發表後3小時26分鐘）
- 🤖 AI分析完成: 2026年4月16日 07:40（收集後392小時44分鐘）
GMO Internet 集團的 GMO Internet 公司（總部：東京都澀谷區，代表取締役社長：伊藤 正，以下稱 GMO Internet）、NTT 東日本株式會社（總部：東京都新宿區，代表取締役社長：澁澤 直樹，以下稱 NTT 東日本）、NTT 西日本株式會社（總部：大阪府大阪市，代表取締役社長：北村 亮太，以下稱 NTT 西日本）以及 QTnet 公司（總部：福岡縣福岡市，代表取締役社長：小倉 良夫，以下稱 QTnet）已完成運用「IOWN (Innovative Optical and Wireless Network)」的「APN (All-Photonics Network)」技術，在東京至福岡之間進行遠端分散式 AI 基礎設施的技術實證。
本次實證於 2025 年 11 月至 2026 年 2 月期間進行，在東京（儲存）與福岡（GPU）之間鋪設了 IOWN APN 的實際線路，並在連接「GMO GPU Cloud」的 GPU 與大容量儲存的 AI 開發基礎設施上，測量並評估了 AI 工作負載的性能。結果顯示，在大型語言模型（LLM）的學習方面，與本地環境相比，性能僅下降約 0.5%，影響極為有限。對於涉及資料讀取的圖像分類任務，也確認透過訓練資料的最佳化等方式，即使在遠端環境也能實現實用級別的處理。這證明了透過針對工作負載特性進行設計，可以在遠端分散式環境中實現實用的 AI 開發。
在此實證之前，四家公司已於 2025 年 7 月進行了初步實證（Phase 1），在模擬東京至福岡之間（約 1,000 公里）的偽遠端環境下進行了性能測試，並已將詳細內容以技術報告形式公開。
新聞稿：https://www.ntt-west.co.jp/news/2510/251002a.html
技術報告：https://www.ntt-west.co.jp/news/2510/251002a_1.html
四家公司今後也將以本次實證的成果為基礎，持續推進旨在實現滿足客戶需求的遠端分散式 AI 基礎設施的實用化工作。
【背景與目的】
隨著近年來生成式 AI 和大型語言模型（LLM）的普及，對 AI 開發基礎設施的需求急劇擴大。傳統上，GPU 和大容量儲存必須物理上鄰近配置，但為了應對資料中心空間限制以及客戶希望在自有據點管理資料的需求，實現超越地理限制的分散式 AI 開發基礎設施已成為當務之急。四家公司一直致力於透過運用具備高速、大容量及低延遲特點的 IOWN APN，來探討連接遠端 GPU 與儲存的技術可行性。
常見問題
What is IOWN APN?
IOWN APN (Innovative Optical and Wireless Network's All-Photonics Network) is a next-generation network infrastructure that utilizes optical technologies to achieve high speed, large capacity, and low latency communication.
What was the purpose of the technical demonstration?
The purpose was to demonstrate the technical feasibility and practical performance of a remotely distributed AI infrastructure connecting GPUs and storage over long distances (Tokyo to Fukuoka) using IOWN APN, addressing the growing demand for AI development platforms.
What were the key findings of the demonstration?
The demonstration confirmed that the performance degradation for LLM training was minimal (approx. 0.5%) compared to local environments. It also showed that practical AI development is possible in remote distributed environments by optimizing designs based on workload characteristics, such as for image classification tasks.
Who were the participating companies?
The participating companies were GMO Internet, Inc., NTT East Corporation, NTT West Corporation, and QTnet, Inc.
What is the significance of this demonstration for AI development?
This demonstration proves that geographical limitations can be overcome for AI development, enabling more flexible and scalable AI infrastructure by connecting resources remotely, which is crucial given the increasing demand for AI and the limitations of traditional data center setups.