有些器具和工具消耗的能量比预期的要多。在家庭中，暖通空调经常被认为是消费者近距离接触到的最耗电的设备。在软件世界里，也有超级能量消耗者。大数据分析软件引擎被称为引擎是有原因的，它们消耗大量的处理、数据存储和内存能力。
AI也是一只饥饿贪婪的野兽。
运行人工智能(AI)进程并不是一个轻量级的计算操作。人工智能解决方案需要处理的所谓“数据科学工作负载”需要比一般的笔记本电脑更多的资源，在许多情况下，通常也比一般的公司服务器堆栈更多。
艾上长时间的白班
数据科学的工作负载常常需要贪婪地访问多个计算资源，比如图形处理单元(gpu是最初为高端图形构建的超高速处理器，但现在用于其他地方，同时仍然保留其原始名称)。这些ai任务的工作负载需要访问gpu，如果它们要智能地执行它们的智能，通常需要连续几个小时的时间。
问题是，即使在最昂贵的gpu栈中，对gpu的访问也常常遇到瓶颈。当数据科学家“静态地”为每个cpu分配几个gpu时，问题就更加复杂了，而那些昂贵的硬件资源在不使用时就会处于空闲状态。最终的结果是，试图创建我们下一代人工智能系统的数据科学家面临三种可能的情况:
●人工智能很难获得足够的GPU容量。
●人工智能有太多的GPU能力，因此不可避免地会浪费一部分。
●人工智能拥有合适的能力，但在什么时候可以使用它方面是有限的，在蓝冠注册AI的背景下，可以使用传感器融合来提供从过滤掉嘈杂数据到在随机环境中进行蓝冠软件预测的众多功能。此外，它对资源何时可用的可视性很差。
如果我们接受上述观点，那么我们就可以提出，让深度学习和人工智能正常工作，意味着让我们的方法适应计算。总部位于特拉维夫的Run:AI认为，通过它的深度学习虚拟化平台，它已经有了解决这个难题的部分(或者全部)方案。
该软件旨在支持基于kubernets的基础设施，该基础设施是一种处理云计算资源编排和扩展的技术。运行:AI使IT部门能够为数据科学团队建立和管理具有控制和可见性的关键AI基础设施，同时最大化硬件利用率和开发速度。
扩展计算池
运行:AI会创建一个GPU资源池，并弹性地“拉伸”工作负载，随着蓝冠测速5G承诺提供更高的带宽和更低的延迟，以及边缘处理能力越来越强，XR蓝冠代理人员现在可以选择在边缘（即在头戴式耳机）上进行哪些处理以及需要传输哪些数据以进行处理。使其在多个GPU上运行，而不是静态地将GPU分配给数据科学家。重要的工作可以得到保证的配额(它们也可以超过)并运行:AI的软件将根据定义的优先级自动将工作负载扩展到可用的硬件。
为了简化工作流程，运行:AI的虚拟化平台用一行软件代码插入Kubernetes。该平台的可视化工具使组织能够了解他们的GPU资源如何被他们的数据科学团队使用，帮助基础设施扩展和识别瓶颈。
Run:AI联合创始人兼首席执行官奥姆里•盖勒(Omri Geller)表示:“深度学习正在创造全新的行业，改造旧的行业。”“现在是时候让计算机适应深度学习了。运行:人工智能为IT和数据科学家提供了他们需要的东西，以最大限度地利用他们的gpu，这样他们就可以更快地创新和迭代他们的模型，从而产生未来的高级人工智能”。
软件集成和分析公司TIBCO Nelson Petracek的全球首席技术官(CTO)在一个大得多的企业领域工作，而这个领域相对来说是一个初创企业的世界:人工智能在其中运作。Petracek同意为AI优化gpu的使用很有趣，他认为这有点像VMware为cpu(中央处理器)所做的，但是AI是“消费客户端应用类型”……以及更适合人工智能工作负载的虚拟化方法。
“这里的一个不同之处在于运行:AI与Kubernetes的集成及其专有的调度/虚拟化和配置方法，因为其他供应商显然提供了‘云中的GPU’功能。Lambda就是这样一家公司，就像AWS这样显而易见的公司一样。看来，运行:人工智能也可以利用一个组织的裸机(我指的是私有云)，所以在这种情况下，不仅仅是云基础设施或基础设施即服务(IaaS)，”TIBCO的Petracek说。
IT高速公路上的汽车共享
显然，除非你为进站和服务做了一些准备，否则你不能仅仅启动人工智能引擎并期待汽油能够自由流动。
随着我们越来越多地进行远程工作，并跨越许多不同的、断开连接的(或仅偶尔连接)数字通道，管理虚拟化层中运行的通信流的需求变得更加迫切。随着人工智能引擎在路上(软件和高速公路为基础的双关语故意意图)，我们需要能够在我们所拥有的资源上共享汽车(双关语仍然意图)。
运行:AI在这里的工作主要集中于从底层计算基础设施中抽象出工作负载。通过这种方式，蓝冠官网借助当今功能强大的边缘处理器，为新的扩展现实（XR）眼镜和头戴式耳机提供支持，蓝冠代理人员能够构建前所未有的新型体验。任何一个人工智能深度学习的工作量都不需要太过贪婪，因为资源的动态供应应该意味着每个人都有座位去旅行。