La explosión de la IA generativa ha traído un problema que no se puede evitar: ¿cómo almacenar, cuánto almacenar y cómo gestionar?

En esencia, hay tres requisitos: barato, seguro y fácil de usar. Los conjuntos de datos de entrenamiento se acumulan sin parar, el contenido generado necesita archivarse y los permisos de datos deben gestionarse con precisión. Estas deberían ser tareas menores, pero ahora se han convertido en los principales cuellos de botella para la escalabilidad de las aplicaciones de IA.

Cabe destacar que Walrus Protocol ya ha hecho una presencia significativa en este sector. La idea de proporcionar infraestructura desde la capa de almacenamiento para proyectos de IA es bastante interesante.

Tomemos como ejemplo la plataforma de IA generativa Everlyn, que es bastante representativa. Everlyn utiliza Walrus como capa de datos, almacenando más de 50GB de conjuntos de datos de entrenamiento, puntos de control de modelos, caché KV y otros datos clave. Todo el contenido de video de alta calidad generado también se guarda en Walrus. ¿Por qué elegir así?

La razón principal es muy clara: los costos de almacenamiento en servicios en la nube como AWS y Azure aumentan constantemente a medida que crecen las demandas de generación de videos. La tecnología de codificación Red-Stuff de Walrus, combinada con la solución de almacenamiento en lotes Quilt, puede reducir los costos de almacenamiento a una décima parte de los métodos tradicionales. Lo más importante es que la alta disponibilidad y la velocidad de acceso a los datos no se ven afectadas. De esta forma, los desarrolladores de IA pueden centrarse en optimizar modelos en lugar de verse ahogados por las facturas de almacenamiento.

En cuanto a la flexibilidad en la gestión de datos, Walrus también ha demostrado su fortaleza.