GMO互联网集团旗下的GMO互联网股份有限公司（总公司：东京都涩谷区，代表取缔役社长运行役员：伊藤 正，以下简称「GMO互联网」）、NTT东日本股份有限公司（总公司：东京都新宿区，代表取缔役社长：澁谷直树，以下简称「NTT东日本」）、NTT西日本股份有限公司（总公司：大阪府大阪市，代表取缔役社长：北村亮太，以下简称「NTT西日本」）以及QTnet股份有限公司（总公司：福冈县福冈市，代表取缔役社长：小仓 良夫，以下简称「QTnet」），已完成利用「IOWN (Innovative Optical and Wireless Network)」之「APN (All-Photonics Network)」进行东京至福冈间远程分布式AI基础设施的技术验证。 本次验证中，于2025年11月至2026年2月期间，在东京（保存设备）与福冈（GPU）之间铺设了IOWN APN实际线路，并针对连接「GMO GPU云端」之GPU与大容量保存设备的AI开发基础设施，进行了AI工作负载性能的测量与评估。结果显示，在大型语言模型（LLM）的训练方面，与本地环境相比，性能下降幅度仅约0.5%，确认其影响极为有限。针对伴随数据读取的影像分类任务，通过学习数据的优化等方式，亦确认了即使在远程环境下也能达到实用等级的处理能力，证实了通过针对工作负载特性进行设计，在远程分布式环境下进行实用性AI开发是可行的。 此外，在本次验证之前，四家公司曾于2025年7月作为事前验证（Phase 1），针对仿真东京至福冈间（约1,000km）的远程环境进行了性能测试，并已将其详细内容作为技术报告公开。 新闻稿： https://www.ntt-west.co.jp/news/2510/251002a.html 技术报告： https://www.ntt-west.co.jp/news/2510/251002a_1.html 四家公司今后将基于本次验证的成果，持续推动针对客户需求之远程分布式AI基础设施的实用化工作。 【背景与目的】 随着近年生成式AI与大型语言模型（LLM）的普及，对AI开发基础设施的需求正急剧扩大。过去，GPU与大容量保存设备必须在物理位置上相邻配置，但为了因应数据中心的空间限制，以及企业希望在自有据点管理数据的需求，实现跨越地理限制的分布式AI开发基础设施已成为必要。四家公司利用具备高速大容量且低延迟特性的IOWN APN，针对连接远程GPU与保存设备时的技术可行性进行了探讨。 建构AI开发基础设施时的课题范例 【事前验证（Phase 1）概要与结果】 2025年7月，于福冈的数据中心内设置延迟调整设备「OTN Anywhere」，并利用GMO GPU云端运行了影像辨识（ResNet）与语言学习（Llama2 70B）两项测试任务。在相当于东京至福冈间（15毫秒）的仿真延迟条件下，确认ResNet的基准测试分数下降幅度约为12%，判断已达商用范围，进而推进至本次验证。 【本次验证（Phase 2）概要与结果】 本次验证中，作为实际的据点间网络，将GMO互联网集团的第二总部（东京・涩谷区）与QTnet的数据中心（福冈・福冈市）通过IOWN APN（100GbE）进行连接。在福冈端配置GPU服务器「NVIDIA HGX H100」，在涩谷端配置高速保存设备「DDN AI400X2」，并测量使用远程保存设备时的AI训练性能。 验证期间：2025年11月～2026年2月 连接区间： 东京都涩谷区（GMO互联网） ～ 福冈县福冈市（QTnet） 验证内容：影像分类任务（ResNet）及大型语言模型处理任务（Llama2 70B）的训练时间测量 【验证结果】 验证实验结果显示，即使在经由IOWN APN的远程分布式环境下，也能发挥与本地环境（同一数据中心内连接）不相上下的性能。 ■ 大型语言模型（Llama2 70B）训练任务 本地环境：24.87分钟 远程环境（经由IOWN APN）：24.99分钟 证实了在以运算处理为主的LLM训练中，延迟的影响极为有限（差异约0.5%）。 ■ 影像分类（ResNet）任务 本地环境：13.72分钟 远程环境（经由IOWN APN）：14.38分钟 确认了即使在发生数据读取的任务中，通过适当的数据整理，在远程环境下也能达到实用等级的处理能力。 ※本验证结果未经MLCommons Association官方验证与认可。 详细内容请参阅以下附件。 利用『IOWN APN』之远程分布式AI基础设施中，GPU与保存设备间连接性能测试的详情与结果 URL https://www.ntt-west.co.jp/news/2603/260330b_1.html 【 本次验证带来的变革 】 本次验证的成功，是解决因物理距离导致「计算资源与数据分离」