GMO Internet、NTT東日本、NTT西日本與QTnet在2025年11月至2026年2月間進行的遠端分散式AI基礎設施實證，使用了哪一項核心網路技術？

GMO Internet、NTT東日本、NTT西日本與QTnet於2025年11月至2026年2月間進行的實證，採用『IOWN（Innovative Optical and Wireless Network）』中的『APN（All-Photonics Network）』技術，在東京與福岡之間建立遠端分散式AI基礎設施，並測試其在實際AI工作負載下的性能表現。

此次技術實證中，東京與福岡之間的實體線路距離約為多少公里，並分別配置了哪些AI資源？

此次實證中，東京與福岡間的實體線路距離模擬約1,000公里，其中東京端配置大容量儲存設備，福岡端則配置GPU資源，用於測試跨地域的AI開發平台效能，特別針對GMO GPU雲端的GPU與儲存系統進行連接驗證。

在大型語言模型（LLM）訓練任務中，遠端分散式架構相較於本地環境的性能差異為何？

在大型語言模型（LLM）訓練任務中，使用IOWN APN連接的遠端分散式AI基礎設施相較於本地環境，性能下降僅約0.5%，顯示其對高強度計算任務的影響極為有限，具備實際應用的可行性。

針對圖像分類等需大量讀取資料的AI任務，實證結果顯示了什麼具體成效？

針對需大量讀取訓練資料的圖像分類任務，實證透過優化資料讀取流程，確認即使在遠端分散式環境下仍可達成實用級別的處理效能，證明在適當設計下能有效支援多類型AI工作負載。

四家公司先前於2025年7月進行的預備實證（Phase1）主要完成了哪些測試內容？

四家公司於2025年7月進行的預備實證（Phase1）中，已在模擬東京-福岡間約1,000公里的遠端環境下完成初步性能測試，並已將詳細技術內容彙整為技術報告公開，作為後續正式實證的基礎。

AI News NQ Analysis

利用『IOWN APN』在東京-福岡間遠端分散式AI基礎設施實證中，確認符合工作負載特性的實用性能

NQ 評分 42/100

N1 內容完整性 4

AI 摘要（NQ 加工版）

GMO Internet、NTT East、NTT West 和 QTnet 四家公司已完成利用 IOWN APN 在東京和福岡之間建立遠端分散式 AI 基礎設施的技術實證。他們確認，在大型語言模型 (LLM) 訓練中，性能下降僅約 0.5%，相較於本地環境，影響極為有限，並證實了在遠端分散式環境中進行實用級別 AI 開發的可能性。

AI 分析

常見問題

Q: GMO Internet、NTT東日本、NTT西日本與QTnet在2025年11月至2026年2月間進行的遠端分散式AI基礎設施實證，使用了哪一項核心網路技術？: A: GMO Internet、NTT東日本、NTT西日本與QTnet於2025年11月至2026年2月間進行的實證，採用『IOWN（Innovative Optical and Wireless Network）』中的『APN（All-Photonics Network）』技術，在東京與福岡之間建立遠端分散式AI基礎設施，並測試其在實際AI工作負載下的性能表現。
Q: 此次技術實證中，東京與福岡之間的實體線路距離約為多少公里，並分別配置了哪些AI資源？: A: 此次實證中，東京與福岡間的實體線路距離模擬約1,000公里，其中東京端配置大容量儲存設備，福岡端則配置GPU資源，用於測試跨地域的AI開發平台效能，特別針對GMO GPU雲端的GPU與儲存系統進行連接驗證。
Q: 在大型語言模型（LLM）訓練任務中，遠端分散式架構相較於本地環境的性能差異為何？: A: 在大型語言模型（LLM）訓練任務中，使用IOWN APN連接的遠端分散式AI基礎設施相較於本地環境，性能下降僅約0.5%，顯示其對高強度計算任務的影響極為有限，具備實際應用的可行性。
Q: 針對圖像分類等需大量讀取資料的AI任務，實證結果顯示了什麼具體成效？: A: 針對需大量讀取訓練資料的圖像分類任務，實證透過優化資料讀取流程，確認即使在遠端分散式環境下仍可達成實用級別的處理效能，證明在適當設計下能有效支援多類型AI工作負載。
Q: 四家公司先前於2025年7月進行的預備實證（Phase1）主要完成了哪些測試內容？: A: 四家公司於2025年7月進行的預備實證（Phase1）中，已在模擬東京-福岡間約1,000公里的遠端環境下完成初步性能測試，並已將詳細技術內容彙整為技術報告公開，作為後續正式實證的基礎。