QSAN攜手國立陽明交通大學 打造AI金融分析可複製的雙層儲存架構

AI應用正進入「高並行運算成為基本條件」的新階段。QSAN

隨著生成式AI與量化分析技術成熟，金融研究與資料分析已從單一模型驗證，轉向多模型並行運算與高頻率策略回測。AI模型規模與金融資料量同步成長，使底層資料架構不再只是支援角色，而是直接影響AI應用能否穩定規模化的關鍵因素。

從產業角度來看，AI應用正進入「高並行運算成為基本條件」的新階段。量化交易、金融科技與企業AI決策分析，皆需同時支援大量資料存取、多模型運算與多使用者操作，傳統單一儲存架構已逐漸顯露效能與穩定性上的限制。

高並行運算成為常態  資料架構設計必須跟上

在此背景下，國立陽明交通大學資訊管理與財務金融學系（資財系）於推動AI籌碼分析與策略回測研究時，明確感受到研究型態轉變帶來的挑戰。當多組策略與模型同時運作，既有單一儲存架構逐漸成為研究效率的瓶頸。

為回應此一需求，資財系戴天時教授研究團隊攜手廣盛科技(QSAN)，重新規劃研究平台的資料架構，導入以工作負載分流為核心的雙層儲存設計，讓不同性質的研究作業能穩定並行。

雙層儲存設計  讓不同工作負載各司其職

在高頻交易（High-Frequency Trading, HFT）與Tick-Level資料分析等實際交易情境中，系統架構必須同時滿足極低延遲與高並行運算需求。由戴教授帶領與QSAN合作部署的新架構中，高I/O、低延遲需求的策略回測與AI模型運算，QSAN XF系列NVMe全快閃儲存系統負責；研究資料、模型檔案與分析成果，則集中於QSAN XN系列統合儲存系統進行管理，支援多名研究人員同步存取。

不只是校園案例  而是產業可複製的架構模式

此一雙層儲存架構並非僅適用於校園研究場域，而是可視為具備可複製性的產業參考架構。透過清楚區分不同性質的工作負載，該模式亦可延伸應用於量化交易、金融科技、資料分析團隊，甚至企業內部的AI決策模型部署，在效能、穩定性與投資成本之間取得平衡。

透過戴教授於相關專業領域中長期深耕的學術研究成果，奠定了關鍵且堅實的理論與實務基礎。在系統規劃、導入與部署過程中，使整體架構設計更為精準完善。透過學術能量與產業技術的深度結合，有效提升系統運算效率與回應效能，也讓雙方得以共同實現低延遲、高運算效能的目標，為未來產學合作樹立良好典範。

資料架構正成為AI金融研究的核心競爭力

戴天時教授指出，隨著AI模型逐漸成為金融研究與策略驗證的核心，底層資料架構已成為影響研究深度與反應速度的關鍵要素。

他表示，能否在同一平台上同時兼顧高效能運算與多使用者協作，將是智慧金融研究與AI應用能否持續擴展的重要基礎。

為什麼是現在？校園實作成為產業前哨

從產業時點來看，生成式AI推動模型規模快速成長，金融市場資料持續累積，使分析平台面臨前所未有的運算與資料管理壓力。校園研究場域往往成為新架構最早落地的實作環境，其經驗也逐步成為企業規劃AI 分析平台的重要參考。