QSAN携手国立阳明交通大学 打造AI金融分析可复制的双层存储架构

AI应用正进入「高并行运算成为基本条件」的新阶段。QSAN

随着生成式AI与量化分析技术成熟，金融研究与数据分析已从单一模型验证，转向多模型并行运算与高频率策略回测。AI模型规模与金融数据量同步成长，使底层数据架构不再只是支持角色，而是直接影响AI应用能否稳定规模化的关键因素。

从产业角度来看，AI应用正进入「高并行运算成为基本条件」的新阶段。量化交易、金融科技与企业AI决策分析，皆需同时支持大量数据存取、多模型运算与多使用者操作，传统单一存储架构已逐渐显露效能与稳定性上的限制。

高并行运算成为常态  数据架构设计必须跟上

在此背景下，国立阳明交通大学信息管理与财务金融学系（资财系）于推动AI筹码分析与策略回测研究时，明确感受到研究型态转变带来的挑战。当多组策略与模型同时运作，既有单一存储架构逐渐成为研究效率的瓶颈。

为回应此一需求，资财系戴天时教授研究团队携手广盛科技(QSAN)，重新规划研究平台的数据架构，导入以工作负载分流为核心的双层存储设计，让不同性质的研究作业能稳定并行。

双层存储设计  让不同工作负载各司其职

在高频交易（High-Frequency Trading, HFT）与Tick-Level数据分析等实际交易情境中，系统架构必须同时满足极低延迟与高并行运算需求。由戴教授带领与QSAN合作部署的新架构中，高I/O、低延迟需求的策略回测与AI模型运算，QSAN XF系列NVMe全快闪存储系统负责；研究数据、模型档案与分析成果，则集中于QSAN XN系列统合存储系统进行管理，支持多名研究人员同步存取。

不只是校园案例  而是产业可复制的架构模式

此一双层存储架构并非仅适用于校园研究场域，而是可视为具备可复制性的产业参考架构。透过清楚区分不同性质的工作负载，该模式亦可延伸应用于量化交易、金融科技、数据分析团队，甚至企业内部的AI决策模型部署，在效能、稳定性与投资成本之间取得平衡。

透过戴教授于相关专业领域中长期深耕的学术研究成果，奠定了关键且坚实的理论与实务基础。在系统规划、导入与部署过程中，使整体架构设计更为精准完善。透过学术能量与产业技术的深度结合，有效提升系统运算效率与回应效能，也让双方得以共同实现低延迟、高运算效能的目标，为未来产学合作树立良好典范。

数据架构正成为AI金融研究的核心竞争力

戴天时教授指出，随着AI模型逐渐成为金融研究与策略验证的核心，底层数据架构已成为影响研究深度与反应速度的关键要素。

他表示，能否在同一平台上同时兼顾高效能运算与多使用者协作，将是智能金融研究与AI应用能否持续扩展的重要基础。

为什麽是现在？校园实作成为产业前哨

从产业时点来看，生成式AI推动模型规模快速成长，金融市场数据持续累积，使分析平台面临前所未有的运算与数据管理压力。校园研究场域往往成为新架构最早落地的实作环境，其经验也逐步成为企业规划AI 分析平台的重要参考。