VMware Private AI Cloud: как Broadcom объединяет корпоративные данные и ИИ-модели

На конференции VMware Explore 2026 Broadcom представила платформу VMware Private AI Cloud — попытку закрыть знакомую боль: команда запускает пилот с языковой моделью, через месяц выясняется, что самые ценные данные лежат в ERP и CRM, а юриты уже блокируют выгрузку. Решение сознательно двигает модель к данным, а не наоборот, объединяя инференс, агентные приложения и привычные корпоративные нагрузки в одной частной облачной среде.

Архитектура и экономика

В основе — VMware Cloud Foundation 9, и для команд, которые уже живут в экосистеме Broadcom, это важная деталь: инференс, агентные приложения и традиционные корпоративные нагрузки запускаются на одной частной облачной платформе, без выделенного стека «для ИИ». В компании подчёркивают, что платформа адресует сразу три ключевые статьи расходов — капитальные затраты на железо, операционную сложность и токеномику. На уровне VCF 9 это выражается в NVMe-тиринге памяти и кластерной дедупликации, на уровне платформы — в мониторинге токенов, multi-tenant шаринге моделей, отслеживании GPU и vGPU, а также в дашборде наблюдаемости с метриками ИИ. Поддерживаются разные ускорители и серверы OEM и ODM — то есть можно собрать гетерогенный кластер под свою нагрузку, а не подстраиваться под единственного поставщика.

Безопасность и агентный ИИ

Для команд с жёсткими регуляторными рамками критично, что защита выстроена по принципу defense-in-depth и привязана к NIST CSF 2.0. В связке работают VMware vDefend с виртуальным патчингом и микросегментацией на уровне гипервизора, а также Avi Load Balancer с WAF и защитой API, обновления автоматизированы и не требуют простоя. Отдельный блок — агентный ИИ: на уровне Tanzu Platform заложена deny-by-default архитектура, готовый «каркас» для доверия к автономным агентам и курируемый маркетплейс компонентов, чтобы агенты не выходили за рамки сценария и не теряли управляемость.

На что смотреть при оценке

Прежде чем записываться в пилот, полезно пройтись по нескольким сценариям внутри собственной команды. Первый — аудит данных: какие из них допустимо обрабатывать в частном облаке, а какие требуют дополнительных политик и согласований. Второй — модель затрат: посчитайте не только стоимость GPU, но и операционную нагрузку на ИТ-команду, потому что именно она часто съедает выигрыш от «дешёвого железа». Третий — процесс онбординга моделей: насколько быстро команда сможет подключать новые модели и переключаться между провайдерами без переразвёртывания. Четвёртый — метрики: есть ли встроенный наблюдаемый слой по токенам и GPU, или придётся собирать его самостоятельно. Broadcom делает ставку на то, что всё это уже встроено в платформу, но проверить заявленные сценарии на собственных данных — задача команды внедрения.