AI需要什么样的IT基础设施 原创

多年以来，随着AI技术的发展与变革，各个行业及IT决策者都在大力投资这一领域。AI有望改变企业内的一切、转变人们的工作方式，因此对业务及企业的宏观/微观层面控制体系至关重要。而随着AI的发展演进，我们更需要关注自己的业务功能变化，将每时每刻的需求与改进融入AI解决方案。

虽然只处于试点和起步阶段，AI已经显示出无可比拟的力量与影响力。随着AI的后续发展，预计我们将迎来一波又一波更大、更广泛的变革。那么，AI到底要怎样继续改进？

随着人们对于AI的努力改进，全社会对计算及基础设施资源的需求也将同步增长。当AI真正实现全面普及之后，我们无疑需要一个更经济、更高效的环境容纳如此庞大的流程。每家企业都需要适应这些变化，并以充分的灵活度迎接新型基础设施。换言之，云技术、特别是混合云解决方案，必将成为AI的实现基础。混合云解决方案能够保证将AI基础设施需求消解为业务需求，同时从容维持并匹配技术动态。只有这样，企业才能在持续使用、开发并实现AI方案的同时，不致对自身基础设施性能造成严重影响。

下面，我们就聊聊在评估潜在合作伙伴、选择最佳平台时需要关注的几大核心因素。

核心因素一 高算力

企业需要高性能计算资源（包括CPU与GPU）探索AI领域内的种种可能性。目前大部分企业仍在AI实验阶段，所以倾向于建立强大的CPU环境处理基础AI负载。但事实证明，基于CPU的现有计算架构并不能满足深度学习流程的需求；可扩展神经网络算法的部署以及高性能网络/存储管理都对算力和数据处理密度提出了极高的要求。

核心因素二 存储容量

存储容量是一切AI基础设施的基本要求；随着数据量的增长，存储系统也必须拥有扩展能力。因此对企业来说，最重要的就是明确AI实验究竟需要何等规模的存储系统支持。只有以强大的存储扩展计划与容量管理能力为依托，企业才能从容做出实时决策；也只有这样，我们手中的AI应用才能在数据的滋养下愈发完善。

核心因素三 网络基础设施

无缝网络是AI基础设施中的又一重要组成部分。考虑到可扩展性的重要意义，企业必须建立起高带宽、低延迟的网络体系。深度学习算法高度依赖于通信能力，随着AI实验的推进与扩展，网络系统自然要同步成长与进化。对于网络这种泛用性服务，企业有必要选择一家专业的基础设施服务商，由他们在全球范围内提供服务打包与技术支持，并确保不同区域内的堆栈始终拥有良好的分布式与一致性。

核心因素四 安全性

由于AI模型往往会接触到大量来自医疗保健、金融等部门的敏感数据，因此对个人数据的安全维护就成了一大现实挑战。这些信息在本质上极其脆弱；一旦管理不当、特别是被不可靠来源所利用，则可能对使用AI模型的企业造成巨大危害。此外，如果向AI系统中添加了非必要数据，则可能引发决策和推理错误。因此，我们需要一套更安全的AI基础设施保障数据免受侵扰。

核心因素五 解决方案必须具有成本效益

这一切还只是AI模型的发展起点。随着研究工作的缓慢推进，AI本身也会变得更加复杂、开发成本随之一路飙升。各个企业必须努力找到具有成本效益的解决方案，这样才能推动流程延续与业务增长。具体来讲，企业在支撑AI探索方面势必要不断升级网络、服务器及存储等基础设施，满足AI模型的训练与推理需求。整个过程将极其昂贵，因此必须谨慎选择那些资源经济性更好的服务供应商。只有这样，企业才能更明智地规划、决策并投资于AI基础设施，保证自身在被资源支出压垮之前找到提升自身业务绩效的宝贵机会。