📢 转载信息
原文作者：MIT Technology Review Insights
在将AI的潜力转化为实际性能方面，AI推理就绪网络是必不可少的底层基础设施。
In partnership withHPE
莱德杯（Ryder Cup）是一项有着近百年历史的赛事，欧洲队与美国队在此一较高下，展示顶级的的高尔夫球技和策略。在2025年的赛事中，近二十五万名观众聚集在球场上，观看了三天激烈的角逐。
从技术和后勤的角度来看，成功举办如此规模的活动绝非易事。莱德杯的基础设施必须能满足每天涌入场馆（今年在纽约法明代尔的Bethpage Black球场）的成千上万网络用户的需求。
为了应对这种IT复杂性，莱德杯聘请了技术合作伙伴HPE来为其运营创建一个中央枢纽。该解决方案围绕一个平台构建，赛事工作人员可以通过该平台访问支持运营决策制定的数据可视化。该仪表板利用了高性能网络和私有云环境，整合并提炼了来自各种实时数据源的洞察。
这可以说是AI就绪型网络在规模化应用中的一个缩影——一次真实的压力测试，其影响涵盖了从赛事管理到企业运营的方方面面。虽然模型和数据准备工作占据了董事会注意力和媒体炒作的绝大部分，但HPE网络CTO Jon Green解释说，网络是成功实施AI的“关键第三条腿”。“孤立的AI用处不大；你需要一种方法将数据输入其中，并将其用于训练和推理，”他说。
随着企业向分布式、实时AI应用发展，未来的网络需要以更快的速度解析更多海量信息。在Bethpage Black球场上发生的一切，正在给所有行业带来一个教训：推理就绪型网络是实现AI承诺转化为现实世界性能的决定性因素。
使网络具备AI推理就绪能力
超过一半的组织仍在努力将其数据管道投入实际应用。在HPE对1775名IT主管进行的跨行业调查中，45%的受访者表示他们能够为创新进行实时数据推送和拉取。与去年的数据（2024年仅有7%报告拥有此类能力）相比，这是一个显著的变化，但要在数据收集与实时决策之间建立联系，仍有待提高。
网络可能就是缩小这一差距的关键。部分解决方案可能取决于基础设施设计。虽然传统的企业网络是为处理可预测的业务应用流量（电子邮件、浏览器、文件共享等）而设计的，但它们并非为应对AI工作负载所需的动态、大流量数据传输而设计。特别是推理过程，它依赖于以超级计算机般的精确度在多个GPU之间传输海量数据集。
Green表示：“使用标准、现成的企业网络，我们在某些方面可以‘随性而为’。‘如果电子邮件平台比预期的慢了半秒，很少有人会注意到。但对于AI事务处理，整个工作都受制于最后一次计算的结果。因此，如果你有任何数据丢失或拥堵，那就会变得非常明显。’”
因此，为AI构建的网络必须具备一套不同的性能特征，包括超低延迟、无损吞吐量、专用设备以及规模化的适应性。这些差异之一是AI的分布式特性，这会影响数据的无缝流动。
莱德杯生动地展示了这种新型网络的应用。在赛事期间，一个“智能互联中心”（Connected Intelligence Center）被设立起来，用于摄取来自票务扫描、天气报告、GPS追踪的高尔夫球车、特许经营和商品销售、观众和消费者排队信息以及网络性能的数据。此外，球场周围部署了67个AI赋能的摄像头。输入信息通过一个运营智能仪表板进行分析，为工作人员提供了场地活动情况的即时视图。
Green解释说：“从网络角度来看，这项赛事非常复杂，因为你有很多开阔的区域，人群分布不均匀。”“人们倾向于跟随比赛动向。因此，在某些区域，人群和设备非常密集，而在其他区域则完全空无一人。”
为了应对这种可变性，工程师构建了一个两层架构。在广阔的场地内，超过650个WiFi 6E接入点、170个网络交换机和25个用户体验传感器协同工作，以维持持续连接，并为现场分析的私有云AI集群提供数据。前端层连接了摄像头、传感器和接入点，以捕获实时视频和移动数据；而后端层——位于一个临时的现场数据中心内——则以高速、低延迟的配置连接了GPU和服务器，这有效地充当了系统的“大脑”。这种设置使得快速的现场响应和可以为未来运营规划提供信息的数据收集成为可能。“团队还可以使用AI模型来处理拍摄到的镜头，并帮助确定哪些镜头最有趣，”Green说。
物理AI与本地智能的回归
如果说时间对于赛事管理至关重要，那么在涉及安全性的场景中，时间就更为关键——例如自动驾驶汽车在瞬间决定加速还是刹车。
在规划物理AI的兴起时，即应用从屏幕转向工厂车间和城市街道，越来越多的企业正在重新思考其架构。一些企业不再将数据发送到中心化云端进行推理，而是部署边缘AI集群，在更靠近数据生成点的地方处理信息。数据密集型的训练可能仍在云端进行，但推理则在现场完成。
这种混合方法正在推动一波运营回迁（operational repatriation），即将曾经委托给云端的业务负载因速度、安全、主权和成本方面的考虑而返回到本地基础设施。“近年来，我们目睹了IT向云端迁移，但我们认为物理AI是能将许多工作负载带回本地的用例之一，”Green预测道，并以一个AI化的工厂车间为例，其中传感器数据到云端的往返传输对于安全控制自动化机械来说太慢了。“等到数据在云端处理完毕时，机器已经移动了，”他解释说。
有数据支持Green的预测：Enterprise Research Group的研究表明，84%的受访者正在重新评估其应用部署策略，以应对AI的增长。市场预测也反映了这一转变。根据IDC的数据，到2029年，AI基础设施市场的规模预计将达到7580亿美元。
AI赋能网络与自动驾驶基础设施的未来
网络与AI的关系是相互依存的：现代网络使大规模AI成为可能，而AI也正帮助网络变得更智能、更强大。
“网络是任何组织中数据最丰富的系统之一，”Green说。“这使它们成为AI的完美用例。我们可以分析数百万个配置状态，跨越数千个客户环境，从而了解哪些真正能提高性能或稳定性。”
例如，在HPE，它拥有世界上最大的网络遥测存储库之一，AI模型会分析从数十亿连接设备收集的匿名数据，以识别趋势并随着时间的推移完善行为。该平台每天处理超过一万亿个遥测点，这意味着它可以从现实世界的状况中持续学习。
AIOps（或AI驱动的IT运营）这一广泛概念正在改变各行业企业网络的管理方式。如今，AI通过建议来提供洞察，管理员只需点击一下即可选择应用。未来，同样的系统可能会自动测试并部署低风险的更改。
Green指出，这个长期愿景被称为“自驾网络”——一个可以处理历史上一直困扰IT团队的重复性、易出错任务的网络。“AI不会取代网络工程师的工作，但它将消除那些拖慢他们速度的繁琐工作，”他说。“你可以说，‘请配置130台交换机来解决这个问题’，系统就会处理。当一个端口卡住，或者有人将连接器插反方向时，AI可以检测到——在很多情况下，还能自动修复它。”
数字化的举措的成败现在取决于信息的传递效率。无论是协调现场活动还是简化供应链，网络的性能越来越多地决定了企业的整体性能。为未来构建这一基础，将区分那些引领者和那些仅仅跟风者。
欲了解更多信息，请注册观看MIT Technology Review的EmTech AI Salon，HPE将作为特邀嘉宾。
此内容由MIT Technology Review的定制内容部门Insights制作。它并非由MIT Technology Review的编辑人员撰写。它由人类作家、编辑、分析师和插画师进行研究、设计和撰写。这包括调查的撰写和数据的收集。可能使用的AI工具仅限于经过严格人工审核的二级生产流程。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区