📢 转载信息
原文作者：MIT Technology Review Insights
在合作方HPE的支持下，欧洲和美国精英高尔夫球手同场竞技的近百年历史的莱德杯（Ryder Cup）2025年赛事上，近四分之一百万观众聚集一堂，观看了为期三天的激烈角逐。
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应对每天涌入赛场（今年在纽约法明代尔的贝斯佩奇黑球场）的成千上万网络用户。
为了管理这种复杂的IT需求，莱德杯聘请了技术合作伙伴HPE来为其运营创建一个中心枢纽。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工具。这个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。
这展示了AI就绪网络在规模化应用下的样子——一个具有现实意义的压力测试，其影响从赛事管理延伸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很大一部分，但HPE网络首席技术官Jon Green解释说，网络是成功实施AI的关键第三要素。“孤立的AI帮不了你太多；你需要一种方法将数据输入其中并将其输出，以进行训练和推理。”
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海量信息。在贝斯佩奇黑球场上发生的一切，为各行各业提供了一个经验教训：要将AI的承诺转化为现实世界的性能，就绪的推理网络是成败的关键因素。
制定网络AI就绪策略
超过一半的组织仍在努力将其数据管道投入实际操作。在一项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运行实时数据推送和拉取。与去年的数字（2024年仅有7%报告具备此类能力）相比，这是一个显著的进步，但在连接数据收集与实时决策制定方面仍有工作要做。
网络可能就是缩小这一差距的关键。一部分解决方案可能取决于基础设施设计。传统的企业网络是为处理可预测的业务应用流程（如电子邮件、浏览器、文件共享等）而设计的，但它们并未针对AI工作负载所需的动态、高容量数据传输进行优化。特别是推理，它依赖于以超级计算机般的精确度在多个GPU之间传输庞大的数据集。
Green表示：“在标准、现成的企业网络上可以有一定的容错空间。如果电子邮件平台比应有的速度慢了半秒，很少有人会注意到。但对于AI事务处理而言，整个任务都受制于最后一次计算的完成情况。因此，如果你有任何丢失或拥塞，情况就会变得非常明显。”
因此，专为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、专用设备以及可扩展的适应性。这些差异之一是AI的分布式特性，这影响了数据的无缝流动。
莱德杯生动地展示了这种新型网络的应用。赛事期间，建立了一个智能互联中心（Connected Intelligence Center），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、观众和消费者排队情况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。输入数据通过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，因为你有许多开放区域，但人群分布并不均匀。”“人们倾向于跟随比赛动向。因此，在某些区域，人流和设备非常密集，而在其他区域则完全空置。”
为了应对这种可变性，工程师构建了一个两层架构。在广阔的场地中，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，并将数据源源不断地输送给私有云AI集群进行实时分析。前端层连接摄像头、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——以高速、低延迟的配置连接GPU和服务器，这实际上充当了系统的“大脑”。整个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模型来处理拍摄的镜头，并帮助根据录像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，那么在安全攸关的场景下——例如自动驾驶汽车做出加速或刹车的瞬间决定——时间就更加关键了。
在规划物理AI（即应用从屏幕转向工厂车间和城市街道）的兴起时，越来越多的企业正在重新思考它们的架构。一些企业不再将数据发送到中心化的云端进行推理，而是部署基于边缘的AI集群，在更靠近数据生成源的地方处理信息。数据密集型的训练可能仍然在云端进行，但推理则在现场完成。
这种混合方法正在推动运营回流（operational repatriation）浪潮，将曾经依赖云端的工作负载带回本地基础设施，以提高速度、安全、主权和成本效益。Green预测：“近年来，我们目睹了IT向云端的迁移，但我们相信，物理AI是能将很多工作负载带回本地使用的用例之一。”他以一个AI驱动的工厂车间为例，其中传感器数据到云端的往返时间对于安全控制自动化机械来说太慢了。“当处理在云端完成后，机器可能已经移动了，”他解释道。
有数据支持Green的预测：Enterprise Research Group的研究表明，由于AI的增长，84%的受访者正在重新评估应用程序部署策略。根据IDC的报告，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之间的关系是循环的：现代网络使大规模AI成为可能，而AI也在帮助使网络更智能、功能更强大。
Green说：“网络是任何组织中数据最丰富的系统之一。这使它们成为AI的完美用例。我们可以分析数千个客户环境中数百万个配置状态，并学习哪些因素实际上能提高性能或稳定性。”
例如，在HPE，该公司拥有全球最大的网络遥测存储库之一，AI模型会分析从数十亿台连接设备收集到的匿名数据，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条件中持续学习。
通常被称为AIOps（或AI驱动的IT运营）的概念，正在改变各行各业企业网络被管理的方式。如今，AI会以推荐的形式浮现洞察，管理员只需单击一下即可选择应用。未来，相同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“自驱动网络”（self-driving network）——一种可以处理历史上困扰IT团队的重复性、易出错的任务的网络。“AI不会抢走网络工程师的工作，但它将消除那些拖慢速度的繁琐工作，”他说。“你可以说：‘请配置130个交换机来解决这个问题’，系统将处理。当一个端口卡住或有人将连接器插反方向时，AI可以检测到——在许多情况下，它还能自动修复。”
数字计划的成败现在取决于信息移动的效率。无论是协调一场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性能。今天打下坚实的基础，才能让那些引领AI发展的人与只能跟随扩大规模的人区分开来。
欲了解更多信息，请注册观看MIT Technology Review关于HPE专题报道的EmTech AI Salon。
本内容由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查的二次制作流程。
🚀 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