人工智能数据经济
数据经济是全球数字化生态系统，数据被公司、个人和机构收集、组织和交换以创造经济价值。企业正大规模使用数据，人工智能（AI）和高性能计算（HPC）应用既是提取洞察力和创造价值的工具，也是推动数据增长加速器。
企业人工智能战略目标
企业投资人工智能的两大主要目标：
- 运营效率：通过承担重复性或劳动密集型任务来简化业务运营。最佳方式是协助和增强员工，而不是取代他们。
- 业务转型：利用人工智能作为独特的商业产品或服务，创造新的产品和服务能力。
人工智能的演变
- 机器学习（ML）：所有人工智能技术的基石，自 20 世纪 50 年代以来一直在使用。
- 深度学习：在 2010 年代兴起，进一步增强计算机视觉中的感知能力。
- 生成式人工智能（GenAI）：一种特殊的深度学习形式，在 2020 年代兴起，强调语言掌握，可以基于训练数据自主创建新内容。
人工智能工作流程阶段
人工智能工作流程涉及三个相互依赖的数据处理方式：
- 数据聚合：识别、筛选、组织和标准化来自各种来源的代表性数据。
- 训练：通过算法和优化技术，使 AI 模型学习数据中的模式、关系和特征。
- 推理：将训练好的 AI 模型部署并用于对新的、未见过的数据做出预测或决策。
企业面临的人工智能工作流程挑战
- 数据质量：获取高质量数据是企业成功的限制因素。
- 规模：需要扩展概念验证应用程序和最小可行产品（MVP）。
- 供应链挑战：缺乏足够的计算硬件。
- 数据中心基础设施：传统基础设施无法支持功率和冷却需求。
- 成本：数据存储解决方案成本飙升。
- IT 运营：管理许多新和分布式数据源之间的互连需求复杂。
支持人工智能工作流程的 IT 基础设施策略
- 规模：减少复杂性并控制成本。
- 增长：具有清晰业务成果和增长路径。
- 敏捷性：能够快速适应新的环境。
人工智能对 IT 基础设施的新要求
- 密度要求：AI 部署的功率密度要求比其他数据中心用例高 5-10 倍。
- 冷却要求：AI 工作负载需要专门的冷却，如直接液体冷却（DLC）、空气辅助液体冷却（AALC）或后门热交换器。
- 容量要求：企业需要评估云和多租户数据中心（MTDC）等不同存储解决方案。
- 连接性要求：需要安全可靠的互连，以在所有节点之间自由、安全地移动数据。
设计面向未来的 IT 基础设施
面向未来的 IT 基础设施需要支持 AI 需求，并能够轻松适应未来的 AI 需求。混合 IT 基础设施（包括数据中心、云服务提供商和更节能的硬件）可以满足这些需求。
选择数据中心合作伙伴的评估标准
- 可扩展性：数据中心使用必须支持企业不同规模的部署。
- 成本：数据中心成本结构应透明且可预测。
- 专业知识：数据中心合作伙伴应具备处理大规模数据部署的经验和基础设施。
- 互连性：需要灵活、按需和开放的互连解决方案。
- 可持续性：数据中心合作伙伴应致力于可持续发展。
- 创新：数据中心合作伙伴应积极拥抱创新。
数字实业的解决方案
- 高密度 colocation：提供标准配置和超高功率密度。
- PlatformDIGITAL®：全球数据中心平台，提供安全的數據會議場所和经过验证的普遍数据中心架构（PDx®）解决方案方法。
- ServiceFabric™ Connect：服务编排平台，可无缝互连工作流参与者、应用程序、云和数据交换中心。
- 可持续性：数字实业在绿色建筑认证方面处于数据中心行业领先地位，并致力于减少对环境的影响。
结论
全球 AI 的采用将以 37.3% 的复合年增长率增长，直到 2030 年。选择正确的数据中心合作伙伴对于企业成功部署 AI 应用至关重要。数字实业提供安全、开放的数据中心生态系统，帮助企业加速 AI 应用。
