新时代，高科技越来越发达，朋友们看了很多关于科技的重要新闻。我们也应该在生活中使用很多这些高科技的东西。朋友要注意什么？今天，我想和你分享一个关于科技的知识。我希望你会喜欢它。

近年来，人工智能(AI)已经成为竞争激烈的市场中企业的游戏规则改变者，如机器人、金融服务、自动驾驶汽车等。因为它能够自动执行重复的流程，提供新的战略见解并加速开发。创新。麦肯锡的研究表明，63%的企业因为将AI融入业务流程而增加了收入。此外，随着社会不断向数字化转型，对跨行业和跨地区的企业来说，采用人工智能只会越来越重要。

然而，即使AI的采用率越来越高，建立大规模支持AI所需的基础设施也越来越具有挑战性。事实上，40%的企业认为缺乏IT基础设施是实现AI的主要障碍，而45%的企业认为目前的基础设施无法满足未来AI工作负载的需求。

机器学习等传统AI方法不一定需要大量数据。但随着深度学习和物联网/5G的出现，工厂、智能城市、无人驾驶汽车、边缘设备等产生的数据量。正在增加。设计一个可以将这些数据用于AI的基础设施是非常复杂的。但从一开始就做对很重要，因为必须重新设计或移动AI部署将涉及大量成本(时间、金钱和资源)。

我们来看看企业实现大规模AI的理想基础设施是什么样子的。

模拟工作负载的理想基础架构

为了利用不断增加的AI数据量，企业需要两个基本功能：访问数据的能力，以及近实时快速计算和处理大量数据的能力。

在访问数据方面，企业需要高度的连接性，将数据从边缘引入数据中心进行分析和建立模型，并将模型和数据发送回边缘以优化推理。这需要接近节点以从现场、办公室和制造设施中的设备检索数据。一些人工智能工作负载和用例将针对云进行优化，直接云访问需要以安全高效的方式进行管理。地理可扩展性也很重要，它使企业能够支持不同位置的人工智能工作负载，并减少延迟以实现更快的交付。

数据一旦进入数据中心，企业就需要高密度的支撑来计算训练模型。如今，大多数企业数据中心无法管理足够高的密度来支持计算，并且随着密度的增加和数据创建的增加，密度将继续加快，这将仍然是一个挑战。也许同样重要的是，基础设施需要高度可伸缩。可扩展性是AI程序成功的关键因素，因为大规模运行硬件(GPU)的能力可以带来大规模计算的效果，可以提供有价值的见解。

人工智能基础设施部署的选项

基于这些连接性、功率密度和可扩展性的要求，有一些部署选项，包括本地解决方案、公共云或托管。